认知诊断中项目属性自动标识策略的相关研究

摘要

认知诊断的目的是将被试在测验上可观察的反应模式划归到某一类认知结构或知识状态，从而达到诊断的目的，从本质上讲，认知诊断是一种模式识别。认知诊断在实施过程中可能会遇到两个问题：1、测验的编制，尤其是测验中属性的认定，专家在属性的标识上工作量大，易于疲劳。2、不同风格的教师，有可能培养出不同知识结构的学生群体，而我们只利用一个属性层级结构来刻画这样可能呈现多样性的情况，显然并不很合理。要解决上面两个问题，我们都应该根据被试群体的知识结构特点来对项目的属性进行认定。
　　 本文认为属性的认定工作可以分三种情况来进行讨论：
　　 情况1：已知属性层级结构，并且已知属性的项目与可达阵的列一一对应。
　　 情况2：已知属性层级结构，并且已知属性的项目与约简Q阵的列一一对应。
　　 情况3：得分矩阵已知，属性层级关系不明，希望根据得分矩阵分析出所有项目的属性。
　　 对于情况1，属性层级模型(AHM)充分考虑人类学习的认知特点，认为知识结构是具有层次特征的，从这个观点出发，可以得出项目之间是有蕴含关系的，我们可以利用这种蕴含关系，采用数据挖掘中的关联规则来判断哪些项目之间具有蕴含关系，也就是一个项目到底是由哪些子项目构成，然后通过子项目求出该项目的属性集合。
　　 对于情况2，实际上是已经知道项目的所有类别，可以考虑利用多种方法进行模式识别，这里我们利用人工神经网络中概率神经网络(PNN)进行了分类。
　　 针对情况1、2进行蒙特卡罗模拟实验，结果表明两种方法均有较高的模式判准率(PMR)和边际判准率(MMR)，这样做至少可以给专家在属性标识上提供参考意见，具有一定的实际意义。对于第三种情况，本文根据几种相关理论，给出了比较详细的讨论。

目录

文摘

英文文摘

第一章 引言

1.1 知识背景及研究目的

1.2 本文创新

1.3 本文组织

第二章 认知诊断概述

2.1 认知诊断发展状况

2.2 模式识别简介

2.3 常见的认知诊断模型

2.3.1 RSM模型简介

2.3.2 AHM模型简介

2.3.3 DINA模型简介

2.4 可达矩阵在认知诊断测验编制中的作用

2.5 RSM理论基础所存在的问题

2.6 基于形式概念分析的认知诊断模型

2.7 具有认知诊断功能的CAT的实现

2.8 Q矩阵发生偏差时如何进行修正

第三章 项目属性自动标识策略相关研究

3.1 问题的提出

3.2 利用关联规则进行项目属性自动标识

3.2.1 关联规则概述

3.2.2 相关定义

3.2.3 实现方法

3.3 利用概率神经网络(PNN)实现项目属性自动标识

3.3.1 神经网络简介

3.3.2 概率神经网络简介

3.3.3 概率神经网络进行项目属性自动标识的实现过程

3.4 利用层级适应性指标消除被试的异常反应模式

3.5 进一步讨论

第四章 实验及结果比较

4.1 实验设计

4.2 实验数据模拟方法

4.2.1 模拟项目

4.2.2 模拟被试

4.2.3 数据预处理

4.2.4 实验步骤

4.3 评价指标

4.3.1 模式判准率

4.3.2 边际判准率

4.4 实验数据及分析

第五章 总结与展望

参考文献

附录

致谢

在读期间公开发表论文（著）及科研情况