認(rèn)知診斷理論.方法與應(yīng)用

內(nèi)容概要

　　《認(rèn)知診斷理論方法與應(yīng)用》較系統(tǒng)地闡述了認(rèn)知診斷的基本理論和方法（如：第一章至第三章），并對(duì)相關(guān)理論、方法如何在實(shí)踐中應(yīng)用進(jìn)行了翔實(shí)的介紹（如：第四章、第十章）。本書緊跟國(guó)際研究前沿，結(jié)合作者最新研究成果，對(duì)當(dāng)前國(guó)際上較前沿的多級(jí)評(píng)分認(rèn)知診斷模型（第五章）、認(rèn)知診斷CAT（第七章）、群體水平認(rèn)知診斷（第六章）以及認(rèn)知診斷相關(guān)新技術(shù)（第八章、第九章和第十一章）進(jìn)行了介紹。

書籍目錄

第一章新一代測(cè)驗(yàn)理論與認(rèn)知診斷 第一節(jié)新一代測(cè)驗(yàn)理論的產(chǎn)生 第二節(jié)認(rèn)知診斷概述 第二章認(rèn)知診斷測(cè)驗(yàn)編制的理論與方法 第一節(jié)認(rèn)知診斷測(cè)驗(yàn)與傳統(tǒng)測(cè)驗(yàn)的異同 第二節(jié)認(rèn)知診斷測(cè)驗(yàn)編制的相關(guān)理論與方法 第三節(jié)認(rèn)知診斷測(cè)驗(yàn)編制的基本原則與過程 第三章常用的認(rèn)知診斷模型 第一節(jié)線性Logistic模型（LLTM） 第二節(jié)規(guī)則空間模型（RSM） 第三節(jié)屬性層級(jí)模型 第四節(jié)融合模型（Fusionmodel） 第五節(jié)DINA及HO—DINA模型 第六節(jié)多維項(xiàng)目反應(yīng)理論模型 第七節(jié)認(rèn)知診斷模型的認(rèn)知假設(shè)與模型選擇 第八節(jié)小結(jié) 第四章認(rèn)知診斷運(yùn)作示例：小學(xué)生分?jǐn)?shù)加減法的認(rèn)知診斷 第一節(jié)認(rèn)知屬性及屬性階層關(guān)系確立 第二節(jié)認(rèn)知診斷測(cè)驗(yàn)的編制 第三節(jié)認(rèn)知診斷結(jié)果分析 第四節(jié)診斷效度驗(yàn)證 第五節(jié)小結(jié) 第五章多級(jí)評(píng)分認(rèn)知診斷模型的開發(fā) 第一節(jié)基于DINA模型的多級(jí)評(píng)分認(rèn)知診斷模型開發(fā) 第二節(jié)基于AHM的多級(jí)評(píng)分認(rèn)知診斷模型的開發(fā) 第六章群體水平的認(rèn)知診斷方法與實(shí)踐 第一節(jié)矩陣抽樣設(shè)計(jì)與群體水平項(xiàng)目反應(yīng)理論 第二節(jié)群體水平認(rèn)知診斷模型開發(fā) 第三節(jié)英語(yǔ)閱讀問題解決的群體水平認(rèn)知診斷 第七章計(jì)算機(jī)化自適應(yīng)認(rèn)知診斷測(cè)驗(yàn) 第一節(jié)計(jì)算機(jī)化自適應(yīng)認(rèn)知診斷測(cè)驗(yàn)簡(jiǎn)介 第二節(jié)CD—CAT選題策略及初始題選取方法 第三節(jié)CD—CAT開發(fā)實(shí)例 第八章Tatsuoka的Q矩陣?yán)碚撔拚巴卣?第一節(jié)如何認(rèn)定屬性層級(jí)關(guān)系 第二節(jié)認(rèn)知診斷中幾類矩陣及其計(jì)算 第三節(jié)如何計(jì)算期望反應(yīng)模式 第四節(jié)如何提高認(rèn)知診斷的構(gòu)念效度 第五節(jié)Q矩陣?yán)碚摰脑u(píng)注 第九章認(rèn)知診斷的技術(shù)探索 第一節(jié)CD—CAT中原始題屬性的自動(dòng)標(biāo)定 第二節(jié)Bayes網(wǎng)絡(luò)在認(rèn)知診斷中的應(yīng)用 第三節(jié)HCI指標(biāo)及其擴(kuò)展 第四節(jié)人工神經(jīng)網(wǎng)絡(luò)在認(rèn)知診斷分類中的應(yīng)用 第五節(jié)CD—CAT中題目參數(shù)的在線標(biāo)定及其設(shè)計(jì) 第十章認(rèn)知診斷的實(shí)踐探索 第一節(jié)小學(xué)兒童數(shù)學(xué)問題解決認(rèn)知診斷 第二節(jié)中學(xué)生圖形推理的認(rèn)知診斷 第十一章認(rèn)知診斷新進(jìn)展 第一節(jié)基于DINA模型測(cè)驗(yàn)Q矩陣修正方法 第二節(jié)一種多策略認(rèn)知診斷方法 第十二章 展望 參考文獻(xiàn) 

