跳转到内容

项目难度

来自VeritasWiki 真理百科
项目难度
英文名 Item Difficulty
学科归属 心理测量、教育测量
核心含义 题目的难易程度指标
经典指标 通过率(P 值,0 至 1,越大越易)
IRT 指标 b 参数(量尺上题目定位,越大越难)
相关条目 项目区分度、项目特征曲线、项目反应理论|}

项目难度指测验中单个题目的难易程度。经典测验理论以通过率为指标:答对人数占作答人数的比例,P 值 0.9 表示九成人答对(容易题),P 值 0.2 表示只有两成人答对(难题)。项目反应理论则以 b 参数定位题目:b 值是答对概率 0.5 对应的特质水平,b 越大题目越难。

难度是题目分析的两大基础指标之一(另一为区分度)。任何测验的质量管理都从难度分布的审查开始:难度结构决定测验能区分谁、不能区分谁。

经典难度指标

经典难度指标的计算与解读有若干要点。

P 值的计算:答对人数除以作答人数(排除未作答还是计为错误,规则需事先确定并统一)。多选题的 P 值应与随机猜测水平对照:五选一的题目,P 值低于 0.2 附近的题目可能存在误导性错误选项。

方向的惯例:经典指标的"难度"越大越易(P 是通过率),IRT 的 b 越大越难——两个传统方向相反,混用文献时极易出错,引用时必须注明。

P 值的样本依赖性:同一题目在强样本与弱样本中的 P 值不同——经典难度是"题目在该样本中的难度"而非题目固有属性。IRT 的 b 参数在模型成立时不依赖样本,这是它优于经典指标的核心。比较不同群体的题目难度时,样本依赖性还会引入假差异(题目功能差异检验因此必要)。

难度分布的目标:由测验用途决定。常模参照测验(区分排名)追求难度围绕 0.5 分布且拉开层次,使多数分数落在曲线中段的高区分区;标准参照测验(判定达标)追求难度贴近合格线,使切点附近的区分最大化。

难度与测验功能

难度结构不是审美问题,而是测验功能的直接决定者。

区分区间的选择:题目主要区分"难度附近"的被试——P 值 0.9 的题目只区分极高水平者,P 值 0.2 的题目只区分极低水平者。若目标人群集中在量尺中段而测验难度偏向两端,测验的有效信息大量流失。

分数分布的形态:题目难度决定总分的分布——难度适中的题目组合产生接近正态的分数分布(利于常模与统计处理);难度偏易的测验产生负偏分布(多数人高分,天花板效应);偏难的测验产生正偏分布(地板效应)。天花板与地板效应都会压缩变异,使后续的相关与差异检验的检验力骤降。

个体决策的切点匹配:合格考试(如资格线)要求切点附近的题目密度最高——切点附近的一分之差决定成败,这一区间的测量精度必须有保障。

测验修订中的难度审查因此是常规工序:逐题计算 P 值与整体分布对照,调整过易过难题目的比例,或用 IRT 信息函数核查目标区间的信息量是否达标。

影响难度的因素

题目难度的来源可以从多个层面分析,理解它们才能主动控制难度。

认知加工因素:解题步骤数、工作记忆负荷、所需知识的深度与综合程度——这是难度的"质"的部分。

表述因素:题干长度与语言复杂度、干扰选项的迷惑性、指令的清晰度——同一知识点,表述不当可使难度变化悬殊;这类"表述性难度"对构念测量是噪声,审题环节应予消除。

情境因素:施测时间压力(速度性使表面难度上升)、练习与曝光(题目泄题使难度失真)、作答方式(机考与纸笔的界面差异)。

猜测与作答策略:选择题的猜测底线抬高了最低难度;应试训练使某些题型的"习得性难度"下降。

这些因素的公共启示:难度既承载构念信息(认知加工要求的差异),也混杂非构念噪声(表述、曝光、界面)。项目分析的目的之一就是把两者分开——保留有构念意义的难度梯度,清除噪声性难度。

在测验开发中的运用

项目难度在测验开发流程中的运用已高度程序化。

预试阶段:小样本试测后逐题计算 P 值与区分度,淘汰极端难度(P 过高或过低)与负区分度的题目;难度分布按测验蓝图的目标区间排布。

等值与题库阶段:IRT 标定下,每题的 b 参数入库;后续组卷按目标区间的信息量需求抽取不同 b 值的题目——自适应测验正是按被试当前估计实时抽取"难度匹配"的题目。

质量监控阶段:施测数据的逐题难度与标定值对照,漂移异常的题目(曝光泄露、语境变迁)进入复审;难度漂移是题库维护的核心监测项。

中国考试实践:高考等大规模考试的命题管理中有明确的难度指标要求(全卷难度通常控制在中偏易区间并逐年微调),题目双评与试测机制保障难度预估的稳定;项目难度因此不只是研究概念,而是高风险考试命题制度的技术基石。

难度管理的总体原则可以概括为:难度服务功能——先明确测验要区分谁、在哪个区间、达到什么精度,再让难度结构去匹配;脱离功能的"难度均衡"追求没有意义。

表述性难度的控制

难度管理中最容易被忽视、又最值得投入的环节,是把表述性难度从构念难度中分离出来。

同一知识点的两道题,一道用两层否定加长句,一道用直接设问,P 值可能相差 0.3 以上——差距全部来自语言加工负荷而非目标构念。这类噪声性难度对测验的伤害是双重的:它使难度指标失真(题目定位不再对应构念水平),也使区分度降低(语言能力弱的优秀被试被误判)。

控制表述性难度的程序包括:命题规范(单一设问、避免双重否定、控制题干长度、指令显式化);审题环节的语言审查(独立于内容审查的编辑);认知预试(让目标群体出声读题,记录理解卡点);施测后的复查(逐题检查低分组的作答模式,剔除因表述而被错答比例异常的题)。

对测量能力构念(如阅读理解)的测验,语言加工本身就是构念的一部分,表述难度应当保留甚至有意设计梯度;对测量数学、专业知识等非语言构念的测验,表述难度是纯粹的污染。两种情形的规范相反——难度管理的第一课正是分清自己面对的是哪一种。

参见

参考资料