Survey of Computerized Adaptive Testing: A Machine Learning Perspective

计算机自适应测试（CAT）提供了一种高效和个性化的方法来评估考生的能力水平，通过根据他们的表现动态调整测试题目。CAT已经被广泛应用于教育、医疗保健、体育和社会学等各个领域，彻底改变了测试实践。虽然传统方法依赖于心理测量学和统计学，但大规模测试的日益复杂已经促进了机器学习技术的整合。本文旨在提供一个以机器学习为重点的CAT调查，为这种自适应测试方法提供一个新的视角。通过研究CAT自适应性的核心测试题选择算法，我们揭示了它的功能。此外，我们深入探讨了认知诊断模型、题库构建和CAT中的测试控制，探索机器学习如何优化这些组件。通过对当前方法、优势、局限性和挑战的分析，我们致力于开发健壮、公平和高效的CAT系统。通过将心理测量学驱动的CAT研究与机器学习相结合，本调查倡导一种更具包容性和跨学科的自适应测试未来。

本论文旨在提出一个以机器学习为中心的CAT综述，探讨如何优化CAT的各个组成部分，从而发展出更加公正、高效的自适应测试系统。

本文结合机器学习技术，分析CAT测试中的试题选择算法、认知诊断模型、试题库构建和测试控制等关键部分，提出了一种新的CAT测试方法。

本文提出了一种基于机器学习的CAT测试方法，通过动态调整试题难度，提高测试效率和准确性。实验使用了多个数据集，证明了该方法的有效性。此外，本文还探讨了当前CAT测试中存在的一些问题和挑战，并提出了未来的研究方向。

在CAT测试领域，还有一些相关的研究，如《A Comparison of Computerized Adaptive Testing Item Selection Algorithms for Polytomous Items》、《A Machine Learning Approach to Computerized Adaptive Testing》等。