心理学报 ›› 2020, Vol. 52 ›› Issue (4): 528-540.doi: 10.3724/SP.J.1041.2020.00528
• 研究报告 • 上一篇
发布日期:
2020-02-25
出版日期:
2020-04-25
通讯作者:
刘红云
E-mail:hyliu@bnu.edu.cn
LI Meijuan1,2, LIU Yue3, LIU Hongyun3,4()
Online:
2020-02-25
Published:
2020-04-25
Contact:
LIU Hongyun
E-mail:hyliu@bnu.edu.cn
摘要:
学生在完成计算机动态测验过程中, 会产生大量带有时间标记的过程性数据。本研究基于5个国家(地区) 3196名学生在PISA2012一道交通问题解决任务上的139990条数据, 将多水平混合IRT (MMixIRT)模型进行拓展, 用于探索问题解决过程策略的类别特点。结果表明, 该模型不仅可以基于行为序列对不同国家(地区)学生在解决问题时策略使用情况的典型特征进行分析, 还可以提供个体水平的能力估计值。拓展的MMixIRT模型可用于分析过程性数据的特征。
中图分类号:
李美娟, 刘玥, 刘红云. (2020). 计算机动态测验中问题解决过程策略的分析:多水平混合IRT模型的拓展与应用. 心理学报, 52(4), 528-540.
LI Meijuan, LIU Yue, LIU Hongyun. (2020). Analysis of the Problem-solving strategies in computer-based dynamic assessment: The extension and application of multilevel mixture IRT model. Acta Psychologica Sinica, 52(4), 528-540.
序号 | 学生编号 | 路径选择 | P1 | P2 | … | P13 | … | P18 | … | P23 |
---|---|---|---|---|---|---|---|---|---|---|
1 | 00017 | 01000000000000000000000 | 0 | 1 | … | 0 | … | 0 | … | 0 |
2 | 00017 | 11000000000000000000000 | 1 | 1 | … | 0 | … | 0 | … | 0 |
3 | 00017 | 11000000000010000000000 | 1 | 1 | … | 1 | … | 0 | … | 0 |
4 | 00017 | 11000000000010000100000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
5 | 00017 | 11000000010010000100000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
6 | 00017 | 11000000010010000101000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
7 | 00017 | 11000000010000000101000 | 1 | 1 | … | 0 | … | 1 | … | 0 |
8 | 00017 | 01000000010000000101000 | 0 | 1 | … | 0 | … | 1 | … | 0 |
表1 整理后的过程性数据举例
序号 | 学生编号 | 路径选择 | P1 | P2 | … | P13 | … | P18 | … | P23 |
---|---|---|---|---|---|---|---|---|---|---|
1 | 00017 | 01000000000000000000000 | 0 | 1 | … | 0 | … | 0 | … | 0 |
2 | 00017 | 11000000000000000000000 | 1 | 1 | … | 0 | … | 0 | … | 0 |
3 | 00017 | 11000000000010000000000 | 1 | 1 | … | 1 | … | 0 | … | 0 |
4 | 00017 | 11000000000010000100000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
5 | 00017 | 11000000010010000100000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
6 | 00017 | 11000000010010000101000 | 1 | 1 | … | 1 | … | 1 | … | 0 |
7 | 00017 | 11000000010000000101000 | 1 | 1 | … | 0 | … | 1 | … | 0 |
8 | 00017 | 01000000010000000101000 | 0 | 1 | … | 0 | … | 1 | … | 0 |
序号 | 学生编号 | 路径选择 | CP1 | CP2 | … | CP13 | … | CP18 | … | CP23 |
---|---|---|---|---|---|---|---|---|---|---|
1 | 00017 | 01000000000000000000000 | 0 | 0 | … | 0 | … | 1 | … | 1 |
2 | 00017 | 11000000000000000000000 | 1 | 0 | … | 0 | … | 1 | … | 1 |
3 | 00017 | 11000000000010000000000 | 1 | 0 | … | 1 | … | 1 | … | 1 |
4 | 00017 | 11000000000010000100000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
5 | 00017 | 11000000010010000100000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
6 | 00017 | 11000000010010000101000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
7 | 00017 | 11000000010000000101000 | 1 | 0 | … | 0 | … | 0 | … | 1 |
8 | 00017 | 01000000010000000101000 | 0 | 0 | … | 0 | … | 0 | … | 1 |
表2 编码后的过程性数据举例
