神经网络集成在小样本IRT参数估计中的应用

"这篇文章是2009年江南大学学报(自然科学版)上发表的一篇研究论文，作者余嘉元探讨了如何在小样本条件下更有效地估计项目反应理论（IRT）的参数。传统的统计方法在处理小样本时面临挑战，因此研究提出了一种基于广义回归神经网络（GRNN）集成的新方法。通过计算机模拟生成项目参数的真实值，并利用双参数逻辑斯蒂模型构建被试的反应矩阵。然后，通过经典测验理论计算项目难度和区分度的统计量，这些作为GRNN的输入，而模拟的IRT项目参数作为输出，进行神经网络训练。论文进一步介绍了如何集成30个GRNN，以网络在测试阶段的输出平均值作为IRT参数的估计值。实验结果显示，这种方法相比传统统计方法和单一神经网络能提供更优的参数估计。关键词包括：项目反应理论、神经网络、参数估计和模拟。" 本文主要讨论的是在项目反应理论（IRT）分析中，如何解决小样本条件下的参数估计问题。IRT是一种用于心理测量学和教育测验分析的理论框架，它假设被试对项目的响应取决于其内在特质水平和项目的固有特性，如难度和区分度。在小样本情况下，传统的统计方法可能无法准确地估计这些参数。 广义回归神经网络（GRNN）是一种特殊的神经网络模型，以其快速学习和适应性著称，适用于非线性回归任务。在本研究中，GRNN被用来估计IRT的项目参数，即难度和区分度。首先，通过计算机模拟生成真实的项目参数，接着构建一个双参数逻辑斯蒂模型，该模型能够模拟被试对不同难度和区分度项目的响应模式。然后，使用经典测验理论（如难度和区分度的频数或百分位数）来提取统计量，这些统计量作为GRNN的输入，而模拟的IRT参数作为网络的输出目标。 论文提出了一种集成学习策略，将30个独立训练的GRNN组合在一起，形成一个神经网络集成。在测试阶段，每个网络分别预测IRT参数，然后取所有预测值的平均值作为最终的估计值。这种方法旨在通过集成多个模型的预测来提高估计的稳定性和准确性。 实验结果显示，神经网络集成方法在小样本条件下表现优于传统的统计方法和单个GRNN模型，表明这种方法在IRT参数估计中具有潜在的优势，尤其是在数据有限的情况下。这种方法的创新之处在于将神经网络的非线性拟合能力和集成学习的稳健性结合，为小样本条件下IRT分析提供了一种新的解决方案。