深入研究诊断建模:深度认知诊断模型 (DeepCDMs)
1Department of Statistics, Columbia University, Room 928 SSW, 1255 Amsterdam Avenue, New York, NY, 10027, USA. yuqi.gu@columbia.edu.
Psychometrika
|December 11, 2023
概括
本研究介绍了深度认知诊断模型 (DeepCDMs),用于增强技能诊断. 这些模型在教育和心理测量中提供了更好的识别性,节性和可解释性.
科学领域:
- 教育测量教育的测量
- 心理测量 心理测量 心理测量
- 机器学习 机器学习
背景情况:
- 认知诊断模型 (CDM) 广泛用于教育和心理评估中的离散潜变量建模.
- 现有的CDM在识别,储蓄和解释方面面临挑战,特别是在复杂的诊断场景中.
研究的目的:
- 提出一个新的深度认知诊断模型 (DeepCDMs) 家庭,利用深度生成建模.
- 通过改进模型属性来增强深度离散诊断信息的搜索.
主要方法:
- 开发了DeepCDMs,具有缩小梯形的深层架构,用于多颗粒度技能诊断.
- 为各种DeepCDM建立了透明的识别条件,对潜层结构施加了约束.
- 建议贝叶斯公式和高效的吉布斯采样算法用于确认设置中的估计和计算.
主要成果:
- 深度CDM展示了数学可识别性,统计上的节,以及实际的可解释性.
- 这些模型独特地识别了所有深度的参数和离散的负载结构.
- 提出的方法有效地捕捉认知概念,并提供从粗到细粒度水平的诊断.
结论:
- 在教育和心理测量中,DeepCDM为认知诊断提供了一个强大的新框架.
- 模型的可识别性,储蓄性和可解释性属性推进了离散潜变量建模领域.
- 该方法的实用性通过模拟研究和对现实世界评估数据的应用来验证 (TIMSS 2019).
