- 相關(guān)推薦
基于聯(lián)結(jié)主義的連續(xù)記分IRT模型的項(xiàng)目參數(shù)和被試能力估計(jì)
1 問(wèn)題的提出與經(jīng)典測(cè)驗(yàn)理論相比，項(xiàng)目反應(yīng)理論（簡(jiǎn)稱(chēng)IRT）由于具有參數(shù)不變性、能進(jìn)行計(jì)算機(jī)化自適應(yīng)測(cè)驗(yàn)等優(yōu)點(diǎn)而受到歡迎[1,2]，但是也存在著不少問(wèn)題，首先是目前比較成熟的、得到廣泛應(yīng)用的IRT軟件，如BILOG、MicroCAT等，主要是運(yùn)用極大似然法或貝葉斯方法進(jìn)行項(xiàng)目參數(shù)和被試能力估計(jì)[3]，一般都只能處理二值記分的項(xiàng)目，也有少數(shù)軟件可以處理等級(jí)記分的項(xiàng)目，例如MULTILOG，但對(duì)于連續(xù)記分的項(xiàng)目還缺少估計(jì)方法和工具；其次是在運(yùn)用BILOG、MicroCAT和MULTILOG等軟件時(shí)往往需要數(shù)百人的大樣本，而對(duì)于小樣本則缺少有效的估計(jì)方法，因此需要另尋途徑來(lái)解決這些問(wèn)題。
2 聯(lián)結(jié)主義理論中的級(jí)連相關(guān)模型
聯(lián)結(jié)主義理論（或稱(chēng)人工神經(jīng)網(wǎng)絡(luò)）是近年來(lái)得到廣泛關(guān)注的認(rèn)知心理學(xué)理論[4,5,6]，它一方面可以用來(lái)模擬人的認(rèn)知活動(dòng)，探討人類(lèi)的信息加工機(jī)制[7]，另一方面可以作為一種工具來(lái)分析系統(tǒng)的輸入和輸出之間的關(guān)系，特別是當(dāng)系統(tǒng)的輸入和輸出之間難以用顯性的數(shù)學(xué)方程表示時(shí)，聯(lián)結(jié)主義模型就可以通過(guò)其本身的學(xué)習(xí)功能，在用一組已知的輸入和輸出數(shù)據(jù)對(duì)它進(jìn)行訓(xùn)練以后，就可以在一定程度上掌握了該系統(tǒng)內(nèi)部的輸入和輸出之間的關(guān)系，即建立了某種模型。如果我們?cè)俳o這個(gè)經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)模型以新的輸入，那么它就可以給出相應(yīng)的輸出值。因此，人們可以利用聯(lián)結(jié)主義模型的這種性質(zhì)來(lái)進(jìn)行預(yù)測(cè)和參數(shù)估計(jì)等活動(dòng)[8]。
聯(lián)結(jié)主義模型通常由一個(gè)輸入層、一個(gè)輸出層和若干個(gè)隱含層組成，每一層中含有若干個(gè)結(jié)點(diǎn)，一個(gè)模型中所含的隱含層數(shù)目和各層所含結(jié)點(diǎn)數(shù)目，是由具體問(wèn)題的性質(zhì)和復(fù)雜程度來(lái)確定的。各個(gè)結(jié)點(diǎn)之間的聯(lián)結(jié)具有一定的權(quán)重，它的大小反映了相鄰兩個(gè)結(jié)點(diǎn)之間相互影響的程度，在模型被訓(xùn)練的過(guò)程中，各結(jié)點(diǎn)間的權(quán)重得到了調(diào)整。
聯(lián)結(jié)主義模型通常可以分為靜態(tài)型和動(dòng)態(tài)型兩種，靜態(tài)型模型的拓?fù)浣Y(jié)構(gòu)是實(shí)驗(yàn)者在一開(kāi)始的時(shí)候就設(shè)計(jì)好的，它的訓(xùn)練過(guò)程就是調(diào)節(jié)各結(jié)點(diǎn)之間的權(quán)重。動(dòng)態(tài)型模型的拓?fù)浣Y(jié)構(gòu)是在訓(xùn)練過(guò)程中不斷變化的，它能夠隨著訓(xùn)練的進(jìn)行，自動(dòng)地加入新的隱含結(jié)點(diǎn)，同時(shí)也調(diào)整各結(jié)點(diǎn)間的聯(lián)結(jié)權(quán)重，這樣就可以更快地減少訓(xùn)練誤差。
