馬大付 秦春影 喻曉鋒 何 催

(1 江西師范大學(xué)心理學(xué)院，南昌 330022) (2 濟(jì)南市教育教學(xué)研究院，濟(jì)南 250002)

(3 南昌師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院，南昌 330032)

1 前言

近年來(lái)，在“以評(píng)促學(xué)”理念下，教育測(cè)量從對(duì)學(xué)生能力測(cè)量轉(zhuǎn)向?qū)ξ⒂^知識(shí)狀態(tài)(knowledge state,KS)的測(cè)量。由此，認(rèn)知診斷評(píng)估(cognitive diagnosis assessment,CDA; Leighton ＆ Gierl,2007;Rupp et al.,2010)技術(shù)應(yīng)運(yùn)而生。通常，考生KS 為潛在離散變量，因此如何構(gòu)建診斷測(cè)驗(yàn)實(shí)現(xiàn)將考生KS 轉(zhuǎn)換為可觀測(cè)的外在表現(xiàn)至關(guān)重要，良好的診斷測(cè)驗(yàn)不僅需要反映KS 結(jié)構(gòu)，還需充分區(qū)分不同KS(丁樹(shù)良 等,2010; von Davier ＆ Lee,2019)。

認(rèn)知診斷自動(dòng)測(cè)驗(yàn)組卷(cognitive diagnosis automated test assembly,CD-ATA; Wang et al.,2016)是CDA 實(shí)施的關(guān)鍵步驟，是指從已校正題庫(kù)中(Becker et al.,2021; Henson ＆ Douglas,2005)根據(jù)測(cè)驗(yàn)統(tǒng)計(jì)(如測(cè)驗(yàn)精度) 與非統(tǒng)計(jì)約束(如答案平衡)選擇項(xiàng)目的過(guò)程，組卷結(jié)果與診斷準(zhǔn)確性和有效性直接掛鉤(Lin et al.,2019)。Lin 等人(2017)將CD-ATA 方法分為兩類：面向指標(biāo)方法(indexoriented methods) 與面向模擬方法(simulationoriented methods)。面向指標(biāo)方法基于項(xiàng)目區(qū)分度指標(biāo)，在滿足非統(tǒng)計(jì)約束同時(shí)，尋求產(chǎn)生最大項(xiàng)目區(qū)分度線性和的J(J為測(cè)驗(yàn)長(zhǎng)度)個(gè)項(xiàng)目。常用項(xiàng)目區(qū)分度指標(biāo)包括：CDI(cognitive discrimination index; Henson ＆ Douglas,2005)、ADI(attribute diagnosis index; Henson et al.,2008)、MCDI 與MADI(modified CDI; modified ADI; Kuo et al.,2016)、EAMR(expected attribute match rate; 汪文義 等,2018)等；面向模擬方法通過(guò)模擬N個(gè)被試在M(M為題庫(kù)大小)個(gè)項(xiàng)目的作答，將組卷問(wèn)題轉(zhuǎn)換為求取對(duì)N個(gè)被試產(chǎn)生最佳診斷精度的J個(gè)項(xiàng)目組合。該類方法常采用優(yōu)化算法求解，如遺傳算法(generic algorithm,GA; Finkelman et al.,2009)，蟻群算法(ant colony optimization,ACO; Lin et al.,2017)等。

然而，上述研究?jī)H停留在屬性二分且項(xiàng)目二級(jí)計(jì)分，未見(jiàn)有研究探索更加復(fù)雜的屬性多水平或項(xiàng)目多級(jí)計(jì)分診斷測(cè)驗(yàn)組卷，這在一定程度上無(wú)法滿足實(shí)際測(cè)驗(yàn)需求。實(shí)際測(cè)驗(yàn)的計(jì)分題型不僅為二級(jí)計(jì)分，測(cè)驗(yàn)?zāi)繕?biāo)也并非考察屬性掌握與否，測(cè)驗(yàn)中可能既包括二分屬性又包括多分屬性為屬性k最高水平，Lk≥1}，且同時(shí)包含二級(jí)與多級(jí)計(jì)分項(xiàng)目。例如：TIMSS 2007 四年級(jí)科學(xué)教育測(cè)驗(yàn)從“了解、應(yīng)用和推理”三種水平測(cè)量屬性掌握程度(Mullis et al.,2005)，使用168 個(gè)0/1 二級(jí)計(jì)分與19 個(gè)0/1/2 三級(jí)計(jì)分項(xiàng)目。

