简介:本文在文献[1]提出Logistic模型参数近似估计的基础上,根据被试能力参数的不同情况得到两参数和三参数模型的参数估计新方法,新方法的特点是计算简单而不失精度,蒙特卡洛模拟表明新方法是一种快速而有效的算法。
简介:目的:与经典测量理论相比,项目反应理论具有更多的优势,但由于项目反应理论模型的复杂性,进行参数估计时往往需要较大的被试样本;人工神经网络的出现为小样本被试估计项目反应理论的能力参数和项目参数提供了可能,文章的目的是通过神经网络的蒙特卡罗模拟研究寻找更精确的参数估计方法。方法:以项目反应理论的两参数模型为例,以MAB和RMSE为比较指标,通过模拟数据比较经典测量理论的通过率、点二列相关系数、平均得分作为神经网络的输入值与以经过转换的数值(IRT参数估计的初值)作为神经网络的输入值训练网络结果的差异,比较不同条件下MAB指标和RMSE指标的差异。结果:以通过率估计项目参数b与以bj=zj/rbj估计项目参数b存在差异;以点二列相关系数估计项目参数a与以aj=rbj/√1-r^2bj估计项目参数a存在差异;以平均得分估计能力参数θ与以ln[x/(m-x)]估计能力参数θ存在差异。结论:对于两参数项目反应模型,以通过率估计项目参数b比以bj=zj/rbj估计项目参数b误差更小,而以点二列相关系数估计项目参数a比以aj=rbj/√1-r^2bj估计项目参数a误差更大,以平均得分估计能力参数θ比以ln[x/(m-x)]估计能力参数θ误差更大。
简介:摘要:古人云:“泰山不拒细壤 ,故能成其高 ;江海不择细流 ,故能就其深。”成功的数学课堂离不开精彩的细节,这细节虽小,却能透射出教师的大智慧。课堂教学是多变动态生成的,在课堂教学中,经常会有许多“意想不到”的事情发生,如何灵活、恰如其分地处理这些“意外”细节,不仅关系着一节课是否顺利进行,还是衡量教师教学机智的重要指标。作为教师的我们要善于用敏锐的视角发现课堂上有价值的细节,巧妙捕捉课堂中的精彩生成点,机智地利用各种“意外”资源,有效引导孩子们深入挖掘,促进课堂的有效生成,点亮孩子思维的灵动。