等级评分模型下的最大信息量分层选题策略

对于0-1评分模型,R.B.Juan等提出了最大信息量分层选题策略,将此选题策略应用到等级反应评分模型(GRM)中,即以项目j的最大信息量I max(j)作为分层的依据,以取得该项目的最大信息量时能力点值θmax(j)作为项目的综合难度,分别用I max(j)与θmax(j)替代张华华等提出的按a分层和按b分块按a分层方法中的a、b参数,形成最大信息量按a分层选题策略(MI-AS)和最大信息量按b分块按a分层方法(MI-BS).模拟实验结果表明:MI-AS和MI-BS方法较传统的按a分层方法要好.

等级反应模型下计算机化自适应测验选题策略

计算机化自适应测验(CAT)中的选题策略,一直是国内外相关学者关注的问题。然而对多级评分的CAT的选题策略的研究却很少报导。本研究采用计算机模拟程序对等级反应模型(G raded Response Model)下CAT的四种选题策略进行研究。研究表明:等级难度值与当前能力估计值匹配选题策略的综合评价最高;在选题策略中增设“影子题库”可以明显提高项目调用的均匀性;并且不同的项目参数分布或不同的能力估计方法都对CAT评价指标有影响。

多级评分计算机化自适应测验动态综合选题策略

多级评分可以提供更多关于被试的信息,是计算机化自适应测验的一个发展方向,选题策略是计算机化自适应测验的研究重点。对于多级评分的等级反应模型,本文拟用区间估计的思想改进近期提出的几种选题策略,并且将两级评分b-STR和a-STR推广到多级评分以改进最大信息量选题策略。Monte Carlo模拟实验表明在达到或接近原有选题策略测验精度的基础上,本文提出的几种新选题策略有的能够有效降低测验长度,有的可以极大降低项目曝光率。

多级评分计算机化自适应测验动态调和平均选题策略

对于等级反应模型下计算机化自适应测验构建一个新选题策略,利用调和平均数以更好地度量难度参数向量与能力估计值之间的距离;调节区分度参数的幂指数以控制其在测验各阶段对项目选择的不同影响;利用项目信息函数提高测验的精度,并综合权衡能力估计精度和项目曝光率。模拟实验表明在同等实验条件下该策略与著名的最大Fisher信息量选题策略(MFI)相比,仅仅测验长度多用两个项目,能力估计精度基本相当,而曝光率有很明显优势,只为MFI的十分之一,这大大提高了测验安全性。

双因子模型MCAT中多级评分项目选题策略的比较

针对多级评分项目计算机化自适应测验,推导双因子等级反应模型Fisher信息量的计算,然后将"维度缩减"方法运用到后验加权D优化(PDO)、后验加权Kullback-Leibler(PKL)、连续熵(CEM)和互信息(MI)方法,并在低、中、高双因子模式下比较它们的表现。模拟研究表明:(1)双因子模式越强,全局因子估计精度降低,局部因子估计精度提高;(2)相同实验条件下,CEM方法的测量精度最高,PKL方法的估计精度最低,其它方法没有显著差异。

等级反应模型中的参数估计研究

首先阐述了等级反应模型(Graded Response Model,简称GRM)的原理和算法及其在多级评分中的应用,接着对等级反应模型(GRM)的参数估计进行了一些推导。最后,阐述了等级反应模型项目参数的迭代方法及能力参数的迭代方程,同时对等级反应模型的未来发展作了一些论述。