因此，探究更符合實(shí)際測(cè)驗(yàn)的屬性多水平或項(xiàng)目多級(jí)計(jì)分組卷，為實(shí)際組卷提供參考存在一定價(jià)值。為解決此類復(fù)雜組卷，需開(kāi)發(fā)相應(yīng)CDATA 方法。盡管現(xiàn)有部分CD-ATA 方法適用于任意組卷場(chǎng)景(如CDI、ADI、面向模擬方法)，但這些方法均存在一定缺陷，如CDI 與ADI 組卷精度較低且易忽略屬性層級(jí)結(jié)構(gòu)(attribute hierarchy,以下稱“屬性結(jié)構(gòu)”) (唐小娟 等,2013; Kuo et al.,2016)，面向模擬方法需要大量迭代過(guò)程，組卷效率低(Finkelman et al.,2010; Lin et al.,2017)。而MCDI 與MADI 同時(shí)考慮屬性結(jié)構(gòu)與屬性測(cè)量次數(shù)，相較CDI 與ADI 的組卷結(jié)果更優(yōu)(Kuo et al.,2016)。因此，考慮對(duì)MCDI 與MADI 進(jìn)行屬性多水平擴(kuò)展，使其可適用于復(fù)雜的實(shí)際診斷測(cè)驗(yàn)組卷將是一種更優(yōu)策略。

本研究的首要問(wèn)題是如何使MCDI 與MADI方法適用于屬性多水平組卷。而后，為使研究結(jié)果更貼合實(shí)際，基于屬性多水平，考慮三種實(shí)際組卷測(cè)驗(yàn)：二級(jí)計(jì)分測(cè)驗(yàn)、多級(jí)計(jì)分測(cè)驗(yàn)、二級(jí)與多級(jí)計(jì)分混合測(cè)驗(yàn)，將不同指標(biāo)組卷方法用于上述三種測(cè)驗(yàn)。為解決上述問(wèn)題，首先需選擇一個(gè)可同時(shí)滿足屬性多水平，多級(jí)計(jì)分的認(rèn)知診斷模型(cognitive diagnosis model,CDM)?，F(xiàn)有此類CDM 包括GDM(von Davier,2008)、GPC-HO-RPa-DINA(Zhan et al.,2017)、GRPa-DINA(王立君 等,2022)等，其中，GRPa-DINA 模型有著參數(shù)少、易解釋、模型易應(yīng)用等優(yōu)勢(shì)，因此本研究擬選用該模型作為題庫(kù)的底層模型。

2 GRPa-DINA 模型

依據(jù)累積類別反應(yīng)函數(shù)建模思路，王立君等人(2022)對(duì)RPa-DINA(詹沛達(dá) 等,2016)模型和PDINA(涂冬波 等,2010)模型進(jìn)行相應(yīng)拓展，得到同時(shí)處理屬性多水平、項(xiàng)目多級(jí)計(jì)分的GRPa-DINA模型，見(jiàn)公式1、公式2、公式3。

3 項(xiàng)目區(qū)分度指標(biāo)

3.1 CDI 與ADI

CDI 與ADI 均基于D 矩陣(Henson ＆ Douglas,2005)，D 矩陣用于描述任意兩個(gè)KS 的KL (Kullback-Leibler)距離(Chang ＆ Ying,1996)，項(xiàng)目j上任意的D 矩陣見(jiàn)公式4。

