天才一秒记住【梧桐文学】地址：https://www.wtwx.net
因为这样的极端跳转会引起较大的测量误差，并且这种情况在正常测验中也不会出现。
图4-1-1中的一个完整流程被称为一个面板（Panel）。
在一次测验中应有多个平行面板可供选择，以此来减小题目的曝光率。
图4-1-1三阶段MST测验
计算机化多阶段自适应测验有许多不同形式，并且这些形式的名称也有所区别。
这些不同形式主要有：掌握水平测验（puterizedMasteryTesting，CMT），计算机自适应序列测验（puter-AdaptiveSequeing，CAST），多种形式结构（MultipleFormStructures，MFS），捆绑式多阶段自适应测验（BuageAdaptiveTesting，BMAT）（Armstrong，Jones，Koppel＆Pashiey，2004；Lewis＆Sheeha，2003；Luegester，1998）。
二、MST与题目级别CAT的比较
在CAT的应用过程中，人们已经体会到它的很多优点，如“因人而异”
、测验时间较短等。
但其依然有很多问题，如违反单维性及局部独立性假设的情况、题目曝光率等。
MST中，由于每个模块中的题目在测试开始前都设计和组装好，并作为一个整体进行管理，因此测验开发者便可更好控制整个测验的结构和内容。
通过这样的控制管理，即可消除CAT中存在的许多问题。
（一）题目顺序和情境效应
在CAT中，有时会由于题目顺序或情境效应，对作答结果产生影响。
运用MST虽不能完全消除影响，却能大大减小其发生的可能性。
在MST中，题目均以集合的形式存在。
当有许多内容单元或跨分类内容的题目时，集合便凸显出其优势。
因为这些集合是预先构建好的，测验开发者能检查题目的具体内容，防止题目间有提示，以确保题目适用性。
例如，几何考试中，用统计算法无法精确检测出题目的内容，这时就需要人工检查，是否有过多考查三角形的题目，而缺少考查圆的题目。
（二）单维性和局部独立性
CAT要求所有题目必须满足单维性和局部独立性假设，否则会对参数估计带来较大影响。
MST每一阶段的模块都包含很多题目，这些题目间或许没有关联，或许建立在一个共同刺激以及同一内容情境下（如图表、阅读理解），需要把这些题目作为一个整体，作为一个多级项目来进行处理。
这时每个模块中题目间的独立性就不再需要强调了。
尽管模块中题目的局部依赖性不是必须消除的，但是若使用多级计分模型将会使测量结果更加精确（Yen，1993）。
由此可见，解决了单维性和局部独立性的问题，MST的估计结果将更加准确，并且信度也更高。
（三）非统计特性
在MST中，测验开发者可以提前检查题目内容及其统计特性，同时也能检查非统计特性的分布，如认知水平、题目形式、字数及答案位置等。
这些问题在CAT最初的观念中均被忽略。
通过对这些非统计特性的限制，可进一步减小被试猜测率，提高能力结果估计精度。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！