粗糙集理论在认知诊断中应用的可行性研究
作者单位：南昌航空大学数学与信息科学学院 江西师范大学计算机信息工程学院 江西师范大学心理学院
会议名称：《心理学与创新能力提升——第十六届全国心理学学术会议》
会议日期：2013年
学科分类：0402[教育学-心理学(可授教育学、理学学位）] 04[教育学] 040201[教育学-基础心理学]
摘 要：认知诊断通过对学生的知识结构与认知加工技能进行评估,向他们提供更好的教学指导。现有的认知诊断方法仍然有诸多困难需要克服:首先,课堂测验被认为是认知诊断的理想出处,然而,大多数认知诊断模型包含项目参数,在项目参数未知的条件下对大样本的依赖,估计时间长等局限,使得认知诊断难以融入日常教学;其次,现有的文献中,对于处理属性数多的情况很少见,这为认知诊断的应用带来了一定的限制;再次,在建设题库中,因入库的项目带有参数,则必须等值,而这是一个费时费力的过程。采用粗糙集理论做认知诊断,则无需项目参数,利用决策表,从决策表中提取决策规则,再由提取的规则将研究对象进行分类,与现有的认知诊断方法一样能够进行诊断。本研究将采用Monte Carlo模拟的方法,通过与DINA模型诊断结果的比较,验证粗糙集理论做认知诊断的可行性。同时考虑测验Q阵中包含可达阵个数、认知属性个数及不同属性层级结构对诊断结果的影响。采用粗糙集理论进行认知诊断在RSES软件中进行,DINA模型计算在Matlab中进行。结果发现:(1)采用粗糙集理论做认知诊断,只需施测项目属性和被试的观察反应模式,无需项目参数即可进行诊断,而DINA模型在此条件下做不到。DINA模型诊断时间随着被试量大小和属性数多少而变化,而采用粗糙集软件RSES进行诊断,无论何种情况一律只需几秒钟便可得出结果。(2)当属性数少于6个时,采用粗糙集理论诊断模式判准率比DINA模型的高,当属性数不少于6个时,有些情况下,粗糙集理论的模式判准率低一些。解决方案是依据测验项目的特性先合并属性再分拆。(3)测验蓝图中可达阵越多,则模式判准率越高;属性层级结构越复杂,则模式判准率越低。与DIAN模型的结果一致。采用粗糙集理论做认知诊断解决了依赖被试量大小、入库项目等值及处理属性数多等问题,显现了其优势,该方法完全能够应用于课堂等更广的领域。