属性层级模型与DINA模型诊断准确率影响因素分析

"这篇论文是2011年发表在江西师范大学学报(自然科学版)上的，主要探讨了属性层级模型（AHM）和确定性输入、噪声“与”门模型（DINA）两种认知诊断模型在诊断准确率上的影响因素。研究发现，含有可达阵的测验在诊断准确率上优于不含可达阵的测验，而增加线型结构测验的长度对提高诊断准确率的效果有限。尽管DINA通常在分类准确性上超过AHM，但在属性结构紧密度高的情况下，其优势更为明显。然而，AHM的估计结果更符合属性层级结构，而DINA则可能出现与属性层级关系不符的情况，这与De Carlo在2011年的研究结果不同。" 本文深入研究了认知诊断领域中的两个重要模型，即AHM和DINA。AHM，全称为Attribute Hierarchy Model，是一种基于属性层级的诊断模型，它使用A方法和B方法进行诊断分类。DINA，Deterministic Input, Noisy “And” Gate Model，是一个假设知识状态是确定性输入和噪音影响的模型。这两种模型均依赖于Q矩阵来分析被试的知识状态，但它们在处理反应数据的方式上有所不同。 研究通过Monte Carlo模拟实验来考察测验设计的不同方面如何影响诊断准确率。实验结果显示，包含可达阵的测试结构能提高诊断的准确性，这可能是由于可达阵能够更好地捕捉被试在不同属性间的关联和掌握程度。另一方面，对于线性结构的测验，一旦达到一定的长度，继续增加题目数量对提升诊断准确性的效果并不显著，可能是因为过长的测验会导致其他因素如疲劳或注意力分散，从而降低诊断的有效性。 此外，论文指出DINA模型在总体分类准确性上优于AHM，特别是在属性之间紧密相关的情况下。然而，AHM的估计结果更忠实地反映了属性的层级关系，而DINA可能会得出与属性层级结构不一致的结论，这一发现挑战了之前De Carlo的研究结论，暗示了在某些条件下，DINA模型的适用性和解释性可能需要进一步探讨。 这篇论文对于理解和优化认知诊断模型的性能具有重要意义，对于教育测评、心理学以及相关领域的研究人员提供了有价值的信息，有助于未来在模型选择和测验设计上做出更科学的决策。