论文部分内容阅读
随着互联网技术和信息技术的高速发展,教育领域的学习数据与日俱增。借助于计算机等工具,可以收集到大量的相关数据。如何将这些海量数据转变为知识和信息,并为学习者评价、教学决策及学习优化等方面提供服务,成为教育数据挖掘研究领域的热点。现有的研究主要基于开放和智能的在线学习系统,通过使用学生建模等技术来揭示学生的学习特征和学习状况等。但是,基于作答数据来对学生知识和能力状态的研究较少且更多从心理学的角度进行分析。在心理学领域,认知诊断理论能够了解个体内部微观心理加工过程,实现个体认知情况的诊断。然而,认知诊断在进行诊断分析前一般以Q矩阵理论指导编制测试,这与实际的教育考试存在较大差异。另外,认知诊断模型复杂度较高,且多数模型仅适于0-1评分数据,这使得现有的诊断模型在实际应用中存在一定的局限。针对上述问题,本文基于现有研究提出一种适用于多值评分数据的高考考生能力数据分析和评价方法:首先,基于考生得分信息,通过项目反应理论(IRT)来分析考生在所测项目上的反应模式与其潜在特质(也称能力)之间的关系,对考生个体的能力水平进行评估。具体利用Rasch模型,以极大似然估计方法进行参数估计,计算每个考生个体的总能力值θ。该能力值反映了考生在特定测试上一致性的内在特征,对考生更深层次的能力挖掘有重要作用。其次,由于项目反应理论采用单维性假设,即只适于分析单一维度的能力属性。因此,采用Q矩阵理论将考生不可直接观察的能力状态与在项目上可观察的作答反应相连接,从而把考生能力细化到各个能力属性层面,为考生更深层次的能力分析和评价提供理论依据。具体过程为:(1)详细分析测试项目所测的不可观察的能力属性及其层级结构;(2)利用Q矩阵理论将能力状态转化为可观察的项目反应模式,并改进Q矩阵理论以适于实际考试中的多值评分情况,得到多值评分下的期望反应模式。最后,将考生能力分析和评价看作一个多元分类问题,结合基于IRT和Q矩阵理论的考生能力值和项目反应模式构造考生的特征向量,采用概率神经网络算法进行分类判别,挖掘考生更深层次的能力掌握情况。模拟实验表明,本文提出的结合IRT和Q矩阵的概率神经网络分类方法能够一定程度提高考生能力掌握模式判别的准确率。另外,基于高考数据的实证研究表明,本文方法能够有效实现高考考生能力的分析和评价,并通过不同地区、学校及类别的考生之间的比较分析,能够发现不同群体考生的能力差异,具有一定的实际应用价值。