计算机自适应测验(Computerized Adaptive Testing,CAT)是现代测量理论与计算机技术相结合的一种测验形式,其基本思想是“因人施测”、“量体裁衣”,具有高效节约、施测灵活和安全性高的优势。CAT以项目反应理论(Item Response Theory,IRT)为依据,当测试中题目难度与被试能力水平相匹配时,测验的效率将大幅提高。如何高效、快速、准确地对项目参数和被试能力参数进行估计,是CAT研究中的难点和关键。传统的数理统计方法在估计项目参数和能力参数时,通常需要较大的样本量才能达到一定的精确度,并且计算时间相对较长。针对上述两类参数的估计问题,本文研究并提出一种基于人工神经网络(Artificial Neural Network,ANN)的参数估计方法,以期在各个参数值均未知的情形下进行参数的估计。本文以二值计分的三参数Logistic模型作为研究对象,使用广义回归神经网络(General Regression Neural Network,GRNN)作为ANN的网络模型进行参数估计。采用实际测验数据及基于蒙特卡洛方法模拟生成的数据进行验证,同时对比数理统计方法,研究在不同样本量下神经网络方法进行能力参数和项目参数估计的准确性。研究工作主要包括以下内容:(1)大样本下数理统计方法对测验反应矩阵的项目参数和能力参数同时估计,并将估计结果进行标签化处理。(2)结合标签数据对GRNN进行训练,确定估计项目参数的神经网络结构和估计能力参数的神经网络结构。(3)在不同样本量下,对GRNN方法和数理统计方法的项目参数与能力参数估计结果进行对比。最后,通过模拟测验数据对GRNN进行训练,得到用于估计参数的网络结构,并将其应用于实际测验中。对比实验结果表明,GRNN方法在样本量较小的情况下对被试能力参数和项目区分度、难度、猜测度参数的估计精确度优于数理统计方法。