李潇沛, 彭思韦, 王琴, 蔡艳
在实际测验中,被试的异常作答,尤其是缺失作答和随机猜测,往往会导致参数估计的偏差并且损害测验结果的准确性和公平性。然而,目前在认知诊断领域中,针对异常作答的建模研究仍然十分有限。针对这一现状,本研究首次尝试将项目反应树模型与认知诊断模型联合建模,开发出一种新型的认知诊断模型——IRTree-LCDM,该模型能够同时考虑缺失作答和随机猜测的影响。为评估新模型的性能及其在实证数据中的效果,研究采用Monte Carlo模拟实验与真实数据分析相结合的研究方法。模拟研究结果表明,新开发的IRTree-LCDM在各种实验条件下的参数估计精度表现良好。同时,与传统认知诊断模型相比,IRTree-LCDM的判准率更为精准,对被试单个属性的判准率均值超过.946,模式判准率均值达到.783。此外,IRTree-LCDM在实证数据中能够更好地拟合真实数据,且对被试的属性掌握模式的估计也更加合理。这些结果表明,IRTree-LCDM在处理异常作答方面具有显著的价值和意义。