CN107545146A - 一种可自适应出题的心理测评方法 - Google Patents
一种可自适应出题的心理测评方法 Download PDFInfo
- Publication number
- CN107545146A CN107545146A CN201710807349.XA CN201710807349A CN107545146A CN 107545146 A CN107545146 A CN 107545146A CN 201710807349 A CN201710807349 A CN 201710807349A CN 107545146 A CN107545146 A CN 107545146A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- test
- appraisal
- examination question
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及心理测评技术领域，公开了一种可自适应出题的心理测评方法。与传统的心理测评方法相比，本发明创造以受测者为主导，题库可以根据受测者自身的特点来构建个性化的测评项目，进而使得测评试题目及数量灵活多变，缩短测评时间，提高效率。同时可使受测者的潜在心理特征水平与心理测评项目的测评参数具有相同的参照体系，心理测评项目的参数估计不再依赖于具体的样本，能够精确地估计出不同能力水平受测者的测评误差。此外，本发明创造能够高效、精准地锁定受测者的心理特征水平，满足受测者的个性化需求，更加有针对性，便于实际推广和应用。
Description
技术领域
本发明涉及心理测评技术领域，具体地，涉及一种可自适应出题的心理测评方法。
背景技术
现有的心理测评技术大都基于经典测评理论，以出题者为导向，所有受测者接受相同的测试题目，用时较长，不能根据受测者的选择反应灵活出题。同时这种测评技术的评估结果就是测验分数简单加和，对受测者的评价依赖于测验具体项目的组合和数量，对测验及题目性能指标的估计依赖于具体的样本。此外，还忽略了不同能力水平受测者测评误差的差异。
发明内容
针对前述现有心理测评技术所存在的问题，本发明提供了一种可自适应出题的心理测评方法。
本发明采用的技术方案,提供了一种可自适应出题的心理测评方法，包括如下步骤：
S101.根据心理测评项目的潜在心理特征维度分类和对应测评试题的评分方式确定所述心理测评项目的IRT模型；
S102.采用所述IRT模型对所述心理测评项目进行参数估计，确定所述心理测评项目中各个测评试题的多个测评参数；
S103.从所述心理测评项目的题库中随机输出首个测评试题；
S104.采集受测者在对应测评试题上的选择反应；
S105.根据受测者的选择反应和对应测评试题的多个测评参数，确定受测者的当前能力评估值；
S106.根据所述当前能力评估值，计算所述题库中未输出的各个剩余测评试题的信息贡献量，然后输出信息贡献量最大的对应剩余测评试题；
S107.采集受测者在对应剩余测评试题上的选择反应，累加已做测评试题的信息贡献总量；
S108.比较所述信息贡献总量与测评目标阈值，若所述信息贡献总量未超过所述测评目标阈值，则返回执行步骤S106，否则终止出题，并根据已做测评试题的所有选择反应，确定受测者的潜在心理特征。
优化的，在所述步骤S101中，若所述心理测评项目的潜在心理特征维度分类为单维结构，且对应测评试题的评分方式为等级评分方式，则确定所述心理测评项目的IRT模型为GRSM模型。
优化的，在所述步骤S102中，采用所述GRSM模型确定所述心理测评项目中各个测评试题的如下多个测评参数：第j道测评试题的区分度aj，第j道测评试题在心理测评连续体上的位置δj，第j道测评试题第h个选择反应类别阈限在心理测评连续体上的相对位置τjh，其中，j和h分别自然数。
优化的，在所述步骤S105中，采用极大似然法估算受测者的当前能力评估值。
优化的，在所述步骤S105中，包括如下步骤：
S501.设受测者的当前能力评估值为在整数区间[-N,+N]内取值的变量θ，则建立如下似然函数：
式中，Xi表示受测者在第i次测评后的选择反应，xjk表示针对第j道已做测评试题，受测者选择第k个选择反应的事件，L为已做测评试题的总数，p(xjk|θ,aj,δj,τ)为针对第j道已做测评试题，当选取某一个能力值θ时，受测者选择第k个选择反应的概率，τ表示第j道已做测评试题的所有选择反应类别阈限在心理测评连续体上的相对位置集合，kj为第j道已做测评试题的第k个选择反应类别的序号，m为第j道已做测评试题的选择反应类别总数，i、N、c和h分别为自然数；
S502.使变量θ在整数区间[-N,+N]内依次取值，确定使似然函数L(Xi|θ)的计算结果为最大值的对应整数值为受测者的当前能力评估值。具体的，N为整数3。
优化的，在所述步骤S106中，按照如下公式计算各个剩余测评试题的信息贡献量Is+1(θ0)：
式中，s表示最近已做测评试题的代号，s+1表示在剩余测评试题中下一待做测评试题的代号，Xs表示受测者在最近已做测评试题上的选择反应，Xs+1表示受测者在剩余测评试题中下一待做测评试题的选择反应，θ0为受测者的当前能力评估值。
