基于联结主义的连续记分IRT模型的项目参数和被(2)
2014-02-25 01:18
导读：P(θ)=c (1-c)exp(θ-b)]/｛1 exp(θ-bi)]｝ 在该模型中，式中的ai、bi和ci分别为第i个项目的区分度、难度和猜测参数，θ为某个被试的能力，P(θ)为该被试答对第i个
P(θ)=c (1-c)exp(θ-b)]/｛1 exp(θ-bi)]｝
在该模型中，式中的ai、bi和ci分别为第i个项目的区分度、难度和猜测参数，θ为某个被试的能力，P(θ)为该被试答对第i个项目的概率，它的值为0至1，这是一个连续的值。
虽然有些学者对于该模型进行了一些研究，但是他们的研究还只是涉及该模型的性质、信息函数的定义、参数不变性等方面，在具有实用意义的参数和被试能力估计方面还没有成熟的结果。
为了对连续记分IRT模型的参数估计问题进行研究，作者对目前常用的几个IRT软件的算法进行分析，发现它们的共同特点都是运用统计的方法来进行参数估计，都无法对小样本情况下的IRT连续记分模型进行参数估计，于是作者就决定另辟捷径，在本研究中采用了和常用统计技术完全不同的联结主义模型（人工神经网络）方法。运用统计方法不能完全解决的问题，并不意味着用其它方法就不能解决，其关键问题是常用的统计参数估计方法大多是建立在线性模型的基础上的，而被试的反应和IRT中参数之间的关系是非线性的，因此在运用统计方法进行参数估计时，要采用大样本才能得到较好的结果。而人工神经网络的输出和输入之间的关系本身就是非线性的，特别值得一提的是，本研究把人工神经网络的激活函数设计为S型的Sigmoid函数，它的表达式为
f(x)=exp(x)/
它和上述的三参数逻辑斯谛模型的表示式非常相似，仔细比较一下，就可以看出它实际上就是IRT模型在c=0,b=0,1.7a=1,θ=x时的特例，因此联结主义模型（人工神经网络）的这种输出和输入之间的非线性结构就可以较好地处理IRT中相类似的数据关系。
4 计算机模拟实验的设计和实施
该实验的基本思想是：把一组被试对于一组项目的反应矩阵作为级连相关模型（以下简称为神经网络）的输入，这组被试的能力θ或该组项目的参数a、b和c作为该模型的输出，并且用这些输入和对应的输出值对该神经网络进行训练，经过训练的网络就具备了估计θ，a,b或c的能力。当输入一组新的反应矩阵时，该网络就可以输出所需的被试能力或项目参数估计值。本实验是用计算机模拟方法来考察运用这种方法得到的估计值和真实值之间的误差是否能够达到相当小的程度。
（科教作文网http://zw.nseAc.com） 4.1 实验步骤的设计
整个实验分以下几个步骤进行：
(1)运用蒙特卡罗方法产生一组均匀分布的被试能力值θ，一组均匀分布的项目参数值（包括项目区分度a、项目难度b和项目猜测参数c）。被试能力值θ的分布范围为，项目区分度a的分布范围为，项目难度b的分布范围为，项目猜测参数c的分布范围为。
(2)根据项目反应模型，让各个模拟的被试回答各个模拟的项目，产生反应矩阵。
(3)将该反应矩阵作为神经网络训练模式的输入部分，用所要学习的项目参数或被试能力作为训练模式的输出部分。若要估计被试的能力，就把反应矩阵中的每一行作为一个模式，因为它恰好是一个被试对于一组项目的反应；若要估计项目参数，就把反应矩阵中的每一列作为一个模式，因为它反映了每一个项目被解答的情况。
(4)用上述训练模式对一组神经网络进行训练，直至达到预定的精确度为止。在本研究中为了统计上的方便，对30个神经网络进行了训练，预定的精确度为网络的目标值和实际输出值之间的误差小于0.001。
(5)用经过训练的神经网络来估计被试能力和项目参数。在本研究中需要估计的被试能力和项目参数的真实值实际上是用蒙特卡罗方法产生的，因此可以计算出估计值（实际输出值）和真实值的误差，称为测试误差，并用下式表示：
附图
式中，T为每个测试模式的每个输出结点的目标值。N为每个测试模式的每个输出结点的实际输出值。p是测试模式的数目，o是输出结点的数目。根据测试误差E的大小，可以看出经过训练的神经网络是否真正可以对项目参数和被试能力进行很好的估计。
