田亚淑 詹沛达 王立君

    联合作答精度和作答时间的概率态认知诊断模型*

    田亚淑 詹沛达 王立君

    (浙江师范大学心理学院; 浙江省儿童青少年心理健康与心理危机干预智能实验室; 浙江省智能教育技术与应用重点实验室, 金华 321004)

    对多模态数据的联合分析是改进结果评价、健全综合评价的主要途径。针对概率态认知诊断模型(CDM)仅能分析题目作答精度(RA)的局限, 本文基于联合?层级建模框架和联合?交叉负载建模框架提出三个可联合分析RA和题目作答时间(RT)的概率态联合CDM。模拟研究和实证研究结果表明：(1)新模型参数估计返真性良好, 额外引入RT有助于提高参数估计精度并提供有关个体加工速度的测量; (2)基于联合?交叉负载建模框架构建的模型对测验情境的兼容性优于基于联合?层级建模框架构建的模型; (3)概率态属性比确定态属性更精细地反映个体对属性的掌握情况。

    认知诊断, 概率态属性, 题目作答时间, 联合建模框架, 交叉负载

    1 引言

    认知诊断测评可以提供有关学生知识结构或加工技能(统称为“(潜在)属性”)的诊断信息; 可为教师实施补救教学或有针对性干预提供参考, 有助于促进学生发展(Tang & Zhan, 2021)。认知诊断模型(cognitive diagnosis model, CDM)是刻画属性与外显行为之间关系的统计模型, 其建构的合理性(如, 模型与测试情境的匹配度)影响诊断结果的准确性和可解释性。目前, 大致可将属性分为两种：确定态属性(deterministic attribute)和概率态属性(probabilistic attribute)：前者将被试的属性掌握状态诊断为确定的类别(如, “1”表示掌握, “0”表示未掌握); 而后者将被试对属性的掌握诊断为0到1的连续状态, 用于量化被试对属性的掌握概率(如, “0.8”表示掌握概率为80%) (Zhan, Wang, et al., 2018)。Zhan (2021)进一步指出概率态属性是“个体掌握某种属性的说法是正确的概率(the probability that the statement that a person masters an attribute is true)”, 即概率态属性并没有否定属性的二分特性, 只是从概率视角对其进行解读和建模。相比于确定态属性, 概率态属性能更精细地区分被试间的个体差异(詹沛达, 田亚淑等, 2020); 尤其是在描述被试发展情况时, 基于概率态属性的反馈比基于确定态属性的反馈更精细地反映学生的发展变化(Zhan, 2021), 更有益于肯定学生的努力 ......