序号 | 学生编号 | 路径选择 | CP1 | CP2 | … | CP13 | … | CP18 | … | CP23 |
---|---|---|---|---|---|---|---|---|---|---|
1 | 00017 | 01000000000000000000000 | 0 | 0 | … | 0 | … | 1 | … | 1 |
2 | 00017 | 11000000000000000000000 | 1 | 0 | … | 0 | … | 1 | … | 1 |
3 | 00017 | 11000000000010000000000 | 1 | 0 | … | 1 | … | 1 | … | 1 |
4 | 00017 | 11000000000010000100000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
5 | 00017 | 11000000010010000100000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
6 | 00017 | 11000000010010000101000 | 1 | 0 | … | 1 | … | 0 | … | 1 |
7 | 00017 | 11000000010000000101000 | 1 | 0 | … | 0 | … | 0 | … | 1 |
8 | 00017 | 01000000010000000101000 | 0 | 0 | … | 0 | … | 0 | … | 1 |
潜类别数 | 自由估计参数数量 | Loglikelihood | AIC | BIC | aBIC | 熵 | |||
---|---|---|---|---|---|---|---|---|---|
1 | 69 | -1249381.591 | 2498901.183 | 2499580.786 | 2499361.502 | — | |||
2 | 93 | -1042231.477 | 2084648.954 | 2085564.941 | 2085269.384 | 0.927 | |||
3 | 117 | -983675.008 | 1967584.017 | 1968736.388 | 1968364.557 | 0.935 | |||
4 | 141 | -932442.034 | 1865166.068 | 1866554.823 | 1866106.720 | 0.930 | |||
5 | 165 | -902308.165 | 1804946.330 | 1806571.468 | 1806047.092 | 0.935 | |||
6 | 189 | -873709.569 | 1747797.138 | 1749658.661 | 1749058.012 | 0.943 | |||
7 | 340 | -856672.635 | 1713771.269 | 1715869.176 | 1715192.253 | 0.943 |
表3 模型拟合指标结果
潜类别数 | 自由估计参数数量 | Loglikelihood | AIC | BIC | aBIC | 熵 | |||
---|---|---|---|---|---|---|---|---|---|
1 | 69 | -1249381.591 | 2498901.183 | 2499580.786 | 2499361.502 | — | |||
2 | 93 | -1042231.477 | 2084648.954 | 2085564.941 | 2085269.384 | 0.927 | |||
3 | 117 | -983675.008 | 1967584.017 | 1968736.388 | 1968364.557 | 0.935 | |||
4 | 141 | -932442.034 | 1865166.068 | 1866554.823 | 1866106.720 | 0.930 | |||
5 | 165 | -902308.165 | 1804946.330 | 1806571.468 | 1806047.092 | 0.935 | |||
6 | 189 | -873709.569 | 1747797.138 | 1749658.661 | 1749058.012 | 0.943 | |||
7 | 340 | -856672.635 | 1713771.269 | 1715869.176 | 1715192.253 | 0.943 |
策略 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|
总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | |
策略1 | 5.9 | 25.6 | 6.9 | 32.3 | 4.9 | 21.5 | 3.5 | 19.0 | 7.9 | 32.3 |
策略2 | 3.0 | 12.8 | 3.2 | 15.1 | 2.2 | 9.7 | 2.2 | 11.9 | 3.7 | 15.2 |
策略3 | 7.6 | 32.8 | 6.9 | 32.3 | 8.3 | 36.6 | 6.1 | 33.3 | 6.2 | 25.3 |
策略4 | 77.1 | 0.9 | 78.5 | 0.0 | 77.6 | 1.1 | 81.6 | 0.0 | 75.6 | 0.0 |
策略5 | 6.4 | 27.9 | 4.4 | 20.4 | 7.1 | 31.2 | 6.6 | 35.7 | 6.7 | 27.3 |
表4 各地区学生解题最后一步所用策略分布比例(%)
策略 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|
总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | 总体 | 错误组 | |
策略1 | 5.9 | 25.6 | 6.9 | 32.3 | 4.9 | 21.5 | 3.5 | 19.0 | 7.9 | 32.3 |
策略2 | 3.0 | 12.8 | 3.2 | 15.1 | 2.2 | 9.7 | 2.2 | 11.9 | 3.7 | 15.2 |
策略3 | 7.6 | 32.8 | 6.9 | 32.3 | 8.3 | 36.6 | 6.1 | 33.3 | 6.2 | 25.3 |
策略4 | 77.1 | 0.9 | 78.5 | 0.0 | 77.6 | 1.1 | 81.6 | 0.0 | 75.6 | 0.0 |
策略5 | 6.4 | 27.9 | 4.4 | 20.4 | 7.1 | 31.2 | 6.6 | 35.7 | 6.7 | 27.3 |
应用 策略数 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|
