基于属性多级化的认知诊断计算机化自适应测验设计与实现

？本研究在传统cd-cat的基础上进行拓展,开发设计了可以处理属性多级化的cd-cat(记为pcd-cat),而且当测验所有属性的水平数lk=2时则pcd-cat可简化为cd-cat,因此传统cd-cat是本研究设计开发pcd-cat的一个特例。montecarlo模拟实验结果表明：基于属性多级化框架下设计的pcd-cat具有较好的诊断正确率、题库安全性和较高的测验效率,弥补了传统cd-cat不足;当属性多级化时,若采用传统cd-cat方法,则诊断正确率很不理想(属性模式判准不到30%),表明传统cd-cat在属性多级化测验情景时不适宜,而本文设计的pcd-cat是一种不错的选择(属性模式判准高达80%以上)。总之,本研究对于进一步拓展cd-cat在实践中的应用提供了新方法和新技术支持。