| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 前言 | 第17-19页 |
| 第一部分 文献综述 | 第19-44页 |
| 1.1 认知诊断评价 | 第19-27页 |
| 1.1.1 认知诊断评价的目的 | 第21页 |
| 1.1.2 认知模型 | 第21-24页 |
| 1.1.3 属性的粒度 | 第24-25页 |
| 1.1.4 矩阵 | 第25-26页 |
| 1.1.5 矩阵理论 | 第26-27页 |
| 1.2 认知诊断模型 | 第27-31页 |
| 1.2.1 DINA模型 | 第27-28页 |
| 1.2.2 DINO模型 | 第28-29页 |
| 1.2.3 HO-DINA模型 | 第29-30页 |
| 1.2.4 RUM模型 | 第30-31页 |
| 1.3 Q矩阵的估计 | 第31-44页 |
| 1.3.1 δ方法 | 第32-33页 |
| 1.3.2 基于统计量的矩阵估计 | 第33-35页 |
| 1.3.3 方法 | 第35-37页 |
| 1.3.3.1 基于法的修正指标 | 第36页 |
| 1.3.3.2 法的步骤 | 第36-37页 |
| 1.3.4 贝叶斯方法 | 第37-40页 |
| 1.3.4.1 采用MCMC方法估计部分元素 | 第37页 |
| 1.3.4.2 识别Q矩阵中不确定的元素 | 第37-38页 |
| 1.3.4.3 非线性惩罚的方法 | 第38-39页 |
| 1.3.4.4 采用MCMC方法探索Q矩阵 | 第39-40页 |
| 1.3.5 联合估计算法 | 第40-41页 |
| 1.3.6 无监督学习和有监督学习方法 | 第41-44页 |
| 1.3.6.1 极大似然估计方法 | 第42页 |
| 1.3.6.2 边际极大似然估计方法 | 第42页 |
| 1.3.6.3 交差方法 | 第42-44页 |
| 第二部分 问题提出与研究总体设计 | 第44-54页 |
| 2.1 已有Q矩阵估计算法的特点 | 第44-45页 |
| 2.2 属性粒度对认知诊断评价影响的研究 | 第45-46页 |
| 2.3 属性间的补偿关系及诊断模型研究 | 第46-48页 |
| 2.4 本文欲探讨的具体问题 | 第48-51页 |
| 2.4.1 基于统计量的Q矩阵估计算法改进 | 第48-49页 |
| 2.4.2 基于似然比统计量的矩阵估计 | 第49-50页 |
| 2.4.3 属性粒度和属性关系对CDA分类的影响 | 第50-51页 |
| 2.4.4 属性间的补偿关系及诊断模型研究 | 第51页 |
| 2.5 本文的研究内容 | 第51-52页 |
| 2.6 本文的研究意义 | 第52页 |
| 2.7 本文的创新之处 | 第52-54页 |
| 第三部分 实验研究 | 第54-138页 |
| 3.1 研究一基于统计量的矩阵估计算法改进 | 第54-73页 |
| 3.1.1 研究目的 | 第54-55页 |
| 3.1.2 研究方法 | 第55-63页 |
| 3.1.2.1 项目属性向量界定错误时的Q矩阵估计 | 第55-57页 |
| 3.1.2.2 测验属性个数界定错误时的Q矩阵估计 | 第57-63页 |
| 3.1.3 实验设计 | 第63-70页 |
| 3.1.3.1 数据模拟 | 第63-65页 |
| 3.1.3.2 评价指标 | 第65-66页 |
| 3.1.3.3 研究结果 | 第66-70页 |
| 3.1.4 研究结论 | 第70-71页 |
| 3.1.5 讨论 | 第71-73页 |
| 3.2 研究二基于似然比统计量的矩阵估计 | 第73-88页 |
| 3.2.1 研究目的 | 第73页 |
| 3.2.2 研究方法 | 第73-81页 |
| 3.2.2.1 IRT下的模型拟合度评价方法 | 第74页 |
