多級(jí)評(píng)分聚類診斷法的影響因素*

康春花 任 平 曾平飛

(浙江師范大學(xué)教師教育學(xué)院,金華 321004)

1 引言

自認(rèn)知診斷評(píng)估(Cognitive Diagnostic Assessment,CDA)問世以來,研究者進(jìn)行了多方面多角度的探索,其中發(fā)展最迅猛的是診斷分類模型(Diagnostic Classification Model,DCM)。在DCM方面,研究者根據(jù)不同的實(shí)踐需求從不同的前提和假設(shè)提出了各類模型,如按測評(píng)的評(píng)分方式,有 0-1評(píng)分的模型(如 RSM、AHM、DINA、NIDA、FM、GDM等)、多級(jí)評(píng)分或連續(xù)評(píng)分的模型(Bolt &Fu,2004;祝玉芳,丁樹良,2009;涂冬波,蔡艷,戴海琦,丁樹良,2010;張淑梅,包鈺,郭文海,2013;李娟,丁樹良,羅芬,2012;田偉,辛濤,2012;Sun,Xin,Zhang,&de la Torre,2013;羅歡,丁樹良,汪文義,喻曉鋒,曹慧媛,2010)。然而,這些多為參數(shù)模型,參數(shù)模型除了參數(shù)估計(jì)過程比較復(fù)雜外,往往需要大樣本數(shù)據(jù),且屬性個(gè)數(shù)又不能太多 (Chiu &Douglas,2013;涂冬波等,2010)。為此,研究者開始探索更為簡潔的非參數(shù)方法,如Vapnik (2000)依據(jù)風(fēng)險(xiǎn)最小化原則提出了基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法——支持向量機(jī)(Support Vector Machines,SVM),SVM不僅結(jié)構(gòu)簡單,還可運(yùn)用小樣本數(shù)據(jù),既省時(shí)又高效(何學(xué)文,趙海鳴,2005;鄺錚,2010)。Chiu等人(Chiu,Douglas,&Li,2009)在屬性合分思路(Henson,Templin,&Douglas,2007)的基礎(chǔ)上提出0-1評(píng)分的聚類分析方法。為吻合測評(píng)實(shí)踐需要,研究者(康春花,任平,曾平飛,2015)將 0-1評(píng)分的聚類分析法拓展到多級(jí)評(píng)分(Grade Response Cluster Diagnostic Method,GRCDM),并探討了樣本容量、失誤率及屬性層級(jí)對(duì)其判準(zhǔn)率的影響,所得結(jié)果表明：GRCDM在模擬和實(shí)踐情境中均有很高的判準(zhǔn)率,且對(duì)樣本容量及屬性層級(jí)緊密度依賴較小,可適用于小型測評(píng)等特征,這在一定程度上體現(xiàn)出非參數(shù)方法的優(yōu)勢。然而,目前關(guān)于非參數(shù)方法的研究還尚粗淺,能否借助參數(shù)方法的已有成果,探索GRCDM的影響因素,深入考察GRCDM的優(yōu)勢和性能,豐富非參數(shù)方法研究,是值得進(jìn)一步關(guān)注的問題?！?br>