計(jì)算機(jī)化自適應(yīng)測(cè)驗(yàn)選題策略研究——以GRM和DINA模型為例.pdf

1、計(jì)算機(jī)化自適應(yīng)測(cè)驗(yàn)（CAT）中具有智能的部分是選題策略，選題策略是CAT研究中最重要的部分。按CMT的功能來(lái)分，至少可以分為傳統(tǒng)CAT與具有診斷功能的CAT。本文對(duì)傳統(tǒng)CAT的選題策略和具有認(rèn)知診斷功能的CAT的選題策略分別進(jìn)行討論。由于具有診斷功能的CAT發(fā)展較晚，對(duì)其選題策略的討論較少，故本文用較大的篇幅，對(duì)具有認(rèn)知診斷功能的CAT的選題策略及其相關(guān)問(wèn)題進(jìn)行討論。 本文對(duì)研究較少的多級(jí)評(píng)分CAT選題策略進(jìn)行研究。由于CAT對(duì)

2、能力的估計(jì)是序貫進(jìn)行，對(duì)每位考生而言，在測(cè)驗(yàn)較早階段能力估計(jì)是較粗糙的，好的項(xiàng)目與差的項(xiàng)目應(yīng)搭配使用，以充分利用題庫(kù)中項(xiàng)目。因此，本文提出了交錯(cuò)選題策略，即給出不同的選題策略，在施測(cè)時(shí)交錯(cuò)使用。Monte Carlo模擬表明，該選題策略對(duì)多級(jí)評(píng)分模型（等級(jí)反應(yīng)模型）效果較好。 隨著教育學(xué)、心理學(xué)、數(shù)學(xué)和計(jì)算機(jī)科學(xué)的發(fā)展，特別是模式識(shí)別、人工智能和計(jì)算機(jī)輔助教學(xué)等的發(fā)展，刺激和促進(jìn)了認(rèn)知診斷的迅速發(fā)展。本文另一個(gè)內(nèi)容是，對(duì)DINA

3、模型下具有認(rèn)知診斷功能的自適應(yīng)測(cè)驗(yàn)的選題策略進(jìn)行研究，提出一種新的選題策略最大期望信息量方法（Maximum Expect Information Strategy，MEIS），另外還提出了一種計(jì)算知識(shí)狀態(tài)先驗(yàn)分布的方法，可用于DINA參數(shù)估計(jì)EM算法中，也可用于具有認(rèn)知診斷功能的CAT中。通過(guò)Monte Carlo實(shí)驗(yàn)，對(duì)隨機(jī)（RD）、相對(duì)熵（KL）、香農(nóng)熵（SHE）和MEIS選題策略進(jìn)行了比較研究。結(jié)果表明：一、MEIS的計(jì)算時(shí)間較

4、KL和SHE方法要少，與RD方法相當(dāng)；MEIS比SHE的判準(zhǔn)率稍差，比KL和RD方法要好；對(duì)于項(xiàng)目調(diào)用均勻性情況，KL和SHE傾向于調(diào)用失誤參數(shù)和猜測(cè)參數(shù)之和較小的項(xiàng)目，而MEIS傾向調(diào)用項(xiàng)目參數(shù)之和較大的項(xiàng)目，KL、SHE和MEIS三種策略的項(xiàng)目調(diào)用均勻性都較差。二、在有屬性層次結(jié)構(gòu)下，先驗(yàn)分布偏離真實(shí)分布太大時(shí)，MEIS判準(zhǔn)率不好，而SHE方法仍然較好。三、采用SHE和MEIS交錯(cuò)使用，項(xiàng)目調(diào)用均勻性稍有提高。MEIS對(duì)于提高質(zhì)量較