基于项目反应理论的中国公民科学素质测评方法研究

在对经典测量理论与项目反应理论进行对比研究的基础上,结合实际调研数据,从结构方程模型的运用、项目分析、合格线的划分以及题库的建设等方面,对项目反应理论如何在中国公民科学素质测评中使用进行了阐释,并针对中国公民科学素质测评的测评方法与研究思路提出若干操作性的建议.     

项目反应理论在计算机自适应测试中的应用

项目反应理论IRT（Item Response Theory）以强假设为基础,具有经典测试理论（CTT）所没有的众多优点,是计算机自适应测试的新突破。本文介绍了计算机自适应测试的背景,以及项目反应理论的特点,项目反应理论在自适应考试系统中的应用、及自适应考试测评的优点。     

项目反应理论与计算机化自适应考试研究

针对传统考试理论的不足之处,项目反应理论被提出并逐渐实用化。详细分析了这一理论及基于这一理论的计算机化自适应考试的基本概念以及设计理念,并简要介绍了计算机化自适应考试系统的具体实现方法。     

基于信息集交互的非合作审计动态策略研究

针对项目工程审计的复杂性、非合作性特征,本文选择在非合作动态博弈分析框架下,应用信息集交互理论,结合各类审计效率影响因素,构建了项目审计的双目标策略反应模型。模型针对项目工程审计中的策略行为进行了动态博弈分析。研究所获结论为:审计方应适度控制审计计划中触及项目工程关键信息的规模;减少重复性、非关键性信息审计作业的关键在于优化审与被审双方的关系模式;项目方对审计方策略反应的实质目标是审计方信息搜索的动机水平;审计过程中对关键审计信息的搜索动机应该予以策略性控制或隐匿。     

重大科技项目中评估研究

本文针对我国重大科技项目的特点、管理体制及运行机制,着重讨论了重大科技项目中评估的地位与作用、中评估的基本要素分析、评价模型、评价指标体系及评价方法等问题,提出了根据项目的工期、技术和管理特性进行分类评估的“STM动态模型”,以及按指标层面(水平)推进的动态权重“递进评价”模型方法。     

计算机自适应测试系统的模型研究

本文阐述了教育测量的两种主要理论,即经典测试理论（Classical Test Theory,CTT）和项目反应理论（Item Response Theory,IRT）,其中IRT是计算机自适应测试CAT的理论基础。介绍了IRT和CTT相比的优点和几种IRT模型,并以三参数Logistic模型为代表论述了Logistic模型的基本理论。     

项目环境下知识转移机理与策略研究

从多维角度分析项目环境下知识转移的复杂机理,建立项目环境下知识转移模型,并从技术层面、文化层面、机制与制度层面、组织层面提出项目环境下知识转移的策略,以探寻促进项目环境下知识转移的途径和提高项目管理水平的方法.     

基于IRT动态题库系统分析和设计

本文讨论题库系统的功能模块划分及其功能需求分析，设计了学科试题的基本数据结构，并借助考试项目反应理论来研究和设计计算机题库，达到题库信息实时数据收集的目的。     

软件生命周期选择方法研究

对软件研发常见的7种生命周期模型按照模型特征、优点、缺点、适用场景进行了分析,将不同的生命周期模型按照各自适用的项目特征进行了对比,并结合项目特性给出软件项目生命周期选型的定量模型方法。     

收益共享视角下的项目群工期激励的计算实验模型

已有项目群工期优化的激励机制主要从业主角度探讨总量激励策略,较少考虑承包商的收益共享偏好。为此,从项目群相关者收益共享视角,探讨项目群工期激励仿真的计算实验模型。首先,分析收益共享激励策略下的项目群工期优化机理；其次,引入激励总量和激励强度,构建收益共享视角下的项目群工期激励的计算实验模型；进而,通过激励总量、收益共享比例动态调整,构建不同情境下承包商行为、项目群工期及优化带来的业主收益的仿真方法。最后,以U项目为例,进行计算实验,结果表明：单独依靠激励总量存在激励效率边际递减效应；收益分享比例设计能够在激励总量基础上进一步提升承包商努力水平及业主收益；激励总量和收益分享比例的平衡是实现工期及业主收益最优的关键；收益共享激励策略的引入形成并强化了项目群工期优化的激励-努力程度的反馈回路。研究成果为揭示承包商行为及项目群工期演化规律、并且制定相关管理策略提供新的研究思路和分析方法。     

