对平行测试组件的群优化
Luc Zimny1, Ulrich Schroeders2, Oliver Wilhelm3
1Institute of Psychology and Education, Ulm University, Albert-Einstein-Allee 47, 89081, Ulm, Germany. luc.zimny@uni-ulm.de.
Behavior research methods
|January 26, 2024
概括
群优化 (ACO) 算法现在可以创建多个并行短测试. 这些测试同时确保可靠,准确和性别公平地衡量事实知识.
科学领域:
- 心理测量 心理测量 心理测量
- 人工智能的人工智能
- 教育测量教育的测量
背景情况:
- 群优化 (ACO) 算法已被用于单个短尺度构建.
- 现有的方法在创建具有竞争标准的多个并行尺度方面面临挑战.
研究的目的:
- 为了证明ACO在构建多个并行短尺度上的多功能性.
- 确保这些尺度符合构造覆盖范围,单维性,可靠性,精度和性别公平性的标准.
- 通过对齐的特征和信息功能来确定测试等价性.
主要方法:
- 使用了120个知识项的初始池.
- 应用了ACO算法来组装三个平行12项测试.
- 调整测试特征和信息功能,以确保同等性.
- 交叉验证的尺度和检查的协会与完整的尺度和外部共变量.
主要成果:
- 成功完成了三个并行的12项知识测试.
- 实现了适当的构造覆盖,单维性,可靠性,精度和性别公平.
- 通过功能调整证明了测试等价性.
- 确认了与全尺度和共变量相关的联系.
结论:
- 对于先进的测试组件,包括并行形式,ACO算法是多功能性的.
- 开发的方法确保了高质量,同等和心理测量健全的短尺度.
- 突出了测试开发和等效性研究中元启发式方法的潜力.


