随着计算机测试技术的发展,收集反应时已经成为许多大型测试的常规工作,但是当前大多数融合反应时的IRT模型仅适用于0-1评分数据资料,这极大的限制了IRT反应时模型在实际中的应用。本文在传统的二级计分反应时IRT模型基础上,开发一种多级评分反应时模型。在层次建模框架下,分别采用拓广分部评分模型(GPCM)和对数正态模型构建融合反应时的多级评分IRT模型(本文记为JRT-GPCM),并采用全息贝叶斯MCMC算法实现新模型的参数估计。为验证新开发的JRT-GPCM模型的可行性及其在实践中的应用,本文分别开展了两项研究:(1)JRT-GPCM模型参数估计精度验证。采用2×2双因素实验设计,其中因素一为被试数(分别为1000人和2000人两个水平),另一因素为测验项目数(分别为20题和40题两个水平),采用全息贝叶斯MCMC算法对其进行参数估计,验证MCMC算法的可行性以及JRT-GPCM模型估计的精确性;(2)JRT-GPCM模型在大五人格测验中的应用,以探讨新模型在实践中的应用效果。本文的施测群体为大学生,采用电脑作答方式进行,共收集到845份有效数据,其中男生占47.9%,农村人口占58.9%,独生子女占28.5%。研究结果表明:(1)新开发的JRT-GPCM模型参数估计精准度较高、模型稳健性较强,模型资料拟合良好,表明模型基本合理、可行;测验题目越多,新模型对被试参数估计精度越高,且被试数量对估计精度的影响相当不大。(2)JRT-GPCM模型在真实数据的拟合较好,JRT-GPCM模型具有较好的适用性和优势,且提高了估计“潜在特质”精确度和精度。(3)应用研究中,所有项目的参数估计值的收敛指标基本上都小于1.1,说明MCMC算法的参数估计收敛,各个参数的方差和协方差的标准差均较小,说明模型在实证研究中具有很好的稳健性;(4)神经质分量表的12个题目的区分度范围在0.895~1.209,均大于0.7(Fliege,2015),说明12道题目的质量都较好;(5)被试的潜在特质与作答速度具有一定的正相关,被试的神经质倾向越高潜在特质越高,并且作答速度也越快;项目的步骤参数(location parameter)与其时间强度参数存在相关,即项目的步骤参数的绝对值越大(偏离中心值,则说明代表了偏向极端的特质水平),那么被试在作答该项目时所需要的时间越少,即时间强度较小,这一结果支持Ferrando和Lorenzo-Seva(2007)提出的“距离-困难度假设”。综上所述,本研究提出了一种融合反应时的多级评分的IRT模型的新方法,可以进一步拓展反应时这一辅助信息在心理和教育测量中的应用。