本文關(guān)鍵詞：基于KL信息矩陣的動態(tài)加權(quán)選題策略

  更多相關(guān)文章： 認(rèn)知診斷計(jì)算機(jī)化自適應(yīng)測驗(yàn) KL信息矩陣 選題策略 DINA模型 融合模型

【摘要】：在Henson和Douglas提出的KL信息矩陣(用D矩陣表示)基礎(chǔ)上,借鑒后驗(yàn)加權(quán)的思想,將原始KL信息矩陣修正為后驗(yàn)加權(quán)KL矩陣,并基于認(rèn)知診斷中項(xiàng)目區(qū)分度的計(jì)算方式,提出2種新的CD-CAT選題策略:DPWKL1和DPWKL2方法,在不同測驗(yàn)長度、不同診斷模型以及不同屬性相關(guān)程度下,與傳統(tǒng)PWKL方法進(jìn)行了比較研究.模擬研究表明,不論實(shí)驗(yàn)條件如何變化,DPWKL1和DPWKL2方法的屬性判準(zhǔn)率及模式判準(zhǔn)率均要優(yōu)于PWKL方法.
【作者單位】： 西南大學(xué)心理學(xué)部;
【分類號】：B841
【正文快照】： 與非適應(yīng)性測驗(yàn)相比,計(jì)算機(jī)化自適應(yīng)測驗(yàn)(Computerized Adaptive Testing,CAT)可以使用更少的題目達(dá)到相同的測量精度,具有更高的測驗(yàn)效率[1].認(rèn)知診斷能評估出學(xué)生知識狀態(tài)(Knowledge State,KS)的掌握與未掌握情況,這種深入到認(rèn)知過程層面的測評技術(shù)令認(rèn)知診斷備受關(guān)注.而認(rèn)，

本文編號：1278002