Survey of Computerized Adaptive Testing: A Machine Learning Perspective

计算机自适应测试（CAT）提供了一种高效和定制化的方法来评估考生的能力，通过根据他们的表现动态调整测试问题。CAT已经在教育、医疗保健、体育和社会学等多个领域得到广泛应用，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，但大规模测试的复杂性促使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新的视角。通过检查CAT自适应性的核心测试问题选择算法，我们揭示了其功能。此外，我们深入探讨了认知诊断模型、问题库构建和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、优点、局限性和挑战的分析，我们致力于开发强大、公平和高效的CAT系统。通过将心理测量驱动的CAT研究与机器学习联系起来，本调查呼吁更加包容和跨学科的自适应测试未来。

本论文旨在提供一个以机器学习为重点的CAT综述，探讨CAT的测试问题选择算法、认知诊断模型、问题库构建和测试控制等方面如何通过机器学习进行优化，以开发出更加公正、高效的CAT系统。

本论文主要通过机器学习方法对CAT进行优化，探讨如何在测试问题选择算法、认知诊断模型、问题库构建和测试控制等方面进行改进。

本论文深入探讨了CAT的测试问题选择算法、认知诊断模型、问题库构建和测试控制等方面，并提出了机器学习方法进行优化的思路。同时，论文还分析了当前CAT方法的优点、局限性和挑战，并提出了一些值得进一步研究的问题。

最近的相关研究包括：1. A Comparison of Machine Learning Algorithms for Computerized Adaptive Testing；2. A Bayesian Nonparametric Approach to Computerized Adaptive Testing；3. A Study on the Effect of Item Pool Characteristics on Computerized Adaptive Testing with the DINA Model。