是取决于对这些神经网络进行训练的样本的数量、质量以及神经网络的拓扑结构和算法。在这其中，训练模式是研究者运用蒙特卡罗方法产生的，它本身并不是一个小样本，而是一个比较大的样本；产生这些数据的模型就是IRT模型本身，因此数据本身的质量是有保证的。关于神经网络的拓扑结构，在大多数情况下是要通过预测和调整学习率等参数来确定隐含层的数量和其中每一层的神经元的数量，但由于本研究采用的是级联相关模型，它可以根据反传误差的大小自动地调整网络的拓扑结构和联结权重，因此可以自动地建立优化的网络结构，不再需要考虑学习率等问题；另外在人工神经网络的训练过程中，本研究的程序设计也使得只有误差达到预定的很小的数值时，训练过程才停止，这就保证了被训练过的神经网络是较高质量的。由此可见，联结主义（人工神经网络）模型是采用了和一般统计技术完全不同的思路和方法，它对IRT参数估计的可靠性主要不是取决于被估计样本的大小，而是依赖于经过训练的神经网络的质量，因此我们只要采取一定的措施将神经网络训练好，就有可能对小样本的IRT数据进行可靠的参数估计。
　　　　5.2　需要进一步研究的问题
　　(1)首先是在编制测验时，需要一部分已知项目参数的二值记分题目，这对于已经建立题库的学科来说是可以做到的，但对于尚未建立题库的学科，就无法运用这一方法。虽然可以用BILOG等软件对有关的二值记分项目进行参数估计，但如果没有BILOG等软件又该怎么办呢？要解决这个问题，需要构造更加复杂的神经网络模型，笔者目前正在构造“基于知识的级连相关模型”，并试图用它解决这一困难，实验结果将另文阐述。
　　(2)该方法要求实际的测验中有一部分作为锚题的项目是已知参数的，那么这一部分锚题至少应该是多少项目呢？它们占整个测验的比例至少要达到多少呢？本实验表明若锚题数量为15，它们在整个测验中所占比例为三分之一，就可获得良好结果，那么少于15个项目行不行？低于三分之一的比例行不行？笔者也正在作进一步的实验。
　　(3)本研究中用蒙特卡罗方法产生虚拟的被试能力和项目参数，那么它们的分布应该是什么形式为最好？人工神经网络的理论认为是均匀分布为最好，因此在本研究中采用了均匀分布。但是在对实际数据的分析中，有些数据是由真实的被试和项目产生的，不可能保证他（它）们呈完全的均匀分布，那么这种偏离均匀分布的情况对于估计值的误差有多大影响？另外，是否可以减少虚拟数据数量甚至取消虚拟数据，而完全采用真实的数据？也需要进一步探讨。
　　虽然有待于进一步研究的问题还很多，但这一实验毕竟提出了一种新的、有一定应用价值的方法。
【参考文献】
　　[1]　Hambleton  R  K.Item  Response  Theory:Principles  and  Appli-cations.Boston:Kluwer-Nijhoff  Pub,1985.58～63
　　[2]　Yu  J  Y.Item  Response  Theory  and  Its  Application(in  Chin-ese).Nanjing:Jiangsu  Education  Press,1992.79～84
　　（余嘉元.项目反应理论及其应用.南京：江苏教育出版社，1992.79～84）
　　[3]　Baker  F  B.Item  Response  Theory:Parameter  Estimation  Tec-hniques.New  York:M.Dekker,1992.66～71
　　[4]　McLead  P.Introduction  to  Connectionist  Modeling  of  Cogn-itive  Processes.New  York:Oxford  University  Press,1998.256～261
　　[5]　Mahwah  N  J,Erlbaum  L  L.Localist  Connectionist  Approaches  to  Human  
Cognition.New 
 York:Oxford  University  Press,1998,188～192
　　[6]　Anderson,J.A.An  Introduction  to  Neural  Networks.Cambrid-ge:The  MIT  Press,1995,136～143.
　　[7]　Yu  J  Y.Studying  perceptual  boundary  effects  with  connec-tionist  model(in  Chinese).Acta  Psychologica  Sinica,2001,33(2):123～126
　　（余嘉元.运用联结主义模型研究知觉边界效应问题，心理学报，2001,33(2):123～126）
　　[8]　Haykin  S  S.Neural  Networks:A  Comprehensive  Foundation.Upper  Saddle  
River,N.N.,Press  Hall,1999.178～181
　　[9]　Fahlman  S  E,Lebiere  C.The  Cascade-correlation  learning  architecture.In:Touretzky  D  S  ed.Advances  in  Neural  Informati-on  Processing  Systems.Los  Altos,CA:Morgan  Kaufmann,1990.524～532
　　[10]　Samejima  F.Homogeneous  case  of  the  continuous  response  
model.Psychometrika,1973,38(3):203～219
　　[11]　Muller  H.A  Rasch  model  for  continuous  ratings.Psychmet-rika,1987,52(2):165～181
　　[12]　Mellenbergh  G  J.A  unidimensional  latent  trait  model  forcontinuous  item  responses.
Multivariate  Behavioral  Research,1994,29(3):223～236
　　[13]　Qi  S  Q,Dai  H  Q.Ding  S  L.Modern  Educational  and  Psychol-ogical  Measurement(in  Chinese).Nanchang:Jiangxi  Education  Pre-ss,1998.126～129
　　（漆书青，戴海崎，丁树良.现代教育与心理测量学，南昌：江西教育出版社，1998.126～129）
　　[14]　Mislevy  R  J,Bock  R  D.Manual  of  BILOG  3.Scientific  Soft-ware,Inc.1990.27～31
　　[15]　Wang  W.Artificial  Neural  Network  Theory:Introduction  a-nd  Application(in  Chinese

上一页  [1] [2] [3] [4] [5] [6]  下一页