英语听力认知诊断测评模型优化研究

发布时间：2024-03-01 03:56

　　本文旨在探究如何根据认知诊断模型拟合方法优化英语听力诊断性Q矩阵。首先对已有Q矩阵属性标注进行可靠性验证及人员拟合性分析,发现原Q矩阵仍有优化空间,其次采用DRFS法:拆分解析-匹配组合以及基于G-DINA测量模型的量化拟合筛选,进一步在原Q矩阵模型基础上优化出与数据拟合更佳的模型。结果表明:第一,优化的新模型在数据的相对拟合值和对分数变异的解释力及诊断力上好于原有模型;第二,新模型生成的属性掌握情况与被试自评结果的相关性更高,表明其属性掌握概率更接近自评结果。本研究提出的DRFS优化方法有望弥补以往Q矩阵构建及筛选的不足,为准确的模型构建提供借鉴。

【文章页数】：13 页

【部分图文】：

图1拆解-匹配-拟合-筛选法(DRFS法)

在已有听力认知诊断模型的基础上，根据专家标注意见的一致性检验结果，对已有Q矩阵采用拆分解析、匹配处理、拟合筛选的方法(DisassembleReconfigure-Fit-Screen,DRFS)选出更优模型(见图1)。具体步骤为：1)根据Fleiss.kappa量化数据，将7位....

图2H3与Q-h3中属性—题目分布数量对比

样本容量是影响CDM模型诊断正确率的重要因素，G-DINA为饱和模型，对样本量要求较高，因此，由大样本(N=1000)验证所得的Q-h3应比H3(N=534)更为可靠。另外，Chenetal.(2013)的研究表明，在饱和模型(G-DINA)下，样本量为1000时，备选Q矩阵....

图3属性掌握平均概率与自评估对比

675名被试对属性掌握情况的自评估结果分别与Q-h3和H3所得的属性掌握概率进行比较，为了清晰展示，图3将自评估数据(1-6级量度)转换到0-1区间中。从图3可见，675个样本基于Q-h3所估计的属性掌握概率分布与1000总体一致(折线近乎重合)，并与自评估结果十分相似：A5位于....

本文编号：3915402