具体的，在所述步骤S108中，若N为整数3，则所述测评目标阈值为25。
综上，采用本发明所提供的一种可自适应出题的心理测评方法，具有如下有益效果：(1)与传统的心理测评方法相比，本发明创造以受测者为主导，题库可以根据受测者自身的特点来构建个性化的测评项目，可使测评试题目及数量灵活多变，缩短测评时间，提高效率；(2)可使受测者的潜在心理特征水平与心理测评项目的测评参数具有相同的参照体系，项目的参数估计不再依赖于具体的样本，能够精确地估计不同能力水平受测者的测评误差；(3)本发明创造能够高效、精准地锁定受测者的心理特征水平，满足受测者的个性化需求，更加有针对性，便于实际推广和应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的心理测评方法的流程示意图。
具体实施方式
以下将参照附图，通过实施例方式详细地描述本发明提供的可自适应出题的心理测评方法。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。
实施例一
图1示出了本发明提供的心理测评方法的流程示意图，本实施例提供的所述可自适应出题的心理测评方法，包括如下步骤。
S101.根据心理测评项目的潜在心理特征维度分类和对应测评试题的评分方式确定所述心理测评项目的IRT模型。
在所述步骤S101中，所述IRT模型(Item Response Theory)是一系列心理统计学模型的总称，其是用来分析考试成绩或者问卷调查数据的数学模型，这些模型的目标是来确定的潜在心理特征(latent trait)是否可以通过测试题被反应出来，以及测试题和被测试者之间的互动关系。优化的，若所述心理测评项目的潜在心理特征维度分单维结构，且对应测评试题的评分方式为等级评分方式，则确定所述心理测评项目的IRT模型为GRSM模型(即Generalized Rating Scale Modle)。比如假设学习焦虑方面的心理测评试题只反映受测者学习焦虑的特征，那么就选用单维模型，同时由于心理测评试题采用等级评分的方式，因此可采用单维的GRSM模型来进行心理测评项目的参数估计，以确定心理测评项目中各个测评试题的测评参数。
S102.采用所述IRT模型对所述心理测评项目进行参数估计，确定所述心理测评项目中各个测评试题的多个测评参数。
在所述步骤S102中，采用所述GRSM模型确定所述心理测评项目中各个测评试题的如下多个测评参数：第j道测评试题的区分度aj，第j道测评试题在心理测评连续体上的位置δj，第j道测评试题第h个选择反应类别阈限在心理测评连续体上的相对位置τjh，其中，j和h分别自然数。若心理测评试题为学习焦虑方面的，则所述心理测评连续体即为学习焦虑连续体(现代心理学中的常识概念)，比如在某个心理测评项目中，针对第j道测评学习焦虑程度的题目，共有四个选项：A非常不符合、B不符合、C符合、D非常符合，每一个选项即为一个选择反应类别，如果受测者选择D选项，那么D选项在学习焦虑程度的连续体上所处的相对位置为τj4(因D选项为第4个选择反应类别)。此外，在实际的R程序中，可加载MIRT(Multidimensional Item Response Theory，多维项目反应理论)软件包，采用设定好GRSM模型来进行参数估计，确保参数估计的标准误小于0.01。
S103.从所述心理测评项目的题库中随机输出首个测评试题。
在所述步骤S103中，首个测评试题即为题库的入口，其采用随机方式来确定，可使心理测评项目的试题不再千篇一律，进一步提升测评的灵活性。
S104.采集受测者在对应测评试题上的选择反应。
在所述步骤S104中，所述测评试题主要为客观试题，受测者的选择反应即为具体选择了哪一选项，不同的选项对应的分数和部分测评参数都不相同。
S105.根据受测者的选择反应和对应测评试题的多个测评参数，确定受测者的当前能力评估值。
在所述步骤S105中，可优选采用极大似然法来估算受测者的当前能力评估值。具体的，包括如下步骤：
S501.设受测者的当前能力评估值为在整数区间[-N,+N]内取值的变量θ，则建立如下似然函数：
式中，Xi表示受测者在第i次测评后的选择反应，xjk表示针对第j道已做测评试题，受测者选择第k个选择反应的事件，L为已做测评试题的总数，p(xjk|θ,aj,δj,τ)为针对第j道已做测评试题，当选取某一个能力值θ时，受测者选择第k个选择反应的概率，τ表示第j道已做测评试题的所有选择反应类别阈限在心理测评连续体上的相对位置集合，kj为第j道已做测评试题的第k个选择反应类别的序号，m为第j道已做测评试题的选择反应类别总数，i、N、c和h分别为自然数；
S502.使变量θ在整数区间[-N,+N]内依次取值，确定使似然函数L(Xi|θ)的计算结果为最大值的对应整数值为受测者的当前能力评估值。详细具体的，N为整数3。
S106.根据所述当前能力评估值，计算所述题库中未输出的各个剩余测评试题的信息贡献量，然后输出信息贡献量最大的对应剩余测评试题。
