期刊：Studies in Educational Evaluation
Cat 关键词只有两篇
1.2009 Psychometric aspects of pupil monitoring systems
1.Data for developing computerized adaptive testing of problematic mobile phone use
关键词 CAT
旨在问题性手机使用的测量使用 CAT 来做，为大规模、异质性样本的心理评估问题提供优化方案。该文章提供了数据
之前的工作：结构方程、回归分析、机器学习模型、项目反应模型
学生监测系统的心理测量方面
贡献：加权的方法提高初始估计的精度
2.Multistage Adaptive Testing for a Large-Scale Classification Test: Design, Heuristic Assembly, and Comparison with Other Testing Modes. 2012
检索平台：EBSCO
数据库：ERIC
2.Multidimensional adaptive testing in educational and psychological measurement: Current state and future challenges (2009 )
教育和心理测量中的多维适应性测试：现状和未来挑战
一篇综述，说明未来做多维的难点。
CDM 关键词只有 5 篇
- 中国高中英语阅读能力的诊断
- 重点是具体的知识点的分析和语言素养的论证，模型次要
- 在伊朗 EAP 背景下用通用认知诊断模型改造雅思阅读部分
- 使用认知诊断模型规避国际评估中与结构无关的差异：一种对课程敏感的措施
- 开发用于认知诊断评估的阅读理解测试：RUM 分析
- 评估幼稚园儿童的数学问题解决能力：认知诊断测试的开发
2024 A Bounded Ability Estimation for Computerized Adaptive Testing.
问题与动机: 虽然 CAT 有效提升了测试效率并减少了所需试题数量，但传统方法往往侧重于最大化信息量或最小化信 息不确定性，而不是明确地追求准确的能力估计。由于缺乏受试者真实能力的标准，现有的方法在保证最终估计结果准确性方面存在局限性。
方法: 为解决上述问题，文章提出了一种名为”Bounded Ability Estimation for Computerized Adaptive Testing” (BECAT) 的框架。BECAT 旨在优化能力估计的准确性，通过分析估计的统计特性，找到了一个理论上的最佳近似一基于全题库的完整响应估计。框架采用数据提取的方法，选取与全响应梯度高度匹配的问题子集，以实现这一目标。具体来说，文章设计了一个基于预期梯度差异的近似法，进而开发了简单的贪婪选择算法来实现问题的动态选择，同时提供了能力估计的严格理论保证及误差上界。
效果: 实验结果显示，使用 BECAT 框架的 CAT 方法相较于传统方法，可以在减少约 15%的试题使用量的情况下达到相同的估计精度，显著降低了测试时长，提升了测试效率和实用性。
有待解决的问题: 尽管 BECAT 框架展示了改进能力估计的潜力，但它仍面临一些挑战。
- 首先，如何在保持测试的高效率与准确性之间找到更好的平衡点，尤其是在面对多样性和复杂性的测试内容时。
- 其次，如何进一步优化算法性能，特别是在处理大规模题库和高维能力空间的情况下的效率和精确度。
- 最后，未来研究可能需要探索将 BECAT 与其他先进的 AI 和机器学习技术结合，以进一步提升能力估计的精度和适应性。
2020 Deep reinforcement learning for adaptive learning systems
问题与动机：先提出个性化教育的意义、然后是目前教师进行个性化的局限性、引出自适应测试、引出其中的潜在能力如何表征，提出现在工作是集中在学习路径建模、加速学习记忆、序列推荐、知识追踪和无模型算法。感觉引言没有很好的引出为什么要用强化学习MDP，就在说强化学习理论本身就是对自适应测试的最大动机一样，可看作是 RL 应用于 CAT 的开山之作
方法贡献：
- 将自适应学习问题建模成 MDP 问题，状态=潜在特征，动作=考生的学习题目，
- 实际应用中状态转移模型未知，因此无法传统算法(值迭代)计算 MDP ，本文用的 free model 的深度强化学习
- free model DRL 需要大量状态转移的数据，在实际应用中不易获取，本文开发了转移模型估计（神经网络模拟考生学习过程），该转移模型使用历史数据拟合出来的
结论： 没有 baseline 比较，是 RL 内部用不同的策略优化比较，如 DQN、启发式、随机这三种策略计算 episode reward，DQN 最优
有待解决的问题：
- 第一、系统应该用于实际的考生，评价方法的有效性
- 第二、CAT 由测量模型和策略学习模型（在 2024 Survey of CAT 中称为问题选择模型）组成，一些文献提出的系统认为某些题目会直接影响考生考试反应，因此不采纳。（？）
- 第三、每个考生用同质的MDP 模型，可以进一步研究，在用 CAT 之前对考生进行分组，便于小组找到最优策略（理解：一个学习速度不同的学生，状态都是 0.9 的情况下，推荐同一道题目似乎不够好）
- 第四、面向推荐系统的机器学习算法、协同过滤等于 RL 结合
- 第五、进一步考虑在不同情景和约束条件下，DQN 学习策略比随机启发式策略好多少（？）
- 第六、将 CAT 问题建模为 POMDP 问题，
应该精读，MDP 用于 CAT 的初始文献
数据库 SAGE期刊（易阅通平台）
其中的期刊 Applied Psychological Measurement Applied Psychological Measurement