论文部分内容阅读
认知诊断目前在国内外越来越受到重视,而要真正实现认知诊断,需要借助一定的计算学模型即认知诊断模型。国际上,目前已开发近60种认知诊断模型,不同模型又各具特点。本文对具有较好发展前景的HO-DINA模型进行拓展,将仅适用于单维的HO-DINA模型拓广至可用于多维的HO-DINA模型(m HO-DINA),在实际测试中,大部分的测验考察的一般是多种能力,因此,多维HO-DINA模型(m HO-DINA)的拓广显得十分有必要,由于m HO-DINA模型待估参数非常多,传统的MMLE/EM算法难于实现,de la Torre&Douglas提出采用MCMC算法(Markov Chain Monte Carlo)估计HO-DINA模型中参数。本研究采用涂冬波、漆书青等(2008)介绍的一种MCMC算法:Gibbs抽样下随机移动M-H算法(jumping M-H)。本研究中的Gibbs抽样下随机移动M-H算法(jumping M-H)具体为生成(2+i*h+2*h*k)条马尔科夫链,每条链长8000,取后3000次结果;收敛判断标准,以这些链所估出的参数的标准差(参数估计误差)为判断标准(若这些链所估出的参数一样,则其标准差为0,基本收敛),从而实现对m HO-DINA模型的参数进行估计。并且通过实验1和实验2对新模型参数估计的稳定性和精确性作出判定,实验1:本实验固定能力维度2维,认知属性6个,测验项目60题以及被试数500以探究用MCMC算法的m HO-DINA所估计参数与真实值之间偏差。实验2:将m HO-DINA模型与DINA模型,HO-DINA模型和MIRT模型进行比较,首先对被试的能力值进行模拟,为了便于一般化,测验Q矩阵随机生成,其中每个属性被考核的概率均为0.5且不考虑属性之间的层级关系,被试作答反应矩阵的模拟,采用Leighton等(2004)的模拟方法,在理想作答基础上,模拟作答反应失误概率即slip分别为5%,10%,15%,20%四种情况下被试的作答反应矩阵,来考查m HO-DINA模型与其他认知诊断模型相比在对被试能力估计和对被试属性掌握模式判准率的情况。