基于屬性界定的認知診斷Q矩陣估計方法研究.pdf

1、認知診斷以微觀認知視角對學生的學習過程做出科學的準確評估，已經(jīng)在心理學和教育數(shù)據(jù)挖掘領域中發(fā)揮了巨大潛力。然而目前應用認知診斷理論編制的測驗有限，其主要困難是反映項目和屬性間關系的Q矩陣無法合理界定。構建正確的Q矩陣是認知診斷實踐中的關鍵環(huán)節(jié)，是認知診斷測驗理論不同于傳統(tǒng)測量理論的本質所在。Q矩陣的界定一般是由領域專家和心理測量學家基于診斷目的，通過討論共同完成。但是這種方式存在著界定成本高、主觀性較強以及專家意見不一致等問題。因此，認

2、知診斷亟需研究更加客觀地估計Q矩陣的方法，近年來這方面成為國內外學者關注的焦點，相繼研究出一系列的估計方法。
　　本論文在研究了一些經(jīng)典Q矩陣估計方法的基礎上，主要針對經(jīng)典Barnes爬山法搜索能力差和易陷入局部極值的缺陷，提出利用全局優(yōu)化搜索的遺傳算法改進經(jīng)典爬山法，實現(xiàn)Q矩陣的估計，并提出借助DeCarlo貝葉斯法估計精度較高的優(yōu)勢對估計結果進一步優(yōu)化。論文在模擬數(shù)據(jù)和真實數(shù)據(jù)集合上分別進行了實驗驗證，通過分析Q矩陣邊際判準率

3、MMR、差異距離DD和模型擬合指數(shù)等評價指標來研究新方法與其他方法估計性能的差異。模擬數(shù)據(jù)采用Xiang(2013)的方法生成，使用Monte Carlo模擬系統(tǒng)研究了測驗學生人數(shù)、屬性數(shù)目和項目總數(shù)等因素對各方法估計性能的影響。真實數(shù)據(jù)來源于經(jīng)典的Tatsuoka分數(shù)減法和SAT測驗，經(jīng)過實驗對比驗證了算法的實用性。
　　大量實驗研究表明:在同等條件下，本文遺傳算法的估計性能優(yōu)于Barnes爬山法和非線性懲罰估計法，而貝葉斯法進