论文部分内容阅读
近年来，随着测量理论和计算机技术的发展，计算机化自适应测验（Computerized Adaptive Testing，CAT）受到人们越来越多的关注。能力估计技术在CAT中一直扮演重要角色，其估计的准确与否不仅影响选题策略的自适应，还会由此持续的影响CAT最关注的能力估计的准确性。CAT的能力估计方法至今仍沿用IRT时代的几种主要方法，常见的包括MLE，MAP，EAP，WLE等。本文就CAT中能力估计方法的比较与开发开展了两项研究：研究一对四种常用CAT估计方法采用计算机蒙特卡洛模拟程序，分别从偏差，均方根误差，题库调用均匀性，测验效率等方面，进行了系统性的比较。研究二则是以研究一为基础，根据不同估计方法特点及优劣，开发了一种新的CAT能力估计方法——能力综合估计法，即强调在CAT能力估计的不同阶段，综合运用恰当的CAT能力综合估计方法，以期取长补短，发挥现有能力估计方法的优势，达到同时提高CAT能力估计的准确度及测验效率。研究结果表明：1） MLE的偏差小但均方根误差大，曝光率相对其他方法更好，但测验效率最差，且对特殊作答模式无法给出有效的估计。2） WLE的偏差最小，均方根误差多数情况下优于MLE，在a分层选题且b均匀时曝光率最好，且最大信息量选题时的测验效率最高。3） MAP的偏差最大，均方根误差较小，曝光率在大多数条件下与WLE，EAP并无区别，且a分层选题策略下的测验效率最高。4） EAP的偏差仅次于MAP，但均方根误差最小，测验效率略低于MAP。5）本研究提出的前期和中期用EAP，后期用WLE的能力综合估计法可以有效提高EAP的偏差并基本维持EAP的均方根误差。6）综合法主要可以在控制均方根误差的基础上有效改善EAP的偏差。对EAP偏差的改善率可达到30%~40%，而均方根误差仅相比EAP差了不到5%。7）综合法在不同长度的测验中均能有效改善EAP的偏差，其中短测验中改善的效果更好。