- 1、本文档共142页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
认知诊断评价(cognitivediagnosticassessment,CDA)已经在心理和教育评估
领域获得了广泛应用。CDA以测验认知属性结构(即Q矩阵)为基础,通过被试
在测验上的作答反应,推断其潜在的认知属性掌握模式,从而为被试提供多维度
的、细粒度的诊断信息。可见,标定Q矩阵是CDA最基本和关键的环节。
Q矩阵可以通过领域专家标定,也可以基于作答反应数据估计而得到。专家
标定的Q矩阵能够直接反映领域知识结构,解释性好,但容易受到专家主观认
知的影响,并且标定成本较高。基于作答数据估计Q矩阵的方法能够减少标定
Q矩阵的主观性和减轻专家的负担,因此,数据驱动的Q矩阵估计方法已成为
认知诊断领域的研究热点。研究者们基于不同的研究假设开发了许多Q矩阵估
计方法,根据是否依赖先验信息以及依赖先验信息的不同,将已有的数据驱动Q
矩阵估计方法分为四类,即:已知初始Q矩阵的Q矩阵估计方法、已知部分q
向量的Q矩阵估计方法、仅已知属性个数的Q矩阵估计方法和不依赖任何先验
信息的Q矩阵估计方法。
不依赖任何先验信息的Q矩阵估计方法直接从作答数据中同时估计测验考
查的属性个数K和Q矩阵元素,不仅节省了大量的人力物力,还避免了先验信
息的不准确对估计精度的影响,具有重要的现实意义。然而,已有不依赖先验信
息的Q矩阵估计研究仍存在以下不足:(1)已有的估计方法都是参数化的方法,
计算量大,估计过程繁琐,难以应用和推广;(2)面对更复杂的测验情境时,例如
属性个数较多(比如)、属性之间高相关(比如),已有方法估计精度
明显下降甚至无法估计;(3)属性个数K的估计依赖于K的真值,只有将K的搜
索区间设置在真值附近才可获得较高的估计精度,而K的真值事先通常是不知
道的。因此,迫切需要从新的视角开发更高效、更精确、适应更复杂测验情境和
属性个数推断更客观的探索性Q矩阵估计方法。
矩阵分解(matrixfactorization,MF)是机器学习中的经典方法,它将一个矩阵
表示为两个或多个低秩矩阵的乘积,被广泛应用于降维、聚类、模式识别以及图
I
像分析等领域。本文借鉴矩阵分解在数据降维上的优势,以及具有较低时间复杂
度和较强伸缩性(适应各种维度)的特点,对传统的矩阵分解方法进行改进,使其
适用于CDA中探索性Q矩阵估计,并改善已有研究中存在的不足。首先,基于
最常用的DINA模型,提出了布尔矩阵分解(Booleanmatrixfactorization,BMF)方
法并验证其性能;其次,为了对更一般化的G-DINA模型进行Q矩阵估计,提
出了稀疏非负矩阵分解(sparsenon-negativematrixfactorization,SNMF)方法并验
证其性能;另外,为了保证属性高相关情境下探索性Q矩阵估计结果的可用性,
借鉴机器学习中重采样思想,提出了丰富类对称欠采样(majorityclasssymmetric
undersampling,MCSU)方法。据此,本文开展了以下四项研究:
研究一:DINA模型下布尔矩阵分解(BMF)Q矩阵估计方法。首先将DINA
模型下Q矩阵估计问题转化为近似BMF问题并设计算法;然后联合BMF算法
和根据BMF的残差定义的统计量指标Ratio,同时估计属性个数和Q矩阵元素。
模拟研究结果表明:(1)BMF方法在各种实验条件下均具有较高的估计精度,且
估计精度和效率均优于已有的受限玻尔兹曼机(restrictedBoltzmannmachines,
RBMs)方法。(2)BMF方法在较小的样本容量下(比如N=500)就可以获得稳定且
准确的估计结果。(3)BMF方法在高质量测验下的Q矩阵估计精度超过95%,且
高于低质量测验,而低质量测验的估计精度可以通过合理的Q矩阵设计或增加
测验长度来提高。
研究二:G-DINA模型下稀疏非负矩阵分解(SNMF)Q矩阵估计方法。由于
DINA模型的局限性,本研究主要实现更一般化的G-DINA模型下的Q矩阵估
计。首先将G
文档评论(0)