跳到主要內容

臺灣博碩士論文加值系統

(3.237.6.124) 您好!臺灣時間:2021/07/24 02:03
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:游國昌
研究生(外文):You Kwo Cheng
論文名稱:應用貝氏網路進行題組試題分析
論文名稱(外文):Application of Bayesian Networks to Diagnosis of Testlets
指導教授:郭伯臣郭伯臣引用關係
指導教授(外文):Bor-Chen Kuo
學位類別:碩士
校院名稱:國立臺中教育大學
系所名稱:教育測驗統計研究所
學門:教育學門
學類:教育測驗評量學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:78
中文關鍵詞:診斷測驗貝氏網路題組
外文關鍵詞:diagnosis testBayesian networkstestlets
相關次數:
  • 被引用被引用:4
  • 點閱點閱:201
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
摘要
本研究以「證據中心的評量設計」之架構為基礎,設計以證據為中心的題組試題,進行實徵研究,並結合貝氏網路對施測資料進行分析。題組的貝氏網路結構,依其證據節點的形態可以分為二種:1.以題組為證據節點;2.以子題為證據節點。此二種不同的證據節點,會形成不同的證據模式結構,因此有二種分析方式。本研究對此二種分析方式在結構上的差異做較為深入的討論,並以實際題組作答資料進行分析。研究結果顯示:

一、以子題為證據節點的貝氏網路有較佳的辨識率。
二、以題組為證據節點的貝氏網路,辨識率不如以子題為證據節點的貝氏網路,但具有節省分析時間的特性。
三、在對單一題組的網路結構進行分析之過程中,發現以題組為證據節點之貝氏網路結構,與題組子題完全連線結構有相同的節點辨識結果。
四、以題組為證據節點與以子題為證據節點二種網路結構間的最大差異,在於前者發生節點後驗機率完全為0之狀況,但是後者未發生此狀況;此狀況本研究以節點先驗機率進行修正,修正後二種網路結構的所有推論節點後驗機率值,皆會有不小的差異存在,影響推論節點的辨識結果。




關鍵詞:診斷測驗、貝氏網路、題組、ECD
Abstract
This research is to explore the evidenced-centered testlets. The data collected is analyzed by the Bayesian networks. The Bayesian networks in testlets are divided into two categories: one is to take testlets as evidentiary nodes, and the other is to take the items of testlet as evidentiary nodes. As these two different evidentiary nodes form different task model structures, there are two analysis methods. The research further explores the structural differences between these two analysis methods. The actual testlets responding data was analyzed.
The research shows that the Bayesian networks which take the items of testlet as evidentiary nods get higher accuracy. The Bayesian networks which take testlets as evidentiary nodes get lower accuracy but has the feature of saving time of analysis. In the process of analyzing single networks structure, it is found that the Bayesian networks taking testlets as evidentiary nodes have same node recognition results with those of the items of testlet full link framework. The largest difference between taking testlets as evidentiary nodes and taking the items of testlet as evidentiary nodes is that the nodes post-priori probability is zero for the former but none happened to the later. The situation is revised by using the nodes priori probability. All corollary nodes post-priori probability of these two networks frameworks exist differences and affect the nodes recognition results.



Key words: diagnosis test, Bayesian networks, testlets, ECD
目次
第一章 緒論……………………………………………… 1
第一節 研究動機…………………………………………… 1
第二節 研究目的…………………………………………… 2
第三節 名詞界定…………………………………………… 3

第二章 文獻探討………………………………………… 7
第一節 貝氏網路…………………………………………… 7
第二節 證據中心的評量設計……………………………… 9
第三節 題組…………………………………………………12
第四節 分數比較大小………………………………………14

第三章 研究設計與實施…………………………………19
第一節 研究方法……………………………………………19
第二節 研究流程……………………………………………20
第三節 研究樣本……………………………………………21
第四節 研究工具……………………………………………22
第五節 資料分析……………………………………………27

第四章 研究結果…………………………………………29
第一節 二種貝氏網路對節點之辨識效果…………………29
第二節 子題完全連線結構之比較…………………………33
第三節 子題與錯誤類型之間的連線結構之探討一………36
第四節 子題與錯誤類型之間的連線結構之探討二………52
第五節 子題與錯誤類型之間的連線結構之比較…………63
第五章 結論與建議……………………………………...67

