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），并對相關(guān)理論、方法如何在實踐中應(yīng)用進(jìn)行了翔實的介紹（如：第四章、第十章）。本書緊跟國際研究前沿，結(jié)合作者最新研究成果，對當(dāng)前國際上較前沿的多級評分認(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

第一章新一代測驗理論與認(rèn)知診斷 第一節(jié)新一代測驗理論的產(chǎn)生 第二節(jié)認(rèn)知診斷概述 第二章認(rèn)知診斷測驗編制的理論與方法 第一節(jié)認(rèn)知診斷測驗與傳統(tǒng)測驗的異同 第二節(jié)認(rèn)知診斷測驗編制的相關(guān)理論與方法 第三節(jié)認(rèn)知診斷測驗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)知診斷測驗的編制 第三節(jié)認(rèn)知診斷結(jié)果分析 第四節(jié)診斷效度驗證 第五節(jié)小結(jié) 第五章多級評分認(rèn)知診斷模型的開發(fā) 第一節(jié)基于DINA模型的多級評分認(rèn)知診斷模型開發(fā) 第二節(jié)基于AHM的多級評分認(rèn)知診斷模型的開發(fā) 第六章群體水平的認(rèn)知診斷方法與實踐 第一節(jié)矩陣抽樣設(shè)計與群體水平項目反應(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)英語閱讀問題解決的群體水平認(rèn)知診斷 第七章計算機(jī)化自適應(yīng)認(rèn)知診斷測驗 第一節(jié)計算機(jī)化自適應(yīng)認(rèn)知診斷測驗簡介 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)定屬性層級關(guān)系 第二節(jié)認(rèn)知診斷中幾類矩陣及其計算 第三節(jié)如何計算期望反應(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 第十章認(rèn)知診斷的實踐探索 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模型測驗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：   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)為是一個補(bǔ)償模型，盡管該模型沒有分別明確地表征多個技能，而是將多個技能的掌握水平綜合為一個單一的能力水平。但正因為如此，多個技能間具有補(bǔ)償效應(yīng)。MIRT—C的項目反應(yīng)函數(shù)，實際上基于單維IRT的項目反應(yīng)函數(shù)的基礎(chǔ)上，對單維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目所考查的屬性時才能在該項目上正確作答。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目所考查的所有屬性時，被試的理想反應(yīng)變量才為1，即被試才能在該項目上正確作答。這三者都假設(shè)被試要正確作答項目，必須掌握該項目所測全部屬性，缺一不可，可見，這三個模型都假設(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)被試在項目上要獲得高的正確作答概率，必須掌握所有項目所考查的屬性，一個或部分屬性未掌握會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也是一個非補(bǔ)償模型，它將被試的正確作答概率定義為被試對項目所考查的各屬性技能正確運用的概率乘積。因此，若被試在作答某個項目時有一個屬性未掌握，被試對該屬性的正確運用概率很低，這種低的概率將導(dǎo)致最終所有屬性正確運用的概率乘積，即項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，無法令被試在項目上獲得較高的正確作答概率。因此，MIRT—NC也是一個非補(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

評論、評分、閱讀與下載

---

    認(rèn)知診斷理論.方法與應(yīng)用 PDF格式下載

---