The risk–return trade‐off: Performance assessments and cognitive validation of inferences
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
BACKGROUND AND AIMS: In educational measurement, performance assessments occupy a niche for offering a true-to-life format that affords the measurement of high-level cognitive competencies and the evidence to draw inferences about intellectual capital. However, true-to-life formats also introduce myriad complexities and can skew if not outright distort the accuracy of inferences. For validating claims about test-takers from performance assessments, the collection of evidence about response processes is a necessity of sufficient import that the validation process needs to be labelled a cognitive validation to ensure that the cognitive is not forgotten in the logic of the validation process. ANALYSIS AND EXAMPLE: Cognitive validation is described as a three-pronged process of (1) identifying the knowledge, skills, and attributes associated with the intellectual capital of interest, (2) selecting and/or developing tasks to elicit intellectual capital, and (3) collecting substantive empirical evidence of examinee response processes as part of the overall validity argument. This three-pronged process is illustrated using the American Institute of CPA's (2018) practice analysis, task-based simulations (TBSs), and use of think-aloud interviews to evaluate claims. CONCLUSIONS: Although cognitive laboratories and think alouds are used to measure distinct types of response processes as test-takers interact with performance assessments, both methods are among the best for obtaining direct but differential evidence from test-takers. The labour and cost of collecting this evidence are often not done or not done well by many testing programmes. However, for performance assessments to succeed in measuring what they purport to measure, the investment of cognitive validation must be made.
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 | 0,027 |
| 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 | 0,000 | 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