正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | |
0 | / | 7.6 | / | 6.5 | / | 5.4 | / | 7.1 | / | 4.0 |
1 | 7.2 | 19.5 | 9.1 | 17.2 | 8.8 | 25.8 | 8.3 | 22.6 | 10.1 | 21.2 |
2 | 17.4 | 14.0 | 18.2 | 15.1 | 15.1 | 15.1 | 21.0 | 9.5 | 18.6 | 19.2 |
3 | 19.8 | 17.7 | 19.1 | 16.1 | 17.9 | 10.8 | 19.6 | 20.2 | 20.5 | 18.2 |
4 | 23.2 | 36.6 | 22.4 | 37.6 | 26.4 | 33.3 | 23.9 | 35.7 | 27.0 | 35.4 |
5 | 32.4 | 4.7 | 31.2 | 7.5 | 31.8 | 9.7 | 27.2 | 4.8 | 23.8 | 2.0 |
表5 各地区问题解决过程应用策略数分布比例(%)
应用 策略数 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|
正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | 正确组 | 错误组 | |
0 | / | 7.6 | / | 6.5 | / | 5.4 | / | 7.1 | / | 4.0 |
1 | 7.2 | 19.5 | 9.1 | 17.2 | 8.8 | 25.8 | 8.3 | 22.6 | 10.1 | 21.2 |
2 | 17.4 | 14.0 | 18.2 | 15.1 | 15.1 | 15.1 | 21.0 | 9.5 | 18.6 | 19.2 |
3 | 19.8 | 17.7 | 19.1 | 16.1 | 17.9 | 10.8 | 19.6 | 20.2 | 20.5 | 18.2 |
4 | 23.2 | 36.6 | 22.4 | 37.6 | 26.4 | 33.3 | 23.9 | 35.7 | 27.0 | 35.4 |
5 | 32.4 | 4.7 | 31.2 | 7.5 | 31.8 | 9.7 | 27.2 | 4.8 | 23.8 | 2.0 |
序号 | 频繁项集 | 正确组 | 错误组 | ||
---|---|---|---|---|---|
频次 | 置信度 | 频次 | 置信度 | ||
1 | 5==>1 | 301 | 0.23 | 110 | 0.26 |
2 | 1==>5 | 301 | 0.24 | 110 | 0.27 |
3 | 5==>2 | 386 | 0.29 | 131 | 0.30 |
4 | 2==>5 | 386 | 0.37 | 131 | 0.34 |
5 | 4==>3 | 661 | 0.27 | / | / |
6 | 3==>4 | 661 | 0.36 | / | / |
7 | 5==>3 | 683 | 0.51 | 161 | 0.37 |
8 | 3==>5 | 683 | 0.37 | 161 | 0.33 |
表6 学生总体应用策略之间的关系
序号 | 频繁项集 | 正确组 | 错误组 | ||
---|---|---|---|---|---|
频次 | 置信度 | 频次 | 置信度 | ||
1 | 5==>1 | 301 | 0.23 | 110 | 0.26 |
2 | 1==>5 | 301 | 0.24 | 110 | 0.27 |
3 | 5==>2 | 386 | 0.29 | 131 | 0.30 |
4 | 2==>5 | 386 | 0.37 | 131 | 0.34 |
5 | 4==>3 | 661 | 0.27 | / | / |
6 | 3==>4 | 661 | 0.36 | / | / |
7 | 5==>3 | 683 | 0.51 | 161 | 0.37 |
8 | 3==>5 | 683 | 0.37 | 161 | 0.33 |
序号 | 频繁项集 | 正确组置信度 | 错误组置信度 | ||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | ||
1 | 5==>1 | 0.23 | 0.20 | 0.18 | 0.26 | 0.27 | 0.25 | 0.26 | 0.30 | 0.24 | 0.24 |
2 | 1==>5 | 0.23 | 0.21 | 0.22 | 0.26 | 0.29 | 0.27 | 0.29 | 0.36 | 0.27 | 0.21 |
3 | 5==>2 | 0.30 | 0.28 | 0.27 | 0.32 | 0.25 | 0.30 | 0.29 | 0.30 | 0.36 | 0.27 |
4 | 2==>5 | 0.37 | 0.35 | 0.42 | 0.40 | 0.35 | 0.35 | 0.31 | 0.34 | 0.37 | 0.29 |
5 | 4==>3 | 0.29 | 0.25 | 0.18 | 0.29 | 0.28 | / | / | / | / | / |
6 | 3==>4 | 0.37 | 0.34 | 0.25 | 0.40 | 0.39 | / | / | / | / | / |
7 | 5==>3 | 0.53 | 0.50 | 0.53 | 0.46 | 0.51 | 0.42 | 0.39 | 0.36 | 0.24 | 0.33 |
8 | 3==>5 | 0.37 | 0.37 | 0.46 | 0.32 | 0.35 | 0.37 | 0.36 | 0.31 | 0.21 | 0.30 |
表7 各地区学生应用策略之间的关系
序号 | 频繁项集 | 正确组置信度 | 错误组置信度 | ||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | ||
1 | 5==>1 | 0.23 | 0.20 | 0.18 | 0.26 | 0.27 | 0.25 | 0.26 | 0.30 | 0.24 | 0.24 |
2 | 1==>5 | 0.23 | 0.21 | 0.22 | 0.26 | 0.29 | 0.27 | 0.29 | 0.36 | 0.27 | 0.21 |
3 | 5==>2 | 0.30 | 0.28 | 0.27 | 0.32 | 0.25 | 0.30 | 0.29 | 0.30 | 0.36 | 0.27 |
4 | 2==>5 | 0.37 | 0.35 | 0.42 | 0.40 | 0.35 | 0.35 | 0.31 | 0.34 | 0.37 | 0.29 |
5 | 4==>3 | 0.29 | 0.25 | 0.18 | 0.29 | 0.28 | / | / | / | / | / |
