Startpagina / Samenvattingen / Meten en Diagnostiek 2 / item-informatie-theta

IRT en Raschmodellen - Curven

Q: Wat is een item characteristic curve (ICC). Wat bepaald de vorm?

Item characteristic curves (ICC) = Item characteristic curves = worden gebruikt om de kenmerken van de items op een test te presenteren en te evalueren. Geven de de waarschijnlijkheid weer waarmee individuen in een reeks van eigenschapsniveaus elk item waarschijnlijk correct zullen beantwoorden. Dit wordt berekend per item. Op de X-as zien we de theta en op de Y-as de kans op een bepaald antwoord (van 0 tot 1). • De parameters a en b bepalen de vorm van de ICC.

Q: Wat houdt een test informatie curve in? Hoe kom je daaraan?

Test informatie curve = toont aan hoe goed de test discrimineert als een functie van θ. Je kunt zo vaststellen waar individuen verschillen met betrekking tot theta. - Hoe kom je aan de test informatie curve: je telt gewoon de Item Informatie Curves op. Dus de item informatie op een bepaalde waarde van theta van item 1 tel je op bij item 2, etc: T(θ) = I(θ)1 + I(θ)2 + I(θ)3 + ...... I(θ)M

4 belangrijke vragen over IRT en Raschmodellen - Curven

Wat is een item characteristic curve (ICC). Wat bepaald de vorm?

Item characteristic curves (ICC) = Item characteristic curves = worden gebruikt om de kenmerken van de items op een test te presenteren en te evalueren. Geven de de waarschijnlijkheid weer waarmee individuen in een reeks van eigenschapsniveaus elk item waarschijnlijk correct zullen beantwoorden. Dit wordt berekend per item. Op de X-as zien we de theta en op de Y-as de kans op een bepaald antwoord (van 0 tot 1).
• De parameters a en b bepalen de vorm van de ICC.

Wat is een item informatie curve (IIC)?

Item Informatie Curve (IIC) = geeft een weergave van hoe goed een item discrimineert en omvat de plot van de varianties of hellingshoek van de ICCs bij de waardes conditioneel van θ. De IIC kan berekend worden aan de hand van de ICC van een item, en is feitelijk gewoon een andere manier om de ICC weer te geven. Je kunt hierdoor de items beter interpreteren.
- Formule IIC in 1PL model = prob(item=1|θ)*prob(item=0|θ)
- De item informatie bij een gegeven θ waarde drukt de verwachte variantie uit in de item respons bij die gegeven θ waarde.

We praten nu over de informatie van een item. In de praktijk, wanneer je de test helemaal
hebt ontwikkeld, dan wil je weten wat de informatie is van een testscore. Dus hoe goed discrimineert de testscore. We doen daarvoor een stap weg van de items, die zijn geëvalueerd en zijn allemaal in orde. Wat gebruiken we in de praktijk om mensen te onderscheiden? Wat kunnen we ons hierbij afvragen?

Maar wat gebruiken we in de praktijk om mensen te onderscheiden? = de testscores:
we tellen de itemscores bij elkaar op om tot de testscores te komen en dat gebruiken we om af te leiden hoe mensen verschillen met betrekking tot theta. Dus de totale testscores dienen als benadering tot theta.

We kunnen ons hierbij afvragen: bij welke waarde theta zou mijn testscore nou goed discrimineren. Hiervoor kijken we naar de Test Informatie Curve.

Wat houdt een test informatie curve in? Hoe kom je daaraan?

Test informatie curve = toont aan hoe goed de test discrimineert als een functie van θ. Je kunt zo vaststellen waar individuen verschillen met betrekking tot theta.
- Hoe kom je aan de test informatie curve: je telt gewoon de Item Informatie Curves op.
Dus de item informatie op een bepaalde waarde van theta van item 1 tel je op bij item 2, etc: T(θ) = I(θ)1 + I(θ)2 + I(θ)3 + ...... I(θ)M

De vragen op deze pagina komen uit de samenvatting van het volgende studiemateriaal:

Meten en Diagnostiek 2

Bekijk samenvatting