參考文獻……………………………………………………71
一、中文部分…………………………………………………71
二、外文部分…………………………………………………71
附錄…………………………………………………………73
附錄一、給老師的話…………………………………………73
附錄二、國小五年級分數比較大小概念診斷測驗試題……74
附錄三、節點後驗機率值完全為0之作答反應分析(1)……..75
附錄四、節點後驗機率值完全為0之作答反應分析(2)……..77
參考文獻
一、中文部分
王德蕙(2006)。題組(testlet)測驗分數信度估計方法之比較-以閱讀理解測驗為例。國立台南教育大學測驗統計研究所碩士論文,未出版。
呂玉琴(1991a)。分數概念:文獻探討。國立台北師範學院學報,4,573-606。
呂玉琴(1991b)。國小學生的分數概念:1/2 vs. 2/4,國民教育,31(11,12),10-15。
林垣圻(2006)。以貝氏網路為基礎的適性測驗電腦化的可行性評估-以國小數學科診斷測驗為例。國立台中教育大學教育測驗統研究所碩士論文,未出版。
許雅菱(2005)。貝氏網路在教育分析上的應用。台中師範學院教育測驗統計研究所碩士論文,未出版。
陳和貴(2002)。國小五年級學童分數概念學習表現及易犯錯誤類型之比較研究~以屏東縣多元文化族群為例。屏東師範學院數理教育研究所碩士論文,未出版。
湯錦雲(2002)。國小五年級學童分數概念與運算錯誤類型之研究。屏東師範學院數理教育研究所碩士論文,未出版。
劉世能(2002)。臺灣北部地區國小高年級學童分數概念之研究。國立台北師範學院數理教育研究所碩士論文,未出版。
二、外文部分
Almond, R. G., Dibello, L., Jenkins, F., Senturk, D., Mislevy, R. J., Steinberg, L. S., and Yan, D. (2001). Models for Conditional Probability Tables in Educational Assessment. In Proceedings of the 2001 Conference on AI and Statistics. Society for Artificial Intelligence and Statistics http://www.ai.mit.edu/conference/aistats2001/files/almond46.ps.
Behr, M. J., Wachsmuth, I., Post, T. R., & Lesh, R.(1984).Order and Equivalence Of rational number : A clinical Teaching experiment. Journal for Research in Mathematics Education, 15(5),323-341.
Haladyna, T. M. (1992). Context-dependent item sets. Educational Measurement: Issues and Practice, 11(1), 21-25.
Lee, G., Brennan, R. L., & Frisbie, D. A. (2000). Incorporating the testlet concept in test score analyses. Educational Measurement: Issues and Practice, 19, 9-15.
Mislevy, R. J., Almond, R. G., Lukas, J. F. (2003). A brief introduction to evidence-centered design. RESEARCH REPORT- EDUCATIONAL TESTING SERVICE PRINCETON RR, 16, 8-19.
Pearl,J.(1988).Probabilistic reasoning in intelligence systems. San Mateo, CA: Morgan Kaufmann, 2-21.
Post, T. R., Wachsmuth, I., Lesh, R., & Behr, M. J.(1985).Order and equivalence of rational numbers: A cognitive analysis. Journal for Research in Mathematics Education, 16(1), 18-36.
Russell, G. Almond, R. G., Steinberg, L. S., & Mislevy R. J.(2003).A four-process architecture for assessment delivery with connections to assessment design. Center for the Study of Evaluation National Center for Research on Evaluation, Standards, and Student Testing Graduate School of Education & Information Studies University of California, Los Angeles Los Angeles, CA 90095-1522 (310)
Vomlel, J. (2003).Bayesian Networks in Educational Testing Testing. http://utia.cas.cz/vomlel/.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 應用貝氏網路認知診斷模式進行國小五年級小數單元學習診斷之研究
2. 多重貝氏網路在教育測驗上的應用
3. 以貝氏網路為基礎的適性測驗電腦化的可行性評估-以國小數學科診斷測驗為例
4. 貝氏網路於數學多元評量之應用
5. 利用SVM結合多重貝氏網路之適性學習系統研發─以國小數學領域分數的乘法為例
6. 以貝氏網路為基礎之適性測驗選題策略演算法
7. 比較適性與非適性貝氏網路診斷測驗及補救教學系統之成效-以國小數學領域分數的乘法為例
8. 融合不同專家貝氏網路優勢進行國小六年級數學領域代數之適性學習系統研發
9. 以貝氏網路為基礎的電腦化適性測驗選題策略-以國小數學科診斷測驗為例
10. 以貝氏網路為基礎的資訊融入數學教學對不同學習風格學生教學成效之探究─以分數的乘法單元為例
11. 以知識結構及貝氏網路為基礎之團班及個別指導教學模式成效探討-以國小五年級長方體與正方體單元為例
12. 應用貝氏網路進行國中地理「台灣天氣與氣候」單元之學習診斷測驗編製及適性補救教學設計
13. 以SVM結合多重貝氏網路在教育測驗上的應用
14. 以貝氏網路為基礎之能力指標測驗編製及補救教學動畫製作-以五年級數學領域分數相關指標為例
15. 以貝氏網路為基礎之能力指標測驗編製及補救教學動畫製作-以三年級數學領域之整數相關指標為例