6 | 3==>4 | 0.37 | 0.34 | 0.25 | 0.40 | 0.39 | / | / | / | / | / |
7 | 5==>3 | 0.53 | 0.50 | 0.53 | 0.46 | 0.51 | 0.42 | 0.39 | 0.36 | 0.24 | 0.33 |
8 | 3==>5 | 0.37 | 0.37 | 0.46 | 0.32 | 0.35 | 0.37 | 0.36 | 0.31 | 0.21 | 0.30 |
作答结果 | 过程变量 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|---|
相关 | 均值 | 相关 | 均值 | 相关 | 均值 | 相关 | 均值 | 相关 | 均值 | ||
正确 | 路径点击数 | / | 93.56 | / | 92.71 | / | 87.24 | / | 88.84 | / | 79.76 |
重设数量 | / | 1.12 | / | 0.97 | / | 1.03 | / | 0.83 | / | 0.92 | |
反应时 | / | 679.57 | / | 628.69 | / | 660.47 | / | 740.34 | / | 675.54 | |
个体能力 | / | 0.40 | / | 0.40 | / | 0.40 | / | 0.40 | / | 0.40 | |
错误 | 路径点击数 | -0.01 | 99.64 | 0.18 | 123.83 | -0.04 | 109.46 | 0.04 | 121.73 | 0.00 | 93.03 |
重设数量 | 0.07 | 1.55 | 0.11 | 1.55 | -0.10 | 1.37 | 0.14 | 1.68 | 0.14 | 1.39 | |
耗时与正确作答时间的差异 | -0.02 | 5.91 | 0.08 | 4.19 | 0.10 | 3.12 | 0.16 | 4.42 | -0.04 | 23.74 | |
反应时 | 0.06 | 647.12 | 0.12 | 552.35 | 0.06 | 606.24 | -0.01 | 683.37 | 0.04 | 663.62 | |
个体能力 | / | -0.79 | / | -0.79 | / | -0.76 | / | -0.79 | / | -0.79 | |
总体 | 路径点击数 | -0.03 | 94.96 | -0.13** | 99.40 | -0.12* | 92.27 | -0.13** | 94.90 | -0.08 | 83.00 |
重设数量 | -0.09** | 1.22 | -0.11* | 1.09 | -0.09 | 1.10 | -0.17** | 0.98 | -0.10 | 1.03 | |
耗时与正确作时间的差异 | -0.39*** | 1.39 | -0.34*** | 0.90 | -0.32*** | 0.71 | -0.35** | 0.81 | -0.39*** | 24.32 | |
反应时 | 0.03 | 672.08 | 0.07 | 612.29 | 0.05 | 648.20 | 0.04 | 729.84 | 0.01 | 672.64 | |
个体能力 | / | 0.13 | / | 0.15 | / | 0.14 | / | 0.18 | / | 0.11 |
表8 过程变量的描述统计及其与个体水平能力估计值的相关
作答结果 | 过程变量 | 加拿大 | 中国香港 | 中国上海 | 新加坡 | 美国 | |||||
---|---|---|---|---|---|---|---|---|---|---|---|
相关 | 均值 | 相关 | 均值 | 相关 | 均值 | 相关 | 均值 | 相关 | 均值 | ||
正确 | 路径点击数 | / | 93.56 | / | 92.71 | / | 87.24 | / | 88.84 | / | 79.76 |
重设数量 | / | 1.12 | / | 0.97 | / | 1.03 | / | 0.83 | / | 0.92 | |
反应时 | / | 679.57 | / | 628.69 | / | 660.47 | / | 740.34 | / | 675.54 | |
个体能力 | / | 0.40 | / | 0.40 | / | 0.40 | / | 0.40 | / | 0.40 | |
错误 | 路径点击数 | -0.01 | 99.64 | 0.18 | 123.83 | -0.04 | 109.46 | 0.04 | 121.73 | 0.00 | 93.03 |
重设数量 | 0.07 | 1.55 | 0.11 | 1.55 | -0.10 | 1.37 | 0.14 | 1.68 | 0.14 | 1.39 | |
耗时与正确作答时间的差异 | -0.02 | 5.91 | 0.08 | 4.19 | 0.10 | 3.12 | 0.16 | 4.42 | -0.04 | 23.74 | |
反应时 | 0.06 | 647.12 | 0.12 | 552.35 | 0.06 | 606.24 | -0.01 | 683.37 | 0.04 | 663.62 | |
个体能力 | / | -0.79 | / | -0.79 | / | -0.76 | / | -0.79 | / | -0.79 | |
总体 | 路径点击数 | -0.03 | 94.96 | -0.13** | 99.40 | -0.12* | 92.27 | -0.13** | 94.90 | -0.08 | 83.00 |
重设数量 | -0.09** | 1.22 | -0.11* | 1.09 | -0.09 | 1.10 | -0.17** | 0.98 | -0.10 | 1.03 | |
耗时与正确作时间的差异 | -0.39*** | 1.39 | -0.34*** | 0.90 | -0.32*** | 0.71 | -0.35** | 0.81 | -0.39*** | 24.32 | |
反应时 | 0.03 | 672.08 | 0.07 | 612.29 | 0.05 | 648.20 | 0.04 | 729.84 | 0.01 | 672.64 | |
个体能力 | / | 0.13 | / | 0.15 | / | 0.14 | / | 0.18 | / | 0.11 |
题目 | 潜类别数为3 | 潜类别数为5 | ||||||
---|---|---|---|---|---|---|---|---|
类别1 (33.33%) | 类别2 (33.33%) | 类别3 (33.33%) | 类别1 (20.00%) | 类别2 (20.00%) | 类别3 (20.00%) | 类别4 (20.00%) | 类别5 (20.00%) | |
1 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
