基于CD-CAT的多策略RRUM模型及其选题方法开发

在有多种解题策略的认知诊断问题情境中,用每个Q矩阵表示一种解题策略,由此将单策略认知诊断RRUM模型拓广为多策略RRUM模型(MS-RRUM)。随后,在应用MS-RRUM模型的CD-CAT中开发了适用于多策略情境的MAP参数估计法和多策略香农熵(MSSHE)选题法。将MSSHE选题法与随机选题法分别在不同属性数量、不同测验长度下进行比较,结果发现前者对被试的策略和认知状态判准率都显著优于后者,而且都很理想。这样就顺利实现了在CD-CAT做策略诊断的目标。

基于属性层级关系的rRUM模型优化--模型解释力及判准率的提升视角

以提高认知诊断模型判准率及对数据的解释力为视角,对当前应用较广泛的r RUM模型进行优化(优化后的模型简记为r RUM-AH),并采用Monte Carlo模拟研究及实证研究相结合的范式,比较分析了传统的r RUM模型和r RUM-AH模型的诊断正确率及诊断结果的解释力.研究结果表明:当属性间存在层级关系时,不论在何种实验设计条件下,优化后的r RUM-AH模型属性诊断正确率远远高于传统的r RUM模型;当属性间存在层级关系时,r RUM模型的模式判准率平均不到80%(而r RUM-AH模型平均高达90%以上),难于满足实际需求,此时实际应用者选用该研究新开发的模型是一个较好的选择.

属性多级化的认知诊断模型拓展及其Q矩阵设计

本研究在传统0-1属性的基础上,拓展出可以处理属性多级化的认知诊断模型——PA-rRUM和PA-DINA模型。Monte Carlo模拟研究表明:拓展模型具有较高的属性诊断正确率和参数估计精度,且参数估计的稳定性较强,说明拓展模型基本可行,可以用于实现多级化属性的认知诊断。这弥补了传统0-1化属性认知诊断模型的不足,具有较好的发展和应用前景;同时本研究还探讨了拓展模型性能及属性多级化下测验Q矩阵的设计。总之,本研究对于进一步拓展认知诊断在实践中的应用提供了重要的方法和技术支持。

可以兼顾策略、认知状态和能力的CD-CAT选题方法

当CD-CAT测验需要同时诊断被试的解题策略、认知状态并评估被试的宏观能力时,就需要在选题过程中兼顾这三个测量目标。用两种不同方式将多策略香农熵(MSSHE)指标与Fisher信息量相结合,提出多策略情境中的"带有信息量的有序度"指标(MSDWI)选题法与"先用MSSHE后用Fisher信息量"的两步选题法。基于多策略RRUM模型(MS-RRUM),将这两种方法与随机选题法在不同属性数量条件下进行模拟比较,结果表明:当属性数量为4个或6个时,两步选题法在策略判准率、认知状态判准率和能力估计精度三个方面都有最佳的效果。