Лекция 10. IRT и модели Раша
-
Upload
lars-franks -
Category
Documents
-
view
70 -
download
0
description
Transcript of Лекция 10. IRT и модели Раша
ЛЕКЦИЯ 10.IRT И МОДЕЛИ РАША
Лекции проф. А. А. Алексеева
По психометрике
Georg Rasch
(21 September 1901 - 19 October 1980)
ОСНОВНОЕ ПОЛОЖЕНИЕ БАЗОВОЙ МОДЕЛИ IRT
Ответ респондента на пункт обусловлен выраженностью у респондента соответствующего признака и уровнем сложности самого пункта.
ВЗАИМОЗАВИСИМОСТЬ МЕЖДУ ВЫРАЖЕННОСТЬЮ ПРИЗНАКА И СЛОЖНОСТЬЮ ПУНКТА
В IRT-анализе выраженность признака и сложность пунктов обычно измеряются в стандартизованной шкале: их средние равны 0, а стандартные отклонения 1.
В IRT сложность пунктов выражается в терминах выраженности признака. Сложность задания (пункта) определяется как уровень выраженности признака, необходимый для того, чтобы у респондента был 50-процентный шанс ответить на задание (пункт) правильно
ДИСКРИМИНАТИВНАЯ СПОСОБНОСТЬ ПУНКТА КАК ФАКТОР ОТВЕТА НА ПУНКТ
Дискриминативность пункта – способность различать респондентов с высокими и низкими уровнями выраженности признака.
Показатель дискриминативности пункта означает его релевантность тому признаку, которую измеряет шкала.
1. Сколько аршинов в трех саженях? (a) 9 (b) 18 2. Каков квадратный корень из 10000? (a) 10 (b) 100
ИЗМЕРИТЕЛЬНЫЕ МОДЕЛИ IRT
Различие по параметрам, включаемым в модель 1. Модель Раша, или однофакторная
логистическая модель (1ФЛ) 2. Двухфакторная логистическая модель
(2ФЛ) 3. Трехфакторная логистическая модель
(ЗФЛ)
Различие по шкалам, в которых измеряется ответ респондента
1. Модель градаций ответа по степени согласия с пунктом (graded response model)
2. Модель частично правильных ответов (partial credit model)
МОДЕЛЬ РАША, ИЛИ ОДНОФАКТОРНАЯ ЛОГИСТИЧЕСКАЯ МОДЕЛЬ (1ФЛ)
, где – условная вероятность того, что респондент s ответит на
пункт i правильно, – уровень выраженности признака у респондента s, – сложность пункта i, e – основание натурального логарифма (2,7182818…).
______________________________________________________________________
ДВУХФАКТОРНАЯ ЛОГИСТИЧЕСКАЯ МОДЕЛЬ (2ФЛ)
где - дискриминативность пункта i.__________________________________________________________________________________________________________________________________________________________________________________________
; _________________________________________________________
______________________
_______________________________________________________________
СЫРЫЕ ДАННЫЕ ДЛЯ ПРИМЕРА IRT-АНАЛИЗА:ГИПОТЕТИЧЕСКИЙ ПЯТИПУНКТОВЫЙ ТЕСТ НА
МАТЕМАТИЧЕСКИЕ СПОСОБНОСТИ
Исп. Пункт 1 Пункт 2 Пункт 3 Пункт 4 Пункт 5
1 1 0 0 0 0
2 1 1 0 1 0
3 1 1 1 0 0
4 1 1 0 1 0
5 1 1 1 0 1
6 0 0 1 0 0
ПРИМЕР IRT-АНАЛИЗА: КОЭФФИЦИЕНТЫ УРОВНЯ ВЫРАЖЕННОСТИ ПРИЗНАКА И УРОВНЯ СЛОЖНОСТИ ПУНКТОВ
ХАРАКТЕРИСТИЧЕСКИЕ КРИВЫЕ ПУНКТОВ ДЛЯ ПРИМЕРА IRT-АНАЛИЗА: ГИПОТЕТИЧЕСКИЙ
ПЯТИПУНКТОВЫЙ ТЕСТ НА МАТЕМАТИЧЕСКИЕ СПОСОБНОСТИ
ПРИМЕР ДЛЯ ОЦЕНКИ ИНФОРМАТИВНОСТИ ТЕСТА
1. Каков квадратный корень из 10 000?2. Найдите x в следующем уравнении: 56 = 4x2 + Зy – 14.
ИНФОРМАТИВНОСТЬ ТЕСТА С ПОЗИЦИЙ IRT
, где - информативность пункта при уровне
выраженности признака (), - вероятность правильного ответа на пункт i у респондента с уровнем выраженности признака .
I(–3) = 0,20(1–0,20), I(–3) = 1,16.
ПРИМЕР IRT-АНАЛИЗА: ВЕРОЯТНОСТИ ПРАВИЛЬНОГО ОТВЕТА, ИНФОРМАТИВНОСТЬ ПУНКТОВ И ИНФОРМАТИВНОСТЬ ТЕСТА
ДЛЯ РАЗЛИЧНЫХ УРОВНЕЙ ВЫРАЖЕННОСТИ ПРИЗНАКА
КРИВЫЕ ИНФОРМАТИВНОСТИ ПУНКТОВ
КРИВАЯ ИНФОРМАТИВНОСТИ ТЕСТА
ОБЛАСТИ ПРИМЕНЕНИЯ IRT
Разработка и усовершенствование тестов
Выявление и оценка дифференциального функционирования пунктов (DIF)
Выявление нетипичных паттернов ответов
Компьютеризированное адаптивное тестирование (computerized adaptive testing – CAT)