深層診断モデリング：深層認知診断モデル（DeepCDM）

背景:

• 認知診断モデル（CDM）は、教育および心理測定における離散潜在変数モデリングに広く使用されています。
• 既存のCDMは、特に複雑な診断シナリオにおいて、識別可能性、簡潔性、解釈可能性の課題に直面しています。
• 深層生成モデリングは、複雑なデータ構造を捉え、モデルプロパティを改善する潜在的な利点を提供します。

研究 の 目的:

• 深層生成モデリングとCDMの原則を統合することにより、深層認知診断モデル（DeepCDM）の新しいファミリを提案すること。
• 認知診断における識別可能性、簡潔性、解釈可能性を向上させることにより、従来のCDMの限界に対処すること。
• 深層離散診断モデリングのための理論的に健全で実践的に適用可能な方法を開発すること。

主な方法:

• 認知診断のための深層生成アーキテクチャを活用する新しいモデルクラスであるDeepCDMを導入しました。
• すべての深さにおけるパラメータとQ行列の一意の識別を含む、DeepCDMの識別可能性の数学的条件を確立しました。
• 既知のQ行列を持つ確認的設定におけるパラメータ推定のために、ベイズ定式化と効率的なギブスサンプリングアルゴリズムを開発しました。

主要な成果:

• DeepCDMは、探索的設定においても完全に識別可能であり、パラメータとQ行列を一意に決定できることを実証しました。
• モデルの深さにより表現力豊かなデータモデリングが可能になるDeepCDMの統計的簡潔性を示しました。
• 深層アーキテクチャにより、粗いものから細かいものまで、多粒度のスキル診断を容易にするDeepCDMの実用的な解釈可能性を強調しました。

結論:

• DeepCDMは、識別可能性、簡潔性、解釈可能性を向上させた認知診断モデリングにおける重要な進歩を表します。
• 提案された方法論は、透明な識別可能性条件を備えた深層離散診断モデリングのための堅牢なフレームワークを提供します。
• シミュレーションとTIMSS 2019データへの適用からの経験的証拠は、DeepCDMの有用性と有効性を確認しています。