章節(jié)摘錄

版權(quán)頁(yè)：   插圖：   假設(shè)屬性間為補(bǔ)償機(jī)制的模型有LLTM，MIRT—C（Compensatory multidimensional IRT，Reckase&McKinley，1991）等。LLTM可以認(rèn)為是一個(gè)補(bǔ)償模型，盡管該模型沒有分別明確地表征多個(gè)技能，而是將多個(gè)技能的掌握水平綜合為一個(gè)單一的能力水平。但正因?yàn)槿绱耍鄠€(gè)技能間具有補(bǔ)償效應(yīng)。MIRT—C的項(xiàng)目反應(yīng)函數(shù)，實(shí)際上基于單維IRT的項(xiàng)目反應(yīng)函數(shù)的基礎(chǔ)上，對(duì)單維IRT的被試能力進(jìn)行了細(xì)致化的分解。MIRT—C所定義的被試在各技能掌握水平的加權(quán)和即為單維IRT中的被試能力，因此，技能間具有補(bǔ)償性。大多數(shù)認(rèn)知診斷模型假設(shè)屬性間為非補(bǔ)償機(jī)制。如RSM,AHM,DINA,NIDA,RUM,MIRT—NC（Noncompensatory multidimensional IRT,Sympson,1978）等。RSM,AHM,DINA和NI—DA模型都是較為典型的非補(bǔ)償模型，RSM和AHM通過定義其理想反應(yīng)模式或稱期望反應(yīng)模式，假設(shè)被試只有掌握了所有項(xiàng)目所考查的屬性時(shí)才能在該項(xiàng)目上正確作答。DINA模型雖采用的是理想反應(yīng)變量，但與RSM和AHM異曲同工，只有在被試掌握了項(xiàng)目所考查的所有屬性時(shí)，被試的理想反應(yīng)變量才為1，即被試才能在該項(xiàng)目上正確作答。這三者都假設(shè)被試要正確作答項(xiàng)目，必須掌握該項(xiàng)目所測(cè)全部屬性，缺一不可，可見，這三個(gè)模型都假設(shè)屬性之間為非補(bǔ)償?shù)年P(guān)系。RUM也是非補(bǔ)償模型，該模型假設(shè)被試在項(xiàng)目上要獲得高的正確作答概率，必須掌握所有項(xiàng)目所考查的屬性，一個(gè)或部分屬性未掌握會(huì)大大地降低被試的成功作答概率。因此，雖然RUM所假設(shè)的屬性間的非補(bǔ)償機(jī)制不像DINA模型那樣典型，但由于該模型仍然屬于非補(bǔ)償模型。MIRT—NC也是一個(gè)非補(bǔ)償模型，它將被試的正確作答概率定義為被試對(duì)項(xiàng)目所考查的各屬性技能正確運(yùn)用的概率乘積。因此，若被試在作答某個(gè)項(xiàng)目時(shí)有一個(gè)屬性未掌握，被試對(duì)該屬性的正確運(yùn)用概率很低，這種低的概率將導(dǎo)致最終所有屬性正確運(yùn)用的概率乘積，即項(xiàng)目正確作答概率很低。因此，與RUM一樣，雖然屬性間存在一部分的補(bǔ)償作用，但這種補(bǔ)償作用太小，無法令被試在項(xiàng)目上獲得較高的正確作答概率。因此，MIRT—NC也是一個(gè)非補(bǔ)償模型。

編輯推薦

《認(rèn)知診斷理論、方法與應(yīng)用》系現(xiàn)代心理測(cè)量理論與技術(shù)叢書，是由涂冬波，蔡艷，丁樹良著，北京師范大學(xué)出版社出版的。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    認(rèn)知診斷理論.方法與應(yīng)用 PDF格式下載

---