林盈等提出心理测试中基于多目标演化的并行组卷方法
近日,我系林盈博士及其合作者针对认知诊断测试中的并行组卷问题,提出了基于多目标演化计算的组卷方法。该方法能够同时产生多组在诊断性能优化和平衡方面取得最佳折衷效果的并行试卷,并满足实际中常常存在的问卷长度、题型比例、题目重复率等多种约束条件,为在多人群测试、前后测等情况中实施并行认知诊断测试提供了新途径。该成果作为先进计算方法在心理学领域的成功运用,已在线发表于人工智能领域知名期刊《IEEE Transactions on Cybernetics》。
认知诊断测试是一种新兴的心理测试方法,能根据测试者的回答情况估计出其在各项待测属性上的具体水平,已被用于教育测量以及抑郁症等精神疾病的诊断之中。认知诊断测试成功实施的关键之一是如何组成具有足够诊断性能且满足实际约束条件的问卷。随着题库扩大化和复杂化,依赖人为经验的组卷方式在执行效率和问卷质量上越来越受到限制,自动组卷方法的研究因此备受关注。鉴于认知诊断模型的特殊性,针对传统的项目反应模型或经典测试模型开发的自动组卷方法并不适用。现有方法仅考虑单份问卷,在并行测试的应用场景下难以取得令人满意的效果。对此,林盈等将认知诊断测试的并行组卷问题转化为带约束的多目标子集优化问题进行求解,提出了基于多目标离散粒子群优化算法的并行组卷方法,取得了良好的效果(图1)。
粒子群优化算法最早是由社会心理学家James Kennedy和电子工程师Russell Eberhart于1995年提出,如今被成功运用于解决心理学领域的科学问题。这种算法是通过模拟粒子运动过程来搜索问题空间的一类演化计算算法,具有不依赖问题的数学模型、全局搜索、隐并行等优点,在工业设计、生产调度、国防军事等多个领域均有广泛应用。林盈等对粒子群优化算法作了一系列的改进,包括基于分配的粒子编码策略、构造式的多目标学习策略、约束嵌入的初始化和局部搜索策略,使算法更适合求解认知诊断测试的并行组卷问题。实验表明,林盈等提出的方法不仅优于已有的认知诊断测试组卷方法,也优于其它经典多目标演化计算方法。
IEEE Transactions on Cybernetics是美国电气电子工程师学会(IEEE)出版的高水平SCI期刊,其2017年影响因子8.803,名列“计算机科学-人工智能”领域第3位。
论文信息:
Lin, Y., Gong, Y.-J., Zhan, Z.-H., & Zhang, J.* (in press). A discrete multiobjective particle swarm optimizer for automated assembly of parallel cognitive diagnosis tests. IEEE Transactions on Cybernetics.
作者简介:
林盈,中山大学心理学系讲师,先后获得中山大学计算机科学与技术学士学位和计算机应用技术博士学位。林盈运用演化计算等人工智能方法研究心理学问题,讲授C++、Matlab编程基础等心理学本科课程,已主持国家自然科学基金2项,在国际学术期刊和国际学术会议上发表论文30余篇,被引700余次。

图1 :多种方法在不同约束程度下找到的非支配解集在目标空间中的比较,每个解代表一组并行试卷。RND:随机方法;p-CDI:基于项目诊断指标的贪心方法;NSGA-II:非支配排序的遗传算法;S-MOPSO/D:林盈等提出的多目标离散粒子群优化算法。