基于IRT的自动组卷算法模型研究

基于项目反应理论(IRT),采用离差加权值最小和测验项目信息函数值最高两个目标规划相结合的办法,设计了一个新的自动组卷数学模型。该模型克服了经典测量理论(CTT)的种种局限,有效解决了计量指标——信息量与非计量指标——题型分布、知识点分布等约束条件计算量纲不同的问题,很好地体现了测试项目信息函数值最高的组卷目标。     

计算机化自适应测验系统的设计与实现

计算机化自适应测验(Computerized Adaptive Test,简记为CAT)是在项目反应理论的指导下,把测量技术与计算机技术相结合的考试形式。本文对计算机化自适应测验系统的需求分析、概要设计、详细设计及实现进行了详细分析,并重点分析了CAT中的两个关键技术选题策略及能力估计,设计和实现了一个计算机化自适应测验系统。     

基于Web的CAT系统实现机制的探讨

本文在介绍CAT研究及应用的基础上,重点分析了CAT的实现原理及其关键问题,具体探讨了基于Web的CAT系统的实现。     

对技能主导类表现准确性项群理论的探讨

本文从基础理论着手,对技能主导类表现准确性规律进行分析和探讨,为运动训练提供理论依据,将项群训练理论在基础学科中加以推广和应用。     

基于哈希表的关联规则挖掘算法研究

经过分析关联规则中Apriori算法存在的不足,为减少对事务数据库的扫描次数,缩减产生频繁项集的时间,列出两种基于哈希表的计算项集支持计数的方法以及利用哈希表来进行项集的地址定位的方法,使得生成频繁项集的效率有所提高。     

Efficient federated item similarity model for privacy-preserving recommendation

Previous federated recommender systems are based on traditional matrix factorization, which can improve personalized service but are vulnerable to gradient inference attacks. Most of them adopt model averaging to fit the data heterogeneity of federated recommender systems, requiring more training costs. To address privacy and efficiency, we propose an efficient federated item similarity model for the heterogeneous recommendation, called FedIS, which can train a global item-based collaborative filtering model to eliminate user feature dependencies. Specifically, we extend the neural item similarity model to the federated model, where each client only locally optimizes the shared item feature matrix. We then propose a fast-convergent federated aggregation method inspired by meta-learning to address heterogeneous user updates and accelerate the convergence of global training. Furthermore, we propose a two-stage perturbation method to protect both local training and transmission while reducing communication costs. Finally, extensive experiments on four real-world datasets validate that FedIS can provide more competitive performance on federated recommendations. Our proposed method also shows significant training efficiency with less performance degradation.     

Automated estimation of item difficulty for multiple-choice tests: An application of word embedding techniques

Pretesting is the most commonly used method for estimating test item difficulty because it provides highly accurate results that can be applied to assessment development activities. However, pretesting is inefficient, and it can lead to item exposure. Hence, an increasing number of studies have invested considerable effort in researching the automated estimation of item difficulty. Language proficiency tests constitute the majority of researched test topics, while comparatively less research has focused on content subjects. This paper introduces a novel method for the automated estimation of item difficulty for social studies tests. In this study, we explore the difficulty of multiple-choice items, which consist of the following item elements: a question and alternative options. We use learning materials to construct a semantic space using word embedding techniques and project an item's texts into the semantic space to obtain corresponding vectors. Semantic features are obtained by calculating the cosine similarity between the vectors of item elements. Subsequently, these semantic features are sent to a classifier for training and testing. Based on the output of the classifier, an estimation model is created and item difficulty is estimated. Our findings suggest that the semantic similarity between a stem and the options has the strongest impact on item difficulty. Furthermore, the results indicate that the proposed estimation method outperforms pretesting, and therefore, we expect that the proposed approach will complement and partially replace pretesting in future.