2019年，我系詹沛达博士在国内外权威期刊连续发表7篇心理计量学（psychometrics）相关研究成果。詹沛达博士指出，心理计量学不同于心理测量学（例如：量表编制与修订），它是一门以数理统计形式表现心理现象并进行统计推断的学科，属于统计研究方法论，也可简单理解为是统计学在心理与教育测量学中的应用。
2019年1月在《心理科学》发表题为《计算机化多维测验中作答时间和作答精度数据的联合分析》一文。该研究提出了一种可同时分析作答时间数据和作答精度数据的联合多维Rasch模型，为在计算机化多维测验中利用作答时间数据来辅助评估学生的多维潜在能力，以及为我国义务教育阶段教育质量监测提供了方法学支持，有助于数据分析者在今后利用被试的作答时间信息来做进一步的决策和干预（例如：对异常作答行为或预备知识的诊断）。
2019年2月在《Journal of Educational and Behavioral Statistics》在线发表题为《A longitudinal higher-order diagnostic classification model》一文。近些年，基于“为学习而测评”的理念，以促进学生学习为目的，客观量化学习现状并提供诊断反馈的测评模式日益受到重视。相比于横断认识诊断测评，纵向认知诊断测评更有利于实现促进学生发展的目标。该研究提出了一种可分析采用锚题设计（anchor-item design）的纵向认知诊断测评数据的纵向高阶认知诊断模型。该研究从心理计量学视角探讨了如何将心理学研究成果应用于教育实践，为促进学生学习提供心理学方案。
2019年2月在《Journal of Educational and Behavioral Statistics》在线发表题为《Using JAGS for Bayesian cognitive diagnosis modeling: A tutorial》一文。该文是一篇有关使用贝叶斯方法实现认知诊断模型参数估计的指导性论文，包含了诸如DINA、DINO、rRUM、LCDM等常见的认知诊断模型；另外，还涉及到一些新晋议题，比如题组效应分析、多分属性和纵向数据分析等。
2019年2月在《Applied Psychological Measurement》在线发表题为《A sequential higher-order latent structural model for hierarchical attributes in cognitive diagnostic assessments》一文。属性层级（attribute hierarchy）和高阶潜在结构（higher-order latent structure）是认知诊断模型中两种主要的潜在结构，然而目前尚没有办法能够将两者进行结合，即无法在具有层级结构的属性上进一步设定高阶潜在结构。该研究将贯序树（sequential tree）引入现有的高阶潜在结构中，解决了如何将属性层级与高阶潜在结构相结合的问题。
2019年3月在《Applied Psychological Measurement》发表题为《Bayesian DINA modeling incorporating within-item characteristics dependency》一文。经过大量的实际数据分析，发现DINA模型中的两个题目参数（例如：猜测参数和失误参数）具有稳健的负相关。而现有的建模及参数估计方法中均为考虑到这一现象，即已有模型和方法均假设题目参数相互独立。该研究从统计建模视角把这一现象（例如：题目内特征依赖性）引入到模型建构和参数估计中，发现考虑该现象的模型和估计方法能够提高对模型参数的估计精度，尤其是在小样本量情况下优势更为明显。
2019年4月在《心理学报》在线发表题为《一种基于多阶认知诊断模型测评科学素养的方法》一文。科学素养是指作为一名有反思意识的公民所具有的解决科学问题和运用科学理念的能力。为实现在认知诊断中对科学素养的测评，该文基于PISA2015科学素养测评框架首次提出科学素养包含的三阶潜在结构,使用新提出的多阶认知诊断模型对PISA 2015科学测评数据进行分析，并通过模拟研究探究新模型的心理测量学性能。该文是《心理学报》重新接纳测量与统计方法类文章后的首篇心理计量学论文，为国内相关专业学者提供了一定的行文风格参考。
2019年4月在《Journal of Classification》在线发表题为《A partial mastery, higher-order latent structural model for polytomous attributes in cognitive diagnostic assessments》一文。该研究提出了一种可处理多分属性的高阶潜在结构模型，在方法学上解决了当前高阶潜在结构模型仅能处理二分属性的问题，进一步拓广了高阶潜在结构模型的应用范围。现有认知诊断测评多假设认知属性为二分变量（例如：0表示未掌握，1表示掌握），而大量实践应用发现被试对属性的掌握情况可能更为复杂，比如不同被试对同一属性的掌握水平之间存在差异。对此，多分属性更符合实践应用情境，具有更多的理论优势。
