Bressan, M., Pastore, M., Iotti, G. (2014). Proposta di innovazione metodologica nella selezione di...
-
Upload
marco-bressan -
Category
Science
-
view
73 -
download
3
Transcript of Bressan, M., Pastore, M., Iotti, G. (2014). Proposta di innovazione metodologica nella selezione di...
PROPOSTA DI INNOVAZIONE METODOLOGICA NELLA SELEZIONE DI ITEM DI CONOSCENZA E ABILITÀ.
UNO STUDIO SPERIMENTALE APPLICATO.
Marco Bressan1
Massimiliano Pastore2
Giovanni Iotti3
1 Università degli Studi di Padova, Servizio Orientamento2 Università degli Studi di Padova, Dipartimento di Psicologia dello Sviluppo e della Socializzazione3 Università degli Studi di Padova, Servizio Orientamento
17 settembre 2014 PaviaXX Congresso Nazionale della Sezione di Psicologia Sperimentale
Sommario
• Le domande dei test d’ingresso all’Università
• Classical Test Theory e Item Response Theory
• Mixed Effects Models
• Regressione Logistica
• Lo studio sperimentale
• Conclusioni
Le domande dei test d'ingresso
scelta multipla, una risposta esatta tra 4 o 5 alternative
abilitàsaper fare, applicare procedure
conoscenzasapere che, verifica di apprendimenti passati
analitichequantitativeverbali…
biologiachimicacultura generalefisicamatematica…
economiagiurisprudenza
ingegneria scienze
medicinaarchitettura
+ domande abilità + domande conoscenza
CTT IRT
Assunzione fondamentale Un individuo con il tratto latente più alto risponderà correttamente a un maggior numero di domande
Risposto correttamente a una certa domanda, con più probabilità si risponderà correttamente a domande più facili
Normalizzazione Risente molto del campione di normalizzazione
È indipendente dal campione di normalizzazione
Prima si fanno le norme poi si possono valutare altri soggetti
Normalizzazione e valutazione dei soggetti avvengono nello stesso momento
Si valuta il punteggio test Si valuta ogni item
Calcolo del punteggio Solitamente si sommano i punteggi di ogni singolo item
Si ipotizza un complesso modello probabilistico
Interpretazione del punteggio Confronto tra il punteggio del soggetto con delle norme
Confronto tra gli item a cui si è risposto
Non tiene conto della difficoltà degli item
Tiene conto della difficoltà degli item
Errore di misura Ipotizzato costante per tutti i livelli di tratto
Relazione matematica che varia in funzione del livello di tratto
CTT e IRT
Mixed Effects Models
Effetti Fissi Effetti Casuali+
(livelli degli effetti fissi e riproducibili) (campionatura dei livelli degli effetti)
id. soggettoid. domanda
genere (M,F)categoria domanda (8 categorie)
numero ripetizione provalunghezza quiz (15 o 60 domande)
Esempio di definizione di un mixed effects model in R
library(lme4)
m.3 = glmer(risposta ~ ripetizione_prova + lunghezza_prova + categoria_domanda + (1|sogg) + (1|domanda), data=lunga, family = binomial)
Cosa collega Mixed Effects Models e Item Response Theory?
MEM IRTRegressione Logistica
Obiettivo dell’analisi: stimare un parametro della curva logistica(Rasch,1PL, b, difficoltà)
Lo studio sperimentale
60 partecipanti (38 M, 22 F) motivati dall’iscriversi all’Università
913 item diversi, classificati in 8 categorie
Gli item sono stati somministrati in:
221 prove da 60 domande (10 di abilità analitiche, 10 di abilità verbali, 10 di abilità quantitative, 10 di biologia, 10 di matematica, 10 di cultura generale)
889 prove da 15 domande (una prova per categoria)
Risultati
Models:m0 : risposta ~ (1 | sogg) + (1 | domanda)m1 : risposta ~ progressivo_prova + (1 | sogg) + (1 | domanda)m2 : risposta ~ progressivo_prova + lunghezza_prova + (1 | sogg) + (1 | domanda)m3 : risposta ~ progressivo_prova + lunghezza_prova + categoria_domanda + (1 | sogg) + (1 | domanda)
Df AIC BIC Chisq Chi Df p-value ∆BIC BF
m0 3 24103 24127 1
m1 4 23699 23730 406,430 1 < 2.2e-16 *** 397 1.303827e+86
m2 5 23677 23716 24,035 1 9.461e-07 *** 14 1.200076e+03
m3 12 23573 23668 117,415 7 < 2.2e-16 *** 48 3.289974e+10
Tabella 1: confronto tra i modelli
Effetto Parametrocategoria domanda abilità analitiche (intercetta) 0,27769 categoria domanda biologia -0,47344 categoria domanda chimica -0,40354 categoria domanda cultura generale -0,24706 categoria domanda fisica -0,73657 categoria domanda matematica -0,71126 categoria domanda abilità quantitative 0,08518 categoria domanda abilità verbali 0,10954 progressivo prova 0,10169 prova 15 domande 0,28020
Tabella 2: effetti fissi del modello m3
Rappresentazione dell’effetto della ripetizione della prova sulla probabilità di risposta corretta
Rappresentazione dell’effetto della lunghezza della prova sulla probabilità di risposta corretta
Rappresentazione dell’effetto della categoria della domanda sulla probabilità di risposta corretta
Nuova proposta di classificazione
abilità conoscenza
analitichequantitativeverbali
biologiachimicacultura generale
abilità + conoscenzafisicamatematica
In sintesi
Sono stati stimati i parametri relativi a:
• ripetizione della stessa prova• lunghezza della prova• difficoltà delle categorie
tenendo conto della randomizzazione delle domande e dei soggetti.