CDI 與ADI 在描述項(xiàng)目區(qū)分度時(shí)采用了不同思路，CDI 考慮KS 的加權(quán)平均KL 距離，體現(xiàn)項(xiàng)目的整體區(qū)分能力；ADI 則使用相似KS 的KL 距離，體現(xiàn)項(xiàng)目屬性區(qū)分能力。屬性多水平CDI 與ADI 的計(jì)算公式分別為公式5、公式6。

3.2 拓展MCDI 與MADI

Kuo 等人(2016)為CDI 與ADI 增加屬性結(jié)構(gòu)與屬性測(cè)量次數(shù)兩項(xiàng)權(quán)重，改進(jìn)后的MCDI、MADI見(jiàn)公式7、公式8。

當(dāng)屬性m為屬性n的先決條件時(shí)，為1，否則為0。分母部分為屬性二水平線性型可達(dá)矩陣(reach matrix,以下稱“R 陣”)之和。屬性為線性型時(shí)，為1，獨(dú)立型=2K/[K(K+1)]。

為使MCDI 與MADI 適用于屬性多水平組卷，需考慮兩方面信息。首先，屬性由二水平轉(zhuǎn)向多水平時(shí)，對(duì)屬性的測(cè)量應(yīng)轉(zhuǎn)向?qū)傩愿魉降臏y(cè)量。其次，屬性多水平R 陣與屬性二水平不同，蔡艷和涂冬波(2015)指出屬性多水平R 陣可由兩階段獲得，第一階段通過(guò)擴(kuò)張算法得到屬性二水平R 陣，再根據(jù)屬性結(jié)構(gòu)插補(bǔ)得到屬性多水平R陣。以線性型為例，K=5，每個(gè)屬性的水平數(shù)分別為2、2、3、3、4。屬性多水平插補(bǔ)過(guò)程如圖1 所示。

圖1 屬性多水平插補(bǔ)過(guò)程

需要說(shuō)明的是，CDI 與ADI，GMCDI 與GMADI 均采用順序組卷。首選題庫(kù)中區(qū)分度最高的項(xiàng)目，后根據(jù)限制條件篩選滿足條件的項(xiàng)目，選擇剩余題庫(kù)中區(qū)分度最高的項(xiàng)目，以此類推，直至達(dá)到組卷長(zhǎng)度。不同的是，CDI 與ADI 組卷時(shí)，項(xiàng)目區(qū)分度為定值，而GMCDI 與GMADI 組卷時(shí)項(xiàng)目區(qū)分度為變值，組卷時(shí)通過(guò)兩項(xiàng)權(quán)重不斷更新項(xiàng)目區(qū)分度。

4 模擬研究

模擬研究目的是為探討四種項(xiàng)目區(qū)分度組卷方法在屬性多水平組卷中的表現(xiàn)，為使測(cè)驗(yàn)更符合實(shí)際，操控多種可能影響組卷結(jié)果的因素進(jìn)行兩項(xiàng)模擬研究。研究1 模擬二級(jí)與多級(jí)計(jì)分題庫(kù)，比較屬性多水平時(shí)，二級(jí)計(jì)分與多級(jí)計(jì)分哪種題型更適合進(jìn)行診斷分析以及不同區(qū)分度指標(biāo)在兩種題庫(kù)下的組卷表現(xiàn)。研究2 模擬更加實(shí)際的、同時(shí)包含二級(jí)與多級(jí)計(jì)分項(xiàng)目的混合比例測(cè)驗(yàn)，探究測(cè)驗(yàn)中不同計(jì)分題型存在一定比例時(shí)，組卷精度的變化。

4.1 研究1：二級(jí)計(jì)分與多級(jí)計(jì)分項(xiàng)目獨(dú)立組卷

4.1.1 研究設(shè)計(jì)

研究1 采用2×4×3×5 的四因素完全隨機(jī)設(shè)計(jì)，自變量為題庫(kù)類型、屬性結(jié)構(gòu)、組卷長(zhǎng)度、組卷方法。四種因素的水平設(shè)置見(jiàn)表1。

