论文部分内容阅读
多维计算机化自适应测验(MCAT)将多维项目反应理论(MIRT)与计算机化自适应测验(CAT)相结合，不仅能实现因人实测，极大地提高测验效率，还能同时估计被试在测验每个维度上的能力水平，诊断个体的认知优势与不足，为个体的因材施教及有针对性地开展补救提供服务。选题策略是MCAT的关键，信息量常被用来构造MCAT的选题策略，根据所依据的信息量不同，本文将MCAT中选题策略分为基于Fisher信息量(比如D优化、A优化方法及它们的贝叶斯版本)、基于传统KL信息量(比如KI、KB方法)和基于后验概率KL距离(如KLB、KLP)的三大类选题策略，后两类的主要区别是它们利用KL测量的距离不同：传统KL类方法关注的是当前估计值和真值在一个项目上作答分布间的距离，并在第k题所有可能作答上求期望；而基于后验概率KL距离类的选题策略强调不同后验分布间的差异，并对的整个分布求期望。