Content balancing is one of the most important issues in computerized classification testing. To adapt to variable‐length forms, special treatments are needed to successfully control content constraints without knowledge of test length during the test. To this end, we propose the notions of ‘look‐ahead’ and ‘step size’ to adaptively control content constraints in each item selection step. The step size gives a prediction of the number of items to be selected at the current stage, that is, how far we will look ahead. Two look‐ahead content balancing (LA‐CB) methods, one with a constant step size and another with an adaptive step size, are proposed as feasible solutions to balancing content areas in variable‐length computerized classification testing. The proposed LA‐CB methods are compared with conventional item selection methods in variable‐length tests and are examined with different classification methods. Simulation results show that, integrated with heuristic item selection methods, the proposed LA‐CB methods result in fewer constraint violations and can maintain higher classification accuracy. In addition, the LA‐CB method with an adaptive step size outperforms that with a constant step size in content management. Furthermore, the LA‐CB methods generate higher test efficiency while using the sequential probability ratio test classification method.

中文翻译：

---

可变长度计算机分类测试中的前瞻性内容平衡方法。

内容平衡是计算机分类测试中最重要的问题之一。为了适应可变长度形式，需要特殊处理才能成功控制内容约束，而无需在测试过程中了解测试长度。为此，我们提出“超前”和“步长”的概念，以自适应地控制每个项目选择步骤中的内容约束。步长可预测当前阶段要选择的项目数，即我们将展望多远。提出了两种前瞻性内容平衡（LA-CB）方法，一种具有恒定步长，另一种具有自适应步长，是在可变长度计算机分类测试中平衡内容区域的可行解决方案。所提出的LA‐CB方法在变长测试中与常规项目选择方法进行了比较，并使用不同的分类方法进行了检验。仿真结果表明，与启发式项目选择方法相结合，所提出的LA-CB方法可减少约束冲突，并能保持较高的分类精度。此外，在内容管理中，具有自适应步长的LA-CB方法要优于具有恒定步长的方法。此外，LA-CB方法在使用顺序概率比测试分类方法的同时产生更高的测试效率。提出的LA-CB方法可减少约束冲突，并能保持较高的分类精度。此外，在内容管理中，具有自适应步长的LA-CB方法要优于具有恒定步长的方法。此外，LA-CB方法在使用顺序概率比测试分类方法的同时产生更高的测试效率。提出的LA-CB方法可减少约束冲突，并能保持较高的分类精度。此外，在内容管理中，具有自适应步长的LA-CB方法要优于具有恒定步长的方法。此外，LA-CB方法在使用顺序概率比测试分类方法的同时产生更高的测试效率。