跨学科沙龙

  11月8日下午，教育心理学系举办了第30期跨学科沙龙，浙江师范大学心理学院副教授詹沛达为教心系师生带来《大测量取向的小数据建模——以多策略视觉计算模型为例》主题的精彩报告，报告中，他详细介绍了心理测量的理论与应用研究，以及人工智能技术在心理测量领域的应用。

精彩回顾

PART 1

  传统心理测量主要依赖于问卷量表数据，然而随着人工智能技术的发展，心理测量技术也在迅速提升。现在，研究人员越来越关注不拘泥于问卷量表的“大测量”观点，而是开始实施基于多样化数据采集手段的多模态数据。这种多模态数据已经逐渐成为常态。 

  与传统的“大模型+大数据”化的测量走向不同，大测量取向下的小数据测评更关注由心理学实验仪器采集的多模态行为与认知数据进行建模分析。詹老师以一项基于眼动仪开展的多策略视觉计算建模研究为例，深入探讨了小数据建模的理念。

PART 2

  该研究拟在计算心理测量学导向下，结合理论驱动的心理测量建模和数据驱动的机器学习方法，综合利用分析结果的可解释性和复杂数据的兼容性，开发出具有可解释性策略识别功能的多策略视觉计算模型。具体包括多策略视觉测量模型的开发和多策略视觉计算模型的训练两部分。

  为了探索心理学实验仪器采集的眼动数据，并分析被试者解决问题时使用的策略，该研究使用了瑞文推理测验作为实验工具，采集了被试者在解决问题时的眼动数据。研究将眼动数据分为矩阵区、答案区和其他区域，记录了被试者在各区域的时间和转换次数。

PART 3

  接下来，研究基于眼动数据计算了反映策略使用的三个指标：矩阵区耗时占比、切换率和首次切换延迟率。然后，研究使用了混合模型（rasch模型）结合眼动指标，估算被试者选择不同解题策略的概率。

  在此基础上，研究建立了一个基于眼动数据的策略识别模型（MEM），用于区分建构匹配策略和答案消除策略。经过参数估计和验证后发现，该模型可以有效识别被试者的解题策略。

  然而，该模型也存在一些局限性，例如参数估计时间较长，对样本量的精确度要求较高，以及未能充分利用眼动数据中的所有信息等。为了克服这些局限性，研究尝试使用卷积神经网络（CNN）进行眼动图像的策略识别，并开发了简易的用户界面（UI）以便实际应用。通过专家评判作为第三方验证，研究发现CNN模型的识别结果一致性普遍高于专家判断结果。

师生提问

  此次报告引起了教育心理学系的老师和学生们的兴趣，大家纷纷提出了问题。詹老师耐心解答了大家的疑惑。

~END~