第二章 认知诊断评估中属性界定的方法（规则空间）

第一节 Q矩阵

测验或评估中所涉及的潜在技能模型或者认知模型采用一个Q矩阵来刻画。

Q矩阵是由1和0两种元素构成的矩阵。

元素为1表示正确作答项目要求掌握该属性，为0不要求。

要构建诊断的潜在技能模型或认知模型，就是要构建测验Q矩阵，主要包括Q矩阵元素进行指定和验证。

第二节 Q矩阵指定，选择和验证方法。

一、规则空间模型下属性指定，选择和验证方法。

规则空间（Rule Space）是规则空间模型（Rule Space Model, RSM）的核心概念之一。它是一种用于认知诊断的统计方法，旨在通过分析被试者在测试项目上的反应模式，推断其潜在的知识状态（即掌握了哪些技能或规则）。规则空间模型结合了项目反应理论（IRT）和分类分析，能够将被试者的反应模式映射到一个预先定义的规则空间中。

以下是对规则空间的详细解释，帮助你更好地理解它的含义和作用。

---

1. 规则空间的定义

规则空间是所有可能的潜在知识状态的集合。每个潜在知识状态表示被试者是否掌握了某些特定的技能或规则。例如：

• 如果有3个技能（Skill1, Skill2, Skill3），每个技能有两种状态（0 = 未掌握，1 = 掌握），那么规则空间就是所有可能的技能组合，共有 (2^3 = 8) 种状态。

规则空间可以用一个矩阵表示，其中每一行代表一个潜在知识状态，每一列代表一个技能。例如：

Skill1	Skill2	Skill3
0	0	0
1	0	0
0	1	0
1	1	0
0	0	1
1	0	1
0	1	1
1	1	1

---

2. 规则空间的作用

规则空间的作用是提供一个分类框架，将被试者的反应模式映射到某个特定的潜在知识状态。具体来说：

• 每个被试者的反应模式（即在测试项目上的得分）会被分析，并与规则空间中的每个状态进行比较。

• 通过计算反应模式与每个状态的匹配程度（例如，使用距离度量），可以将被试者分类到最接近的状态。

例如：

• 如果一个被试者的反应模式与状态 (1, 1, 0) 最匹配，那么可以推断该被试者掌握了 Skill1 和 Skill2，但未掌握 Skill3。

---

3. 规则空间与Q矩阵的关系

• Q矩阵定义了测试项目与技能之间的关系。例如，Q矩阵中的每一行表示一个项目，每一列表示一个技能，矩阵中的值（0或1）表示该项目是否测量了该技能。

• 规则空间是基于Q矩阵生成的。它描述了所有可能的技能组合，而这些组合是通过Q矩阵中的技能定义的。

例如：

• 如果Q矩阵定义了3个技能（Skill1, Skill2, Skill3），那么规则空间就是这3个技能的所有可能组合（共8种状态）。

---

4. 规则空间模型的步骤

规则空间模型的实现通常包括以下步骤：

1. 定义Q矩阵：明确每个项目测量了哪些技能。

2. 生成规则空间：列出所有可能的潜在知识状态。

3. 分析被试者反应：将被试者的反应模式与规则空间中的每个状态进行比较。

4. 分类被试者：将被试者分类到最匹配的潜在知识状态。

5. 评估分类结果：计算分类的准确性，并解释被试者的知识状态。

---

5. 规则空间的示例

假设我们有一个测试，包含3个技能（Skill1, Skill2, Skill3）和4个项目。Q矩阵如下：

	Skill1	Skill2	Skill3
Item1	1	0	0
Item2	0	1	0
Item3	1	1	0
Item4	0	0	1

根据Q矩阵，规则空间是所有可能的技能组合：

Skill1	Skill2	Skill3
0	0	0
1	0	0
0	1	0
1	1	0
0	0	1
1	0	1
0	1	1
1	1	1

---

6. 规则空间的直观理解

可以将规则空间想象成一个地图，每个潜在知识状态是地图上的一个点。被试者的反应模式就像是一个“坐标”，通过计算与地图上每个点的距离，找到最接近的点（即最匹配的状态）。