在所述步骤S106中，所述信息贡献量(可简称信息量)的大小由测评参数和受测者的潜在心理特征水平决定，测评试题提供的信息贡献量越大，表明这个测评试题在评价此受测者潜在心理特征水平时越有价值。可以但不限于按照如下公式计算各个剩余测评试题的信息贡献量Is+1(θ0)：
式中，s表示最近已做测评试题的代号，s+1表示在剩余测评试题中下一待做测评试题的代号，Xs表示受测者在最近已做测评试题上的选择反应，Xs+1表示受测者在剩余测评试题中下一待做测评试题的选择反应，θ0为受测者的当前能力评估值。
S107.采集受测者在对应剩余测评试题上的选择反应，累加已做测评试题的信息贡献总量。
在所述步骤S107中，由于首个测评试题无法计算其信息贡献量，因此在累加已做测评试题的信息贡献总量时，首个测评试题的信息贡献量默认为0。
S108.比较所述信息贡献总量与测评目标阈值，若所述信息贡献总量未超过所述测评目标阈值，则返回执行步骤S106，否则终止出题，并根据已做测评试题的所有选择反应，确定受测者的潜在心理特征。
在所述步骤S108中，具体的，若N为整数3，则所述测评目标阈值为25。此外在终止出题后，是基于现有经典心理测评理论来根据已做测评试题的所有选择反应，确定受测者的潜在心理特征。
前述步骤S101～S108详细描述了一种可自适应出题的心理测评方法，由于具体算法是根据受测者当下的选择反应计算出剩余哪一道测评试题对评价其心理特征水平是最有价值的，因此能够根据受测者当下的选择反应适应性地挑选出下一道测评试题，最大限度地且高效地估计出受测者的潜在心理特征水平。
综上，本实施例所提供的可自适应出题的心理测评方法，具有如下有益效果：(1)与传统的心理测评方法相比，本发明创造以受测者为主导，题库可以根据受测者自身的特点来构建个性化的测评项目，进而使得测评试题目及数量灵活多变，缩短测评时间，提高效率；(2)可使受测者的潜在心理特征水平与心理测评项目的测评参数具有相同的参照体系，心理测评项目的参数估计不再依赖于具体的样本，能够精确地估计出不同能力水平受测者的测评误差；(3)本发明创造能够高效、精准地锁定受测者的心理特征水平，满足受测者的个性化需求，更加有针对性，便于实际推广和应用。
如上所述，可较好地实现本发明。对于本领域的技术人员而言，根据本发明的教导，设计出不同形式的可自适应出题的心理测评方法并不需要创造性的劳动。在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。
Claims (8)
1.一种可自适应出题的心理测评方法，其特征在于，包括如下步骤：
S101.根据心理测评项目的潜在心理特征维度分类和对应测评试题的评分方式确定所述心理测评项目的IRT模型；
S102.采用所述IRT模型对所述心理测评项目进行参数估计，确定所述心理测评项目中各个测评试题的多个测评参数；
S103.从所述心理测评项目的题库中随机输出首个测评试题；
S104.采集受测者在对应测评试题上的选择反应；
S105.根据受测者的选择反应和对应测评试题的多个测评参数，确定受测者的当前能力评估值；
S106.根据所述当前能力评估值，计算所述题库中未输出的各个剩余测评试题的信息贡献量，然后输出信息贡献量最大的对应剩余测评试题；
S107.采集受测者在对应剩余测评试题上的选择反应，累加已做测评试题的信息贡献总量；
S108.比较所述信息贡献总量与测评目标阈值，若所述信息贡献总量未超过所述测评目标阈值，则返回执行步骤S106，否则终止出题，并根据已做测评试题的所有选择反应，确定受测者的潜在心理特征。
2.如权利要求1所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S101中，若所述心理测评项目的潜在心理特征维度分类为单维结构，且对应测评试题的评分方式为等级评分方式，则确定所述心理测评项目的IRT模型为GRSM模型。
3.如权利要求2所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S102中，采用所述GRSM模型确定所述心理测评项目中各个测评试题的如下多个测评参数：第j道测评试题的区分度aj，第j道测评试题在心理测评连续体上的位置δj，第j道测评试题第h个选择反应类别阈限在心理测评连续体上的相对位置τjh，其中，j和h分别自然数。
4.如权利要求3所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S105中，采用极大似然法估算受测者的当前能力评估值。
5.如权利要求4所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S105中，包括如下步骤：
S501.设受测者的当前能力评估值为在整数区间[-N,+N]内取值的变量θ，则建立如下似然函数：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Pi;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
<mi>&theta;</mi>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<munder>
