粗糙集理论在认知诊断中的应用

发布时间：2017-10-09 22:23

  本文关键词：粗糙集理论在认知诊断中的应用

  更多相关文章： 粗糙集理论 认知诊断 决策表 规则提取 判准率

【摘要】：认知诊断通过对学生的知识结构与认知加工技能进行评估，向他们提供更好的教学指导，因而，课堂测验被认为是应用认知诊断的理想场所。要真正发挥认知诊断应有的功效，现有的认知诊断模型仍然有诸多难题需要克服。首先，现有认知诊断计量模型大多采用概率统计方法，在项目参数未知的条件下对大样本的依赖，使它们必须有较高昂的费用才能融入日常教学；其次，及时反馈甚至当堂反馈是发挥认知诊断补救性教学功能的必要条件，当前有经验的教师凭借教学经验可以进行有效的课堂评估，但我国发展不平衡，师资力量不齐整，认知诊断是解决这一问题的一个办法。但基于模型的认知诊断目前主要应用于大型测验，计算复杂，测验与反馈之间的时滞较长，未能对补救性教学产生实际效应，无法真正发挥促进教学的作用，有违认知诊断的本意。在项目参数已知条件下，虽然采用计算机自适应认知诊断测验，可及时反馈结果，但建立题库费用昂贵、周期性长，且涉及到项目参数等值、题目曝光不均匀等问题，使它推广起来很不方便，甚至在有的测验中被禁用；再者，当属性个数较多时，现有的认知诊断模型计算较为复杂，现有的文献中，也很少看到处理属性数超过10个的情况，而在实际中，属性个数多的情况很常见，这为认知诊断的应用带来了一定的限制。因此，寻求新的认知诊断方法解决无项目参数、被试量少、属性个数多、无需等值、需要及时反馈等问题是非常必要的。 作为处理不确定性知识的数学工具之一，粗糙集理论可以解决认知诊断中知识粒度大小引起的不确定性。它无需先验知识，可以导出问题的决策或分类规则，对研究对象进行分类。本文旨在将粗糙集理论应用于认知诊断，克服已有认知诊断方法对样本量的依赖和诊断费时两大难题。因为将粗糙集理论应用于认知诊断是一个全新的课题，它应用于认知诊断是否有效，效果如何，，能处理认知诊断中的什么问题都值得探讨，所以本文分六个部分依次展开：首先，将目前常用的DINA模型作为比较对象，在不同属性个数、不同属性层级结构和不同可达阵个数条件下，系统研究粗糙集理论应用的可行性；其次，针对属性个数较多时判准率低的情况，研究二提出属性组块方法，并在属性个数高达10和11个的情况下采用粗糙集理论进行属性组块研究，探讨属性组块及属性组块方式对判准率的影响；第三，课堂测验是认知诊断的一个理想场所，为将认知诊断融入课堂测验之中，在研究一的基础上，研究三进一步将粗糙集理论用于小样本小题量的情况，考察样本量小和题量小对诊断结果的影响；第四，项目属性标定和被试知识状态诊断是相辅相成的两个方面。到目前为止，只有计算机化认知诊断自适应测验才能处理项目属性辅助标定问题，研究四采用粗糙集理论对纸笔测验中的项目属性进行自动标定，并从被试估计准确度、被试作答失误率和属性个数三个方面考察对项目属性标定准确度的影响；第五，一题多解是问题解决中的常态，而现有的认知诊断方法基本上讨论仅仅采用一种策略的情形。研究五采用粗糙集理论进行多策略认知诊断并与已有多策略的研究结果进行比较；第六，上述五个部分皆为模拟研究，研究六旨在在此基础上，将粗糙集理论用于认知诊断的实践之中，考察粗糙集理论在实际测验中的效果。 以上研究结果表明： （1）在无项目参数条件下，采用粗糙集理论做认知诊断与被试量无关、估计的速度非常快且诊断结果比较理想，说明粗糙集理论能够应用于课堂测验。当属性数少于6个时，粗糙集理论的模式判准率结果比DINA好，当属性数为6个或以上时，有些情况下，粗糙集理论的模式判准率低一些。 （2）在属性个数比较多时，采用组块方法能够提高模式判准率，所需题量也大大减少，同时对属性超过10个的情况也有相同的结论。 （3）采用粗糙集理论做认知诊断时，不需项目参数，样本的大小对被试知识状态判准率的影响并不明显，且估计结果稳定。 （4）粗糙集理论能有效地进行项目属性自动标定。当作答失误较低、考察属性数较少、被试知识状态估计较准时，采用粗糙集理论进行纸笔测验的项目属性自动标定，项目属性模式判准率和属性边际判准率较高；当被试估计准确度低、或作答的失误率高或属性个数多时，项目属性模式判准率和属性边际判准率会降低。 （5）采用粗糙集理论进行多策略研究，研究结果与已有的多策略认知诊断结果基本一致。 （6）根据粗糙集理论进行诊断原理，该方法完全可以用于建立认知诊断题库，且所有项目只需提供项目属性，无需项目参数，故有关模型的拟合和等值等问题完全可以避免，可大量节省建立题库的成本。 以上研究，均在粗糙集软件环境下进行，无论被试量和题量为多大，估计速度非常快，大概10秒之内便可出结果，显示出粗糙集理论做认知诊断的强大优势。
【关键词】：粗糙集理论 认知诊断 决策表 规则提取 判准率
【学位授予单位】：江西师范大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：B844.2
【目录】：

