重参数化的多分属性诊断分类模型及其判准率影响因素

多分属性比传统的二分属性提供更多更详细的诊断反馈信息,符合对知识技能的多水平要求,具有较好的应用前景。本文首先介绍了多分属性和多分Q矩阵的概念;之后重参数化了3个分别满足连接、分离和补偿缩合规则的多分属性诊断分类模型并研究了其判准率影响因素,结果发现它们的判准率(1)均随多分属性数量的增加而降低,建议实际使用中不宜高于5个;(2)均随多分属性的最高水平数增加而降低,建议实际使用中不宜高于4水平;(3)均随多分属性间统计相关性增加而增加,但影响不大;(4)受多分属性层级结构的影响较大;(4)受被试量影响不大;(5)均随题目数量增加而增加且影响较大。最后,针对"多分属性与多级评分的关系"和"多分属性与二分属性之间的关系"这两个问题进行了讨论。以期为实证研究者提供相关的理论支持和使用建议。

多分属性层级结构下引入逻辑约束的理想掌握模式

多分属性比传统的2分属性提供更多更详细的诊断反馈信息,具有广阔的应用前景.在多分属性情境下,当属性之间存在层级结构时,会出现原2分属性情境下不存在的逻辑问题:如果被试仅低程度地掌握了父属性,那么他是否还有可能高程度地掌握子属性?从逻辑上讲,这种"父属性掌握程度低而子属性掌握程度高"的发展情况并不具有普适性.对此,该文首先在多分属性情境下,基于现有的计算理想掌握模式的方法提出了满足"属性掌握水平约束假设"的理想掌握模式计算方法.然后,通过模拟研究说明该逻辑约束的使用方法及忽略该逻辑约束可能对诊断结果带来的危害.