跳转到内容

心理计量模型

来自VeritasWiki 真理百科

心理计量模型指心理计量学中描述被试潜在特质与测验反应之间关系的一族数学模型,主要包括项目反应理论模型族、经典真分数模型与概化理论模型等。与心理测量模型(指以因子分析为代表、描述潜变量与观测变量结构关系的统计模型,见心理测量模型)相区别,计量模型的核心关切是"项目"——题目难度、区分度、猜测特性与被试能力之间的函数关系,其目的是使测量在项目层面获得可解释、可比对、可积累的数学表达。项目反应理论是当代计量模型的中心,支撑着大规模测评、自适应测验与题库工程。

源流

计量模型的源流可以追溯到20世纪中叶对经典测验理论局限的回应。经典真分数模型把测验层面的分数分解为真分数与误差,简单实用,但存在两个根本限制:项目统计量(难度、区分度)依赖被试样本;被试能力与测验难度之间没有可比的量尺。洛德与拉施在20世纪五六十年代分别提出以数学函数刻画"被试能力越高,答对该题概率越大"的模型体系,即项目反应理论;丹麦学者拉施提出的单参数模型以其简洁的充分统计量与"特定客观性"(比较两个被试不依赖具体题目、比较两道题不依赖具体被试)著称,洛德的双参数、三参数模型则增加了区分度与猜测参数的灵活性。项目反应理论最初的应用集中于大规模能力测验的题库与等值;20世纪90年代以来,其方法论文献系统论证了项目反应模型在因子分析设计中的表现与适用条件,两个框架之间的技术对话使计量模型的适用边界日益清晰。[1]认知科学兴起后,计量模型进一步与认知模型结合:认知诊断模型把项目反应分解为潜在技能的掌握与否,认知建模取向则用反应数据直接推断被试的加工过程,使计量模型从"测水平"进化到"测过程"。[2]

模型族

项目反应理论模型族按参数结构与数据类型展开。单参数(拉施)模型:只有难度参数,假设所有项目区分度相同且无猜测,适用于题目质量高、作答认真的测验情境;其数学优雅性使估计与解释最为简洁。双参数模型:加入区分度参数,允许项目对能力的"放大系数"不同,适用于人格与成就测验的常规分析。三参数模型:再加入猜测参数,用于选择题情境。多级反应模型:处理李克特式多级计分数据(完全不同意到完全同意),是人格与态度量表计量的主力模型。多维模型:允许项目同时测量多个潜特质。认知诊断模型族:把被试的知识状态离散化为技能向量,报告"掌握了什么、没掌握什么"的诊断性结果,用于教学反馈。模型族的选择遵循"数据类型—测验目的—样本规模"的三重匹配:诊断目的选认知诊断模型,自适应测验选项目反应模型,常规小样本研究可选经典模型加因子验证。

核心性质

计量模型区别于经典模型的三个核心性质。第一,项目参数不变性:在模型拟合成立的前提下,项目难度与区分度不随被试样本变化——同一道题在中国学生与美国学生样本中估计出的难度可以直接比较(在等值条件下),这使跨国、跨文化的题目功能比较成为可能。第二,能力估计的样本独立性:被试能力估计不依赖所用题目的具体集合——用十道难题或十道易题估计同一被试,结果落在同一量尺上,这是计算机自适应测验的逻辑基础:系统按被试实时水平选题,以最少题数达到最高测量精度。第三,信息函数:每个项目在不同能力水平上提供不同的测量信息,测验的信息函数使研究者能够设计"在目标分数段最精确"的测验——这正是高利害测验要求在及格线附近最精准的方法学依据。三性质共同使测量从"样本绑定的统计描述"升级为"参数化的科学测量"。

应用

计量模型的应用覆盖四大场景。大规模教育测评:国际学生测评、国家教育质量监测依赖项目反应理论完成跨版本、跨语言的分数等值与趋势追踪;等值使"今年与去年是否退步"这类问题在技术上可答。计算机自适应测验:从大规模考试到临床快速筛查,自适应测验以更短的测验长度达到同等精度,降低被试负担;心理计量研究还把项目反应理论用于工作记忆等认知任务的测量优化,显示其在基础研究中的测量增益。[3]量表跨群体比较:项目反应理论的项目功能差异分析检测同一题目在不同群体中是否"特殊地难"——性别或文化偏向的题目由此识别,是量表修订与公平审查的常规工具。临床与教育诊断:认知诊断模型为教学提供技能层面的画像,项目层面的分析支持临床量表的精简与阈值设定。此外,项目反应理论框架下的纵向测量不变性检验(见心理测量不变性)把"跨时间的分数可比性"从假设变成可检验的模型问题。