Si ipotizza che non sia sufficiente la dicotomia abilità / conoscenza
Possibili sviluppi
Ripetere le analisi su altri campioni di item
Effettuare analisi di più parametri logistici (2PL e 3PL)
Indagare le abilità dei partecipanti
Studiare altre caratteristiche degli item oltre alla categoria
Grazie per l’attenzione
Marco Bressan: [email protected]
Massimiliano Pastore: [email protected]
Giovanni Iotti: [email protected]
Bibliografia
Akaike, H. (1998). A Bayesian analysis of the minimum AIC procedure. In Selected Papers of Hirotugu Akaike (pp. 275-280). Springer New York.Arcuri, L. Test di ingresso: sì, a queste condizioni. Il Bo (Internet), 2013 (pubblicato: 30 maggio 2013; consultato: 30 gennaio 2014). Disponibile all’indirizzo: http://www.unipd.it/ilbo/content/test-di-ingresso-si-queste-condizioni
Arcuri, L., & Soresi, S. (1997). Regolamentazione dell'accesso all'università: prove di ammissione, qualità della didattica, orientamento e servizi per gli studenti. Giornale Italiano di Psicologia, 24(1), 23-42.
Baayen, R. H., Davidson, D. J., & Bates, D. M. (2008). Mixed-effects modeling with crossed random effects for subjects and items. Journal of memory and language, 59(4), 390-412.
Bates D, Maechler M, Bolker B, Walker S (2014). lme4: Linear mixed-effects models using Eigen and S4. R package version 1.1–6. http://CRAN.R-project.org/package=lme4
Bates, D. M. (2010). lme4: Mixed-effects modeling with R. URL http://lme4. r-forge. r-project. org/book.
Chalifour, C., & Powers, D. E. (1988). Content characteristics of GRE Analytical Reasoning items. Educational Testing Service.
Cho, S. J., Gilbert, J. K., & Goodwin, A. P. (2013) Explanatory Multidimensional Multilevel Random Item Response Model: An Application to Simultaneous Investigation of Word and Person Contributions to Multidimensional Lexical Representations. Psychometrika, 1-26.
Doran, H., Bates, D., Bliese, P., & Dowling, M. (2007). Estimating the multilevel Rasch model: With the lme4 package. Journal of Statistical Software, 20(2), 1-18.
Embretson, S.E., & Reise, S.P. (2000). Item Response Theory for Psychologists. Mahwah, NJ: Lawrence Erlbaum Associates.
Faraci, P. (2008). L’Item Response Theory nella costruzione degli strumenti psicometrici. Items, La newsletter del testing psicologico.
Giampaglia, G. (1990). Lo scaling unidimensionale nella ricerca sociale. Napoli: Liguori Editore.
Gulliksen, H. (1950). Theory of mental tests. Wiley: New York.
Hedeker, D., Mermelstein, R. J., & Flay, B. R. (2006). Application of item response theory models for intensive longitudinal data. Models for intensive longitudinal data, 84-108.
Lord, F. (1952). A theory of test scores. Psychometric Monographs.
Pinheiro, J. C., & Bates, D. M. (2000). Mixed effects models in S and S-PLUS. Springer.
R Core Team (2014). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-project.org/
Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Copenhagen: Danish Institute of Educational Research.
Servizio Orientamento dell’Università di Padova, collegamento alla pagina in cui si possono vedere e svolgere le prove utilizzati nella ricerca https://elearning.unipd.it/orientamento/course/view.php?id=127
Thissen, D., & Steinberg, L. (1988). Data analysis using item response theory. Psychological Bulletin, 104(3), 385.
Van der Linden, W.J. & Hambleton, R.K. (1996). Handbook of Modern Item Response Theory. New York: Springer.