プロセスデータの潜在的隠れマルコフモデル

科学分野:

• 教育測定
• 心理測定学
• 認知科学

背景:

• コンピューターベースの評価からの応答プロセスデータ（RPD）は、問題解決行動に関する洞察を提供する。
• 現在のデータ駆動型特徴抽出方法は、解釈可能な特徴を生成するが、元の応答プロセスとの明示的な関連性が欠けている。
• このギャップは、潜在的特性が問題解決戦略にどのように影響するかについての深い理解を妨げる。

研究 の 目的:

• 応答プロセスデータ（RPD）を分析するための新しい統計モデルを提案する。
• 構造化されていないプロセスデータから抽出された特徴の解釈可能性を高める。
• 回答者間の問題解決プロセスの異質性をモデル化する。

主な方法:

• 潜在的特性と隠れマルコフモデル（HMM）を統合した統計モデルを開発した。
• HMM構造は、サブタスクとしての隠れ状態により、問題解決段階を表す。
• 潜在的特性は、応答プロセスの変動を説明するために組み込まれている。

主要な成果:

• 提案されたモデルは、RPD分析のための簡潔で解釈可能なフレームワークを提供する。
• シミュレーション研究を通じてモデルの有効性を実証した。
• 国際的な生徒の学習到達度調査（PISA）の実際のデータを使用してモデルを検証した。

結論:

• 潜在的特性を考慮したHMMは、問題解決における個人差を理解するための強力なツールを提供する。
• このアプローチは、複雑なプロセスデータと解釈可能な心理学的構成概念との間のギャップを埋める。
• 教育評価における認知プロセスのより微妙な分析を容易にする。