近期，澳门新葡萄新京威尼斯987詹沛达副教授团队在国内心理学顶刊《心理学报》(CSSCI)发表了题为《问题解决任务中行动序列的二分类建模：单/两参数行动序列模型》的学术论文。本研究针对计算机交互测评中的行动序列数据提出了两个相对简单的建模方案。我院2021级硕士研究生付颜斌是论文的第一作者，詹沛达副教授为本文的通讯作者。该研究得到了国家自然科学基金青年基金项目(31900795)的资助。
论文来源：付颜斌, 陈琦鹏, 詹沛达. (2023). 问题解决任务中行动序列的二分类建模：单/两参数行动序列模型. 心理学报, 55(8), 1383-1396.
文章链接：https://doi.org/10.3724/SP.J.1041.2023.01383
内容简介
在计算机化交互任务中，行动序列(action sequence)作为一种典型的过程数据, 可反映被试解决问题的详细步骤。相较于传统的结果数据, 针对行动序列数据的挖掘分析, 可以为推断学生的潜在问题解决能力提供更为丰富的信息。目前，Han等人(2022)将动态贝叶斯网络与称名作答模型(nominal response model, NRM) (Bock, 1972)相结合, 提出了序列作答模型(sequential response model, SRM)。SRM假设被试的问题解决能力和当前所处的状态转移(state transition)的特征共同决定了被试呈现状态转移的概率。
与NRM类似, SRM假设被试在每个问题状态下的所有转移可选项(即行动可选项)都会提供测量信息, 进而为任务中每一个可能存在的状态转移都赋予不同的参数。从本质上来讲, SRM是对状态转移的多分类(或多元无序)建模, 即假设下一个阶段中的所有转移可选项之间没有数量顺序。然而, 在实际问题解决任务中, 行动或状态转移是有正误之分的：可将有助于成功解决任务的状态转移界定为正确状态转移, 而将最终可能会导致任务失败的状态转移界定为错误状态转移。因此, 被试在每个问题状态下的所有转移可选项是有正误之分的, 并非完全是没有数量顺序的等价关系。
理论上, 对于有正误之分的数据, 二分类建模更为适宜。与二分类建模相比, 多分类建模(Han et al., 2022; Xiao & Liu, 2023)的相对优势是可以将更丰富的测量信息纳入到数据分析中, 但这势必导致模型的复杂性相对更高，更高的模型复杂性通常意味着更多的待估计参数种类和数量, 更高的参数估计计算负担, 更低的参数估计结果可解释性(Ma et al., 2016)。基于模型比较与选择的简约原则(Beck, 1943), 本研究拟对包含正误信息的行动序列进行二分类建模, 提出单参数和两参数行动序列模型(one- and two-parameter action sequence model, 1P- / 2P-ASM), 以期降低行动序列分析模型的复杂性并增加计算效率; 同时, 相对简约的模型也有助于增加模型参数估计结果的可解释性, 进而增加行动序列模型的实践易用性。
实证研究选用PISA 2012计算机化问题解决“Tickets”任务(CP038Q02)的行动序列数据进行分析。结果表明：(1)两个ASM和SRM的问题解决能力估计值具有接近于1的相关系数, 表明它们测量的是同一潜在特质; (2)两个ASM的计算耗时明显低于SRM的, 一定程度上表明ASM的模型复杂性低于SRM的;（3）截距参数的估计结果表明处于最优路径上的被试更易于继续呈现正确的行动，反之亦然；（4）与1P-ASM和SRM将区分度参数进行固定不同, 2P-ASM可以提供在当前所处问题状态下呈现正确状态转移的区分度参数, 有助于确定相对比较重要的问题状态。另外，我们通过一则模拟研究进一步探究两个ASM在理想测验情境下的心理计量学表现。模拟研究包含两个操纵变量：样本量(含100、200和500人三个水平)和行动序列长度(含短和长两个水平)。结果发现(1)两个ASM能提供较高的参数估计返真性; (2)两个ASM的计算耗时低于SRM, 尤其是在小样本量条件下的相对优势更为明显; (3)两个ASM的问题解决能力估计值与SRM的均具有很高的一致性, 且2P-ASM与SRM的一致性相对更高; (4)被试解决问题时最终呈现的行动序列的长短是影响两个ASM以及SRM参数估计返真性的主要原因之一：序列越长, 数据所含信息越多, 对问题解决能力的估计精度更高。
综上所述, 本文基于二分类建模提出的两个ASM能够实现对行动序列数据的有效分析, 在减少模型复杂性的同时, 还能够提供与SRM几乎一致的被试问题解决能力估计值。同时, 综合模拟研究与实证研究的结果, 我们认为2P-ASM比1P-ASM的综合表现更优; 但当样本量较小(如100人)或任务简单(解决问题所需的操作较少)时, 则推荐使用更简约的1P-ASM。
主要作者简介
付颜斌，澳门新葡萄新京威尼斯9872021级硕士研究生，研究方向为心理与教育行为数据的潜变量建模与应用，主要聚焦于问题解决过程数据分析。目前，以第一作者身份在《心理学报》和Behavior Research Methods等期刊发表学生论文2篇。
詹沛达，博士，澳门新葡萄新京威尼斯987副教授。主要研究领域为心理计量学，研究方向为心理与教育行为数据的潜变量建模与应用。在Psychometrika、Behavior Research Methods、British Journal of Mathematical and Statistical Psychology、Journal of Educational and Behavioral Statistics、Applied Psychological Measurement、Educational and Psychological Measurement和《心理学报》等专业期刊发表学术论文60余篇。主持国自然、教育部人文社科和浙江省哲社规划课题等项目。
