認知診斷理論、方法與應用（簡體書）

《認知診斷理論方法與應用》較系統地闡述了認知診斷的基本理論和方法（如：第一章至第三章），並對相關理論、方法如何在實踐中應用進行了翔實的介紹（如：第四章、第十章）。本書緊跟國際研究前沿，結合作者最新研究成果，對當前國際上較前沿的多級評分認知診斷模型（第五章）、認知診斷CAT（第七章）、群體水平認知診斷（第六章）以及認知診斷相關新技術（第八章、第九章和第十一章）進行了介紹。．

《認知診斷理論、方法與應用》系現代心理測量理論與技術叢書，是由涂冬波，蔡艷，丁樹良著，北京師范大學出版社出版的。

第一章　新一代測驗理論與認知診斷
第一節　新一代測驗理論的產生
第二節　認知診斷概述

第二章　認知診斷測驗編制的理論與方法
第一節　認知診斷測驗與傳統測驗的異同
第二節　認知診斷測驗編制的相關理論與方法
第三節　認知診斷測驗編制的基本原則與過程

第三章　常用的認知診斷模型
第一節　線性Logistic模型（LLTM）
第二節　規則空間模型（RSM）
第三節　屬性層級模型
第四節　融合模型（Fusion model）
第五節　DINA及HO-DINA模型
第六節　多維項目反應理論模型
第七節　認知診斷模型的認知假設與模型選擇
第八節　小結

第四章　認知診斷運作示例：小學生分數加減法的認知診斷
第一節　認知屬性及屬性階層關係確立
第二節　認知診斷測驗的編制
第三節　認知診斷結果分析
第四節　診斷效度驗證
第五節　小結

第五章　多級評分認知診斷模型的開發
第一節　基於DINA模型的多級評分認知診斷模型開發
第二節　基於AHM的多級評分認知診斷模型的開發

第六章　群體水平的認知診斷方法與實踐
第一節　矩陣抽樣設計與群體水平項目反應理論
第二節　群體水平認知診斷模型開發
第三節　英語閱讀問題解決的群體水平認知診斷

第七章　計算機化自適應認知診斷測驗
第一節　計算機化自適應認知診斷測驗簡介
第二節　CD-CAT選題策略及初始題選取方法
第三節　CD-CAT開發實例

第八章　Tatsuoka的Q矩陣理論修正及拓展
第一節　如何認定屬性層級關係
第二節　認知診斷中幾類矩陣及其計算
第三節　如何計算期望反應模式
第四節　如何提高認知診斷的構念效度
第五節　Q矩陣理論的評注

第九章　認知診斷的技術探索
第一節　CD-CAT中原始題屬性的自動標定
第二節　Bayes網絡在認知診斷中的應用
第三節　HCI指標及其擴展
第四節　人工神經網絡在認知診斷分類中的應用
第五節　CD-CAT中題目參數的在線標定及其設計

第十章　認知診斷的實踐探索
第一節　小學兒童數學問題解決認知診斷
第二節　中學生圖形推理的認知診斷

第十一章　認知診斷新進展
第一節　基於DINA模型測驗Q矩陣修正方法
第二節　一種多策略認知診斷方法

第十二章　展望
參考文獻．

假設屬性間為補償機制的模型有LLTM，MIRT—C（Compensatory multidimensional IRT，Reckase&McKinley，1991）等。LLTM可以認為是一個補償模型，盡管該模型沒有分別明確地表征多個技能，而是將多個技能的掌握水平綜合為一個單一的能力水平。但正因為如此，多個技能間具有補償效應。MIRT—C的項目反應函數，實際上基于單維IRT的項目反應函數的基礎上，對單維IRT的被試能力進行了細致化的分解。MIRT—C所定義的被試在各技能掌握水平的加權和即為單維IRT中的被試能力，因此，技能間具有補償性。大多數認知診斷模型假設屬性間為非補償機制。如RSM,AHM,DINA,NIDA,RUM,MIRT—NC（Noncompensatory multidimensional IRT,Sympson,1978）等。RSM,AHM,DINA和NI—DA模型都是較為典型的非補償模型，RSM和AHM通過定義其理想反應模式或稱期望反應模式，假設被試只有掌握了所有項目所考查的屬性時才能在該項目上正確作答。DINA模型雖采用的是理想反應變量，但與RSM和AHM異曲同工，只有在被試掌握了項目所考查的所有屬性時，被試的理想反應變量才為1，即被試才能在該項目上正確作答。這三者都假設被試要正確作答項目，必須掌握該項目所測全部屬性，缺一不可，可見，這三個模型都假設屬性之間為非補償的關系。RUM也是非補償模型，該模型假設被試在項目上要獲得高的正確作答概率，必須掌握所有項目所考查的屬性，一個或部分屬性未掌握會大大地降低被試的成功作答概率。因此，雖然RUM所假設的屬性間的非補償機制不像DINA模型那樣典型，但由于該模型仍然屬于非補償模型。MIRT—NC也是一個非補償模型，它將被試的正確作答概率定義為被試對項目所考查的各屬性技能正確運用的概率乘積。因此，若被試在作答某個項目時有一個屬性未掌握，被試對該屬性的正確運用概率很低，這種低的概率將導致最終所有屬性正確運用的概率乘積，即項目正確作答概率很低。因此，與RUM一樣，雖然屬性間存在一部分的補償作用，但這種補償作用太小，無法令被試在項目上獲得較高的正確作答概率。因此，MIRT—NC也是一個非補償模型。