PAPER: Examining Position Effects in Large-Scale Assessments Using an SEM Approach
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
Introduction Item position effects have been an important concern in educational and psychological measurement. This type of effect may occur in both paper-pencil tests and computer-based assessments when examinees receive the same test items at different positions. If there is a significant item position effect for the items, this may lead to an unfair assessment. Objectives Previously, item position effects were often examined using Hierarchical Generalized Linear Mixed Model (HGLM), which is computationally burdensome for large data, and is mathematically limited to Rasch model. In this study, we aim to introduce a Structural Equation Modeling (SEM) approach to overcome the disadvantages of HGLM, and to demonstrate the proposed method using data from an operational large-scale reading assessment. Methodology The data come from a statewide reading assessment in the US. The sample consisted of 11734 3 rd grade students who responded to 45 reading items related to 7 reading passages. Because the test was given in computers, item positions were scrambled across students, which resulted in four different patterns of item positions (referred to as test forms in this study). We examined the overall form effects, passage position effects, and item position effects using the SEM approach. Results The results showed that one of the 7 passages and 10 of the 45 items showed significant position effects in the test, although there was no overall form effect detected across the four forms. All SEM models converged in less than 2 minutes, whereas their HGLM counterparts either took more than 25 minutes or failed to converge. Conclusion This study contributes to the literature by introducing a flexible SEM approach to estimate position effects. Compared to HGLM, the SEM approach is computationally more efficient, easier to interpret, and allows the examination of position effects not only for Rasch model but also 2PL model.
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 | 0,006 | 0,009 |
| 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 | 0,001 |
| 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