IRT parameter estimation: can the jackknife improve accuracy?
Notice bibliographique
Résumé
Unidimensional item response theory (IRT) models are routinely applied to data that are not strictly unidimensional despite the general consensus that this may lead to inaccurate parameter estimates. The jackknife technique, typically used to remove bias by re-sampling observations, may improve the accuracy of the unidimensional parameter estimates that result from multidimensional data by re-sampling items. This study examined (1) the systematic errors in marginal maximum likelihood (MML) parameter estimates that result from fitting a unidimensional two-parameter logistic IRT model to a test consisting of passage-linked groups of multiple-choice items and (2) the effectiveness of the jackknife in increasing the accuracy of these parameter estimates. Data were simulated according to one-, two-, and ten-dimensional models. Results suggest that the magnitude of bias in the unidimensional MML parameter estimates of passage-linked items depends predominantly on the characteristics of the item. Of the items classified as biased, the bias was more likely to occur in small item and person sample sizes. While the errors in the parameter estimates that arose from person sampling were fairly consistent across dimensionality models, the item sampling errors were not. Specifically, in the multidimensional conditions, the parameter estimates for a particular item varied as a result of the other items included in the calibration. The jackknife did not reduce the multidimensional item bias in the MML estimates.
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 | 0,009 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».