多维项目反应理论补偿性模型参数估计:基于广义回归神经网络集合

运用广义回归神经网络(GRNN)方法对小样本多维项目反应理论(MIRT)补偿性模型的项目参数进行估计,尝试解决传统参数估计方法样本数量要求较大的问题。MIRT双参数Logistic补偿模型被设置为二级计分的二维模型。首先,模拟二维能力参数、项目参数值与考生作答矩阵。其次,把通过主成分分析得到的前两个因子在每个题目上的载荷作为区分度的初始值以及题目通过率作为难度的初始值,这两个指标的初始值作为神经网络的输入。集成100个神经网络,其输出值的均值作为MIRT的项目参数估计值。最后,设置2×2种(能力相关水平:0.3和0.7; 两种估计方法:GRNN和MCMC方法)实验处理,对GRNN和MCMC估计方法的返真性进行比较。结果表明,小样本的情况下,基于GRNN集成方法的参数估计结果优于MCMC方法。     

精准的意义：负性情绪粒度的作用机制与干预

情绪粒度是指个体在相似情绪状态之间做出粒度化细微区分的能力,其中负性情绪粒度对个体的身心健康具有重要意义。在认知层面,负性情绪粒度可以通过情绪调节策略的选择性与有效性,人际情绪技能和充当个体内、外化问题的保护性因子发挥积极作用;在神经生理层面,负性情绪粒度可以通过调节自主和中枢神经系统活动来维持自身稳态。负性情绪粒度的干预技术主要包括情绪词汇训练和正念干预训练等。未来研究应进一步提高负性情绪粒度的测量精度,从个体中心视角探讨负性情绪粒度的动态变化过程,拓展其干预应用,并且关注正、负性情绪粒度作用机制的比较。