داده های دو ارزشی

زمینه: مشخص کردن ابعاد (عامل ها) موجود در آزمون ها اهمیت بسزایی برای سایر اهداف آزمون سازی دارد. این موضوع در داده های دو ارزشی اهمیت بیشتری داشته و با چالش های بیشتری نیز همراه است. هدف: هدف این مطالعه مشخص کردن ابعاد متعامد از خوشه های سوال بر اساس مقایسه نتایج هشت روش تعیین ابعاد داده های دو ارزشی است. روش: این روش ها عبارتند از: روش ناپارامتریکDIMTEST، روش ناپارامتریک DETECT، تحلیل محتوای سؤال ها بر اساس قضاوت متخصصان محتوایی و بررسی جواب های آن ها، تحلیل عاملی کل اطلاعات، تحلیل خوشه بر اساس زاویه بین بردار سؤال ها، تحلیل موازی، آزمون MAP و تحلیل عاملی تأییدی. ابتداروش ها به طور مختصر توصیف و سپس بر اساس داده های آزمون 55 سوالی ریاضی رشته ریاضی فیزیک 92-91 مقایسه شده اند. یافته ها: نتایج تاییدی بر این مطلب است که باید بین تعداد خوشه و ابعاد متعامد تمایز قایل شد. بحث و نتیجه گیری: از آنجا که تعداد خوشه ها حد بالایی برای تعداد ابعاد است و اکثر روش های تعیین ابعاد منعکس کننده خوشه ها هستند تا ابعاد متعامد، پس بهتر است بسته به هدف مورد نظر، همراه با ملاحظات منطقی و محتوایی، از چندین روش برای این منظور استفاده کرد.

پژوهش حاضر با هدف بررسی مخاطره الگوریتم MHRM در مدل های چند بعدی نظریه سؤال پاسخ در داده های دو ارزشی با در نظر گرفتن ابعاد و طول آزمون متفاوت مورد بررسی قرار گرفت. روش پژوهش مورد استفاده آزمایشی واقعی و با استفاده از طرح پس آزمون چند گروهی بود. نمونه مورد مطالعه براساس مطالعات شبیه سازی تحت شرایط مختلف متغیرهای مستقل در 27 حالت با 100 تکرار برای هر کدام ایجاد شد. مدل مورد استفاده مدل دو پارامتری چندبعدی لوجستیک و پارامترهای مورد بررسی شیب و دشواری سؤالات بود. جهت بررسی مخاطره هر یک از پارامترها در حالت های مختلف آزمایشی شاخص میانگین توان دوم خطاها مورد استفاده قرار گرفت. جهت تولید و تحلیل داده ها ار نرم افزارهای آماری R بسته های mirt، interactions، car و psych استفاده شد. نتایج پژوهش نشان داد الگوریتم MHRM در قیاس با الگوریتم های EM و MCEM دارای مخاطره کمتری است. این موضوع بویژه تحت شرایط داده هایی با ابعاد بالا (5 بعد) و طول آزمون کوتاه (15 سؤال) بیشتر مشهود بود. همچنین نتایج پژوهش نشان داد زمانی که ابعاد آزمون افزایش و طول آزمون کاهش می یابد، مخاطره برآورد پارامترها به طور معنی داری افزایش می یابد. در نتیجه می توان گفت کاربرد الگوریتم MHRM در داده های با تعداد ابعاد بالا و طول آزمون کوتاه ضروری است و به پژوهشگران توصیه می شود که از آن در تحلیل داده های با ساختار پیچیده از قبیل تعداد ابعاد بالا بهره گیرند

هدف: هدف این پژوهش مقایسه روش های تعیین تعداد ابعاد براساس داده های آزمون های سراسری و تعیین تعداد ابعاد موجود در این داده هاست.روش پژوهش: پس از بررسی پیشینه نظری و تجربی، از داده های آزمون های ریاضی (گروه ریاضی)؛ شیمی (گروه تجربی)؛ و فلسفه-منطق (گروه انسانی) سال 1395 برای تحلیل استفاده شد.یافته ها: تحلیل داده ها با یازده روش تحلیل ابعاد، 34 شاخص مبتنی بر این روش ها و نیز روش های نموداری تحلیل خوشه سلسله مراتبی، تحلیل شبکه اکتشافی و نقشه حرارتی نشان داد که روش های مختلف بسته به ماهیت، عامل یا عوامل کلی، اختصاصی و یا خوشه های سوال موجود در آزمون ها را منعکس می کنند. نتایج حاصل از تحلیل ها نشان داد تک بعدی بودن ضروری (essential unidimensionality) در اکثر موارد به معنی دقیق آن برقرار نیست و دست کم در آزمون های تخصصی سراسری سال 1395 ساختار از نوع عامل دوگانه (bifactor) است. با این تفاوت که ساختار دوگانه حاصل با مشخصات مدل دوگانه موجود در پیشینه همخوانی ندارد. یعنی هر سوال علاوه بر عامل کلی با بیش از یک عامل اختصاصی ارتباط دارد که به ساختار پیچیده یا نسبتا پیچیده منجر می شود.نتیجه گیری: براساس نتایج تحلیل عاملی کل داده ها و تحلیل عاملی غیرخطی افزایش تدریجی مجانب پایین باعث کاهش تعداد ابعاد می شود. پیشنهاد می شود برای تعیین ابعاد آزمون های سراسری از ترکیب چند روش استفاده شود. به علاوه به هنگام تحلیل میزان اشباع عامل کلی، که در میزان همبستگی بین سوال ها منعکس می شود، لحاظ کردن مجانب پایین، نوع برخورد با پاسخ های سفید و مقایسه نتایج حاصل از کل داده ها با داده های کامل (داده های بدون پاسخ سفید) می تواند در این خصوص مفید باشد. به علاوه میزان برازش عامل های حاصل از روش های مختلف اکتشافی به داده ها با استفاده از روش های تاییدی نیز بررسی شده و در نهایت به تفسیرپذیری مدل حاصل نیز توجه گردد.