2 | 0.85 | 0.85 | 0.20 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 |
3 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
4 | 0.85 | 0.85 | 0.20 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 |
5 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
6 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
7 | 0.85 | 0.85 | 0.10 | 0.85 | 0.20 | 0.85 | 0.10 | 0.10 |
8 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
9 | 0.85 | 0.85 | 0.10 | 0.85 | 0.20 | 0.85 | 0.10 | 0.10 |
10 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
11 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
12 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.85 | 0.20 |
13 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
14 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.85 | 0.20 |
15 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
16 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
17 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 | 0.85 |
18 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
19 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 | 0.85 |
20 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
附表1 模拟研究中各类别数量比例及题目答对概率
题目 | 潜类别数为3 | 潜类别数为5 | ||||||
---|---|---|---|---|---|---|---|---|
类别1 (33.33%) | 类别2 (33.33%) | 类别3 (33.33%) | 类别1 (20.00%) | 类别2 (20.00%) | 类别3 (20.00%) | 类别4 (20.00%) | 类别5 (20.00%) | |
1 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
2 | 0.85 | 0.85 | 0.20 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 |
3 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
4 | 0.85 | 0.85 | 0.20 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 |
5 | 0.85 | 0.85 | 0.10 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 |
6 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
7 | 0.85 | 0.85 | 0.10 | 0.85 | 0.20 | 0.85 | 0.10 | 0.10 |
8 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
9 | 0.85 | 0.85 | 0.10 | 0.85 | 0.20 | 0.85 | 0.10 | 0.10 |
10 | 0.85 | 0.85 | 0.20 | 0.85 | 0.10 | 0.85 | 0.20 | 0.20 |
11 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
12 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.85 | 0.20 |
13 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
14 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.85 | 0.20 |
15 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.85 | 0.10 |
16 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
17 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 | 0.85 |
18 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
19 | 0.85 | 0.10 | 0.85 | 0.85 | 0.20 | 0.20 | 0.20 | 0.85 |
20 | 0.85 | 0.20 | 0.85 | 0.85 | 0.10 | 0.10 | 0.10 | 0.85 |
路径 | 类别1 | 类别2 | 类别3 | 类别4 | 类别5 | 路径 | 类别1 | 类别2 | 类别3 | 类别4 | 类别5 |
---|---|---|---|---|---|---|---|---|---|---|---|
P1 | 31050 | 1010 | 26185 | 10450 | 1175 | P13 | 26422 | 535 | 27272 | 10874 | 276 |
P2 | 358 | 20917 | 272 | 71 | 26673 | P14 | 70 | 12160 | 120 | 23 | 197 |
P3 | 14 | 4771 | 10 | 4 | 10 | P15 | 766 | 1131 | 5969 | 345 | 4394 |
