使用迭代潜在类分析方法进行认知诊断评价：模拟与实证研究

发布时间：2023-07-30 17:56

　　认知诊断模型(Cognitive Diagnosis Models,CDMs)提供了关于被试在一组属性上更细粒度的多维诊断反馈信息,反映了被试对于知识技能的理解和掌握程度,也可体现不同被试的能力水平。属性估计是CDMs的主要任务之一,近年来,CDMs在属性估计方面发展出了诸多模型和方法并相继被投入使用,如广义的决定性输入,噪音与门(Generalized Deterministic Input,Noisy And Gate,GDINA)模型,但是专注于提高其属性估计准确性的工作还需要进一步完善(Jiang,2019)。因此,本研究探究了一种基于迭代潜在类分析(Iterative Latent-class Analysis,ILCA)方法的认知诊断评价(Jiang,2019)在属性估计方面的表现。本篇文章通过模拟研究和实证研究相结合的研究方式进一步讨论了基于ILCA方法的认知诊断评价在属性估计准确性上的表现,并将ILCA用于实证数据的属性估计。研究一为模拟研究,探究在数据生成模型,拟合模型,属性个数(K),样本量(N)以及属性相关水平(?)五个操作自变量水平下,ILCA方法的属性估计准确...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 文献综述
    1.1 认知诊断
        1.1.1 认知诊断概述
        1.1.2 认知诊断模型
        1.1.3 潜变量模型
    1.2 Q矩阵
2 问题提出
    2.1 以往研究存在的不足
    2.2 研究问题的提出
    2.3 研究意义
3 研究一:ILCA拟合模型与GDINA拟合模型属性估计准确性的研究
    3.1 研究目的
    3.2 研究方法
    3.3 评价指标
        3.3.1 属性模式掌握概率
        3.3.2 边际属性掌握概率
    3.4 研究结果
    3.5 讨论与小结
4 研究二:Q矩阵错误设定时,ILCA拟合模型与GDINA拟合模型属性估计准确性的研究
    4.1 研究目的
    4.2 研究方法
    4.3 评价指标
        4.3.1 属性掌握模式概率
        4.3.2 边际属性掌握概率
    4.4 研究结果
    4.5 讨论与小结
5 研究三基于迭代潜在类分析的认知诊断评价在物理磁现象方面的应用
    5.1 研究目的
    5.2 研究方法
    5.3 研究工具
        5.3.1 认知属性
        5.3.2 Q矩阵
        5.3.3 计分标准
        5.3.4 预测验及其结果分析
    5.4 研究对象
    5.5 研究结果
    5.6 讨论与小结
6 讨论
    6.1 综合讨论
    6.2 研究的不足与展望
7 结论
参考文献
致谢



本文编号：3837913