摘要：正如不同的病症需要使用不同的医疗技术方法来诊断一样,不同的认知结构也需要设计对应的测验模式来进行诊断,从而保证测验具有高质量的诊断评估效果。但传统测验形式未考虑不同认知结构的针对性诊断测验需求,导致"千人一卷"在测验效率上有所不足;认知诊断计算机化自适应测验虽可针对不同认知结构的被试施测不同的项目,然而支持自适应过程的题库却没有针对不同认知结构被试设计对应的项目,导致题库使用效率较低。要解决上述问题的关键在于,探索如何针对不同认知结构设计相对应的测验模式。本研究采用Monte Carlo模拟,对六种属性层级关系下,不同认知结构的测验设计模式进行探讨。实验结果表明(1)同一属性层级关系下,不同认知结构的最佳测验设计模式不同;(2)依据不同认知结构的最佳测验设计模式构建的题库具有更高的使用效率。测验编制者可以根据实验结果针对不同认知结构优化对应的测验设计模式,并用于指导题库建设。

摘要：Q矩阵是认知诊断评价的基础和核心要素,它反映了测验的构念和内容设计,直接影响着测验诊断分类的效果。本文采用Monte Carlo模拟,研究了6种属性层级关系下,不同的Q矩阵设计对于认知诊断效果的影响。用模式判准率的均值和标准差分别从分类准确性和稳定性的角度来评价诊断效果。实验结果表明:(1)不同属性层级关系下,分类准确性会随着测验长度的增加而提高,但当测验长度增加到一定程度时,会出现"天花板效应";(2)Q矩阵中R*的个数(NR*)会影响测验的分类准确性及稳定性:NR*越大,测验的分类稳定性越高,当测验长度为属性个数的整数倍,且NR*为测验长度相对属性个数的最大奇数倍时分类准确性最高;(3)Q矩阵中除R*以外的项目考察的属性个数会随着属性层级关系的不同对测验的分类准确性和稳定性产生不同的影响。根据实验结果,本研究提出了进行诊断评价时Q矩阵优化设计的一些建议。

摘要：Q矩阵在认知诊断的模型参数估计和诊断分类中起着重要作用。本文通过研究Liu等人的方法,设计了同时估计项目参数和Q矩阵的联合估计算法。在DINA模型下,对项目参数未知时开展模拟研究。研究假设项目为20个,考察的属性个数分别是3、4和5,初始Q矩阵中分别存在3、4和5个属性界定错误的项目。结果表明,联合估计算法能在错误的初始Q矩阵基础上以很高的概率得到正确的Q矩阵。另外,当专家认定测验的属性个数存在错误时,该方法推导的Q矩阵和模型参数能提供很好的鉴别Q矩阵错误的信息。