詹沛达 陈 平 边玉芳

    (北京师范大学中国基础教育质量监测协同创新中心, 北京 100875)

    1 引言

    人们已不满足于只能分析出一个总分的教育与心理测量方法, 具有诊断功能的测量方法因此逐渐受到人们的关注。基于此, 测验编制者希望借助被试的作答结果获得更加丰富的信息, 以便对被试做出更客观更有针对性的评估和补救。认知诊断评估作为一种将形成性评估和终结性评估相结合的综合评估形式, 其最终目的是为了更有效地促进学生的发展, 其作为一种评估手段, 更关注的应是评估后如何更有效地对学生进行补救教学, 或是如何修正现有教学的过程与方法以促进学生更有效地成长。近些年, 认知诊断模型(cognitive diagnostic models, CDMs)得到快速发展, 常见的有DINA(Junker & Sijtsma, 2001)、LCDM (Henson, Templin,& Willse, 2009)和G-DINA (de la Torre, 2011)等; 另一些拓广模型(比如, Embretson & Yang, 2013;Huang & Wang, 2014; Li & Wang, 2015; Templin &Bradshaw, 2014; 詹沛达, 李晓敏, 王文中, 边玉芳,王立君, 2015)也被提出并建议使用在特定的测验情境中。

    在CDMs闪耀着光芒的同时, 多维IRT模型(multidimensional IRT models, MIRTMs)似乎受到些许冷落。而实际上, MIRTMs和CDMs一样也具有诊断功能(Embretson & Yang, 2013; Stout, 2007;Wang & Nydick, 2015), 只不过因为MIRTMs是在连续量尺上刻画或诊断被试的潜变量值, 并没有直接或明确地对被试进行分类, 导致我们放大了其根据子维度分排序的功能。另外, 随着家长及学生对反馈信息精细化的要求越来越高, 当前CDMs中对属性精细化的研究越来越多(比如, Karelitz, 2004;von Davier, 2005; 詹沛达, 边玉芳, 王立君, 2016),也有研究直接采用属性掌握概率这一连续变量(Zhan, Wang, Li, & Bian, 2016; 詹沛达, 边玉芳,2015)来进行认知诊断。即不仅希望要诊断出掌握状态, 还要了解到掌握程度, 而对潜变量的精细化描述恰恰是MIRTMs的优势。

    MIRTMs与CDMs的主要区别在于前者假设潜变量空间由K维连续变量(即潜在特质)组成, 而后者假设潜变量空间由K维离散变量(即属性)组成 ......