| 3.2.2.2 使用统计量来估计项目属性向量和矩阵 | 第74-81页 |
| 3.2.3 实验设计 | 第81-86页 |
| 3.2.3.1 数据模拟 | 第81-82页 |
| 3.2.3.2 研究结果 | 第82-86页 |
| 3.2.4 研究结论 | 第86-87页 |
| 3.2.5 讨论 | 第87-88页 |
| 3.3 研究三属性粒度和属性关系对CDA分类的影响 | 第88-114页 |
| 3.3.1 研究目的 | 第88页 |
| 3.3.2 研究方法 | 第88-89页 |
| 3.3.2.1 属性粒度及其对的影响 | 第88-89页 |
| 3.3.2.2 评价指标 | 第89页 |
| 3.3.3 实验设计 | 第89-112页 |
| 3.3.3.1 数据的模拟 | 第90-91页 |
| 3.3.3.2 所有测验属性间有相近的相关 | 第91-100页 |
| 3.3.3.3 0个属性间相关较高，1? 0个属性间相关相近且较低 | 第100-112页 |
| 3.3.4 讨论 | 第112-114页 |
| 3.4 研究四属性间的补偿关系及诊断模型研究 | 第114-138页 |
| 3.4.1 研究目的 | 第115页 |
| 3.4.2 研究方法 | 第115-122页 |
| 3.4.2.1 HDINA模型及其识别 | 第115页 |
| 3.4.2.2 HDINA模型的构建 | 第115-117页 |
| 3.4.2.3 HDINA模型的假设 | 第117-118页 |
| 3.4.2.4 HDINA和DINA、DINO的关系 | 第118-120页 |
| 3.4.2.5 HDINA 模型的参数估计 | 第120-122页 |
| 3.4.3 实验设计 | 第122-135页 |
| 3.4.3.1 HDINA模型的参数估计精度和分类研究 | 第122-125页 |
| 3.4.3.2 DINA、DINO和HDINA模型交叉分类比较 | 第125-126页 |
| 3.4.3.3 三种模型与数据的交叉拟合比较 | 第126-132页 |
| 3.4.3.4 采用HDINA模型分析“分数减法”数据 | 第132-135页 |
| 3.4.4 研究结论 | 第135-136页 |
| 3.4.5 讨论 | 第136-138页 |
| 第四部分 综合讨论 | 第138-143页 |
| 4.1 基于统计量的Q矩阵、项目参数和被试属性掌握模式估计 | 第138-140页 |
| 4.1.1 联合估计 | 第138页 |
| 4.1.2 在线估计 | 第138-139页 |
| 4.1.3 属性个数存在错误时的Q矩阵估计 | 第139页 |
| 4.1.4 存在的局限性 | 第139-140页 |
| 4.2 基于D~2统计量的Q矩阵、项目参数和被试属性掌握模式估计 | 第140-141页 |
| 4.2.1 联合估计 | 第140页 |
| 4.2.2 在线估计 | 第140页 |
| 4.2.3 存在的局限性 | 第140-141页 |
| 4.3 属性粒度对认知诊断分类的影响 | 第141页 |
| 4.3.1 属性粒度与认知诊断分类 | 第141页 |
| 4.3.2 存在的局限性 | 第141页 |
| 4.4 属性间的补偿关系及诊断模型研究 | 第141-143页 |
| 4.4.1 HDINA模型 | 第141-142页 |
| 4.4.2 存在的局限性 | 第142-143页 |
| 第五部分 综合结论 | 第143-145页 |
| 参考文献 | 第145-153页 |
| 附录A | 第153-158页 |
| 附录B | 第158-161页 |
| 附录C | 第161-164页 |
| 附录D | 第164-168页 |
| 附录E | 第168-172页 |
| 致谢 | 第172-173页 |
| 在读期间公开发表论文（著）及科研情况 | 第173-175页 |
