.png){kind=icon}
返回
Fitting Bayesian Item Response Theory Models Using Deep Learning Computational Frameworks
.png){kind=icon}
PRE
AI
DOI：10.3102/10769986261439301.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
PyTorch和TensorFlow是两种被广泛采用的现代深度学习框架，它们为开发和拟合复杂模型提供了全面的计算库。受近期项目反应理论（IRT）工作中技术壁垒和实践导向教程缺乏的启发，我们通过在心理测量背景下对PyTorch和TensorFlow进行教学且深入的介绍，将IRT模型框架化为图模型，并提供逐步指导来弥合概率机器学习和心理测量学之间的差距，从而展示了现代深度学习平台如何用于贝叶斯IRT参数估计。本研究中，我们阐述了如何利用这些平台来估计教育测试、心理测量和行为评估中广泛使用的心理测量模型，即二分IRT模型、多分IRT模型及其多维扩展。我们在统一的计算环境中比较了这些模型的哈密顿蒙特卡洛和变分推断估计器。模拟研究显示，在低维设置中，两种方法都能产生均方误差和偏差较低的参数估计，同时也表明在更高维场景下，变分推断可能低估后验不确定性的某些方面。尽管如此，对于优先考虑计算效率和可扩展性的实践者而言，尤其是在可使用图形处理单元（GPU）加速的情况下，变分推断仍然是一个有吸引力的选择。三个实证案例研究进一步展示了基于PyTorch和TensorFlow的实现如何在应用场景中与现有的IRT软件进行比较。最后，我们讨论了将当代深度学习工具和视角融入心理测量研究的更广泛潜力。
Keyword:
item response theory
deep learning
Markov Chain Monte Carlo
variational inference
PyTorch
TensorFlow
期刊
J
IF:
1.7
论文数:
38
被引数:
2.9K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容