P4 | 16 | 1942 | 45 | 10 | 12 | P16 | 740 | 3933 | 11056 | 158 | 9578 |
P5 | 10752 | 320 | 396 | 8981 | 4465 | P17 | 836 | 430 | 28099 | 11113 | 785 |
P6 | 33 | 3751 | 24 | 17 | 19 | P18 | 17576 | 266 | 374 | 64 | 157 |
P7 | 7554 | 1027 | 4109 | 6684 | 7135 | P19 | 97 | 6384 | 196 | 11 | 549 |
P8 | 1082 | 241 | 433 | 11053 | 4972 | P20 | 136 | 575 | 374 | 91 | 20809 |
P9 | 860 | 800 | 22245 | 154 | 14474 | P21 | 80 | 21507 | 179 | 22 | 360 |
P10 | 15100 | 380 | 728 | 259 | 394 | P22 | 60 | 5906 | 286 | 0 | 730 |
P11 | 1468 | 6723 | 7752 | 477 | 9474 | P23 | 12 | 5436 | 120 | 2 | 6 |
P12 | 27 | 7128 | 33 | 10 | 84 |
附表2 每个类别点击各路径的次数
路径 | 类别1 | 类别2 | 类别3 | 类别4 | 类别5 | 路径 | 类别1 | 类别2 | 类别3 | 类别4 | 类别5 |
---|---|---|---|---|---|---|---|---|---|---|---|
P1 | 31050 | 1010 | 26185 | 10450 | 1175 | P13 | 26422 | 535 | 27272 | 10874 | 276 |
P2 | 358 | 20917 | 272 | 71 | 26673 | P14 | 70 | 12160 | 120 | 23 | 197 |
P3 | 14 | 4771 | 10 | 4 | 10 | P15 | 766 | 1131 | 5969 | 345 | 4394 |
P4 | 16 | 1942 | 45 | 10 | 12 | P16 | 740 | 3933 | 11056 | 158 | 9578 |
P5 | 10752 | 320 | 396 | 8981 | 4465 | P17 | 836 | 430 | 28099 | 11113 | 785 |
P6 | 33 | 3751 | 24 | 17 | 19 | P18 | 17576 | 266 | 374 | 64 | 157 |
P7 | 7554 | 1027 | 4109 | 6684 | 7135 | P19 | 97 | 6384 | 196 | 11 | 549 |
P8 | 1082 | 241 | 433 | 11053 | 4972 | P20 | 136 | 575 | 374 | 91 | 20809 |
P9 | 860 | 800 | 22245 | 154 | 14474 | P21 | 80 | 21507 | 179 | 22 | 360 |
P10 | 15100 | 380 | 728 | 259 | 394 | P22 | 60 | 5906 | 286 | 0 | 730 |
P11 | 1468 | 6723 | 7752 | 477 | 9474 | P23 | 12 | 5436 | 120 | 2 | 6 |
P12 | 27 | 7128 | 33 | 10 | 84 |
[1] | Akaike H . (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. |
[2] | Asparouhov T., & Muthén B . (2014). Auxiliary variables in mixture modeling: Three-step approaches using Mplus. Structural equation modeling: A multidisciplinary journal, 21(3), 329-341. |
[3] | Bergner Y., Shu Z., & von Davier A. A. (2014, July). Visualization and confirmatory clustering of sequence data from a simulation-based assessment task. Proceedings of the 7th International Conference on Educational Data Mining, London, UK. pp. 177-184. |
[4] | Cho S.-J., & Cohen A. S . (2010). A multilevel mixture IRT model with an application to DIF. Journal of Educational and Behavioral Statistics, 35(3), 336-370. |
[5] | de la Torre J., & Douglas J. A . (2004). Higher-order latent trait models for cognitive diagnosis. Psychometrika, 69(3), 333-353. |
[6] | Desmarais M. C., & Baker R. S. J. D . (2012). A review of recent advances in learner and skill modeling in intelligent learning environments. User Modeling and User-Adapted Interaction, 22(1-2), 9-38. |
[7] | DiCerbo K. E., & Behrens J. T . (2012). Implications of the digital ocean on current and future assessment. In R. Lissitz & H. Jiao (Eds.), Computers and their impact on state assessment: Recent history and predictions for the future (pp. 273-306). Charlotte, NC: Information Age Publishing. |
