Mixed Methods Investigation into Test Score Users’ Perspectives about IELTS Reading Skill Profiles
Notice bibliographique
Résumé
Research on the use of standardized test scores in higher education reveals significant variations in attitudes and perceptions of language proficiency tests among test score users. Most test score users have limited knowledge about test score interpretations in terms of what English as additional language (EAL) students typically know and can do at the language proficiency levels associated with admission cut scores. To address this critical gap, the language testing field has actively investigated the potential of Diagnostic Classification Models (DCMs) to offer useful information, facilitating test score users in their decision-making processes. The present two-phase mixed methods study examined the characteristics of reading skill profiles across various IELTS band scores, specifically focusing on the most frequently used admission cut scores: 6.0, 6.5, and 7.0. The study further explored test score users’ perspectives about these admission test scores, challenges encountered by EAL students, and the usefulness of reading skill profiles derived from DCMs. Findings from the application of DCMs to IELTS reading test responses (N = 5,222) showed a lack of advanced skills, such as inferential reasoning, at these commonly employed cut scores. Test score users perceived the skill profiles as instrumental in distinguishing reading abilities across various band scores and discussed the EAL students’ lack of critical reasoning, especially in inferential and synthesis tasks in coursework. The results underscore the potential of DCM-based skill profiles in providing test score users with detailed information about test score interpretations.
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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».