Bilgisayarlı Uyarlamalı Test Genellenebilirlik Kuramı
Computerized Adaptive Test Generalizability Theory · Ayrıca şöyle bilinir: CAT G-theory, adaptive test generalizability, G-theory in CAT, computerized adaptive generalizability analysis
Bilgisayarlı uyarlamalı test (BUT) uygulamasına yönelik genellenebilirlik kuramı (G-kuramı), puan varyansını kişiler, maddeler ve durumlar gibi ölçüm yönleri arasında ayrıştırarak uyarlamalı test puanlarının güvenilirliğini değerlendirir. Klasik test kuramından farklı olarak, G-kuramı çoklu eşzamanlı ölçüm hatası kaynaklarını nicelleştirerek uyarlamalı olarak uygulanan değerlendirmeler için daha zengin bir güvenilirlik tablosu sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
BUT genellenebilirlik kuramını, tek bir IRT tabanlı standart hatanın ötesinde uyarlamalı test puanlarının güvenilirliğini raporlamanız gerektiğinde veya değerlendirmeniz hem göreceli (norm referanslı) hem de mutlak (ölçüt referanslı) puan yorumlamalarını aynı anda desteklediğinde uygulayın. Ayrıca, uyarlamalı sistemde ölçüm hatasına birden çok yön — maddeler, derecelendiriciler, durumlar veya formlar — katkıda bulunduğunda da faydalıdır. IRT parametre tahmini yerine kullanmayın; G-kuramı, madde seçimini yönlendiren IRT yetenek tahminlerini tamamlayan ancak yerine geçmeyen klasik veya varyans bileşeni çerçevesini varsayar. Madde seçiminin rastgele olmayan, yetenekle eşleşen doğasını hesaba katmadan standart G-kuramı tasarımlarını BUT verilerine safça uygulamaktan kaçının, çünkü bu varyans bileşeni tahminlerini bozacaktır.
Güçlü yönler & sınırlılıklar
- Klasik güvenilirlik indekslerinin ayıramadığı çoklu eşzamanlı ölçüm hatası kaynaklarını ayrıştırır.
- Farklı puan yorumlamalarıyla ilgili hem göreceli (E-rho-kare) hem de mutlak (Phi) güvenilirlik katsayıları sağlar.
- D-çalışması projeksiyonları, planlamacıların hedeflenen bir güvenilirlik için optimal madde havuzu boyutunu ve minimum test uzunluğunu belirlemesine olanak tanır.
- Çapraz ve iç içe geçmiş yönleri olan karmaşık ölçüm tasarımlarını barındırır, büyük ölçekli uyarlamalı sistemler için uygundur.
- Klasik psikometrik raporlama standartlarını, BUT dokümantasyonunda beklenen daha teknik olarak zorlu IRT çerçevesiyle birleştirir.
- BUT'taki rastgele olmayan madde seçimi, standart G-çalışması tasarımlarının temelini oluşturan rastgele örnekleme varsayımını ihlal eder ve metodolojik uyarlamalar gerektirir.
- Varyans bileşeni tahmini, kararlı olmak için büyük örneklemler ve geniş madde havuzları gerektirir; küçük aday havuzları kesin olmayan G-katsayıları verir.
- G-kuramını IRT puanlamasıyla entegre etmek metodolojik olarak karmaşıktır ve yazılımda henüz tam olarak standartlaştırılmamıştır.
- G-kuramı, IRT'nin her yetenek düzeyinde sağladığı koşullu ölçüm hatasını modellemez; hassasiyet, yetenek sürekliliği boyunca G-kuramının ortalamasını aldığı şekillerde değişir.
SSS
BUT puanlarının güvenilirliğini değerlendirmek için Cronbach alfa kullanabilir miyim?
Hayır. Cronbach alfa, tüm adayların aynı maddelere yanıt verdiğini varsayar, ancak bir BUT'ta her aday benzersiz bir alt küme alır. Alfa'yı birleştirilmiş BUT yanıtlarına uygulamak yanıltıcı bir katsayı üretecektir. Bunun yerine G-kuramı veya IRT tabanlı koşullu standart hatalar kullanılmalıdır.
BUT verileri üzerinde bir G-çalışması yürütürken rastgele olmayan madde seçimini nasıl ele alırım?
Standart yaklaşım, madde seçimini yetenek tahmini verildiğinde göz ardı edilebilir olarak ele alan marjinal maksimum olabilirlik varyans bileşeni tahminini kullanmak veya IRT'den kişi puanlarını birleştirmek ve daha sonra bu puanları bir G-çalışması çerçevesinde ele almaktır. Bazı araştırmacılar, tasarıma uygun varyans bileşenleri elde etmek için bootstrap yeniden örnekleme kullanarak havuzdan rastgele uygulamayı simüle eder.
G-katsayısı ile güvenilirlik katsayısı Phi arasındaki fark nedir?
G-katsayısı (E-rho-kare), en yüksek puan alanları seçmek gibi adayların göreceli sıralamasıyla ilgilendiğinizde önemlidir. Phi, hata teriminin bir parçası olarak madde ortalama farklılıklarını içerdiği için, bir kesme puanının üzerinde puan alan herkesi geçirmek gibi mutlak kararlar için önemlidir. Phi her zaman E-rho-kareye eşit veya daha düşüktür.
G-kuramı, BUT'ta IRT'nin yerine geçer mi?
Hayır. IRT, madde seçimini yönlendirir ve yetenek düzeyine göre değişen koşullu standart hatalarla yetenek tahminleri sağlar. G-kuramı, program düzeyinde raporlama ve tasarım alternatiflerini karşılaştırmak için faydalı genel bir güvenilirlik özeti sağlar. Tamamlayıcı amaçlara hizmet ederler ve en iyi şekilde birlikte raporlanırlar.
BUT'ta kararlı G-çalışması varyans bileşenleri için ne kadar büyük bir örneklem gerekir?
Kabaca bir rehber olarak, basit iki yönlü bir tasarımda kararlı varyans bileşeni tahminleri için en az 200 ila 300 aday ve havuzda en az 50 ila 100 maddeye ihtiyaç vardır. Ek yönleri olan daha karmaşık tasarımlar orantılı olarak daha büyük örneklemler gerektirir.
Kaynaklar
- Brennan, R. L. (2001). Generalizability Theory. Springer. ISBN: 978-0387952826
- Van der Linden, W. J., & Glas, C. A. W. (2000). Computerized adaptive testing: Theory and practice. Kluwer Academic Publishers. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Computerized Adaptive Test Generalizability Theory. ScholarGate. https://scholargate.app/tr/psychometrics/computerized-adaptive-test-generalizability-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Madde Yanıt Kuramı (MYK) Temelli Bilgisayarlı Uyarlanabilir Test (BUT-MYK)Psikometri↔ karşılaştır
- Bilgisayarlı Uyarlanabilir Test Güvenilirlik AnaliziPsikometri↔ karşılaştır
- Genelleştirilebilirlik Kuramı (G-Kuramı)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Çok Düzeyli Güvenilirlik AnaliziPsikometri↔ karşılaştır
- Test-Tekrar GüvenilirliğiPsikometri↔ karşılaştır