[8] | DiCerbo K. E., Liu J., Rutstein D. W., Choi Y., & Behrens J. T . (2011, April). Visual analysis of sequential log data from complex performance assessments. Paper presented at the annual meeting of the American Educational Research Association, New Orleans, LA. |
[9] | Fan L. H., & Zhu Y . (2007). From convergence to divergence: the development of mathematical problem solving in research, curriculum, and classroom practice in Singapore. ZDM Mathematics Education, 39(5-6), 491-501. |
[10] | Fox J. P., & Glas C. A. W . (2003). Bayesian modeling of measurement error in predictor variables using item response theory. Psychometrika, 68(2), 169-191. |
[11] | Funke J . (2001). Dynamic systems as tools for analysing human judgement. Thinking & Reasoning, 7(1), 69-89. |
[12] | Garofalo J., & Lester F. K . (1985). Metacognition, cognitive monitoring, and mathematical performance. Journal for Research in Mathematics Education, 16(3), 163-176. |
[13] | Goldstein H . (1987). Multilevel models in education and social research. Higher Education Research & Development, 28(6), 664-645. |
[14] | Greiff S., Wüstenberg S., & Avvisati F . (2015). Computer- generated log-file analyses as a Window into students’ minds? A show case study based on the PISA 2012 assessment of problem solving. Computers & Education, 91, 92-105. |
[15] | Kerr D., Chung G., & Iseli M . (2011). The feasibility of using cluster analysis to examine log data from educational video games (CRESST Report 790). Los Angeles, CA: National Center for Research on Evaluation, Standards, and Student Testing (CRESST). |
[16] | Lee W. Y., Cho S. J., Sterba S. K . (2017). Ignoring a multilevel structure in mixture item response models: impact on parameter recovery and model selection. Applied Psychological Measurement, 42(2), 136-154. |
[17] | Liao D. D., He Q. W., & Jiao H . (2019). Mapping background variables with sequential patterns in problem-solving environments: an investigation of United States adults’ employment status in PIAAC. Frontiers in Psychology, 10, 646. |
[18] | Li J . (2012). Cultural foundations of learning: east and west New York, NY: Cambridge University Press. |
[19] | Liu H. Y., Liu Y., & Li M. J . (2018). Analysis of process data of PISA 2012 computer-based problem solving: application of the modified multilevel mixture IRT model. Frontiers in Psychology, 9, 1372. |
[20] | Mayer R. E. (1982). The psychology of mathematical problem solving. in F. K. lester, & J. garofalo (Eds.), Mathematical problem solving: issues in research (pp. 1-13). Franklin Institute Press, Philadelphia. |
[21] | Muthén L. K., & Muthén B. O . (2005). Mplus: Statistical analysis with latent variables: User's guide. Los Angeles: Muthén & Muthén. |
[22] | Nylund K. L., Asparouhov T., & Muthén B. O . (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A monte carlo simulation study. Structural equation modeling: A multidisciplinary Journal, 14(4), 535-569. |
[23] | OECD (2003). PISA 2003 assessment framework: Mathematics, reading, science, and problem solving knowledge and skills. Paris: OECD Publishing. |