• 摘要3-5
• Abstract5-7
• 目录7-11
• 表格目录11-13
• 图表目录13-14
• 第一章 文献综述14-42
• 1.1 认知诊断14-25
• 1.1.1 认知诊断的兴起14-17
• 1.1.2 认知诊断的理论基础17
• 1.1.2.1 心理测量学17
• 1.1.2.2 认知心理学17
• 1.1.3 认知诊断中的重要概念17-21
• 1.1.3.1 属性17
• 1.1.3.2 属性层级结构17-19
• 1.1.3.3 Q 矩阵19
• 1.1.3.4 知识状态19
• 1.1.3.5 理想反应模式19
• 1.1.3.6 认知诊断模型19-20
• 1.1.3.7 信度、效度与粒度20-21
• 1.1.4 DINA 模型21-22
• 1.1.5 认知诊断模型的参数估计方法22
• 1.1.6 认知诊断的流程22-23
• 1.1.7 认知诊断的应用现状23
• 1.1.8 认知诊断的新进展23-25
• 1.2 粗糙集理论25-42
• 1.2.1 粗糙集理论的基本概念25-39
• 1.2.2 粗糙集理论在心理测量中的应用现状39-42
• 第二章 问题提出与研究总体设计42-64
• 2.1 现有认知诊断方法面临的挑战42-44
• 2.2 为什么要采用粗糙集理论做认知诊断44-60
• 2.2.1 粗糙集理论在认知诊断中应用的可行性分析44-46
• 2.2.2 采用粗糙集理论做认知诊断46-59
• 2.2.3 用粗糙集理论做认知诊断的优势分析59
• 2.2.4 研究意义59-60
• 2.3 研究内容与研究设计概述60-64
• 第三章 采用粗糙集理论做认知诊断的可行性研究64-72
• 3.1 研究目的64-65
• 3.2 研究一：采用粗糙集理论做认知诊断可行性研究65-67
• 3.2.1 方法65-66
• 3.2.2 结果66-67
• 3.3 研究二：Qt 中可达阵个数对模式判准率影响研究67-68
• 3.3.1 方法67
• 3.3.2 结果67-68
• 3.4 研究三：属性个数对模式判准率的影响研究68-70
• 3.4.1 方法68
• 3.4.2 结果68-70
• 3.5 小结与讨论70-72
• 第四章 属性组块研究72-82
• 4.1 研究目的72
• 4.2 属性组块方法72-75
• 4.2.1 线型结构的属性组块方法72-73
• 4.2.2 收敛型结构的属性组块方法73-74
• 4.2.3 发散型结构的属性组块方法74
• 4.2.4 无结构的属性组块方法74-75
• 4.2.5 独立结构的属性组块方法75
• 4.3 属性组块后的被试知识状态估计方法75-77
• 4.4 研究一：对属性组块与不组块两种方法的研究77-78
• 4.4.1 方法77
• 4.4.2 结果77-78
• 4.5 研究二：不同的组块方法对模式判准率影响的研究78-79
• 4.5.1 方法78-79
• 4.5.2 结果79
• 4.6 小结与讨论79-82
• 第五章 小样本小题量的诊断研究82-92
• 5.1 研究目的82
• 5.2 研究一：小样本研究82-86
• 5.2.1 方法82-83
• 5.2.2 结果83-86
• 5.3 研究二：小题量研究86-89
• 5.3.1 方法87
• 5.3.2 结果87-89
• 5.4 研究三：小样本小题量研究89-90
• 5.4.1 方法89
• 5.4.2 结果89-90
• 5.5 小结与讨论90-92
• 第六章 纸笔测验中项目属性自动标定的研究92-102
• 6.1 研究目的93
• 6.2 采用粗糙集理论进行属性自动标定方法93-97
• 6.3 研究一：被试估计的准确度和作答失误率对项目属性自动标定的影响97-98
• 6.3.1 方法97
• 6.3.2 结果97-98
• 6.4 研究二：属性个数对项目属性自动标定的影响98-99
• 6.4.1 方法98-99
• 6.4.2 结果99
• 6.5 小结与讨论99-102
• 第七章 多策略的研究102-114
• 7.1 研究目的102-103
• 7.2 采用粗糙集理论进行多策略的研究方法103-105
• 7.2.1 粗糙集理论多策略认知诊断中被试知识状态的估计方法103-104
• 7.2.2 粗糙集理论多策略认知诊断中被试采用策略的估计方法104
• 7.2.3 采用粗糙集理论进行多策略估计优势104-105
• 7.3 研究一：粗糙集理论用于多策略认知诊断的可行性研究105-109
• 7.3.1 方法105-107
• 7.3.2 结果107-109
• 7.4 研究二：多策略认知诊断方法的性能109-111
• 7.4.1 方法110
• 7.4.2 结果110-111
• 7.5 小结与讨论111-114
• 第八章 实证研究114-130
• 8.1 研究一：被试知识状态的估计116-120
• 8.1.1 方法116-118
• 8.1.2 结果118-120
• 8.2 研究二：项目属性的自动标定120-126
• 8.2.1 方法120-121
• 8.2.2 结果121-126
• 8.3 研究三：采用组块方法提高被试估计结果126-128
• 8.3.1 方法126
• 8.3.2 结果126-128
• 8.4 小结与讨论128-130
• 第九章 主要研究结论及展望130-134
• 9.1 研究结论130-131
• 9.2 存在的不足131-132
• 9.3 展望132-134
• 参考文献134-142
• 附录142-150
• 附录一：七年级上学期第二章《整式的加减》认知诊断的调查问卷142-144
• 附录二：由表 8-2 整式加减法测验之被试知识状态模式诊断决策表提取的决策规则144-148
• 附录三：被回访被试的作答结果148-150
• 致谢150-152
• 在读期间公开发表论文（著）及科研情况152

