Question format is the best predictor of item discrimination: a multivariable analysis
Notice bibliographique
Résumé
ABSTRACT Item discrimination, the point-biserial correlation between performance on a question and total exam score, was analyzed in relation to question format, difficulty, and Bloom’s taxonomy, which are rarely studied together in a joint framework. To estimate their independent contributions in undergraduate biology examinations, simultaneous multivariable linear and logistic models were conducted on an upper year biology item bank ( n = 754). Predictors were question format (multiple-choice question [MCQ], short answer [SA], true/false [TF]), difficulty (easy >80%, moderate 60%–80%, hard <60%), and Bloom (recall, understanding, application, analysis). Question format was the strongest independent predictor. Relative to MCQs, SA items showed higher discrimination and greater odds of meeting the ≥0.35 threshold (odds ratio [OR] = 4.18), while TF items were less discriminating (OR = 0.58). Moderate and hard items exceeded easy questions (ORs = 2.75 and 2.45, respectively). For Bloom, higher-order items outperformed recall questions overall; both understanding and analysis items discriminated better than recall items (ORs = 1.4 and 3.56, respectively). A post hoc grouping of moderate difficulty questions showed that SA + higher-order items (0.53) exceeded MCQ + recall items (0.35), with 89% vs 53% of these items, respectively, meeting a discrimination threshold of ≥0.35. In simultaneous models, question format was the strongest independent predictor of item discrimination, moderate difficulty optimized discrimination, and higher-order objectives exceeded recall. These results provide exploratory insights from a single-institution case study and suggest that adding some higher-order short-answer questions of moderate difficulty may represent a pragmatic strategy for improving assessment quality.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».