1.一种基于似然的认知诊断Q矩阵估计方法,其特征在于,包括:获取学生对题目的响应数据和部分定义的Q矩阵;
以AIC和BIC作为模型选择指标,通过迭代优化算法估计Q矩阵的未知部分;
基于所述Q矩阵的未知部分输出最终估计的Q矩阵;
所述AIC和BIC的计算公式为:
;
;
其中,为Akaike信息准则,为贝叶斯信息准则,L为模型的边际似然,P为模型参数的数目,N为样本量;
所述通过迭代优化算法估计Q矩阵的未知部分的过程包括:初始化Q矩阵的未知部分为空矩阵;
使用拟合G-DINA模型,根据学生对题目的响应数据和部分定义的Q矩阵,获得学生属性向量的后验分布;
基于所述学生属性向量的后验分布,计算每个题目的边际似然;
对于Q矩阵未知部分中的每个题目,基于所述每个题目的边际似然计算所有可能q向量的AIC或BIC值,选择具有最小AIC或BIC值的q向量作为该题目的最优q向量;
更新Q矩阵的未知部分,并使用更新后的Q矩阵重新拟合G-DINA模型,直至Q矩阵的未知部分不再发生变化;
输出最终估计的Q矩阵;
所述模型的边际似然的计算过程包括:
根据学生对题目的响应数据和学生属性向量的后验分布,计算每个题目的条件似然;
对条件似然进行加权平均,得到每个题目的边际似然。
2.根据权利要求1所述的方法,其特征在于,所述迭代优化算法中,在每次迭代中,根据最新的估计值动态更新学生属性向量的后验分布。
3.根据权利要求1所述的方法,其特征在于,所述迭代优化算法的终止条件为估计的Q矩阵的未知部分不再发生变化,具体为:比较当前迭代和上一次迭代的Q矩阵未知部分,当两者一致时,停止迭代。
4.根据权利要求1所述的方法,其特征在于,所述学生对题目的响应数据包括学生的答题情况以及对应的题目信息,用于拟合G-DINA模型并计算模型的边际似然。
5.根据权利要求1所述的方法,其特征在于,所述部分定义的Q矩阵由领域专家预先定义,包含部分题目的已知属性关系,用于引导Q矩阵未知部分的估计。
6.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序,其特征在于,所述处理器执行所述计算程序时实现所述权利要求1-5任意一项所述方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述权利要求1-5任意一项所述方法。