格格党

手机浏览器扫描二维码访问

第二 单维二级评分模型下的在线标定（第1页）

第二节单维二级评分模型下的在线标定

banner"

>

一、试测题选题法

试测题选题法决定了如何将不同的考生和测试题搭配起来。

目前文献中存在的试测题选题法可归为三大类：随机选题法、以考生能力值为中心的选题法、以试测题参数值为中心的选题法。

（一）随机选题法

随机选题法的定义是：在正式的CAT过程中，当一位考生前进到某个预先指定的试测题嵌入题目位置时，计算机随机从试测题库中抽取出一道测试题呈现给考生。

这个选题法是最容易执行的，并且生成的样本最具多样性和对总体的代表性。

当考生总体能力值呈正态分布时，这种选题法也将会为每道试测题生成一个大致呈正态分布的样本。

然而一个潜在的问题是，在CAT中试题的难度理论上一般会呈现逐渐升高或降低的平稳轨迹，而一道随机选出的测试题可能会在周围平稳过渡的题目之中表现出明显不同的难度，而这个情况有可能会给考生带来不必要的困惑或焦虑感（Kingsbury，2009），或者也可能会使考生察觉到这是一道不计入总分的试测题，于是不努力作答，从而影响到作答数据的质量。

（二）以考生能力值为中心的选题法

以考生能力值为中心的选题法的定义为：在正式的CAT过程中，当一位考生前进到某个预先指定的试测题嵌入题目位置时，计算机采用与正式CAT的选题法相同的方法选取试测题（，Wang＆g，2010；Kingsbury，2009）。

由于正式CAT的选题法大多以优化考生能力值估计为目标，所以在这里我们将这种用同一方法选取试测题的设计称为以考生能力值为中心的选题法。

然而正是因为这种选题以优化考生能力值估计为目标，所以它的缺点也在于，它并不是为优化试测题参数估计而设计的。

Kingbury（2009）讨论了在1PL模型下的用此选题法的在线标定设计。

这种选题法在1PL模型下是比较合理的，因为根据1PL模型的特点，CAT最常用的最大信息量选题法，将通过选取其难度参数值最接近被试能力估计值的题目来优化考生能力值估计。

而用这种方法选择测试题，也会达到将题目难度参数值与考生能力估计值相搭配的效果，从而优化试测题参数标定的效率。

然而在其他IRT模型下，情况就没有这么简单了，对于不同的题目参数（如区分度、难度、猜测度），能够优化参数估计的被试能力值分布是截然不同的。

例如，一道3PL模型下的测试题有三个题目参数：区分度（a）、难度（b）和猜测度（c）。

其项目反应方程为

将这三个题目参数看作一个向量，估计这个向量的Fisher信息量矩阵可表达为：

其中

Fisher信息量代表了参数估计的效率，信息量越高，算法对于区别参数的真值与真值周围的其他值越敏感。

图9-2-1举例说明了三个信息量的显著区别。

图中三条曲线分别由上文中的Iaaij，Ibbij和Iccij的公式生成。

对于不同的参数，提供高信息量的被试能力值区域截然不同：对于难度参数，与其真实难度参数值接近的考生能力值区域提供了最高信息量；对于区分度参数，与其真实难度参数值接近的考生能力值区域反而提供了接近于零的信息量，而两边相距一段距离的区域信息量最高；对于猜测度参数，考生能力值越低，信息量反而越高。

图9-2-1一道3PL题目（a=1，b=0，c=0.2）中不同被试能力值为估计三个参数分别生成的Fisher信息量曲线

而对于3PL模型的CAT来说，常用的最大信息量选题法的目标是使考生能力值参数估计的Fisher信息量最大化，而从模型公式推得，这个选题法最终会将考生能力值与题目难度参数大致相配。

而如用这种选题法来同样选取试测题，将会为估计难度参数提供很高的信息量，但却为估计区分度参数和猜测度参数提供几乎为零的信息。

也就是说，以考生能力值为中心的选题法，对于3PL模型的题目来说，不仅不能优化效率，反而可能导致严重的估计不准。

同样的分析也适用于其他非1PL的模型。

总而言之，试测题的选取必须综合考虑各参数的信息需求，取得总体上的优化。

而如何整合不同参数各异的信息需求呢？下文中以测试题参数值为中心的选题法提供了几种不同的角度。

（三）以试测题参数值为中心的选题法

与以考生能力值为中心的选题法形成对比的是，以试测题参数值为中心的选题法的选题指标则是围绕优化试测题的参数估计而设计的。

而在以优化试测题的参数估计为目标的统计指标中，使用最广泛的是D-optimal指标（Berger，1992；Berger，King＆Wong，2000；g＆Lu，2010；Jones＆Jin，1994；Zhu，2006）。