计算机化自适应测验 英语,计算机化自适应测验选题策略研究

摘要：

计算机化自适应测验(CAT)中具有智能的部分是选题策略,选题策略是CAT研究中最重要的部分。按CAT的功能来分,至少可以分为传统CAT与具有诊断功能的CAT。本文对传统CAT的选题策略和具有认知诊断功能的CAT的选题策略分别进行讨论。由于具有诊断功能的CAT发展较晚,对其选题策略的讨论较少,故本文用较大的篇幅,对具有认知诊断功能的CAT的选题策略及其相关问题进行讨论。 本文对研究较少的多级评分CAT选题策略进行研究。由于CAT对能力的估计是序贯进行,对每位考生而言,在测验较早阶段能力估计是较粗糙的,好的项目与差的项目应搭配使用,以充分利用题库中项目。因此,本文提出了交错选题策略,即给出不同的选题策略,在施测时交错使用。Monte Carlo模拟表明,该选题策略对多级评分模型(等级反应模型)效果较好。 随着教育学、心理学、数学和计算机科学的发展,特别是模式识别、人工智能和计算机辅助教学等的发展,刺激和促进了认知诊断的迅速发展。本文另一个内容是,对DINA模型下具有认知诊断功能的自适应测验的选题策略进行研究,提出一种新的选题策略最大期望信息量方法(Maximum Expected Information Strategy,MEIS),另外还提出了一种计算知识状态先验分布的方法,可用于DINA参数估计EM算法中,也可用于具有认知诊断功能的CAT中。通过Monte Carlo实验,对随机(RD)、相对熵(KL)、香农熵(SHE)和MEIS选题策略进行了比较研究。结果表明:一、MEIS的计算时间较KL和SHE方法要少,与RD方法相当;MEIS比SHE的判准率稍差,比KL和RD方法要好;对于项目调用均匀性情况,KL和SHE倾向于调用失误参数和猜测参数之和较小的项目,而MEIS倾向调用项目参数之和较大的项目,KL、SHE和MEIS三种策略的项目调用均匀性都较差。二、在有属性层次结构下,先验分布偏离真实分布太大时,MEIS判准率不好,而SHE方法仍然较好。三、采用SHE和MEIS交错使用,项目调用均匀性稍有提高。MEIS对于提高质量较差的项目的使用率有一定的意义,是否可以仿照传统CAT中a分层思想,将MEIS与SHE或KL方法结合使用,进行项目曝光控制,这个问题值得进一步研究。

展开