表1 研究1 四因素水平

參考已有研究的屬性結(jié)構(gòu)設(shè)計(jì)(蔡艷,涂冬波,2015)，固定屬性數(shù)量K為5，屬性水平數(shù)為2、2、3、3、4。

題庫(kù)生成：生成兩種計(jì)分題庫(kù)，0/1 二級(jí)計(jì)分題庫(kù)，0/1/2/3 多級(jí)計(jì)分題庫(kù)(王立君 等,2022)；為保證每種q向量有被測(cè)量3 次的可能，固定題庫(kù)大小J為500(以獨(dú)立型結(jié)構(gòu)為例，除去全為0 的KS，將144-1=143 種KS 重復(fù)三次，剩余71 題從143 種KS 中隨機(jī)抽取)(Kuo et al.2016)；二級(jí)與多級(jí)計(jì)分項(xiàng)目的計(jì)分類別參數(shù)采取王立君等人的生成方法，第一計(jì)分類別參數(shù)與從均勻分布U(0,0.25)中隨機(jī)抽取，多級(jí)計(jì)分的其他計(jì)分類別參數(shù)

被試生成：固定被試量N為1000，為方便模擬，被試KS 從相應(yīng)屬性結(jié)構(gòu)的所有KS 中隨機(jī)抽取。

作答生成：根據(jù)被試的掌握模式、項(xiàng)目q向量及項(xiàng)目參數(shù)，通過(guò)GRPa-DINA 模型計(jì)算被試在項(xiàng)目上正確作答各計(jì)分水平的概率，得到累計(jì)概率和，與生成的U(0,1)隨機(jī)數(shù)比較，隨機(jī)數(shù)落在哪個(gè)累計(jì)概率和區(qū)間則得到相應(yīng)區(qū)間的分?jǐn)?shù)。例如，0/1/2/3 多級(jí)計(jì)分項(xiàng)目，假設(shè)被試得到4 種分?jǐn)?shù)的概率分別為0.1、0.1、0.1、0.7，4 種分?jǐn)?shù)概率區(qū)間為0～0.1、0.1～0.2、0.2～0.3、0.3～1，生成隨機(jī)數(shù)0.8，落在第4 分?jǐn)?shù)區(qū)間，被試在該項(xiàng)目上得3 分。

4.1.2 評(píng)價(jià)指標(biāo)

組卷首要考慮的是精度問(wèn)題，采用模式判準(zhǔn)率(pattern accuracy rate,PAR)與屬性判準(zhǔn)率(attribute accuracy rate,AAR) 作為精度指標(biāo)。見(jiàn)公式13、公式14。

采用最大后驗(yàn)概率(maximum a posterior,MAP;Huebner ＆ Wang,2011)估計(jì)被試KS，每種條件重復(fù)100 次。

4.1.3 結(jié)果

圖2、圖3 展示了多級(jí)計(jì)分項(xiàng)目的PAR 與AAR，二級(jí)計(jì)分項(xiàng)目的精度變化與多級(jí)計(jì)分項(xiàng)目趨勢(shì)相同。

圖2 五種組卷方法多級(jí)計(jì)分組卷模式判準(zhǔn)率

圖3 五種組卷方法多級(jí)計(jì)分組卷屬性判準(zhǔn)率

從圖2 可發(fā)現(xiàn)，隨組卷長(zhǎng)度增加，各組卷方法精度都獲得提高，組卷長(zhǎng)度越長(zhǎng)，精度越高。四種屬性結(jié)構(gòu)中，GMCDI 與GMADI 始終是PAR 最高的兩種組卷方法，且隨組卷長(zhǎng)度增加，GMCDI 與GMADI 的差距逐漸減小，出現(xiàn)天花板效應(yīng)。屬性為獨(dú)立型時(shí)，CDI 與ADI 同GMCDI 與GMADI 的差異較小，遠(yuǎn)優(yōu)于RD 組卷；除獨(dú)立型結(jié)構(gòu)，CDI、ADI 與RD 的PAR 接近，線性型結(jié)構(gòu)下，RD 組卷在部分條件上優(yōu)于CDI 與ADI，這與Kuo 等人(2016)針對(duì)屬性二水平的組卷結(jié)果相似，即屬性結(jié)構(gòu)較復(fù)雜時(shí)，基于CDI 與ADI 的PAR 較低，甚至低于RD 方法。

