论文部分内容阅读
计算机化自适应测验(Computerized Adaptive Testing,CAT)是现代测量理论和计算机技术相互结合的产物,随着研究的深入其应用越来越广泛。CAT较传统纸笔测验具有明显的优势。在其组成部分中,最具智能的部分——选题策略是它的灵魂,其优劣与题库的安全性、测验的准确性等等息息相关。在计算机化自适应测验中,由于测验的性质不同,在衡量测验优劣的多个指标中,有的测验侧重于测量精度,有的侧重于测验的公平性,还有的侧重于测验的效率,在这些指标中,有些指标之间有冲突,但希望经过权衡后尽可能多方兼顾。如具有认知诊断的计算机化自适应测验(Cognitive Diagnostic Computerized Adaptive Testing,CD-CAT)的研究热点就由单一诊断被试知识状态的目标转为既能诊断被试知识状态又能评估被试能力水平的双目标测验。本文针对CAT和CD-CAT选题策略中题目使用均匀性与测量精度相冲突,特别是题库利用不均匀的不足,提出新的选题算法。第一,对于CAT,根据动态加权区间的选题策略来适应测验目的多样性:先构造一个包含最大信息量的区间,该区间的题目集相当于一个“影子题库”,再设置一个权值调节影子题库的大小。区间的使用可以提高题库利用的均匀性,保证题库安全,而权值根据测验关注点进行调整可实现测量目标;第二,对于CD-CAT,使用高阶DINA(Higher-order DINA,HO-DINA)模型建立被试潜在特质与被试掌握模式之间的联系:使用PWKL选题策略和动态区间加权选题策略分别选出一组试题并取二者交集,对集合可能出现的情况进行不同处理。交集的使用可以使入选的项目同时满足能力测量要求和知识状态测量要求的双重目标,两种策略的混合使用兼顾了被试能力和知识状态的估计精度。模拟实验显示:两种新的选题方法在保证测验精度的同时,在均匀性上表现突出。