论文部分内容阅读
选题策略是计算机化自适应测验(Computerized Adaptive Testing,CAT)的核心内容,它不仅使测验具有智能性而且它的优劣直接影响测验的好坏。传统的CAT容易造成安全危险,而内容上的限制则更难处理。程莹在2009年提出的最大优先级指标法(Maximum Priority Index Method,MPI)在一定程度上可以满足非计量学约束,但是仍然会出现违背约束条件和偏向选择约束条件相对少的项目的情况。本文对MPI进行了改进,并结合极大化Fisher信息量方法,提出4种新的选题策略:改进的最大优先级指标法,指数式方法,加法式方法,权重式方法。Monte Carlo模拟表明,改进的最大优先级指标法不存在违背约束条件的情况,且对能力的估计也更为精确;指数式方法和加法式方法因为发挥了极大化Fisher信息量方法的优势,在被试能力估计上表现较好;而权重式方法由于在测验初期降低权重,其表现也比原MPI方法好。相对于基于项目反应理论的CAT(IRT-CAT),具有认知诊断功能的CAT(CD-CAT)不仅能够知晓被试对技能的掌握情况,而且能够了解不同个体间存在的知识状态和认知结构的差异,这使得对CD-CAT的研究越来越受到研究人员的关注。认知诊断的诊断实际上是模式识别。本文将改进的最大优先级指标法应用于认知诊断测验中,提出了一种既能满足属性平衡又能有效处理相似属性模式的新的CD-CAT选题策略:改进的极大化判别认知诊断模型信息量指标法( Modified Maximum Global Discrimination--Cognitive Diagnosis Model Information Index Method, MGCDI)。通过Monte Carlo模拟,比较MGCDI、修正的极大化判别指标法(Modified Maximum Global Discrimination Index Method ,MMGDI)、认知诊断模型信息量指标法(Cognitive Diagnosis Model Information Index Method,CDI)等3种选题策略在4种不同属性层级结构下的优劣性。结果表明:(1)MGCDI不仅具有MMGDI的平衡属性和CDI的处理相似属性模式的优点,还拥有更高的模式判准率和属性平均判准率;(2)MGCDI最好,MMGDI次之,CDI最差;(3)三种选题策略在无结构上的表现均为最好,在发散型结构上的表现最差。