多维自适应测验初探

计算机化自适应测验(CAT)是当前国内外考试改革的一个重要方向.该文对多维自适应测验中的能力估计和项目选择进行了一定的理论探讨,给出了贝叶斯估计中的项目选择算法.当A和x的范围已知时,这个算法把计算max|A+xx′|转换成计算max(x′A-1x).

多维计算机化自适应测验选题策略的开发及比较

本研究提出一种新的多维计算机化自适应测验(MCAT)选题策略,并将现有及本研究新提出的MCAT选题策略归纳为三类进行了较为系统全面的Monte Carlo模拟实验比较。结果表明:A-优化方法、后验期望KL信息方法 (KB)和本文提出的修正的连续熵方法 (MCEM)在各自类别中估计精度最高;结合题库安全性来看,MCEM综合表现最好。

多级评分项目的多维CAT选题策略开发

本研究开发了两种新的适用于多级评分项目的多维计算机化自适应测验(PMCAT)的选题策略——修正的连续熵(RCEM)和修正的后验期望KL信息(MKB)方法,并与以往PMCAT的选题策略进行了对比研究。Monte Carlo实验结果表明:两种新开发的选题策略比原方法估计精度更高,并且RCEM方法在所有选题策略中曝光率最低。新开发的选题策略具有较理想的估计精度和曝光控制效果,为PMCAT在实践中的应用提供了新的方法支持。

基于多维名义反应模型的分类数据测验下新题的LASSO模式识别

多维项目反应理论(MIRT)作为数理统计潜变量建模研究的一个分支,在国际测验研究领域具有重要地位。多维名义反应模型(MNRM)是MIRT中一种拟合多级评分题目的模型,用于开发具有分类数据的诊断型测验以实现对多维潜变量的测量。MNRM构建的纸笔或计算机化自适应测验是测验研究的热点之一;更新基于该模型的题库时函待解决新题的多维度自动识别问题,以确保参数估计、数据挖掘及诊断反馈的精度和安全性。本研究提出的基于LASSO的MNRM的测验新题模式识别方法简称LPRM-NR,能够对相应的纸笔测验及MCAT有效地解决新题的模式识别。本研究通过统计模拟考察LPRM-NR方法的模式识别效果,发现该方法在两类测验情境中,对能力参数不同维数及不同关联度的多种组合的最优识别准确率在77.18%至99.61%之间,模式识别效果良好且兼具易实施、低成本的优点。对纸笔测验情境进行的一项实证研究也表明提出方法的较好效果。LPRM-NR方法对基于MNRM的多维纸笔测验和新兴的MCAT,均具有很好的题库新增题目的模式识别效果,为分类测验的题目更新奠定了基础。