陈琦鹏 詹沛达，2，3**

    (1.浙江师范大学心理学院，金华 321004；2.浙江省儿童青少年心理健康与危机干预智能实验室，金华 321004；3.浙江省智能教育技术与应用重点实验室，金华 321004)

    1 引 言

    在心理与教育研究中，研究者通常对个体或群体在特定时间跨度中的认知或行为的发展变化感兴趣。这类研究的目标侧重于刻画每个个体的发展趋势和群体的平均变化轨迹(刘红云，孟庆茂，2003)。目前，针对不同的观测变量类型和潜变量类型(连续或分类)研究者们提出了众多纵向数据分析模型，比如纵向Rasch/IRT 模型(Andersen，1985；von Davier er al.，2011)、潜在增长曲线模型(Kaplan，2000)和潜在转换分析模型(Collins & Lanza，2010)等。尽管纵向模型本身并没有限制所分析的数据类型及所测量的潜在建构，但纵观已有研究可发现几乎所有纵向模型仅关注对传统题目作答结果(response accuracy，RA)数据(e.g.，答对答错或李克特式题目得分)的分析，忽略了其他模态数据，进而局限于追踪RA 数据测量的心理建构(e.g.，潜在能力)的发展变化。

    随着计算机(网络)化测评的普及，除传统RA 数据外，对诸如题目作答时间(response time，RT)等过程数据的采集已越发普遍(韩雨婷等，2022；刘耀辉等，2022)。在心理与教育测评中，RT 数据作为一种RA数据的补充数据，描述了个体解决单一问题的总耗时，可用于分析个体解决问题时的潜在加工速度。这在一定程度上打破了传统心理测量中对速度测验和难度测验的功能划分。另外，因RT 数据“具有标准化数据结构，符合心理计量模型的建模与分析要求”(詹沛达，2022，p1417)，近些年受到了研究者们的广泛关注，开发了诸多RT模型(郭磊等，2017)，比如对数正态RT 模型(lognormal RT model，LRTM)(van der Linden，2006；Klein Entink，Fox et al.，2009)。但纵观已有研究可发现几乎所有RT 模型都仅适用于分析横断测评数据，即仅能分析被试在单一时间点测验中的潜在加工速度，无法追踪个体潜在加工速度的发展轨迹。

    目前，随着计算机化测验的普及，一些形成性学测项目已经可以便捷地采集每个时间点上个体对每道题目的RT 数据(即纵向RT 数 据)(e.g.，Wang & Nydick，2020；Wang，Zhang et al.，2018)。Wang 和Zhang等人(2018)发现在自适应学测系统中 ......