---

7. 规则空间模型的优势

• 解释性强：能够明确推断被试者掌握了哪些技能。

• 灵活性高：适用于多种认知诊断场景。

• 结合IRT：能够处理项目反应理论中的不确定性。

# 1. 安装并加载必要的包
install.packages("CDM")  # 如果尚未安装
library(CDM)

# 2. 创建Q矩阵
# Q矩阵定义了项目与技能之间的关系
Q <- matrix(c(
  1, 0, 0,  # Item1测量Skill1
  0, 1, 0,  # Item2测量Skill2
  1, 1, 0,  # Item3测量Skill1和Skill2
  0, 0, 1   # Item4测量Skill3
), nrow=4, ncol=3, byrow=TRUE)

# 为Q矩阵添加行名和列名
rownames(Q) <- paste0("Item", 1:4)
colnames(Q) <- paste0("Skill", 1:3)

# 打印Q矩阵
print("Q矩阵：")
print(Q)

# 3. 生成规则空间
# 规则空间是所有可能的潜在知识状态组合
# 对于3个技能，规则空间有2^3 = 8种状态
rule_space <- expand.grid(Skill1=c(0,1), Skill2=c(0,1), Skill3=c(0,1))
print("规则空间：")
print(rule_space)

# 4. 生成模拟数据
# 使用规则空间和Q矩阵生成被试者的反应数据
set.seed(123)  # 设置随机种子以保证结果可重复
N <- 100  # 被试者数量
true_states <- rule_space[sample(1:nrow(rule_space), N, replace=TRUE), ]  # 随机生成真实知识状态
data <- matrix(0, nrow=N, ncol=nrow(Q))  # 初始化反应数据

# 根据Q矩阵和真实知识状态生成反应数据
for (i in 1:N) {
  for (j in 1:nrow(Q)) {
    # 如果被试者掌握了项目所需的所有技能，则正确回答的概率较高
    required_skills <- Q[j, ]
    if (all(true_states[i, ] >= required_skills)) {
      data[i, j] <- rbinom(1, 1, 0.9)  # 正确回答的概率为90%
    } else {
      data[i, j] <- rbinom(1, 1, 0.2)  # 错误回答的概率为80%
    }
  }
}

# 打印模拟数据的前几行
print("模拟数据的前几行：")
print(head(data))

# 5. 规则空间模型分类
# 使用最近邻方法将被试者分类到规则空间中的某个状态
classify_to_rule_space <- function(data, Q, rule_space) {
  classifications <- matrix(0, nrow=nrow(data), ncol=ncol(rule_space))
  for (i in 1:nrow(data)) {
    # 计算被试者反应与每个规则空间状态的匹配程度
    distances <- apply(rule_space, 1, function(state) {
      sum(abs(data[i, ] - as.numeric(state %*% t(Q))))
    })
    # 选择距离最小的状态作为分类结果
    classifications[i, ] <- as.matrix(rule_space[which.min(distances), ])
  }
  return(classifications)
}

# 进行分类
classified_states <- classify_to_rule_space(data, Q, rule_space)
print("被试者的分类结果：")
print(head(classified_states))

# 6. 评估分类准确性
# 计算分类结果与真实知识状态的一致性
accuracy <- mean(rowSums(classified_states == true_states) == ncol(rule_space))
print(paste("分类准确率：", round(accuracy * 100, 2), "%"))

# 7. 可视化规则空间
# 使用热图可视化规则空间
heatmap(as.matrix(rule_space), Rowv=NA, Colv=NA, col=c("white", "black"), scale="none",
        main="规则空间可视化", xlab="技能", ylab="状态")

​