<mi>&tau;</mi>
<mo>&OverBar;</mo>
</munder>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mi>j</mi>
</msub>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>&theta;</mi>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>&theta;</mi>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，Xi表示受测者在第i次测评后的选择反应，xjk表示针对第j道已做测评试题，受测者选择第k个选择反应的事件，L为已做测评试题的总数，p(xjk|θ,aj,δj,τ)为针对第j道已做测评试题，当选取某一个能力值θ时，受测者选择第k个选择反应的概率，τ表示第j道已做测评试题的所有选择反应类别阈限在心理测评连续体上的相对位置集合，kj为第j道已做测评试题的第k个选择反应类别的序号，m为第j道已做测评试题的选择反应类别总数，i、N、c和h分别为自然数；
S502.使变量θ在整数区间[-N,+N]内依次取值，确定使似然函数L(Xi|θ)的计算结果为最大值的对应整数值为受测者的当前能力评估值。
6.如权利要求5所述的一种可自适应出题的心理测评方法，其特征在于，N为整数3。
7.如权利要求5或6所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S106中，按照如下公式计算各个剩余测评试题的信息贡献量Is+1(θ0)：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
<mo>=</mo>
<msubsup>
<mi>P</mi>
<msub>
<mi>X</mi>
<mi>s</mi>
</msub>
<mo>*</mo>
</msubsup>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>*</mo>
</msubsup>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<msub>
<mi>X</mi>
<mi>s</mi>
</msub>
<mo>*</mo>
</msubsup>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>*</mo>
</msubsup>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msup>
<mi>&theta;</mi>
<mn>0</mn>
</msup>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，s表示最近已做测评试题的代号，s+1表示在剩余测评试题中下一待做测评试题的代号，Xs表示受测者在最近已做测评试题上的选择反应，Xs+1表示受测者在剩余测评试题中下一待做测评试题的选择反应，θ0为受测者的当前能力评估值。
8.如权利要求7所述的一种可自适应出题的心理测评方法，其特征在于，在所述步骤S108中，若N为整数3，则所述测评目标阈值为25。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807349.XA CN107545146A (zh) | 2017-09-08 | 2017-09-08 | 一种可自适应出题的心理测评方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807349.XA CN107545146A (zh) | 2017-09-08 | 2017-09-08 | 一种可自适应出题的心理测评方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107545146A true CN107545146A (zh) | 2018-01-05 |
Family
ID=60958030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710807349.XA Pending CN107545146A (zh) | 2017-09-08 | 2017-09-08 | 一种可自适应出题的心理测评方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545146A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629696A (zh) * | 2018-03-30 | 2018-10-09 | 北京有保无险科技有限公司 | 一种基于用户的保险保障评估方法和系统 |
