Detection of Differential Item Functioning in the Generalized Full-Information Item Bifactor Analysis Model
Notice bibliographique
Résumé
In the field of psychometrics, there has been an increase in interest concerning the evaluation of fairness in standardized tests for all groups of participants. One possible feature of standardized tests is a group of testlets that may or may not contain differential item functioning (DIF) favorable to one group of participants over another. A testlet is a cluster of items that share a common stimulus. In this dissertation, a DIF detection method useful for testlet based data was developed and tested for accuracy and efficiency. The proposed model is an extension of the generalized full-information item bifactor analysis model. Unlike other IRT-based DIF detection models, the proposed model is capable of evaluating locally dependent test items and their potential impact on the DIF estimates. This assures the new capability of the bifactor DIF detection method that was not evident in previous methods. Item parameters were estimated using a maximum likelihood estimation (MLE) method producing expected a posteriori (EAP) scores. Using the restrictions of a bifactor model, the dimensionality of integration can be analytically reduced and the efficiency can be increased. Following prior research regarding DIF on a PISA dataset, the proposed DIF model was applied to mathematics items of the Program for International Student Assessment (PISA) 2009 dataset to confirm the utility of the model. After the meaning of results to the PISA research community is conveyed, a simulation study was conducted to provide concrete evidence of the model's utility. Finally, limitations of this study from computational and practical standpoints were discussed, as well as directions for further research.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,102 | 0,183 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».