基于KL信息矩阵的动态加权选题策略

发布时间：2017-12-11 09:41

  本文关键词：基于KL信息矩阵的动态加权选题策略

  更多相关文章： 认知诊断计算机化自适应测验 KL信息矩阵 选题策略 DINA模型 融合模型

【摘要】：在Henson和Douglas提出的KL信息矩阵(用D矩阵表示)基础上,借鉴后验加权的思想,将原始KL信息矩阵修正为后验加权KL矩阵,并基于认知诊断中项目区分度的计算方式,提出2种新的CD-CAT选题策略:DPWKL1和DPWKL2方法,在不同测验长度、不同诊断模型以及不同属性相关程度下,与传统PWKL方法进行了比较研究.模拟研究表明,不论实验条件如何变化,DPWKL1和DPWKL2方法的属性判准率及模式判准率均要优于PWKL方法.
【作者单位】： 西南大学心理学部;
【分类号】：B841
【正文快照】： 与非适应性测验相比,计算机化自适应测验(Computerized Adaptive Testing,CAT)可以使用更少的题目达到相同的测量精度,具有更高的测验效率[1].认知诊断能评估出学生知识状态(Knowledge State,KS)的掌握与未掌握情况,这种深入到认知过程层面的测评技术令认知诊断备受关注.而认，

本文编号：1278002