实施路径

应用计量模型的实施路径分六步。第一步,理论与数据准备:明确构念结构、确认数据类型(二级或多级计分)与作答动机(是否存在猜测与走神)。第二步,模型选择与估计:按数据类型选定模型族,以边际极大似然或贝叶斯方法估计参数;样本量要求随参数增多而上升——拉施模型数十到数百人即可,三参数模型则需要千级样本。第三步,拟合评估:检查项目拟合、维度性与局部独立性,拟合不佳时逐项诊断(是题目歧义、多维混杂还是作答不认真)。第四步,量尺标定与等值:锚题设计使不同版本、不同批次的测验参数落上同一量尺。第五步,应用开发:以信息函数指导题目取舍与测验长度,构建题库或自适应流程;诊断取向则报告技能画像。第六步,文档与伦理:报告参数估计方法、拟合证据与项目功能差异检查结果,确保分数解释与测验目的匹配。实践要点是:计量模型不是"更高级的统计装饰"——若测验目的是单次总分排序且样本小,经典模型足够;模型升级应由应用需求驱动,而非方法时尚驱动。

中国语境

中国语境中的计量模型应用以教育测评为主战场。国家与省级教育质量监测、大规模考试的数据分析已广泛采用项目反应理论与等值技术;国内学者在认知诊断模型的开发与应用上形成活跃的研究群体,将其用于学科认知结构的诊断反馈(如数学与物理的知识状态画像),服务"因材施教"的教学决策。心理量表层面,中文修订量表的多级计分的项目反应分析已成为规范流程的组成部分——项目功能差异分析用于检测性别、城乡与语言变体间的题目偏差,为量表的本土公平性提供证据。挑战有三:其一,高利害考试对精度与公平的要求极高,项目功能差异分析与题目功能审查的制度化仍在完善;其二,教育场景中的练习效应与应试策略(如猜测、跳答)会污染模型假设,需要作答过程数据的补充建模;其三,专业人才分布不均——计量模型方法集中于高校与考试机构,一线学校与临床机构的应用能力有限,工具的易用化与培训是推广瓶颈。总体而言,中国语境的计量模型研究已从"应用引进"进入"方法贡献"阶段,过程数据计量与智能测评是当前的前沿方向。

争议

计量模型的争议有四。其一,模型假设的现实性:局部独立性与单维性假设在真实数据中常被违反(练习效应、多维构念、作答策略),模型使用中的"假设—检验—调整"纪律要求严格,但实践中的宽松使用仍普遍存在。其二,两框架之争的余波:项目反应理论与经典模型、因子分析的适用边界讨论持续多年,代表性文献论证了项目反应模型在实验设计中的潜在误导风险与适用条件,提醒研究者避免把模型性质当作默认真理。[4]其三,认知诊断的效度:诊断结果是否真正对应可教学的技能结构,需要认知理论的支撑,脱离认知分析的"统计诊断"存在解释风险。其四,自适应测验的公平与透明:算法选题对被试不可见,题目曝光控制与不同被试路径的公平性是技术伦理问题;高利害场景中的申诉与复核机制也需与自适应技术配套。这些争议的共性是把"数学上可行"与"应用上正当"分开审视——计量模型越精密,对使用纪律与伦理审查的要求越高。

参见

参考资料

  1. ↑ Item Response Theory Models and Spurious Interaction Effects in Factorial ANOVA Designs,Embretson,Applied Psychological Measurement,1996年。
  2. ↑ What item response theory can tell us about the complex span tasks.,Draheim等,Psychological Assessment,2018年。
  3. ↑ What item response theory can tell us about the complex span tasks.,Draheim等,Psychological Assessment,2018年。
  4. ↑ Item Response Theory Models and Spurious Interaction Effects in Factorial ANOVA Designs,Embretson,Applied Psychological Measurement,1996年。