基于项目拟合统计量RMSEA的Q矩阵估计方法

发布时间：2021-04-13 21:37

　　Q矩阵在认知诊断评估中至关重要,Q矩阵可以由相关领域的专家界定,也可以根据学生的作答数据进行估计。在已有Q矩阵修正方法的基础上,研究提出了基于项目拟合统计量RMSEA的Q矩阵估计方法,通过模拟和实证研究验证了该方法的可行性、有效性及效率。结果表明:（1）基于RMSEA的CSE算法可以有效地估计新题的属性向量,且耗时较少;（2）对Q矩阵估计的成功率受属性数目和基础题个数影响甚大,尤其是当属性数目较多时,要求有较多的基础题个数;（3）该统计量对被试数量要求不高,即使被试人数为400人,只要基础题个数足够多,估计效果依然较好;（4）该方法应用于实证数据的分析,可以一定程度地优化已有的分析结果,提高模型-数据的拟合性。 

【文章来源】：心理技术与应用. 2020,8(01)

【文章页数】：9 页

【部分图文】：

模拟的Q矩阵真值

从表1中的平均估计成功率，结合图2、图3、图4纵坐标的截距点和变化趋势明显地看出，相对于样本容量，CSE算法成功率受属性数目和基础题个数影响显著。从3个图中可以看出，各样本容量的变化趋势线挨得很近，表明成功率受样本容量影响甚微。然而，各图中纵坐标的起点和终点差异很大，表明成功率受属性数目和基础题个数影响明显。具体而言:当基础题个数从8个增加到12个时，成功率的变化为:Q1时，成功率从98%增加到100%;Q2时，成功率从70.5%增加逐步递增到98.5%，起点较Q1时低，但变化幅度较Q1时大，增加了28个百分点;Q3时，起点再次降低，幅度再次提升，从30.5%增加到86.5%，上升了56个百分点。进一步对Q1、Q2、Q3不同基础题个数的估计成功次数进行KurskalWallis H检验，结果显示不同个数的基础题估计成功率有显著差异，分别为χ22=14.85,df=4,p<0.01;χ22=16.72,df=4,p<0.01;χ22=17.91,df=4,p<0.001。由此，可以得出:CSE算法估计成功率随着属性数目的增加而减低，随着基础题个数的增加而升高，但受样本容量影响相对较小。在Q矩阵估计中，基础题个数非常重要，当属性数目没办法改变时，提高成功率的重要途径则是增加基础题个数。图3 算法对Q2成功次数变化曲线

算法对Q2成功次数变化曲线

【参考文献】：
期刊论文
[1]一种非参数化的Q矩阵估计方法:ICC-IR方法开发[J]. 汪大勋,高旭亮,蔡艳,涂冬波.  心理科学. 2018(02)
[2]一种简单有效的Q矩阵估计方法开发:基于非参数化方法视角[J]. 汪大勋,高旭亮,韩雨婷,涂冬波.  心理科学. 2018(01)
[3]使用似然比D2统计量的题目属性定义方法[J]. 喻晓锋,罗照盛,高椿雷,李喻骏,王睿,王钰彤.  心理学报. 2015(03)
[4]基于DINA模型的Q矩阵修正方法[J]. 涂冬波,蔡艳,戴海琦.  心理学报. 2012(04)



本文编号：3136048