四参数模型对被试作答异常现象的拟合与纠正

心理与教育测验中存在着被试作答异常现象(能力测验中的猜测现象和睡眠现象, 人格测验中的非0下渐近线现象和非1上渐近线现象), 会导致被试能力或人格特征的测量偏差。在能力测验中, 研究者已提出了多种方法来纠正猜测现象和睡眠现象, 这些方法往往需要调整或删除被试作答信息, 而四参数模型不需要改变被试作答信息而能有效纠正被试能力高估或低估现象。在人格测验中存在着非0下渐近线和非1上渐近线现象, 四参数模型能增强测验项目拟合性能, 提高人格测验的准确性。     

有关行为研究方法学的六点思考

本文提供作者的研究经验和反思, 就行为研究方法学的多样性和互补性, 统计方法与实验想法的权衡, 信-效度的关系, 被试与测试者期望效应对数据的污染, 避免方法学和统计检验的规定成为束缚研究的新八股, 以及理论与实证的互动进行了探讨。     

加速追踪设计的方法和应用

加速追踪设计(ALD)是一种选择相邻多个群组同时进行短期追踪研究, 获得在测量上有重叠的多个群组追踪数据, 对多个群组数据进行合并建构一条在时间跨度上较长的发展趋势或增长曲线的方法。ALD结合真追踪和横断设计的特征, 既保持真追踪设计的大部分优点, 克服真追踪研究中由于重测效应和被试缺失导致的问题, 又尝试分离年龄、群组和历史时间效应, 在发展心理研究有重要应用。已有研究探讨ALD的数据分析方法、ALD的有效性及设计特征。未来研究应关注拓展设计条件下ALD的适应性, 探索非线性假设或群组效应显著时的数据分析方法和ALD中缺失数据处理问题。     

疼痛条件下时间目标对时距估计的影响

本研究采用冷压任务引发疼痛,以健康大学生为被试,试图探讨在疼痛条件下时间目标对时距估计的影响。结果发现：疼痛条件下的时距估计值小于非疼痛条件下时距估计值,疼痛条件下具体时间目标的时距估计值显著大于无目标时距估计值。临床上给患者提供具体的时间目标或许有助于他们应对疼痛。     

垂直量尺化中的参数标定方法及其性能比较

在使用项目反应理论进行量尺化的语境下, 参数标定方法是垂直量尺化结果的一个至关重要的影响因素。目前的参数标定研究就部分标定方法的相对性能获得了较一致的结果, 就如何实现更佳量尺化也提出了很多新的标定方法。除了在既有框架内继续探索, 以形成完整的研究体系, 未来的研究应结合相关学科, 在深入了解学业增长的性质的基础上探究标定方法的性能, 并应考察特定的标定方法和特定的研究条件、量尺化语境之间的最佳匹配关系。     

典型教育情境中教师的情绪预测准确性

采取师生配对研究设计,选择典型教育情境,系统考察了教师对学生情绪预测的准确性。跨样本、跨情境的三个现场研究结果表明：教师未能准确预测学生情绪,出现了明显的预测偏差。较之基本情绪,教师对学生复杂情绪的预测更不准确;较之低唤醒情绪,教师对高唤醒情绪的预测更不准确;尽管教师预测不准,但并未出现明显的高低估趋势。研究贴近教育实际,具有良好的生态学效度,并在情绪测量方法、准确性统计指标方面进行了新的探索。     

英语阅读策略培训对非英语专业本科生的影响*

旨在探讨英语阅读策略培训对非英语专业本科生英语阅读策略使用情况以及英语成绩的影响。对非英语专业大学生进行了一学期的英语阅读策略培训,使用几次英语阅读测试和自编的英语阅读策略调查问卷对实验组和对照组进行前后测。研究结果发现:(1)英语阅读策略培训能有效提高学生英语阅读策略的使用频率,帮助他们取得更好的阅读成绩;(2)与高水平学习者相比,中、低水平学习者可从策略培训中获得更大的收益。     

成瘾人群跨期选择的神经机制及干预方法

成瘾可分为物质成瘾和行为成瘾, 两类成瘾人群在跨期选择上都表现出高时间折扣率的缺陷, 但也有各自的特异性特征。成瘾人群跨期选择缺陷的神经基础主要集中在评估网络(腹内侧前额叶、纹状体、后扣带皮层等)、认知控制网络(前额叶皮层、前扣带皮层等)和预期想象网络(海马、杏仁核等); 可利用心理训练来改善成瘾人群跨期选择缺陷, 其干预方法包括工作记忆训练、预期想象训练、金钱管理指导等。未来研究应该从成瘾者跨期选择缺陷的认知机制、3个神经网络系统的交互作用机理、行为遗传学以及开发有效的干预方法等方面展开大量研究。     

What Can Artificial Intelligence Learn from Wittgenstein＇s On Certainty？.

Meta-philosophically speaking, the philosophy of artificial intelligence （AI） is intended not only to explore the theoretical possibility of building ＂thinking machines,＂ but also to reveal philosophical implications of specific AI approaches. Wittgenstein＇s comments on the analytic/empirical dichotomy may offer inspirations for AI in the second sense. According to his ＂river metaphor＂ in On Certainty, the analytic/empirical boundary should be delimited in a way sensitive to specific contexts of practical reasoning. His proposal seems to suggest that any cognitive modeling project needs to render the system context-sensitive by avoiding representing large amounts of truisms in its cognitive processes, otherwise neither representational compactness nor computational efficiency can be achieved. In this article, different AI approaches （like the Common Sense Law of Inertia approach, the Bayesian approach and the connectionist approach） will be critically evaluated under the afore-mentioned Wittgensteinian criteria, followed by the author＇s own constructive suggestion on what AI needs to try to do in the near future.     

共同方法变异的影响及其统计控制途径的模型分析

共同方法变异(common method variance, CMV)指两个变量之间变异的重叠是因为使用同类测量工具而导致, 而不是代表潜在构念之间的真实关系。虽然以往研究显示CMV不一定导致研究结果的偏差, 在实际研究中应当加以考量。特别是在使用测量方法的研究中, 如果数据来源越单一, 测量方法越类似, CMV效应使研究结果产生偏差的可能性越大。CMV效应的控制方法包括过程控制法和统计控制法。在统计控制法的选择和使用上, 需要重点考虑该方法是否分离了三大变异(特质变异、方法变异和误差变异), CMV效应是在测量构念层面还是题目层面, CMV效应是加法效应还是乘法效应。控制潜在方法因子途径是统计控制方法中最重要的一类方法, 理解其模型是正确使用这类方法的前提。未来研究应当关注多个研究的CMV效应和侧重评估某个理论研究中CMV所引起的潜在的效度威胁。