Applying the Item Response Theory to Classroom Examinations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this research project was to determine if the item response theory (IRT) can successfully be applied to smaller-sized class examinations. METHODS: The Rasch mathematical model (RMM) was selected from the family of IRT models because of its ability to work with smaller sample sizes. Two simulated examinations were created for 100 students by 100-item dichotomous examinations. Examination 2 contained 20 items common with those in examination 1. Examination 1 was systematically exposed to randomly missing student responses and to entire items being removed to determine the robustness of the RMM to missing data. The two examinations were then analyzed with the RMM individually and then in combination. Student scores and IRT measures were compared to determine if the IRT could successfully place the students from the two examinations on the same metric of measure. RESULTS: The student measures were not affected when up to 20% of the student responses were randomly missing. Student measures continued to have high reliability and correlated with full matrix measures for up to 40% of items being dropped from the examination. Student scores and IRT measures correlated highly when the two examinations were combined. CONCLUSIONS: The RMM can be successfully applied to small-sized class examinations, such as those at chiropractic, medical, and other health profession institutions. It is possible to place candidates from different administrations on the same metric of measure if there is as little as a 20% overlap of items between examinations. The RMM could assist faculty in determining if differences in candidate scores are caused by ability or item difficulty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle