Madde Yanıt Teorisi (MYT)
Item Response Theory · Ayrıca şöyle bilinir: IRT, latent trait theory, item characteristic curve theory, modern test theory
Madde yanıt teorisi, bir katılımcının bir maddeyi doğru yanıtlama (veya onaylama) olasılığını, katılımcının gizil özellik düzeyi ile maddenin kendi istatistiksel özelliklerinin — zorluk, ayırt edicilik ve rastgele tahmin — bir fonksiyonu olarak modeller. Klasik test teorisinin aksine, MYT bireyleri ve maddeleri aynı ölçek üzerine yerleştirerek, maddeler için örneklemden bağımsız ve testler için bireylerden bağımsız ölçüm sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+62 tane daha
Ne zaman kullanılır
Örnekleme veya kullanılan madde setine karşı sağlam ölçüm gerektiğinde MYT kullanın — örneğin ruhsat sınavları, klinik değerlendirmeler veya farklı popülasyonlarda veya birden fazla formda uygulanan büyük ölçekli anket araçları geliştirirken. MYT, gruplar arasındaki farklı madde işleyişini tespit etmek, uyarlanabilir testler oluşturmak veya test formları arasındaki puanları eşleştirmek için özellikle değerlidir. Minimum örneklem büyüklüğü modele bağlıdır: Rasch modeli kararlı tahminler için 150–200 katılımcı ile çalışabilir; 2PL tipik olarak 300–500 gerektirir; 3PL 500 veya daha fazlasını gerektirir. Örnekleminiz çok küçükse (n < 100), maddeler kötü yazılmışsa ve herhangi bir modele uyması muhtemel değilse veya klasik test teorisi istatistikleri (Cronbach'ın alfa, düzeltilmiş madde-toplam korelasyonları) mevcut amaç için yeterliyse MYT kullanmayın.
Güçlü yönler & sınırlılıklar
- Kullanılan belirli örnekleme veya madde setinden bağımsız madde parametresi tahminleri ve testten bağımsız birey tahminleri sağlar, bu da formlar arasında eşleştirmeye olanak tanır.
- Klasik test teorisinin sağlayamadığı madde düzeyinde tanısal bilgiler — uyum istatistikleri ve MCE'ler — sunar.
- Her özellik düzeyinde bilgiyi en üst düzeye çıkaran maddeleri belirleyerek uyarlanabilir testleri destekler.
- Demografik veya kültürel gruplar arasında farklı madde işleyişinin (DIF) resmi olarak tespit edilmesini sağlar.
- Model uzantıları aracılığıyla ikili, polinomik ve karma madde formatlarını esnek bir şekilde ele alır.
- Özellikle 2PL ve 3PL için kararlı parametre tahmini için klasik test teorisinden önemli ölçüde daha büyük örneklemler gerektirir.
- Model uyumunun kontrol edilmesi gerekir — uyumsuz maddeler ve bireyler araştırılmalıdır, bu da analitik karmaşıklığı artırır.
- Tek boyutluluk temel bir varsayımdır; çok boyutlu veriler bunu ihlal eder ve daha karmaşık çok boyutlu MYT modelleri gerektirir.
- Yazılım (örneğin, R paketleri mirt, ltm; Mplus; IRTPRO) klasik test teorisi araçlarından daha teknik olup, sonuçların uzman olmayan kitlelere iletilmesi daha zordur.
SSS
MYT ile klasik test teorisi arasındaki fark nedir?
Klasik test teorisi (CTT), toplam puanlara odaklanır ve maddeleri ortalama zorlukları (p-değeri) ve madde-toplam korelasyonları ile karakterize eder; her ikisi de test edilen belirli örneğe bağlıdır. MYT, her yanıtın olasılığını bir gizil özelliğin fonksiyonu olarak modeller, teorik olarak örneklemden bağımsız madde parametreleri ve testten bağımsız birey parametreleri tahmin eder. MYT bu nedenle testler arasında eşleştirmeye ve daha ayrıntılı madde tanılarına olanak tanır, ancak daha büyük örneklemler gerektirir.
Rasch modeli, 2PL ve 3PL arasındaki fark nedir?
Bunlar genel lojistik MYT modelinin iç içe geçmiş özel durumlarıdır. Rasch (1PL) modeli yalnızca bir madde zorluk parametresi (b) kullanır ve tüm maddelerin eşit ayırt ediciliğe sahip olmasını kısıtlar. 2PL, her madde için bir ayırt edicilik parametresi (a) ekleyerek maddelerin özellik düzeylerini ne kadar keskin bir şekilde ayırt ettikleri konusunda farklılık göstermesine izin verir. 3PL, şans eseri doğru bir yanıt olasılığını modelleyerek bir tahmin parametresi (c) ekler — bu, çoktan seçmeli yetenek testleri için uygundur ancak kişilik ölçekleri için uygun değildir.
MYT için ne kadar büyük bir örneğe ihtiyacım var?
Modele bağlıdır. Rasch modeli, en az 15-20 madde olduğunda yaklaşık 150-200 katılımcı ile kararlı madde parametresi tahminleri üretebilir. 2PL genellikle 300-500 vaka gerektirir; 3PL 500 veya daha fazlasını gerektirir. Çok sayıda madde ve az sayıda katılımcı (veya tam tersi) ile seyrek veriler kararsız tahminlere yol açar. Simülasyon çalışmaları ve pilot testler, belirli tasarımlar için yeterliliği belirlemeye yardımcı olur.
MYT tek boyutluluk gerektirir mi?
Standart MYT modelleri (1PL, 2PL, 3PL, GRM), tek bir baskın gizil özelliğin yanıtlara neden olduğunu varsayar. Bu varsayım, model uydurulmadan önce kontrol edilmelidir, örneğin bir EFA'daki özdeğer oranlarını inceleyerek, temel tek boyutluluğu test ederek veya MIRT uyum indekslerini kullanarak. Veriler açıkça çok boyutlu olduğunda, çok boyutlu bir MYT (MIRT) modeli daha uygundur.
MYT için yaygın olarak hangi yazılımlar kullanılır?
R'de mirt, ltm ve TAM paketleri yaygın olarak kullanılır ve ücretsiz olarak mevcuttur. Ticari seçenekler arasında IRTPRO, flexMIRT ve WINSTEPS (Rasch modelleri için) bulunur. Mplus, daha geniş bir SEM çerçevesi içinde MYT'yi destekler. StatWise, otomatik model seçimi ve uyum raporlaması ile rehberli MYT analizi sunar.
Kaynaklar
- Lord, F. M. & Novick, M. R. (1968). Statistical Theories of Mental Test Scores. Addison-Wesley. link ↗
- Embretson, S. E. & Reise, S. P. (2000). Item Response Theory for Psychologists. Lawrence Erlbaum Associates. ISBN: 978-0805828191
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Item Response Theory. ScholarGate. https://scholargate.app/tr/psychometrics/item-response-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Ayırt Edici Madde Fonksiyonu (DIF)Psikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Rasch ModeliPsikometri↔ karşılaştır
- Ölçek GeliştirmePsikometri↔ karşılaştır