An Empirical Bayes Approach to Scoring Multiple-Choice Tests in the Misinformation Model
错误认知模型下多项选择题评分的经验贝叶斯方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论测验评分与经验贝叶斯规则，多项选择题本身不足以归为经济学离散选择。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
错误认知模型下多项选择题评分的经验贝叶斯方法
- 研究问题
- 如何在错误认知模型下制定多项选择题的贝叶斯与经验贝叶斯评分规则，以及何时这些评分与原始分数排序一致？
- 方法与思路
- 作者研究贝叶斯规则及其经验贝叶斯对应方法，给出估计值位于概率单纯形的条件，并分析损失与似然比性质。
- 材料陈述的贡献
- 摘要称在损失随误差增加且抽样分布具有单调似然比性质时，原始分数与贝叶斯分数排序等价，并给出测验应用。
- 阅读关注点
- 应核对错误认知模型、先验与经验估计的构造、概率单纯形条件，以及排序等价结论对损失函数的具体要求。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；评分公式、条件细节及应用数值未提供，排序等价不代表评分数值相同。
原文摘要
This article develops multiple-choice test scoring rules, concentrating on Bayes rules and their frequency theory analogs, empirical Bayes rules. Conditions are given for empirical Bayes estimates to lie in the probability simplex. The misinformation model is considered in detail. It is shown that ranking by raw scores is equivalent to ranking by Bayes scores when the loss function increases with error and the sampling distribution has the monotone likelihood ratio property. Application of the techniques is made to data from a multiple-choice test given to students of an elementary statistics course.