圖3 與圖2 具有相同趨勢(shì)，五種組卷方法的AAR 均隨組卷長(zhǎng)度增加而提高；GMCDI 與GMADI的AAR 始終最高；除線性型時(shí)，RD 組卷高于CDI 與ADI，其他條件下RD 組卷均接近或低于CDI、ADI?？傊?，圖2、圖3 展示了GMCDI 與GMADI 是兩種不受屬性結(jié)構(gòu)影響且更為有效的屬性多水平組卷方法。

研究1 的另一目標(biāo)在于比較二級(jí)與多級(jí)計(jì)分項(xiàng)目的屬性多水平組卷精度?；诤?jiǎn)單隨機(jī)抽樣，相較其他組卷方法，RD 組卷是比較二級(jí)與多級(jí)計(jì)分項(xiàng)目的更優(yōu)選擇。從表2 與表3 的RD 部分可看出，所有條件下，RD 在多級(jí)計(jì)分項(xiàng)目上的組卷精度(PAR 與AAR)均高于二級(jí)計(jì)分，表明多級(jí)計(jì)分項(xiàng)目更適用于屬性多水平組卷。另外，從表2和表3 還可發(fā)現(xiàn)，多數(shù)情況下CDI 與ADI 在二級(jí)計(jì)分項(xiàng)目上的組卷精度更高，而GMCDI 與GMADI絕大多數(shù)時(shí)都在多級(jí)計(jì)分項(xiàng)目上取得更高診斷精度，這表明CDI 與ADI 方法并不適用于多級(jí)計(jì)分項(xiàng)目組卷。值得注意的是，除獨(dú)立型結(jié)構(gòu)外，GMCDI最大P↑值均出現(xiàn)在組卷長(zhǎng)度為20 上，后隨組卷長(zhǎng)度增加而降低。

表2 二級(jí)與多級(jí)計(jì)分項(xiàng)目組卷模式判準(zhǔn)率比較

表3 二級(jí)與多級(jí)計(jì)分項(xiàng)目組卷屬性判準(zhǔn)率比較

4.2 研究2：二級(jí)計(jì)分與多級(jí)計(jì)分項(xiàng)目混合組卷

4.2.1 研究設(shè)計(jì)

研究2 采用4×5×9 三因素完全隨機(jī)設(shè)計(jì)，自變量為屬性結(jié)構(gòu)、組卷方法、組卷比例。屬性結(jié)構(gòu)，組卷方法與研究1 一致，組卷比例設(shè)置為1∶9、2∶8、3∶7、…、9∶1 等9 個(gè)水平。

研究2 的題庫(kù)產(chǎn)生、被試KS、考生作答模擬與研究1 一致。固定組卷長(zhǎng)度為30，采用兩階段組卷：首先從二級(jí)計(jì)分題庫(kù)中選擇項(xiàng)目，后從多級(jí)計(jì)分題庫(kù)中選取，例如組卷比例為1∶9 時(shí)，則先從二級(jí)計(jì)分題庫(kù)中選擇30×0.1=3 題，后從多級(jí)計(jì)分題庫(kù)中選取剩余27 題。

