2026年认知诊断测试题及答案

2026年认知诊断测试题及答案

一、单项选择题，(总共10题，每题2分)1.在DINA模型中，若被试在需掌握属性1与属性2的项目上作答错误，则其理想反应模式应为A.(0,0)B.(0,1)C.(1,0)D.(1,1)2.下列哪项不是Q矩阵的必要特征A.行代表项目B.列代表属性C.元素仅取0或1D.必须满秩3.在认知诊断中，用于描述“被试已掌握却被误判为未掌握”的指标是A.误判率B.漏判率C.模式判准率D.边际判准率4.若某测验的RCDI值为0.85，则说明该测验A.区分度低B.诊断信度较高C.项目过难D.属性层级错误5.在HO-DINA模型里，高阶能力θ与一级属性掌握概率的关系通常采用A.线性函数B.Logistic函数C.阶梯函数D.指数函数6.关于G-DINA的“项目截距”参数，下列说法正确的是A.仅与主效应有关B.反映未掌握任何属性时的答对概率C.随属性增加而减小D.恒等于0.57.在认知诊断CAT中，选题策略若采用MPWKL，其核心思想是A.最小化后验方差B.最大化知识状态后验概率变化期望C.最大化Fisher信息D.最小化曝光率8.若属性层级结构为线性型，则最大可能的潜在知识状态数为A.k+1B.2^kC.k!D.k(k+1)/29.在规则空间方法中，被试的“异常反应指数”主要依据A.Tatsuoka’s统计量B.似然比C.卡方值D.残差平方和10.下列方法中，可同时标定项目参数与估计被试知识状态的是A.聚类分析B.神经网络C.EM-MLE联合估计D.线性回归二、填空题，(总共10题，每题2分)11.在DINA模型中，项目j的失误参数记为______，猜测参数记为______。12.若某测验Q矩阵含5个属性，则理想知识状态总数为______。13.认知诊断评价中，将观察反应模式与理想反应模式之间的距离称为______距离。14.在G-DINA模型里，若某项目涉及3个属性，则最多可估计______个非零参数。15.用于衡量单个属性在测验中被测量充分程度的指标缩写为______。16.当属性层级为收敛型时，根节点属性被称为______属性。17.在CD-CAT中，若题库曝光率上限设为0.2，则该题库最小项目数应不少于______。18.规则空间分类中，若被试落入“无归类”区域，则称其为______被试。19.在HO-DINA中，高阶能力θ的先验分布通常设为______分布。20.若某项目s的GDI值为0.35，则其诊断贡献度属于______水平。三、判断题，(总共10题，每题2分)21.DINA模型是补偿型模型。22.Q矩阵可通过实证数据修正，称为Q矩阵验证。23.在认知诊断中，边际判准率一定不低于模式判准率。24.G-DINA的主效应参数为负，说明掌握该属性会降低答对概率。25.当属性间存在线性层级时，潜在类别数一定小于2^k。26.RSM方法不需要事先指定IRT模型。27.在CD-CAT中，曝光控制会降低诊断精度，因此应完全放弃。28.认知诊断测验的信度可用Cronbachα系数完全代替。29.神经网络的“黑箱”特性使其无法提供可解释的认知诊断结果。30.若项目参数估计样本量不足，易出现“标签交换”问题。四、简答题，(总共4题，每题5分)31.简述DINA与G-DINA在参数解释上的主要差异。32.说明认知诊断中“属性掌握概率”与“项目反应概率”的区别与联系。33.概述Q矩阵修正的两类常用统计指标及其原理。34.简要比较CD-CAT与传统CAT在选题目标上的异同。五、讨论题，(总共4题，每题5分)35.结合实例讨论属性层级结构对诊断分类精度的影响，并提出提升策略。36.试论高阶认知诊断模型在大型测评中的优势与潜在风险。37.探讨深度学习模型在认知诊断可解释性上的最新进展及未来方向。38.分析“双减”背景下认知诊断技术如何服务于个性化作业推送。答案与解析一、单项选择题1.A2.D3.B4.B5.B6.B7.B8.A9.A10.C二、填空题11.sj,gj12.3213.欧氏或马氏14.715.AAI16.根或基础17.5×题目长度/0.218.异常19.标准正态20.中等三、判断题21×22√23×24√25√26×27×28×29√30√四、简答题31.DINA仅含失误与猜测两参数，假设项目反应仅由“全有或全无”的掌握状态决定；G-DINA引入主效应与交互效应，允许多种掌握组合产生不同正确概率，体现非补偿与部分补偿机制，参数解释更贴近复杂认知过程。32.属性掌握概率指被试掌握某属性的后验概率，是潜在变量；项目反应概率指给定知识状态下答对某题的概率，是可观察变量。二者通过Q矩阵与认知模型连接，前者为后者提供输入，后者为前者提供观测证据，形成EM迭代估计闭环。33.一类基于模型–数据拟合，如残差平方和RSS，若某列RSS显著大于随机水平则提示Q矩阵该行可能误设；另一类基于判别度，如属性区分度指数ADI，若某属性ADI低于阈值则考虑删减或合并。二者均通过统计显著性检验或临界值比较实现修正。34.相同点：均用Fisher类信息或后验变化指标选题。不同点：传统CAT以能力估计精度最大化为目标，选用单维信息；CD-CAT以知识状态分类准确率为目标，需计算属性层面信息或Kullback-Leibler距离，并兼顾层级约束与曝光控制。五、讨论题35.线性层级下潜在类别锐减，分类精度对根节点属性估计敏感，一旦根节点误判将导致连锁错误；提升策略包括增加根节点测量题量、采用分层选题、引入多源证据融合。36.高阶模型减少参数维度，提升大样本标定效率，且能与国家能力标准对接；风险在于高维积分计算耗时，若高阶分布误设将导致属性估计偏差，需并行计算与稳健检验。37.深度