Exploring the Role of Response Time in Item Response Theory: Rethinking the <scp>PISA</scp> 2022 Creative Thinking Assessment
Notice bibliographique
Résumé
ABSTRACT This article explores the potential of response time‐item response theory (RT‐IRT) models to enhance creative thinking (CT) measurement in Programme for International Student Assessment (PISA) 2022, which employs traditional IRT models (2PL and generalized partial credit) excluding response time (RT). Given traditional IRT's limitations in capturing cognitive processes, we explored how numerous advanced IRT models, particularly those that incorporate RT as valuable information, have been developed for model testing and comparison for large‐scale assessment. In addition, we discuss the critical role of RT as demonstrated in the research literature, linking it to key aspects of creativity. We also explore the possibilities of connecting two types of RTs (i.e., the total time spent on task completion and the time from start to first action spent on each task) to patterns in creative performance across domains and stages, using RT‐IRT models. Benefits and types of RT‐IRT models (e.g., joint, diffusion, mixture) are further examined as they integrate RT to model speed–accuracy trade‐offs, detect aberrant response behaviors, and enhance result interpretability by reflecting engagement and creative processes. Lastly, we propose RT‐IRT models to leverage PISA 2022's RT data and provide process‐oriented insights, improve ability estimates, and potentially prevent misclassification of spontaneously creative responses as careless ones.
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 | 0,193 | 0,430 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».