Moderated DIF 1 Running head: MODERATED DDF METHODOLOGY Differential Domain Functioning on the Numeracy Component of the Foundation Skills Assessment: Bringing the Context into Picture by Investigating Sociological / Community Moderated Test and Item
Notice bibliographique
Résumé
Moderated DIF 2 The present study introduces and demonstrates a new methodology for item and test bias studies: “moderated differential item functioning (DIF)”. This technique expands the DIF methodology to incorporate contextual and sociological variables as moderating effects of the DIF. Specifically, this paper explores differential domain functioning (DDF) – the focus of interpretation for this test is on the “domain ” rather than the item. This moderated DDF effect is demonstrated on a multiple-choice and constructed-response provincial assessment test that was designed to match a specified mathematics curriculum. Participants were 45,728 grade 4 students, 45,022 grade 7 students, and 43,525 grade 10 students in British Columbia, Canada. The data from these participants was narrowed down to create four contrast groups of communities that reflect differences in contextual variables: rural low-income, rural affluent, urban low-income, and urban affluent. Gender DDF was explored using a general linear statistical model. After statistically matching males and females on their mathematical ability, gender DDF was moderated by the contextual variables. Thus, this “moderation ” approach allows one to investigate the effect of sociological, community-based contextual variables that may help one understand the complex functioning of DIF in large scale testing. In other words, what we are advocating is to take a more “sociological ” and “ecological ” approach to help us understand differences in item and test performance.
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 | 0,017 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 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 ».