【参考文献】

中国期刊全文数据库 前10条

1 周婕;丁树良;陈平;;多级评分CAT的认知诊断方法[J];江西师范大学学报(自然科学版);2007年04期

2 丁树良;杨淑群;汪文义;;可达矩阵在认知诊断测验编制中的重要作用[J];江西师范大学学报(自然科学版);2010年05期

3 余娜;辛涛;;规则空间模型的简介与述评[J];中国考试(研究版);2007年09期

4 杨淑群;蔡声镇;丁树良;林海菁;丁秋林;;求解简化Q矩阵的扩张算法[J];兰州大学学报(自然科学版);2008年03期

5 戴海崎,张青华;规则空间模型在描述统计学习模式识别中的应用研究[J];心理科学;2004年04期

6 涂冬波;漆书青;蔡艳;戴海琦;丁树良;;IRT模型参数估计的新方法——MCMC算法[J];心理科学;2008年01期

7 丁树良;汪文义;杨淑群;;认知诊断测验蓝图的设计[J];心理科学;2011年02期

8 张敏强;简小珠;陈秋梅;;规则空间模型在瑞文智力测验中的认知诊断分析[J];心理科学;2011年02期

9 汪文义;丁树良;;题库结构对原始题在线属性标定准确性之影响研究[J];心理科学;2012年02期

10 林海菁;丁树良;;具有认知诊断功能的计算机化自适应测验的研究与实现[J];心理学报;2007年04期

本文编号：1002772