[24] | OECD (2003). PISA 2012 assessment and analytical framework: Mathematics, reading, science, problem solving and financial literacy. Paris: OECD Publishing. |
[25] | Peter H . (2013). Machine learning in action (R. Li, P. Li, Y. Qu, & B. Wang, Trans.). Beijing: The Posts and Telecommunications Press. |
[ Peter H . (2013). 机器学习实战 (李锐, 李鹏, 曲亚东, 王斌译). 北京: 人民邮电出版社.] | |
[26] | Qiao X., & Jiao H . (2018). Data mining techniques in analyzing process data: A didactic. Frontiers in Psychology, 9, 2231. |
[27] | Rosato N. S., & Baer J. C . (2012). Latent class analysis: A method for capturing heterogeneity. Social Work Research, 36(1), 61-69. |
[28] | Schwarz G. E . (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. |
[29] | Shu Z., Bergner Y., Zhu M. X., Hao J. G., & von Davier A. A. (2017). An item response theory analysis of problem- solving processed in scenario-based tasks. Psychological Test and Assessment Modeling, 59(1), 109-131. |
[30] | Tofighi D., & Enders C. K. . (2008). Identifying the correct number of classes in growth mixture models. In G. R. Hancock, & K. M. Samuelsen (Eds.), Advances in latent variable mixture models (pp. 317-342). Charlotte, NC: Information Age Publishing Inc. |
[31] | Vermunt J. K . (2003). Multilevel latent class models. Sociological Methodology, 33(1), 213-239. |
[32] | Wang C., Xu G. J., Shang Z. R., & Kuncel N . (2018). Detecting aberrant behavior and item preknowledge: A comparison of mixture modeling method and residual method. Journal of Educational and Behavioral Statistics, 43(4), 469-501. |
[33] | Zoanetti N . (2010). Interactive computer based assessment tasks: How problem-solving process data can inform instruction. Australasian Journal of Educational Technology, 26(5), 585-606. |
[1] | 刘彦楼, 陈启山, 王一鸣, 姜晓彤. 模型参数点估计的可靠性:以CDM为例[J]. 心理学报, 2023, 55(10): 1712-1728. |
[2] | 田亚淑, 詹沛达, 王立君. 联合作答精度和作答时间的概率态认知诊断模型[J]. 心理学报, 2023, 55(9): 1573-1586. |
[3] | 温忠麟, 王一帆, 杜铭诗, 俞雅慧, 张愉蕙, 金童林. 二阶潜增长模型标度方法及其可比的一阶潜增长模型[J]. 心理学报, 2023, 55(8): 1372-1382. |
[4] | 付颜斌, 陈琦鹏, 詹沛达. 问题解决任务中行动序列的二分类建模:单/两参数行动序列模型[J]. 心理学报, 2023, 55(8): 1383-1396. |
[5] | 游晓锋, 杨建芹, 秦春影, 刘红云. 认知诊断测评中缺失数据的处理:随机森林阈值插补法[J]. 心理学报, 2023, 55(7): 1192-1206. |
[6] | 詹沛达. 引入眼动注视点的联合-交叉负载多模态认知诊断建模[J]. 心理学报, 2022, 54(11): 1416-1423. |
[7] | 秦春影, 喻晓锋. 多级属性Q矩阵的验证与估计[J]. 心理学报, 2022, 54(11): 1403-1415. |
[8] | 钟小缘, 喻晓锋, 苗莹, 秦春影, 彭亚风, 童昊. 基于作答时间数据的改变点分析在检测加速作答中的探索——已知和未知项目参数[J]. 心理学报, 2022, 54(10): 1277-1292. |
[9] | 黎光明, 秦越. 一种基于进化算法的概化理论最佳样本量估计新方法:兼与三种传统方法比较[J]. 心理学报, 2022, 54(10): 1262-1276. |
[10] | 童昊, 喻晓锋, 秦春影, 彭亚风, 钟小缘. 多级计分测验中基于残差统计量的被试拟合研究[J]. 心理学报, 2022, 54(9): 1122-1136. |
[11] | 孙小坚, 郭磊. 考虑题目选项信息的非参数认知诊断计算机自适应测验[J]. 心理学报, 2022, 54(9): 1137-1150. |
[12] | 李佳, 毛秀珍, 韦嘉. 一种简单有效的Q矩阵修正新方法[J]. 心理学报, 2022, 54(8): 996-1008. |
[13] | 赵佳旭, 鲍敏. 基于伪装原理研究无意识视觉运动加工的方法[J]. 心理学报, 2022, 54(7): 725-735. |
[14] | 刘彦楼. 认知诊断模型的标准误与置信区间估计:并行自助法[J]. 心理学报, 2022, 54(6): 703-724. |
[15] | 宋枝璘, 郭磊, 郑天鹏. 认知诊断缺失数据处理方法的比较:零替换、多重插补与极大似然估计法[J]. 心理学报, 2022, 54(4): 426-440. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||