| CN108665369A (zh) * | 2018-03-30 | 2018-10-16 | 北京有保无险科技有限公司 | 一种基于用户的保险评估方法和系统 |
| CN108665370A (zh) * | 2018-03-30 | 2018-10-16 | 北京有保无险科技有限公司 | 一种计算机实施的用于互联网保险的交互方法 |
| CN108734589A (zh) * | 2018-03-30 | 2018-11-02 | 北京有保无险科技有限公司 | 一种基于用户的互联网保险用户界面系统 |
| CN108876631A (zh) * | 2018-03-30 | 2018-11-23 | 北京有保无险科技有限公司 | 一种互联网保险系统和方法 |
| CN111554143A (zh) * | 2020-03-31 | 2020-08-18 | 北京学格科技有限公司 | 一种基于co-mirt算法模型的测评方法和装置 |
| CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
| CN112446809A (zh) * | 2020-11-25 | 2021-03-05 | 四川大学 | 心理健康综合自适应测评方法及系统 |
| CN113918064A (zh) * | 2021-11-02 | 2022-01-11 | 网易（杭州）网络有限公司 | 问卷测评和设计方法、电子设备装及存储介质 |
| CN117950974A (zh) * | 2024-03-27 | 2024-04-30 | 深圳市华师兄弟教育科技有限公司 | 一种基于区块链的测评方法和系统 |
| CN118585631A (zh) * | 2024-08-02 | 2024-09-03 | 北京双高国际人力资本集团有限公司 | 一种基于知识图谱的心理测验试题智能推荐方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942993A (zh) * | 2014-03-17 | 2014-07-23 | 深圳市承儒科技有限公司 | 一种基于irt的自适应在线测评系统及其方法 |
| EP2924674A1 (en) * | 2014-03-27 | 2015-09-30 | MyCognition Limited | Adaptive cognitive skills assessment and training |
-
2017
- 2017-09-08 CN CN201710807349.XA patent/CN107545146A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942993A (zh) * | 2014-03-17 | 2014-07-23 | 深圳市承儒科技有限公司 | 一种基于irt的自适应在线测评系统及其方法 |
| EP2924674A1 (en) * | 2014-03-27 | 2015-09-30 | MyCognition Limited | Adaptive cognitive skills assessment and training |
Non-Patent Citations (2)
| Title |
|---|
| 朱靖华: "基于项目反应理论的计算机自适应考试系统的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 李星: "基于项目反映理论的智能题库管理系统的研究与实现", 《百度文库》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629696A (zh) * | 2018-03-30 | 2018-10-09 | 北京有保无险科技有限公司 | 一种基于用户的保险保障评估方法和系统 |
| CN108665369A (zh) * | 2018-03-30 | 2018-10-16 | 北京有保无险科技有限公司 | 一种基于用户的保险评估方法和系统 |
| CN108665370A (zh) * | 2018-03-30 | 2018-10-16 | 北京有保无险科技有限公司 | 一种计算机实施的用于互联网保险的交互方法 |
| CN108734589A (zh) * | 2018-03-30 | 2018-11-02 | 北京有保无险科技有限公司 | 一种基于用户的互联网保险用户界面系统 |
| CN108876631A (zh) * | 2018-03-30 | 2018-11-23 | 北京有保无险科技有限公司 | 一种互联网保险系统和方法 |
| CN111554143A (zh) * | 2020-03-31 | 2020-08-18 | 北京学格科技有限公司 | 一种基于co-mirt算法模型的测评方法和装置 |
| CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
