文档介绍：万方数据
计算机人格适应性测验的初始值估计研究张青华计算机适应性测验盯J际┎饨锥问紫榷说,在计算机适应性测验长度足够长的情况下,当测质水平初始值估计的准确性在计算机人格适应性测臁北!@米芴逄刂仕椒植嫉男畔⒗垂兰被试个体的特质水平初始值;第三、根据被试总体的信息,固定每一位被试具有相同的初始值;第四、根据被试的有关背景信息变量来推论出被试特质水平的初始值K械恼庑┓椒ǘ加懈髯缘挠帕樱的问题是人们能否获得被试总体特质水平分布的正确先验信息。如果所获得的先验分布与被试真实特质水平分布存在很大的偏差,那么反而起到不好的作用,会导致需要更多的测验项目,才能准确测量出——即能够较快地收敛于被试特质的真实水平值;第三种方法根据总体的信息给所有被试固定相同的试总体的有关信息时,对所有被试施测相同的初始信息来预测他们的特质水平。这种方法通常可以利用被试的年龄、所处的年级水平、有关的其它测验与目前计算机人格适应性测验中【,被试特质质水平初始值——即根据个体对其人格特质自我评定的信息,及其在相应人格特质测验上的得分,建立起两者之间的线性回归模型。根据被试在一个具有要面临被试特质水平初始值的估计问题。一般来验中止时,特质水平初始值的设定对被试特质水平估计准确性的影响很小⋯。然而,对于计算机人格适应性测验,由于对被试每种人格特质的施测项目数比较少,初始值设定的好坏会严重影响被试人格特质水平估计的准确性。因此,提高被试特验中具有重要的意义控对于被试特质水平初始值估计的问题人们提出了几种解决方法【,常用的有:第一、随机地确定被试特质水平初始值;第二、贝叶斯方法第一种方法随意选择被试特质水平初始值,这种随意性可能会导致初始值与被试真实特质水平值之间的差异很大,但与其它方法相比,这种方法的优点在于它的初始施测项目的曝光率低;第二种方法存在被试真实的特质水平,而一旦所获得的先验分布正确,则可以减少对被试真实特质水平探索的过程特质水平初始值,通常把被试总体在测试上的平均值作为所有参加测试的被试特质水平的初始值,或者假定总体在该特质上呈正态分布,把特质水平分布的平均值魑1皇蕴刂仕降某跏贾担饣岬致每个被试的初始项目相同,初始项目的曝光率很高。然而,从另一个方面来看,在无法获取被试或测项目,在某种程度上对所有被试具有一定的公平性;第四种方法可以使用经验的预期,通过被试的背景现在参加测验之间的回归关系来推论出被试特质水平的初始值。这种方法一旦能获得对被试特质水平的较好预测,则可以提供较准确的被试特质水平初始值。而且这种方法使得每个被试的初始项目可能不相同,有效地解决了初始项目曝光率过高的问题。水平初始值通常被确定为特质量尺上的中间值舻谌址椒,但正如前所说,把特质水平分布的平均值魑1皇蕴刂仕降某跏贾担饣岬贾旅个被试的初始项目相同,初始项目的曝光率很高。研究者认为:个体对于自身的人格特质总是具有一定的了解。个体对其人格特质的自我评定与其人格特质水平之间应该具有一定的关系,利用被试自我评定信息与其人格特质水平间的关系来预测被试特较高区分度人格特质项目上的自我评定信息,应用第卷总第心理学探新年第摘要:一般来说,对于计算机人格适应性测验,由于对被试每种人格特质的施测项目数比较少,初始值估计方法的好坏直接影响着被试人格特质水平估计的准确性。该研究提出利用被试特质水平与其人格特质自我评定信息的回归模型来获取被