概率逻辑与模糊逻辑在精细化学习诊断中的对比研究

精细化学习诊断有助于客观准确探究学生学习现状,为实施有针对性的补救教学提供理论和数据支持。本文对比研究概率逻辑与模糊逻辑在精细化学习诊断中的表现。首先,从“概念”视角介绍和对比两种逻辑。其次,介绍两个分别基于上述两逻辑的代表性模型：HO-PINC和Fuzzy-DINA。然后,对比两模型在五个实证数据上表现。最后,通过模拟研究进一步对比两模型的心理计量学性能。DIC等模型-数据拟合指标和RMSE等参数返真性指标的结果表明两模型对同一批数据有较一致的分析结果。建议实践者忽略模型选择对数据分析的影响,从概念或思辨视角入手选择使用概率逻辑或模糊逻辑来定义属性。     

联合作答精度和作答时间的概率态认知诊断模型

对多模态数据的联合分析是改进结果评价、健全综合评价的主要途径。针对概率态认知诊断模型(CDM)仅能分析题目作答精度(RA)的局限,本文基于联合-层级建模框架和联合-交叉负载建模框架提出三个可联合分析RA和题目作答时间(RT)的概率态联合CDM。模拟研究和实证研究结果表明：(1)新模型参数估计返真性良好,额外引入RT有助于提高参数估计精度并提供有关个体加工速度的测量;(2)基于联合-交叉负载建模框架构建的模型对测验情境的兼容性优于基于联合-层级建模框架构建的模型;(3)概率态属性比确定态属性更精细地反映个体对属性的掌握情况。