| CN112446809A (zh) * | 2020-11-25 | 2021-03-05 | 四川大学 | 心理健康综合自适应测评方法及系统 |
| CN112446809B (zh) * | 2020-11-25 | 2022-08-12 | 四川大学 | 心理健康综合自适应测评方法及系统 |
| CN113918064A (zh) * | 2021-11-02 | 2022-01-11 | 网易（杭州）网络有限公司 | 问卷测评和设计方法、电子设备装及存储介质 |
| CN113918064B (zh) * | 2021-11-02 | 2023-09-26 | 网易（杭州）网络有限公司 | 问卷测评和设计方法、电子设备装及存储介质 |
| CN117950974A (zh) * | 2024-03-27 | 2024-04-30 | 深圳市华师兄弟教育科技有限公司 | 一种基于区块链的测评方法和系统 |
| CN117950974B (zh) * | 2024-03-27 | 2024-05-28 | 深圳市华师兄弟教育科技有限公司 | 一种基于区块链的测评方法和系统 |
| CN118585631A (zh) * | 2024-08-02 | 2024-09-03 | 北京双高国际人力资本集团有限公司 | 一种基于知识图谱的心理测验试题智能推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545146A (zh) | 一种可自适应出题的心理测评方法 | |
| CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN109255044A (zh) | 一种基于YOLOv3深度学习网络的图像智能标注方法 | |
| CN108549954A (zh) | 风险模型训练方法、风险识别方法、装置、设备及介质 | |
| CN108665120A (zh) | 打分模型的建立、用户信用的评估方法及装置 | |
| US20070294067A1 (en) | Prediction of estrogen receptor status of breast tumors using binary prediction tree modeling | |
| CN109407649A (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
| CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
| Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
| CN109284921A (zh) | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 | |
| CN110352389A (zh) | 信息处理装置及信息处理方法 | |
| CN106095812A (zh) | 一种基于相似性度量的智能试卷生成方法 | |
| CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
| CN107368613A (zh) | 短文本情感分析方法及装置 | |
| CN106708971A (zh) | 一种复习试题生成方法及系统 | |
| CN106485325A (zh) | 基于复杂网络和深度学习的两相流多元信息融合法及应用 | |
| CN108492049A (zh) | 一种基于逻辑回归的p2p平台运营风险评估的系统 | |
| CN116468300A (zh) | 基于神经网络的军队总医院学科评估方法及系统 | |
| CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
| Li et al. | Trait parameter recovery using multidimensional computerized adaptive testing in reading and mathematics | |
| CN108711100A (zh) | 一种基于神经网络的p2p平台运营风险评估的系统 | |
| Brusco et al. | An exact method for partitioning dichotomous items within the framework of the monotone homogeneity model | |
| Luo | LOO and WAIC as model selection methods for polytomous items | |
| Bani-Hani et al. | Prediction of energy gains from Jordanian wind stations using artificial neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |