纳入协变量信息的多级计分认知诊断模型

在多级计分协变量认知诊断框架下,提出了一种可同时纳入连续协变量信息和多类别协变量信息的多级计分认知诊断模型GPDM-C,实现了其DINA形态的GPDINA-C的MCMC参数估计。模拟研究的结果显示,GPDINA-C拥有较好的属性/模式判准精度和参数估计能力,相较于未纳入协变量信息的GPDINA,GPDINA-C有更好的模型表现,在参数估计精度上有较大优势。实证研究的结果同样表明,GPDINA-C相比于未纳入协变量信息的多级计分认知诊断模型,能更好拟合实证数据,估计得到的协变量影响参数能客观反映真实情况。

基于多级认知诊断模型的精准教学模式探索

精准教学是一种教育方法,它强调使用精确的数据和测量来指导教学决策。这种方法的核心在于通过定期评估学生的学习进度,并根据这些数据调整教学策略,确保每个学生达到预定的学习目标。运用多级认知诊断模型可以将精准教学的过程数据化、可视化,更易针对学生的学习效果推送具有针对性的资源和习题,提高学习效率。本文研究多级认知诊断模型在高职会计专业如何实施精准教学中以期得到更广泛的应用。

基于HO-DINA模型的多级评分认知诊断模型的开发

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0-1评分数据资料的HO-DINA模型拓广至可用于多级评分,采用MCMC算法实现了对新模型参数的估计,并对新模型性能进行了研究。

分离型的多级评分认知诊断模型开发及其应用研究

本文基于DINO模型开发出一种分离型的多级评分认知诊断模型(P-DINO模型),并采用Monte Carlo模拟与实证研究相结合的范式,探讨了新模型的性能与有效性。结果表明:(1)P-DINO模型参数估计精度较好,参数估计的稳健性较强。(2)采用MCMC算法可以实现该模型的参数估计,估计结果较理想。(3)测验长度的增加能有效提高模型的判准率,被试人数的增加对判准率的提高相对较小,属性个数的增加会降低判准率。(4)在抑郁症状评估中,P-DINO模型的表现要优于DINO模型与传统的抑郁症状评估。

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。

基于分部评分模型思路的多级评分认知诊断模型开发

基于分部评分模型的思路,本文提出了一般化的分部评分认知诊断模型(General Partial Credit Diagnostic Model,GPCDM),与国际上已有的基于分部评分模型思路的多级评分模型GDM(von Davier,2008)和PC-DINA(de la Torre,2012)相比,GPCDM的Q矩阵定义更加灵活,项目参数的约束条件更少。Monte Carlo实验研究表明,GPCDM模型的参数估计精度指标RMSE介于[0.015,0.043],表明估计精度尚可;TIMSS(2007)实证数据应用研究表明,与GDM和PC-DINA模型相比,GPCDM与该数据的拟合度更好,并且使用GPCDM分析该数据的诊断效果也更优。总之,本研究提供了一种约束条件更少、功能更为强大的多级评分认知诊断模型。

一种优化的多级评分认知诊断模型

本研究在P-DINA模型基础上开发了一种全新的多级评分认知诊断模型——r P-DINA模型。与P-DINA模型相比,r PDINA模型理论上更具优势:它成功克服了P-DINA模型"将被试得分推向0分或满分两个极端"等不足;且r P-DINA模型较P-DINA模型更为充分地利用了多级评分数据原有特征,从而大大提高了模型的诊断正确率。Monte Carlo模拟结果表明:(1)改进后的r P-DINA模型无论是在无结构还是有结构的属性层级关系下,参数估计的精度及属性诊断正确率均明显优于P-DINA模型;(2)r P-DINA模型可以处理测验属性更多的测验情景,当测验认知属性高达9个时,其属性边际判准率及模式判准率仍高达96.4%和81.6%。

面向精准教学的多级认知诊断模型构建与应用

利用精准教学促进学生个性化成长是教育的理想诉求,也是国家教育政策的现实要求。多级认知诊断模型作为实施精准教学的有效工具,目前虽然应用广泛,但需要大量样本进行参数估计,在课堂教学中应用的门槛较高。基于此,文章首先根据认知及教学理论,对知识属性掌握程度进行多级划分,并构建了面向精准教学的多级认知诊断模型;然后,文章应用多级难度试题对学生知识状态进行测量分级,并在此基础上利用BP神经网络消除学生答题过程中的猜测或失误,从而实现较少样本情况下对学生知识状态的多级诊断;最后,文章应用模型开展教学实验,从诊断结果准确度、补救学习效果和学生满意度方面,验证模型能够对学生知识状态进行高效精准的多级诊断。文章通过研究,旨在为精准教学的实施和学生的个性化培养提供有效依据。

不同链接函数下多级评分认知诊断模型的比较及应用研究

认知诊断测验因具有传统测验所不具备的诊断功能而日益受到重视。当前多级评分认知诊断模型开发中,研究者采用不同的链接函数(link function)开发出不同的多级评分认知诊断模型。本研究基于局部或相邻类别链接函数(local or adjacent categories link function)的思想,开发出多级评分认知诊断模型LC-DINA。研究采用Monte Carlo模拟研究与实证应用研究相结合的方法,将新开发模型与已有模型进行比较并应用于国际数学与科学评估(TIMMS)中,为实际应用者提供借鉴。

基于HO-DINA模型的学生心理多级评分认知诊断模型研究

针对目前国内外认知诊断模型所适用的项目大多为0-1评分,不能满足实际工作中丰富多样的测验资料的缺点,提出一种基于HO-DINA模型的诊断模型,对大学生心理多级评分认知进行研究。其是拓展具有良好发展前景但仅适用0-1评分数据资料的HO-DINA模型,将该模型拓展至多级评分适用范围,新模型参数的估计采用MCMC算法。对所提出的模型进行了性能研究,并用实验证明了新模型的有效性。模型仿真结果建议属性诊断个数为7个以下,以保证属性模式判别准确率高于80%。

基于GP-DINA模型的学生多级评分的广义认知诊断模型研究

针对目前的多数认知诊断模型不能适用于多级评分的问题,文中基于GP-DINA模型,通过引入潜变量与滑动参数,提出一种面向学生的多级评分广义认知诊断模型。该模型将Q矩阵中的各属性设置为相等权重,并定义滑动矩阵导出相应的模型表达式。通过3 000名被试的35道题共15次循环模拟,发现该模型在线性型、无结构型、发散型、收敛型和独立型5种属性层级结构下均具有较高的模式准确率与边际判准率,能够为类似的认知诊断模型研究提供参考。

多级评分认知诊断模型述评

认知诊断评估旨在探讨个体内部的知识掌握结构,并提供关于学生认知优缺点的详细诊断信息,以促进个体的全面发展。当前研究者已开发了大量0-1计分的认知诊断模型,但对于多级计分认知诊断模型的研究还比较少。本文对已有的多级计分认知诊断模型进行了归纳,介绍了模型的假设,计量特征以及适用范围,为实际应用者和研究者在多级计分认知诊断模型的比较和选用上提供借鉴和参考。最后,对未来关于多级计分诊断模型的研究方向进行了展望。

属性多级和项目多级评分的认知诊断模型

认知诊断理论中属性多级和项目多级评分均能极大地丰富项目信息,提高诊断结果准确度.基于此对已有认知诊断模型扩展的属性多级和项目评分多级的认知诊断模型进行介绍,并基于认知诊断模型和相关理论研究视角,对当前认知诊断的发展方向提出思考和建议.

项目之间具有相关性的认知诊断模型

通常0-1项目的认知诊断模型中均假设回答各个项目是相互独立的,但一些实际测试中该假设可能不满足,比如2个项目的背景材料相同,后面的项目的回答会受前面项目反应的影响.本文将项目之间的相关信息引入DINA模型,提出了E-DINA模型,也为解决多级评分问题提供一种有效途径;模拟结果表明,如果项目之间有相关关系,E-DINA模型的模式判准率和属性判准率明显高于不考虑项目之间相关关系的DINA模型,而且具有相关性的项目越多,2个模型的模式判准率的差别越大.

基于贝叶斯网模型的多级计分诊断测验分类及比较研究

贝叶斯网模型提供了一种方便和直观的框架结构来表示变量间的关系,非常适合在诊断测验中对教育评估的内容进行建模。本研究将两种贝叶斯网分类模型与序列多级计分诊断模型S-GDINA进行综合比较。考察两种贝叶斯网分类模型与S-GDINA在Q矩阵正确界定和包含一定比例(25%、 30%)的错误时,两者对被试的分类性能;并将贝叶斯网分类模型应用到实证数据中,展示贝叶斯网分类模型在实证数据中的分类过程和分类性能。研究结果表明:当Q矩阵由专家正确界定时,朴素贝叶斯分类模型的分类效果与S-GDINA模型相差不大,同样可以达到很好的分类效果,树增广的朴素贝叶斯分类模型的分类性能也能达到良好。实证结果进一步表明,将贝叶斯网分类模型应用于教育测量领域中的诊断分类工具是有其优势和可行的,尤其是当测验数据对于所选用诊断模型的拟合较差、测验的Q矩阵中包含错误或测验数据中包含较多的噪音时。

认知诊断框架下多级评分题目的DIF检测方法及其应用

本文对多级计分认知诊断测验的DIF概念进行了界定,并通过模拟实验以及实证研究对四种常见的多级计分DIF检验方法的适用性进行理论以及实践性的探索。研究结果表明:四种方法均能对多级计分认知诊断中的DIF进行有效的检验,且各方法的表现受模型的影响不大;相较于以总分为匹配变量,以KS为匹配变量时更利于DIF的检测;以KS为匹配变量的LDFA方法以及以KS为匹配变量的曼特尔检验方法在检测DIF题目时有着最高的检验力。

层级一致性指标的多级评分拓展

在认知诊断评估实践中,属性层级合理性的验证非常重要,而现有指标仅停留在0-1计分测验,无法适应考试形式和评分方式多样化的实践需求。研究将0-1计分层级一致性指标(MHCI)拓展至多级计分的层级一致性指标(GHCI),模拟和实证研究结果表明:(1)GHCI具有和MHCI相同的本质含义,考虑了父项目和子项目得分的多种可能性,从而将MHCI纳入GHCI体系;(2)在多级或混合计分情境,MHCI会有信息损失,容易发生低估,且易受转换比例的影响;(3)GHCI在模拟和实践情境均具较好的适宜性,拟合截断值的设置可依属性层级而定。

项目区分度指标在属性多水平和混合计分项目下的组卷研究

将两种项目区分度指标(CDI、ADI)及两种扩展项目区分度指标(GMCDI、GMADI)用于属性多水平诊断测验组卷。考虑三种实际测验情景,开展两项研究:研究1,二级与多级计分项目独立组卷测验;研究2,二级与多级计分项目混合组卷测验。结果表明,GMCDI与GMADI组卷方法可获得最高诊断精度,且不受属性层级结构与测验类型影响。

基于曼哈顿距离构建非参数Q矩阵修正方法

将被试得分、理想反应距离和被试得分异常原理相结合,并加入属性计分下的被试得分特性,开发了用于多级评分情境下属性计分曼哈顿距离法(SA-MD),在不同条件下验证了SA-MD的稳定性和适宜性.通过模拟研究和实证研究表明:(i)从逻辑推导出SA-MD用于多级评分情境下Q矩阵修正更合理;(ii)在多种条件中,SA-MD均有较优的修正效果,适用范围更广,稳定性更高;(iii)当小样本测验进行Q矩阵修正时,使用SA-MD方法可获得更优的效果.