改进多项式模型提升内容平衡的MIS-B选题策略

本文标题"引入内容平衡的最大信息量组块分层选题策略 (2013年)"聚焦于计算机化自适应测试（Computerized Adaptive Testing, CAT）领域的一个关键问题——如何改进选题策略以实现内容平衡。在传统的最大信息量组块分层策略（MIS-B）中，由于忽略了内容的均衡性，可能导致项目重叠率增加，题库使用不均等问题。作者詹沛达、王立君和杨卫敏针对这一点提出了一个创新的方法，即在MIS-B的基础上加入了改良多项式模型，以调整内容属性，确保测验的公平性和有效性。 他们研究的核心是在0-1计分系统下，通过改良多项式模型对题目进行动态分配，以降低项目间的重复性和确保不同内容类型的题目得到适当的曝光。计算机模拟实验的结果显示出，这种新的选题策略在维持MIS-B能力估计的精度的同时，显著提高了题库使用的均匀性和项目曝光率的均衡性，这对于提升测验的信度、效度以及被试体验至关重要。 在CAT的六个基本组成部分中，选题策略是至关重要的部分，因为它直接影响到测试的有效性和公平性。选题策略不仅要追求统计优化，即根据被试反应挑选最优项目，还要满足非统计约束条件，如内容平衡、项目多样性、反应时间等因素。文章引用了vander Linden、Cheng Ying和H. Deng等学者的观点，强调了在设计选题策略时需要综合考虑这些因素的重要性。 这篇文章提供了一种创新的思路，通过数学模型辅助，解决了CAT中内容平衡的问题，对于提高计算机化自适应测试的整体性能和用户体验具有实际应用价值。