计算机化自适应测验中能力估计新方法

能力估计的极大似然估计方法(MLE)不能处理全0或全1的被试反应模式,若事先设置好能力估计的上下界,则会导致能力估计的有效范围缩小的后果;而贝叶斯估计方法需要选择先验分布,先验分布的选择必须很慎重.在原有似然函数的基础上,构建2个新的项目,提出了改进的MLE方法(NMLE).NMLE既不需要能力先验分布,也不会缩小能力估计范围,而且可以处理各种反应模式.蒙特卡洛实验结果表明新方法表现良好.

CAT初始阶段被试能力估计方法改进探究

在CAT初始阶段被试作答的信息较少,对被试能力进行合理和稳健的估计比较困难。本文设计CAT测试过程的代表性测验样例,使用不同能力估计方法比较CAT初始阶段的被试能力估计情况。在单参数模型下,在题量较少时,EAPE-N(0,0.5)方法的能力估计的合理性和稳健性要相对优于MLE、EAPE-N(0,2)、EAPE-N(0,1)方法。在CAT测试过程中可以先使用先验分布方差较小的EAPE方法进行估计,随着测试题量增加,逐步增大EAPE方法的先验分布方差,并可以和a分层选题策略结合起来使用。