机器学习方法在测验安全领域的应用_高旭亮.pdf

心理科学进展2024,Vol.32,No.11,1814–1828©2024中国科学院心理研究所

AdvancesinPsychologicalScience/10.3724/SP.J.1042.2024.01814

·研究方法(ResearchMethod)·

机器学习方法在测验安全领域的应用*

高旭亮李宁

(贵州师范大学心理学院,贵阳550025)

摘要测验安全的事后检测主要依靠统计量方法,而新兴的机器学习方法凭借良好的检测性能与统计量方

法形成互补。为了推进测验安全问题的解决,综述了监督学习、无监督学习和半监督学习三大类机器学习方

法及其衍生的集成学习、深度学习与迁移学习方法在测验安全领域的应用,阐述了不同机器学习方法的特点,

提供了数据的获取及处理、输入特征的选择等实用的方法建议。未来研究可以从机器学习与个人拟合、机器

学习与多模态数据、基于生成对抗网络的异常检测,以及增加研究结果的可解释性几方面开展。

关键词机器学习,心理测验,教育测验,测验安全,统计量

分类号B841

1引言测验安全问题,其中流行度较高的是抄袭统计量

(answercopyingstatistics,ACS)和个人拟合统计量

心理和教育测验中的作弊、加速作答或其他

(personfitstatistics,PFS);ACS多是以被怀疑抄袭

异常作答行为会破坏测验的可靠性以及测验分数

者和被抄袭者匹配的反应数目来构建的,主要是

解释的有效性(vanderLindenGuo,2008;van

对作弊中的不同类型如抄袭、项目预知等进行针

Krimpen-StoopMeijer,2001)。在学业成绩测验

对性识别(韩丹等,2008;Manetal.,2019)。PFS

中,会导致教师错误评估学生的学习水平,影响

是通过理论模型对个体的项目反应模式进行假设

教师教学(CizekWollack,2017);在问卷调查中

再与实际反应模式相对比来确定个体项目反应模

会导致施测者无法准确测量到目标维度,影响问

式的拟合程度,致力于对被试的不同偏差得分模

卷的信效度和对结果的解释(Ariasetal.,2020;

式进行全面的识别(黄美薇等,2020;童昊等,2022;

Huangetal.,2015);这些异常行为带来的不良后

王昭等,2007;张龙飞等,2020;钟小缘等,2022;

果在竞争激烈的考试中更加严重,威胁测验的安

Karabatsos,2003;Rangeretal.,2020)。胡佳琪等人

全、声誉以及施测者的筛选质量(Sinharay,2017)。