康春花 任 平 曾平飞

    (浙江师范大学教师教育学院,金华 321004)

    1 引言

    自认知诊断评估(Cognitive Diagnostic Assessment,CDA)问世以来,研究者进行了多方面多角度的探索,其中发展最迅猛的是诊断分类模型(Diagnostic Classification Model,DCM)。在DCM方面,研究者根据不同的实践需求从不同的前提和假设提出了各类模型,如按测评的评分方式,有 0-1评分的模型(如 RSM、AHM、DINA、NIDA、FM、GDM等)、多级评分或连续评分的模型(Bolt &Fu,2004;祝玉芳,丁树良,2009;涂冬波,蔡艳,戴海琦,丁树良,2010;张淑梅,包钰,郭文海,2013;李娟,丁树良,罗芬,2012;田伟,辛涛,2012;Sun,Xin,Zhang,&de la Torre,2013;罗欢,丁树良,汪文义,喻晓锋,曹慧媛,2010)。然而,这些多为参数模型,参数模型除了参数估计过程比较复杂外,往往需要大样本数据,且属性个数又不能太多 (Chiu &Douglas,2013;涂冬波等,2010)。为此,研究者开始探索更为简洁的非参数方法,如Vapnik (2000)依据风险最小化原则提出了基于统计学习理论的机器学习方法——支持向量机(Support Vector Machines,SVM),SVM不仅结构简单,还可运用小样本数据,既省时又高效(何学文,赵海鸣,2005;邝铮,2010)。Chiu等人(Chiu,Douglas,&Li,2009)在属性合分思路(Henson,Templin,&Douglas,2007)的基础上提出0-1评分的聚类分析方法。为吻合测评实践需要,研究者(康春花,任平,曾平飞,2015)将 0-1评分的聚类分析法拓展到多级评分(Grade Response Cluster Diagnostic Method,GRCDM),并探讨了样本容量、失误率及属性层级对其判准率的影响,所得结果表明：GRCDM在模拟和实践情境中均有很高的判准率,且对样本容量及属性层级紧密度依赖较小,可适用于小型测评等特征,这在一定程度上体现出非参数方法的优势。然而,目前关于非参数方法的研究还尚粗浅,能否借助参数方法的已有成果,探索GRCDM的影响因素,深入考察GRCDM的优势和性能,丰富非参数方法研究,是值得进一步关注的问题。

    纵观参数方法的相关研究,可将影响模型判准率的因素概括为三个方面：一是与诊断测验相关的因素,如属性层级关系、Q矩阵、属性个数、题目数量(测验长度)等;二是与被试相关的因素,如被试能力分布、样本容量、失误率等;三是模型的选择,如模型与数据是否拟合,或模型与题目特征是否吻合(问题解决时属性之间的补偿性) ......