测量等值
测量等值指通过统计程序使不同测验版本、不同测量形式或不同测量时点所产生的分数可以相互换算、从而在同一量尺上比较的技术体系。其核心问题是:当两个版本的测验题目不同、难度不同,甚至施测条件不同时,如何保证"版本甲的六十分"与"版本乙的六十分"代表同样的能力或特质水平。测量等值与测量不变性(见心理测量不变性)构成一对互补的概念:不变性关注同一量表在不同群体或时间上"测量结构"是否一致(构念测量的等值),测量等值关注不同测验版本之间"分数"的换算(分数的等化);前者是跨群体比较的前提,后者是题库运营与测验版本更替的技术基础。
源流
测量等值的需求随大规模测评的制度化而出现。当一个考试每年重复举行,出于安全与公平的考虑,各次使用的题目不能完全相同;但不同批次的题目难度难免波动,若不做等值处理,不同年份的分数线便不可比——"今年更容易"还是"今年学生更强"将无法区分。教育与心理测量学界由此发展出系统的等值理论与方法:经典等值方法(等百分位等值、线性等值)在观测分数层面建立换算;基于项目反应理论的等值方法则在项目参数层面完成标定,使不同版本的题目参数落在同一量尺上。等值技术的应用文献不断细化其设计条件——例如对锚题设计的形态与规模的研究表明,锚题的长度与代表性直接影响等值误差,"迷你锚"与"中型锚"的对比研究为大规模考试的锚题工程提供了实证依据。[1]等值方法的选择研究亦表明,不同的观测分数等值方法在不同设计下的效率与稳定性存在差异,方法选择需与数据收集设计匹配。[2]
设计
等值的前提是"共同测量"的设计,主要有三类。锚题设计:两个版本共享一组相同题目(锚题),锚题的表现用于估计两个被试组的水平差异,从而扣除组间差异、估计版本间的题目难度差——这是最常用的设计,锚题需要数量足够(通常占测验的一定比例)、内容代表性与统计性质稳定。[3]共同被试设计:同一批被试先后完成两个版本(平衡安排先后顺序以抵消练习与疲劳效应),由于被试相同,版本差异可直接估计;成本高但精度好,常用于小规模标定。等组设计:从同一总体随机抽取两组被试分别完成两个版本,组间能力理论上相等,版本差异即题目差异;实现简单但随机波动带来误差。三类设计的选择取决于现实约束——高利害考试通常只能用锚题设计(不能让考生做两遍),实验室研究可用共同被试设计。设计之外,等值还有方向性问题:先施测版本与后施测版本的地位、锚题在各版本中的位置效应(位置偏差)都需要在设计中控制或在分析中校正。
方法
等值方法按理论框架分两族。经典方法族:等百分位等值把两个版本的分数分布对齐——版本甲的某百分位分数与版本乙的同一百分位分数视为等值;线性等值则用均值与标准差把分数换算到同一线性量尺;两者均依赖大样本与设计质量。项目反应理论方法族:先分别估计两个版本的题目参数,再通过锚题参数对齐把两组参数转到同一量尺(固定参数法、同时标定法),此后任何版本的题目参数都可比,分数可经能力估计直接换算——项目反应理论等值的优势在于参数不变性带来的题库积累能力。混合取向:观测分数等值与真分数等值的效率比较研究表明,方法间差异在设计良好时较小,但锚题质量差时分歧放大。[4]方法的当代发展还包括局部等值思想——不再假设全体被试用同一换算函数,而允许换算随能力水平变化,其与锚题设计的结合研究显示了精度改进的潜力。[5]
与相邻概念的区分
测量等值容易与几个概念混淆。与测量不变性(见心理测量不变性):不变性回答"同一量表在两组/两时点是否测得一样",是构念层面的可比性;等值回答"两个不同测验的分数如何换算",是版本层面的可比性;跨文化研究用的是不变性检验,历年考试的分数衔接用的是等值技术,两者都服务"可比性"但对象不同。与等值性检验的关系:有的文献把测量等值与等值性检验混用,严格用法中,测验等值指版本换算,测量等值性指跨群体或跨时间的测量结构一致;本词条取"版本换算"的严格含义,结构一致见心理测量不变性条目。与标准设定(划线)的关系:等值解决"分数可比",划线解决"多少分算过";等值在前、划线在后,两个环节常被误并为一个。与题目标定的关系:标定是把题目参数估计到量尺上,等值是把多个标定结果对齐——标定是等值的构件。
应用
测量等值的应用场景集中在高利害与连续运营的测评体系。年度考试的分数衔接:大规模考试每年版本不同,等值保证跨年度的分数线、录取线可比,是考试制度公平的技术支柱。题库与自适应测验:题库中所有题目必须落在同一量尺,新题入库需经等值标定;计算机自适应测验的实时选题与能力估计完全依赖量尺统一。国际比较:跨国学生测评把各语言版本分数等化,使国家排名建立在可比分数之上——其计量程序同时包含等值(版本间)与不变性检验(群体间)。纵向追踪:追踪调查换用修订版量表时,新旧版本的分数衔接需要等值处理,心理健康队列研究中对同一量表跨多年追踪的稳定性与不变性检验即是此类问题的应用范例。[6]临床与研究量表换版:量表修订(删题、改词)后,研究连续性要求新旧分数可换算,等值与锚题思想同样适用。
实施路径