4.2.2 結(jié)果

從表4 和表5 中可看出，相同條件下，GMCDI與GMADI 的組卷精度最優(yōu)，盡管組卷比例相似時(shí)這兩種方法存在一定程度的精度起伏，但總體上滿足隨組卷比例提高而組卷精度逐漸降低的規(guī)律。值得注意的是，在某些條件下，GMCDI 與GMADI 的混合計(jì)分組卷結(jié)果優(yōu)于二級(jí)或多級(jí)計(jì)分的結(jié)果，例如收斂型時(shí)，GMADI 的最高模式判準(zhǔn)率為0.918，高于二級(jí)與多級(jí)計(jì)分的0.902、0.916。而RD、CDI、ADI 在混合計(jì)分組卷上未表現(xiàn)出規(guī)律性、混合計(jì)分組卷時(shí)二級(jí)與多級(jí)計(jì)分項(xiàng)目非簡(jiǎn)單線性求和的方式，即多級(jí)計(jì)分項(xiàng)目越多，組卷精度越高；并且在某些條件下，使用這三種方法進(jìn)行混合計(jì)分組卷會(huì)出現(xiàn)嚴(yán)重低于二級(jí)或多級(jí)計(jì)分組卷精度的情況，例如線性型，使用CDI 組卷，最低模式判準(zhǔn)率為0.619，低于二級(jí)計(jì)分的0.674。這表明，RD、CDI、ADI 并不適用于混合計(jì)分組卷。綜上，GMCDI 與GMADI 在混合計(jì)分組卷時(shí)有著很好的選題延續(xù)性，可有效用于混合計(jì)分組卷，而RD、CDI 與ADI 則不適用。

表4 五種組卷方法30 題時(shí)的混合計(jì)分模式判準(zhǔn)率

表5 五種組卷方法30 題時(shí)的混合計(jì)分屬性判準(zhǔn)率

5 討論

組卷是診斷測(cè)驗(yàn)的一項(xiàng)必要工作，組卷指標(biāo)將決定題目的選用而影響最終的組卷結(jié)果。為實(shí)現(xiàn)屬性多水平測(cè)驗(yàn)組卷，本研究將兩種區(qū)分度指標(biāo)CDI、ADI 及擴(kuò)展項(xiàng)目區(qū)分度指標(biāo)GMCDI、GMADI 應(yīng)用于此類測(cè)驗(yàn)。研究結(jié)果表明：(1)多級(jí)計(jì)分項(xiàng)目較二級(jí)計(jì)分項(xiàng)目更有利于進(jìn)行屬性多水平認(rèn)知診斷；(2)CDI 與ADI 適用于二級(jí)計(jì)分組卷且易受屬性結(jié)構(gòu)影響，混合計(jì)分組卷結(jié)果較差。(3)無(wú)論是二級(jí)或多級(jí)計(jì)分項(xiàng)目的單獨(dú)或混合計(jì)分組卷，GMCDI 與GMADI 均可取得最高組卷精度且不受屬性結(jié)構(gòu)影響，兩者之間的組卷精度差異隨測(cè)驗(yàn)長(zhǎng)度增加而逐漸降低。

出現(xiàn)上述結(jié)果的可能原因是：首先，GMCDI與GMADI 組卷精度更優(yōu)是因?yàn)橹笜?biāo)組卷的思想差異，CDI 與ADI 基于最大期望判準(zhǔn)率的組卷思想，一次性選取題庫(kù)中最大區(qū)分能力的項(xiàng)目進(jìn)行組卷，忽略了項(xiàng)目q向量組合是影響診斷測(cè)驗(yàn)的重要因素(Lin et al.,2017; Zeng et al.,2010)；而GMCDI 與GMADI 則兼顧項(xiàng)目區(qū)分度與屬性水平平衡，保證選用較高區(qū)分度項(xiàng)目的同時(shí)也對(duì)不同屬性進(jìn)行多次測(cè)量，因而獲得更高組卷精度。其次，多級(jí)計(jì)分項(xiàng)目的診斷結(jié)果優(yōu)于二級(jí)計(jì)分項(xiàng)目，但兩者的差異似乎并不大的原因是，當(dāng)屬性存在多個(gè)水平時(shí)，二級(jí)計(jì)分項(xiàng)目?jī)H可將被試歸為兩類：掌握組與未掌握組，而多級(jí)計(jì)分項(xiàng)目對(duì)被試群體有著更詳細(xì)的劃分，因此多級(jí)計(jì)分項(xiàng)目的診斷結(jié)果更加準(zhǔn)確；而兩者差異較小的原因一方面可能是組卷長(zhǎng)度較長(zhǎng)，組卷精度逐漸達(dá)到天花板；另一方面可能與所使用的診斷模型有關(guān)，盡管該模型在多級(jí)計(jì)分項(xiàng)目上可對(duì)不同KS 被試進(jìn)行更詳細(xì)分類，但由于屬性數(shù)量水平較多，因此盡管使用多級(jí)計(jì)分項(xiàng)目，也難以對(duì)所有KS 進(jìn)行精確劃分。最后，GMCDI 與GMADI 在混合計(jì)分組卷結(jié)果上較優(yōu)，而CDI 與ADI 則并不適用于混合計(jì)分組卷，這是因?yàn)楸M管項(xiàng)目的計(jì)分方式不同，但GMCDI 與GMADI 仍然能夠保證項(xiàng)目選擇過(guò)程中項(xiàng)目q向量的組合方式是連續(xù)的；而C D I 與ADI 的組卷方式則是分割的，組卷時(shí)將二級(jí)與多級(jí)計(jì)分項(xiàng)目的選擇看作是兩個(gè)獨(dú)立的過(guò)程，結(jié)果也表明這種分割的過(guò)程不適用于混合計(jì)分組卷。