級(jí)連相關(guān)模型是動(dòng)態(tài)型聯(lián)結(jié)主義模型中的一種[9]，它的計(jì)算精度較高，運(yùn)算速度較快。在開(kāi)始訓(xùn)練時(shí)，該模型只有輸入層和輸出層，處于最小拓?fù)浣Y(jié)構(gòu)。隨著訓(xùn)練過(guò)程的進(jìn)行，它能夠根據(jù)需要自動(dòng)地逐個(gè)加入隱含結(jié)點(diǎn)。該模型的訓(xùn)練分為輸出和輸入兩個(gè)階段交替進(jìn)行，首先是輸出階段，在這一階段，模型對(duì)聯(lián)結(jié)隱含結(jié)點(diǎn)和輸出結(jié)點(diǎn)間的各權(quán)重進(jìn)行調(diào)整，直到誤差不再減少為止；然后轉(zhuǎn)至輸入階段，在這一階段，模型對(duì)于聯(lián)結(jié)輸入結(jié)點(diǎn)和候選隱含結(jié)點(diǎn)間的各個(gè)權(quán)重進(jìn)行調(diào)整，并從中選出其輸出變量和網(wǎng)絡(luò)的誤差變量間相關(guān)為最大的候選隱含結(jié)點(diǎn)，把它裝入網(wǎng)絡(luò)，這樣使得每次裝入的新隱含結(jié)點(diǎn)都能最大程度地影響誤差的變化。然后再轉(zhuǎn)至輸出階段，這個(gè)過(guò)程不斷重復(fù)，直到達(dá)到預(yù)定的訓(xùn)練精度。在本研究中，由于無(wú)法事先確定模型的拓?fù)浣Y(jié)構(gòu)，以及為了較快地對(duì)模型進(jìn)行訓(xùn)練和達(dá)到較好的訓(xùn)練和測(cè)試效果，采用了級(jí)連相關(guān)模型作為研究的工具。
3 連續(xù)記分IRT模型
連續(xù)記分IRT模型是二值記分IRT模型的擴(kuò)展，即它的記分不是按照二值邏輯的全對(duì)或全錯(cuò)的方式來(lái)進(jìn)行，而是根據(jù)被試答對(duì)項(xiàng)目的程度來(lái)進(jìn)行記分，如果全對(duì)該題目就得滿(mǎn)分。由于各題目的滿(mǎn)分值不一樣，有的是3分、5分、6分或更高的分?jǐn)?shù)，為了統(tǒng)一起見(jiàn)，可以對(duì)它們進(jìn)行歸一化處理，全部轉(zhuǎn)化為0至1的值。這樣就可以和下面的三參數(shù)邏輯斯諦模型中的P(θ)相一致。Samejima[10]、Muller[11]和Mullenbergh[12]等都對(duì)連續(xù)記分IRT模型進(jìn)行過(guò)研究，它和二值記分模型一樣，可以用正態(tài)卵形模型和邏輯斯諦模型表示。對(duì)于常用的三參數(shù)邏輯斯諦模型，它的表示式為：
P(θ)=c[,i]+(1-c[,i])exp[1.7a[,i](θ-b[,i])]/｛1+e
[1] [2] [3] [4] [5]
【基于聯(lián)結(jié)主義的連續(xù)記分IRT模型的項(xiàng)目參數(shù)和被試能力估計(jì)】相關(guān)文章：
基于聯(lián)結(jié)主義的連續(xù)記分IRT模型的項(xiàng)目參數(shù)和被試能力估計(jì)04-29
項(xiàng)目反應(yīng)理論多級(jí)記分模型參數(shù)估計(jì)的實(shí)現(xiàn)04-27
基于混合樣本的污染線(xiàn)性模型的非參數(shù)估計(jì)04-27
基于參數(shù)估計(jì)的層次診斷模型研究及應(yīng)用05-01
GPCM模型項(xiàng)目參數(shù)估計(jì)程序的開(kāi)發(fā)與研究04-26
基于遺傳算法的非線(xiàn)性系統(tǒng)模型參數(shù)估計(jì)05-01
基于抗差估計(jì)的概率積分法的預(yù)計(jì)參數(shù)模型研究04-28
評(píng)聯(lián)結(jié)主義網(wǎng)絡(luò)模型對(duì)經(jīng)典皮亞杰任務(wù)的模擬04-27