《項目反應理論模型與認知診斷模型：模型整合的視角》是依託北京師範大學，由辛濤擔任項目負責人的面上項目。
基本介紹
- 中文名：項目反應理論模型與認知診斷模型：模型整合的視角
- 依託單位：北京師範大學
- 項目負責人：辛濤
- 項目類別：面上項目
項目摘要,結題摘要,
項目摘要
在心理與教育中，實踐套用對測量理論的需求是多方面的。潛變數模型(latent variable model, LVM)中的項目反應理論(item response theory, IRT)與認知診斷模型(cognitive diagnostic model, CDM)反映了實踐的不同需求。不同模型包含的信息各不相同，模型的套用對測驗的編制也有一定的要求。如果把不同模型中包含的信息進行整合，以此指導測驗開發,在滿足實踐多方面需求的同時(提供更豐富的心理過程信息)，還可以大大降低測驗開發與施測的經濟成本。從驗證性分析的角度來看，IRT與CDM有相通之處，雖然von Davier (2008)將兩者進行了整合，但是仍存在很多不足之處。本研究將進一步對其進行擴展與完善，再引入高階因子模型，從而使得一般認知診斷模型可以適用於不同的數據類型與測驗形式，揭示被試的心理結構，更好地為測驗實踐服務。
結題摘要
項目背景： （1）項目反應理論(IRT)與認知診斷模型(CDM)均屬潛變數模型，但是在傳統上它們各自適用於不同的實踐需求。 （2）儘管廣義診斷模型（GDM）已初步將IRT和CDM進行了整合，然而一些重要的理論仍有待完善與拓展。 主要研究內容： （1）對已有模型的相關理論進行完善與拓展，以及新模型的開發；（2）新的模型參數估計方法或對已有方法進行完善；（3）模型——數據絕對擬合檢驗統計量的開發，具體包括絕對擬合檢驗以及近似擬合檢驗方法開發或者拓展；（4）基於課程的認知診斷測驗開發理論及實踐探索；（5）認知診斷測驗軟體的開發。 重要結果： （1）以GDM為例，對於以往IRT以及CDM研究中的MMLE-EM算法的一些重要結論進行了澄清並指出一些重要研究的不足及解決方法；開發了基於神經網路的認知診斷計算機化自適應測驗；提出了改進的認知診斷模型項目功能差異檢驗方法。 （2）將MLE-EM算法拓展到了GDM中，並將其與MMLE-EM進行了比較；以High-Order GDINA為例，提出了高階認知診斷模型的模型參數估計的EM算法；提出了多維IRT中用以進行潛變數選擇的L1懲罰函式方法，實現了蒙特卡羅EM算法在相應模型中的參數估計；開發了IRT模型信度係數置信區間的估計方法。 （3）提出可以使用M2以及RMSEA2評價CDM的模型——數據絕對以及相對擬合優度；對於CDM的信息矩陣估計方法進行了系統的研究；提出了CDM中模型選擇的新方法。 （4）設計小學生分數認知診斷測驗；分類一致性指數在大尺度評價中的套用；概括錨題構建實踐最佳化方案；允許CAT 題目檢查的區塊題目袋方法。 （5）基於R的dcminfo軟體包。 關鍵數據： （1）高中熱化學認知診斷測驗數據，研究的被試來自北京和山東日照兩地的高二理科生，有效人數694人； （2）國小六年級學生數學分數診斷測驗數據，研究的被試來自山東省共1226名有效被試。 科學意義： （1）對IRT與CDM進行整合，節約測驗開發與施測的經濟成本，為測驗結果的使用提供更深入的效度信息。 （2）滿足了《國家中長期教育改革和發展規劃綱要 (2010-2020 年)》所提出一些要求。 （3）能從測驗中獲得更多關於受測者潛在特質的有效信息，促進有針對性的補救教學與干預，服務於我國基礎教育的考試與評價實踐，讓老師了解學生的學習並進行完善的個性化教育。
