5月31日下午，教育心理学系举办了第28期跨学科沙龙，邀请到美国亚利桑那州立大学郑屹副教授，为我们带来题为“MxML( 探索教育测量与机器学习之间的关系):基于近10年文献对当前状况的概述”的讲座，吸引了系内外众多师生前来旁听，现场座无虚席。在讲座中，郑屹教授从心理测量的概念出发由浅入深地探讨了教育测量领域与机器学习领域的历史脉络和学科关系，令我系师生受益匪浅。

01

    在开始正式讲解教育测量(M)与机器学习(ML)之间的关系之前，郑屹教授先带领大家对心理测量的基本知识进行了回顾。目前已经有很多成熟的测验和量表在各个领域发挥作用，如智力测验、职业倾向测验、人格测验、精神障碍诊断等等。这些成熟的测验工具的构建建立在构念的基础上，并且离不开信度和效度这两个指标。

    接着，郑老师谈到了心理测量和机器学习的起源，心理测量与机器学习实际上是最终走向相同终点的两条路，从不同的角度出发却殊途同归。

    机器学习起源于20世纪中旬，但当时并没有得到重视，也没有很快的发展，自21世纪起才开始迅速发展，出现了大量的相关论文。而在机器学习不受重视的20世纪，心理测量领域不断耕耘，产出了大量的成果，这些成果为机器学习的发展做出了很大贡献。从这个角度讲，心理测量其实是机器学习的领路人。

02

    接下来郑老师详细讲解了她的MxML项目。该项目致力于利用机器学习的力量服务于心理测量，并期望在未来心理测量越来越成为一门以技术为基础，能够面对各种复杂情景，个性化，低成本的学科。本研究的文献综述阶段共分四个步骤 :

 1.确定M( 教育测量)和ML( 机器学习)的操作定义:

 2.进行系统的检索，获得1314篇文章;

 3.根据每篇文章的摘要进行筛选;

 4.选出近十年的文章后详细阅读全文；

    结果显示，应用机器学习方法解决心理测量问题已经成为了时代潮流，学者们在这个方向不断进行探索和批判。

03

    最后，郑老师总结了5点心理测量和机器学习之间的差距：

 1.机器学习算法的算法偏差可能会导致非结构方差；

 2.机器学习算法缺乏可解释性的特性给结构的验证带来了挑战；

 3.机器学习结果缺乏再现性和可复制性，这在信度和效度指标上是不利的；

 4.机器学习中存在“最后一英里”问题，算法决策只能接近人类决策而无法超越；

 5.缺乏对于机器学习测量的验证标准。

    在提问阶段，我系师生、各院系老师与郑老师就机器学习与心理测量的结合的主题展开了深入探讨，可谓受益匪浅。

~END~