马大付 秦春影 喻晓锋 何 催

    (1 江西师范大学心理学院，南昌 330022) (2 济南市教育教学研究院，济南 250002)

    (3 南昌师范学院数学与信息科学学院，南昌 330032)

    1 前言

    近年来，在“以评促学”理念下，教育测量从对学生能力测量转向对微观知识状态(knowledge state,KS)的测量。由此，认知诊断评估(cognitive diagnosis assessment,CDA; Leighton ＆ Gierl,2007;Rupp et al.,2010)技术应运而生。通常，考生KS 为潜在离散变量，因此如何构建诊断测验实现将考生KS 转换为可观测的外在表现至关重要，良好的诊断测验不仅需要反映KS 结构，还需充分区分不同KS(丁树良 等,2010; von Davier ＆ Lee,2019)。

    认知诊断自动测验组卷(cognitive diagnosis automated test assembly,CD-ATA; Wang et al.,2016)是CDA 实施的关键步骤，是指从已校正题库中(Becker et al.,2021; Henson ＆ Douglas,2005)根据测验统计(如测验精度) 与非统计约束(如答案平衡)选择项目的过程，组卷结果与诊断准确性和有效性直接挂钩(Lin et al.,2019)。Lin 等人(2017)将CD-ATA 方法分为两类：面向指标方法(indexoriented methods) 与面向模拟方法(simulationoriented methods)。面向指标方法基于项目区分度指标，在满足非统计约束同时，寻求产生最大项目区分度线性和的J(J为测验长度)个项目。常用项目区分度指标包括：CDI(cognitive discrimination index; Henson ＆ Douglas,2005)、ADI(attribute diagnosis index; Henson et al.,2008)、MCDI 与MADI(modified CDI; modified ADI; Kuo et al.,2016)、EAMR(expected attribute match rate; 汪文义 等,2018)等；面向模拟方法通过模拟N个被试在M(M为题库大小)个项目的作答，将组卷问题转换为求取对N个被试产生最佳诊断精度的J个项目组合。该类方法常采用优化算法求解，如遗传算法(generic algorithm,GA; Finkelman et al.,2009) ......