効率的に推定精度を向上させる項目選択法の開発ーモデル選択の観点を導入してー

点击翻译按钮获取中文摘要

前年度から引き続き，Computerized Adaptive Testing (CAT) を拡張する研究や認知モデルへの適用に関する研究の論文執筆を行った。CATを時系列依存を含んだ認知モデルであるQ学習モデルに適用した。これによりQ学習モデルにおいて望ましい実験刺激というのを特定したり，研究者の目的や方法に応じて適切にデザインを行うべきことを示した。CATを複数のモデルを同時に考慮できるように手法拡張した研究では，より頑健にCATによる推定精度向上の効果が得られることを示した。これにより，CATが現実場面でより使いやすくなり，研究の信頼性や妥当性が向上するのに寄与するだろう。また，CATが階層モデルに及ぼす影響についても検討した。心理実験では複数の参加者が複数回の試行を行う反復測定状況であることがほとんどであるので，階層モデルで分析することを前提とした研究を行った。以上3つの研究に関する論文は採択されている。また今年度はモデル選択の観点からの刺激選択など，モデル選択を含めた研究を行った。一つはQ学習モデルにおいて，正しいモデルを選択できる確率が高まるような刺激選択法の効果を検証した。統計学における推定は，モデル仮定に基づくものもあるため，モデル選択も重要な分析になり，そのモデル選択のパフォーマンスを向上させることも重要となる。さらに，モデル選択と推定精度の関係についても研究を行った。CATは推定精度を最大化するための手法であるが，CATがモデル選択のパフォーマンスに及ぼす影響についても一部明らかにした。実際の研究では，正しいモデルを特定しながら推定精度や検出力も高めていくことが理想であるため、これらの関係性については理論的に知る必要がある。