重参数化的多分属性诊断分类模型及其判准率影响因素*

詹沛达 边玉芳 王立君

(1北京师范大学 中国基础教育质量监测协同创新中心, 北京 100875)

(2浙江师范大学 心理系, 金华 321004)

1 引言

目前, 诊断分类评估(diagnostic classification assessment, DCA)已经受到了国内外学者的广泛关注, 在教育与心理测量实践中具有光明的未来。而诊断分类模型(diagnostic classification models,DCMs) (Rupp, Templin, & Henson, 2010)是对 DCA数据进行分析的必要工具。至今, 国内外学者已经开发了众多的 DCMs, 常见的有 DINA (Junker &Sijtsma, 2001)、DINO (Templin & Henson, 2006)、LLM (Maris, 1999)、GDM (von Davier, 2005)、LCDM(Henson, Templin, & Willse, 2009)、G-DINA (de la Torre, 2011)、HO-DINA (de la Torre & Douglas, 2004)等等。

但纵观现有的 DCMs, 绝大部分是基于二分属性(dichotomous attributes, e.g., 用“0 和 1”分别表示“未掌握”和“掌握”)和二分 Q 矩阵(dichotomous Q-matrix, Q) (Tatsuoka, 1983, 1985)建构的, 而对多分属性(polytomous attributes)和多分 Q矩阵(polytomous Q-matrix, Q) (Karelitz, 2004)的关注并不多(e.g., Karelitz, 2004; von Davier, 2005; Chen &de la Torre, 2013; Sun, Xin, Zhang, & de la Torre,2013)。而在实际教学和测验中更多情况是对知识技能(i.e., 属性)的多水平要求和考查, 比如《全日制义务教育数学课程标准(修改稿)》中就使用了“了解(认识)”、“理解”、“掌握”和“运用”这 4 个顺序类别词汇来表述知识技能目标的不同水平, 具有现实应用价值和前景。此时, 若想进行 DCA则应使用顺序类别属性编码(ordered-category attribute coding,OCAC) (Karelitz, 2004)来对属性的各个水平(类别)进行编码(e.g., 用“0至3”分别表示上述4个顺序类 别词汇, 或用“0至 2”分别表示“掌握很差”、“掌握一般”和“掌握很好”)。多分属性比二分属性能提供更详细的诊断信息、更具有实际应用价值, 且能够对被试做出更为精细地划分。传统的二分属性可被视为多分属性的特例, 进而基于二分属性的 DCMs就无法处理此类情况, 因此很有必要开发一些适用于处理多分属性的 DCMs (polytomous attributes DCMs, Pa-DCMs)。

图1 三种具有代表性的诊断分类模型的理想作答概率示例

查阅国内外相关文献, 目前关于 Pa-DCMs的研究还处于初期探索阶段, 仅有少……