انتخاب مدل تشخیصی شناختی مناسب برای سوالات ریاضی پایه هشتم مطالعه تیمز 2019 (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
زمینه و هدف: از آنجایی که روش های سنجش مرسوم به دلیل عدم توجه به فرآیندهای شناختی مورد نیاز آزمودنی ها برای ارائه پاسخ درست مورد انتقاد قرار گرفته اند، مدل های تشخیصی شناختی توسط محققین ارائه شده است. روش و مواد: پژوهش حاضر با هدف مطالعه و کاربرد مدل های تشخیصی شناختی در برآورد ویژگی های روان سنجی سوال های انتشار یافته ریاضی پایه هشتم تیمز 2019 انجام شد. روش تحقیق این مطالعه، کمی-کیفی است که با رویکرد ریتروفیت آزمون های موجود انجام شد. جامعه آماری این مطالعه، کلیه دانش آموزان ایرانی پایه هشتم شرکت کننده در مطالعه تیمز 2019 بود. حجم جامعه دانش آموزان ایرانی شامل 1,095,026 دانش آموز از 23,895 مدرسه بود. نمونه دانش آموزان پایه هشتم ایرانی شرکت کننده در مطالعه تیمز 2019 است که از طریق روش نمونه گیری خوشه ای دو مرحله ای، 5,980 دانش آموز پایه هشتم ایرانی از 220 مدرسه با میانگین سنی 14.1 گزارش شده است. یافته ها: با استفاده از روش کیفی، 16 مهارت در چهار زمینه حیطه محتوایی، دانش، به کاربستن و استدلال کردن شناسایی و ماتریس کیو تدوین شد. سپس در بخش کمی میزان برازش مدل های DINA به عنوان مدل جبرانی، DINO به عنوان مدل غیرجبرانی و G-DINA به عنوان مدل کلی با داده های حاصل از پاسخ دانش آموزان به سوالات بخش ریاضی در بلوک های 1، 2، 3 و 5 بررسی شد. یافته ها نشان داد از نظر برازش سوالات با مدل، مدل G-DINA ضعیف ترین و مدل DINA بهترین برازش را داشتند. بررسی شاخص های برازش مطلق مدل ها نیز نشان داد که مدل DINA بهتر بود و مدل DINO برازش نداشت. شاخص های برازش نسبی مدل ها نشان داد که تفاوت معناداری بین مدل G-DINA با دو مدل دیگر ندارد و در مجموع مدل غیرجبرانی DINA بهترین برازش را نشان داد. نتیجه گیری: نتایج نشان داد که مدل DINA بهترین برازش را با داده ها داشت و می تواند به عنوان مدل بهینه برای تحلیل سؤالات ریاضی پایه هشتم تیمز 2019 استفاده شود.Selecting an Appropriate Cognitive Diagnostic Model for Eighth Grade Math Questions: TIMSS 2019 Study
Background and Objective: Traditional assessment methods have been criticized for neglecting the cognitive processes required by test-takers to provide correct responses. To address these issues, cognitive diagnostic models have been introduced by researchers. This study aimed to explore and apply cognitive diagnostic models to estimate the psychometric properties of published eighth-grade math questions from TIMSS 2019. Methods and Materials: The research method employed in this study is mixed-methods, conducted with a retrofitting approach to existing tests. The statistical population of this study consisted of all Iranian eighth-grade students who participated in the TIMSS 2019 study. The population size included 1,095,026 students from 23,895 schools. The sample consisted of 5,980 Iranian eighth-grade students from 220 schools, selected through a two-stage cluster sampling method, with an average age reported as 14.1 years. Findings: Using a qualitative method, 16 skills across four content domains—knowledge, application, and reasoning—were identified and the Q-matrix was developed. Then, in the quantitative section, the fit of the DINA model as a compensatory model, the DINO model as a non-compensatory model, and the G-DINA model as a general model were examined with data from students' responses to math questions in blocks 1, 2, 3, and 5. The findings showed that in terms of model fit, the G-DINA model had the weakest fit, while the DINA model had the best fit. Absolute fit indices of the models also indicated that the DINA model was better, and the DINO model did not fit. Relative fit indices of the models showed no significant difference between the G-DINA model and the other two models, and overall, the non-compensatory DINA model demonstrated the best fit. Conclusion: The results indicated that the DINA model had the best fit with the data and can be considered the optimal model for analyzing the eighth-grade mathematics questions in TIMSS 2019.
تبلیغات