实施测量等值的路径分六步。第一步,目的与设计:明确等值对象(哪两个版本、哪个群体)并选择设计(锚题、共同被试或等组),确定样本量——等值误差随样本量下降,高利害场景的样本要求严格。第二步,锚题工程:选定锚题并检查其统计性质(区分度、稳定性、位置分布)与内容代表性;锚题泄漏(题目流出)会使等值失效,是安全管理的重点。[7]第三步,方法选择:按数据类型与设计选定经典或项目反应理论方法,可多法并用以交叉验证。第四步,等值计算与诊断:执行换算并检查等值函数的平滑性、方向一致性与分段异常——异常段常提示锚题问题或样本问题。第五步,等值效度检验:用独立样本验证换算函数的跨样本稳定性,检查不同方法的收敛性。第六步,文档与发布:报告设计、方法、误差估计与局限,分数发布时明确等值基础。实践要点:等值是技术而非魔法——设计缺陷(锚题不合格、样本偏差)无法靠方法精细度弥补,设计质量永远优先于方法选择。
中国语境
中国语境中的测量等值以大规模考试为最大应用场景。高考、研究生入学考试与各类资格认证考试均为年度重复、版本更替的考试,其分数线的跨年可比性依赖等值体系;国内考试机构在英语等级考试、汉语水平考试等标准化程度较高的考试中建立了成熟的等值流程与题库系统。研究层面,国内学者在等值方法比较、锚题选择与小型化设计上开展方法研究,为本地化条件(样本规模受限、安全管理要求高)下的等值实践提供依据。挑战有三:其一,高利害考试的信息安全压力使锚题管理成本极高,题目泄漏风险是等值体系的最大威胁;其二,部分考试跨年度的命题结构调整(题型、权重变化)超出等值模型的假设范围,分数衔接的解释需谨慎;其三,教育质量监测与国际比较测评的引入推动了等值与不变性检验的规范普及,但地方性测评的技术能力分布不均,一线测评的计量质量参差。总体而言,"分数可比性"作为考试公平的技术基础正在获得更严格的制度保障,等值技术的研究与应用在国内测评领域处于上升期。
争议
测量等值的争议有四。其一,方法选择的基准问题:不同等值方法在同一数据上的结果存在差异,哪种方法是"金标准"没有绝对答案——共识是以设计质量与多法收敛为依据,但这使方法选择带有一定裁量空间,高利害场景中的方法披露成为公平性要求。其二,锚题的依赖性:等值质量受制于锚题,锚题老化、泄漏或功能漂移会静默地损害换算——锚题的周期性审查与更换制度是运营难点,围绕锚题规模的研究(如迷你锚与中型锚的误差比较)正是在回应这一挑战。[8]其三,等值与公平的边界:等值处理的是版本间可比性,但群体间是否可比仍需不变性检验与项目功能差异分析配套;把"已等值"误当作"已公平"是常见的概念越位。[9]其四,跨时间比较的解释:等值保证了分数可比,但能力分布变化的社会解释(教学改进、生源变化、试题风格变化)仍需实质证据——技术可比不等于原因可判。
参见
参考资料
- ↑ Test Score Equating Using a Mini-Version Anchor and a Midi Anchor: A Case Study Using SAT®Data,Liu等,Journal of Educational Measurement,2011年。
- ↑ Local Observed-Score Equating With Anchor-Test Designs,van der Linden等,Applied Psychological Measurement,2010年。
- ↑ Test Score Equating Using a Mini-Version Anchor and a Midi Anchor: A Case Study Using SAT®Data,Liu等,Journal of Educational Measurement,2011年。
- ↑ Local Observed-Score Equating With Anchor-Test Designs,van der Linden等,Applied Psychological Measurement,2010年。
- ↑ Local Observed-Score Equating With Anchor-Test Designs,van der Linden等,Applied Psychological Measurement,2010年。
- ↑ Testing the temporal stability and longitudinal measurement invariance of the Patient Health Questionnaire-4 across six years with the Socioeconomic Panel-Innovation Sample,Brauer等,Journal of Affective Disorders,2026年。
- ↑ Test Score Equating Using a Mini-Version Anchor and a Midi Anchor: A Case Study Using SAT®Data,Liu等,Journal of Educational Measurement,2011年。
- ↑ Test Score Equating Using a Mini-Version Anchor and a Midi Anchor: A Case Study Using SAT®Data,Liu等,Journal of Educational Measurement,2011年。
- ↑ Revisiting Differential Item Functioning: Implications for Fairness Investigation,Huang等,International Journal of Education,2012年。