.png){kind=icon}
返回
A Sequential Response Model With Growth Parameters for Process Data in Complex Problem Solving
.png){kind=icon}
PRE
AI
DOI：10.3102/10769986251403007.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交互式问题解决评估允许考生通过试错学习，可能因学习或疲劳效应在重新审视问题状态时改变其反应模式。本研究引入了带增长参数的序列反应模型，通过增长参数捕捉考生在任务交互过程中积累经验时认知过程的发展演变。对复杂问题解决评估的实证应用显示，中间状态（掌握任务机制）存在显著正向效应，而初始状态（积累挫败感）存在负向效应。模拟结果表明，当存在增长效应时，参数恢复稳健，而在无增长效应时仍能保持相当的性能。这些发现表明，纳入操作历史能增强对动态问题解决过程的理解，并为评估设计和教育实践提供见解。
Keyword:
process data
complex problem solving
sequential response model
growth parameters
Bayesian estimation
期刊
J
IF:
1.7
论文数:
38
被引数:
2.9K
机构
引用论文
Monte Carlo sampling methods using Markov chains and their applications基于马尔可夫链的蒙特卡罗抽样方法及其应用.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏
查看更多内容