盡管本研究的結(jié)果具有一定理論與實(shí)際意義，但仍存在一些不足。首先，本研究使用GRPa-DINA 模型作為題庫(kù)的底層模型，未來(lái)也可使用其它同類CDM，如GDM(von Davier,2008)與GPCHO-RPa-DINA(Zhan et al.,2017)，pG-DINA(Chen ＆de la Torre,2013)等；其次，本研究?jī)H比較了不同區(qū)分度指標(biāo)的組卷精度差異，并未深入討論各指標(biāo)的組卷特性，如不同指標(biāo)對(duì)不同屬性數(shù)量項(xiàng)目的偏好或?qū)Σ煌?jì)分方式項(xiàng)目的偏好。另外，在混合計(jì)分組卷時(shí)，對(duì)GMCDI 與GMADI 采用的是先二級(jí)再多級(jí)的組卷順序，未來(lái)可探討先多級(jí)再二級(jí)或二級(jí)與多級(jí)依次進(jìn)行的順序，探究不同組卷順序是否會(huì)對(duì)組卷結(jié)果產(chǎn)生影響；除此之外，為符合測(cè)驗(yàn)要求，組卷測(cè)驗(yàn)研究通常需要符合某些非統(tǒng)計(jì)約束(Becker et al.,2021; Henson ＆ Douglas,2005)，如Finkelman 等人(2020)為使測(cè)驗(yàn)符合一定的時(shí)限要求，將反應(yīng)時(shí)(response time,RT)作為非統(tǒng)計(jì)約束考慮進(jìn)組卷，而出于簡(jiǎn)便性考慮，本研究并未對(duì)此類約束進(jìn)行操控，未來(lái)可探討含非統(tǒng)計(jì)約束的屬性多水平組卷。最后，本研究使用的均為參數(shù)化組卷方法，而實(shí)際要想獲得穩(wěn)定的項(xiàng)目參數(shù)，需要較大被試量，這在一定程度上限制了診斷方法的使用，未來(lái)也可開(kāi)發(fā)屬性多水平非參數(shù)組卷方法，如使用R 陣組卷(丁樹(shù)良 等,2016;Zeng et al.,2010)。

6 結(jié)論

CDI 與ADI 不適用于屬性多水平、項(xiàng)目多級(jí)計(jì)分與混合計(jì)分組卷。通過(guò)對(duì)已有指標(biāo)組卷方法M C D I 與M A D I 進(jìn)行屬性多水平拓展，得到GMCDI 與GMADI，這兩類組卷方法適用于多種實(shí)際組卷情形，且不受屬性層級(jí)結(jié)構(gòu)與項(xiàng)目計(jì)分比例影響。