چکیده:
مهارت ریاضی شامل حوزه های محتوایی و فرایندهای شناختی مختلف است که بیانگر پیچیدگی توانایی ریاضی و ویژگی های پنهان آن است. تاکنون مطالعه این پیچیدگی ها با روش های سنتی تحلیل داده ها یا به صورت ذهنی انجام شده است. بنابراین، پژوهش حاضر با استفاده از مدل چندبعدی طبقه پنهان پاسخ سوال (LCMIRT) به مطالعه ابعاد شناختی و متغیر های پنهان درس ریاضی آزمون سراسری ورود به دانشگاه پرداخت. در این راستا، داده های درس ریاضی آزمون سراسری سال های 87، 90 و 94 مورد مطالعه قرار گرفت. یافته ها نشان داد که آزمون ریاضی، به عنوان یکی از دروس سرنوشت ساز در آزمون سراسری ورود به دانشگاه، شامل مجموعه ای از ویژگی های شناختی چندبعدی است. نتایج روش تحلیل موازی وحدت یافته نشان داد که آزمون ها با مدل تک بعدی برازش ندارند و اضافه کردن ابعاد بیشتر، برازش مدل را به صورت معنی داری بهبود می بخشد. بعلاوه، حوزه های شناختی درک، حل مسئله و استدلال سه سازه اساسی در تبیین توانایی ریاضی شناسایی شدند که در خوشه بندی و تحلیل سؤالهای آزمون، اطلاعات دقیق تری از کیفیت سوال ها به دست می دهند. این ویژگی LCMIRT ، در مقایسه با سایر رویکردها، تعداد زیر خوشه های شناختی را افزایش می دهد. در نهایت توصیه می شود که در ساخت و تحلیل آزمون های روانی و تربیتی، مدل های LCMIRT مد نظر قرار گیرند تا آشکارسازی توانایی های شناختی پنهان آزمون ها از اعتبار بیشتری برخوردار باشد.
Math skills include different content and cognitive processes domains which indicate the complexity of math skill and its latent traits. Until now, Study of these complexities has been done through traditional data analysis or subjective methods. Therefore, present research studied cognitive dimensions and latent variables of the math test of national university entrance examination through the application of Latent Class Multidimensional Item Response Theory (LCMIRT). In doing so, the math test data of national examinations in 2008, 2011 and 2015 were studied. Results showed that the math test, as a high stakes test in the national university entrance examination, encompasses a set of multidimensional cognitive traits. Results of the unified parallel analysis method showed that the tests do not fit with the unidimensional model and adding additional dimensions can significantly improve model fit. Moreover, cognitive domains of comprehension, problem solving and reasoning were recognized as three essential constructs which account for math skills and give more detailed information about items quality in clustering and analysis of the test items. This property of LCMIRT, in comparison with other approaches, increases the number of cognitive sub-clusters. At last, it is recommended that LCMIRT models are considered in constructing and analyzing educational and psychological tests, in order to more validly detect latent cognitive skills of the tests.
خلاصه ماشینی:
ابعاد شناختی، مدل چندبعدی طبقه پنهان پاسخ سوال ، خوشه بندی سؤال های آزمون ، ریاضیات ، آزمون های سرنوشت ساز مقدمه در عصر پیشرفت و تحول در زمینه های مختلف ارزیابی که آزمون ها به جزئی از فرایندهای هر نوع آموزشی تبدیل شده است و گاه به عنوان معیاری برای ورود به مشاغل و مقاطع تحصیلی، تأیید تسلط بر مهارتی خاص و ارزیابی دوره های مختلف آموزشی استفاده میشود، نقش اعتبار١ آزمون بسیار مهم جلوه میکند و سنجش اعتبار به عنوان مشخصه ای از کیفیت در قلب نظریات ارزیابی آموزشی و روانی قرار میگیرد (کورتز٢، ٢٠٠٨: ٢١٥).
Von Davier آموزش از مدل های طبقه پنهان چند بعدی برای برآورد توانایی آزمون وآزمودنی به کار گرفته شده است و درس ریاضی به عنوان مهارتی انتزاعی شامل چندین حوزه محتوایی مختلف و دارای فرایندهای شناختی پیچیده مورد تحلیل قرار گرفته است .
این پژوهش با بکارگیری مدل چندبعدی طبقه پنهان سؤال به مطالعه بعدیت (تعداد ابعاد شناختی آزمون ) و خوشه بندی خرده آزمون های درس ریاضی آزمون سراسری ورود به دانشگاه پرداخته است .
A class of multidimensional IRT models for testing unidimensionality and clustering items.
Estimation of compensatory and noncompensatory multidimensional item response models using Markov chain Monte Carlo.
Dubravka Svetina & Roy Levy (2014) A Framework for Dimensionality Assessment for Multidimensional Item Response Models, Educational Assessment, 19:1, 35-57.
Application and Comparison of Multidimensional Latent Class Item Response Theory on Clustering Items in Comprehension Tests.
Latent structure and item sampling models for testing.