Главная → Выпуски → № 2 (апрель-июнь 2025 г.) →

Оптимизация образовательной оценки: практичность компьютерного адаптивного тестирования (КАТ) с использованием теории ответов на задания

Актуальные вопросы практики обучения и воспитания , УДК: 37.013.2

Авторы

  • Слюсарь В. В.

Аннотация

Целью данного исследования является разработка системы компьютерных адаптивных тестов (КАТ) с использованием подхода теории ответов на задания. Данное исследование является частью разработки веб_системы с использованием метода исследований и разработок (R&D), применяя модель Four-D (4-D). По своей сути эта система похожа на компьютерный тест. Однако критическое отличие заключается в ее способности рандомизировать и предоставлять вопросы, соответствующие уровню подготовки тестируемого, используя алгоритм теории ответов на задания (Items Response Theory, IRT). В системе используется модель 3-PL из IRT, учитывающая уровень сложности вопросов, дискриминационную способность вопросов, а также вероятность угадывания или вмешательства в вопросы. Экзаменационная система случайным образом распределяет вопросы между студентами на основе их ответов на предыдущие вопросы, гарантируя, что каждый испытуемый получит уникальную последовательность вопросов. Экзамен завершается, когда тестируемый точно оценивает свои способности, либо получены ответы на все вопросы. Результатом данного исследования является система компьютерных адаптивных тестов (КАТ), основанная на IRT, которая может быть использована для оценки результатов обучения студентов. Данное исследование было проведено в институте системной и программной инженерии и информационных технологий НИУ МИЭТ, в качестве исследовательской выборки использовались 90 студентов. Оценка практичности этой системы получила очень высокие баллы, что свидетельствует о том, что система компьютерного адаптивного тестирования (КАТ), основанная на теории ответов на задания, считается очень практичной и эффективной в достижении поставленных целей измерения.
Ключевые слова
компьютерный адаптивный тест; теория ответов на задания; исследование и разработка; модель Four_D; оценка образования.

Как ссылаться

Слюсарь, В. В. (2025). Оптимизация образовательной оценки: практичность компьютерного адаптивного тестирования (КАТ) с использованием теории ответов на задания , № 2 (апрель-июнь 2025 г.),
Список литературы
1. Алам, А. (2022) Использование адаптивного обучения и интеллектуальных роботов-репетиторов для виртуальных классов и умных кампусов: реформирование образования в эпоху искусственного интеллекта. Advanced Computing and Intelligent Technologies. Proceedings of ICACIT, Springer, 2022, 395.
2. Винсент-Ланкрин, С., Ван дер Влис, Р. (2020), Надежный искусственный интеллект (ИИ) в образовании: Обещания и проблемы.
3. Гарднер, Н. (2021) Дисциплинированный ум: Что должны понимать все студенты. Simon & Schuster.
4. Госс, Х. (2022) Оценка результатов обучения студентов в высшем образовании и академических библиотеках: обзор литературы. J. Acad. Librariansh., 2022, 48 (2), 102485.
5. Есингельдинов, А., Рахымбаева, З., Жаппарова, А., Турсынова Л. (2023) Использование метода дифференцированного оценивания на уроках математики: компьютерное адаптивное тестирование для отслеживания прогресса учащихся. Glob. J. Eng. Educ., 2023, 25 (1).
6. Кларк, Л., Уотсон, Д. (2019) Конструирование валидности: Новые разработки в создании объективных измерительных инструментов. Psychol. Assess., 2019, 31 (12), 1412.
7. Левент, У., Эрток, Ш. (2020) Мнения студентов о подходе на основе заданий как формативном оценивании в сравнении с подходом на основе экзаменов как суммарном оценивании в образовании. Sak. Univ. J. Educ., 2020, 10 (2), 226- 250.
8. Мартинес-Хименес, Р., Руис-Хименес, М.К. (2020) Повышение удовлетворенности студентов и эффективности обучения с помощью инвертированного класса. Int. J. Manag. Educ., 2020, 18 (3), 100422.
9. Нгуен, Дж. Г., Кейзман, К. Дж., Хамстон Дж. Дж. (2020) Минимизация обмана при онлайн-оценке во время пандемии COVID-19. J. Chem. Educ., 2020, 97 (9), 3429-3435.
10. Путра, P., Лиривати, Ф.Й., Тахрим, Т., Сяфрудин, С., Аслан, А. (2020) Опыт учащихся, обучающихся на дому, во время политики закрытия школ Ковид-19 в Индонезии. J. Iqra, 2020, 5 (2).
11. Нуртанто, M., Холифах, Н., Масек, А., Судира, П., Самсудин, А. (2021) Основные проблемы при составлении плана урока для преподавателя профессионального обучения. Int. J. Eval. Res. Educ., 2021, 10 (1), 345-354.
12. Рахматулла, С., Муляса, Э., Сиахрани, С., Понгпалилу, Ф., Путри, Р.Э. (2022) Цифровая эра 4.0: Вклад в образование и психологию студентов. Лингвист. Cult. Rev., 2022, 6, (S3), 89-107.
13. Сингх, Дж., Стил, К., Сингх, Л. (2021) Сочетание лучшего из онлайн- и очного обучения: Гибридный и смешанный подход к обучению для COVID-19, мира после вакцинации и пандемии. Educ. Technol. Syst., 2021, 50 (2), 140-171.
14. Чан, C.К, Лук, Л.Ю. (2022) Убеждения академиков в отношении целостного развития и оценки компетенций: Тематическое исследование в инженерном образовании. Stud. Educ. Eval., 2022, 72, 101102.
15. Ченг, С.-К., Ченг, В.-П., Хуанг, И.-M. (2021) Реализация компьютерного адаптивного тестирования с автоматической настройкой индекса сложности предметов на платформе адаптивного обучения английскому языку, J. Internet Technol., 2021, 22 (7), 1599-1607.
16. Boussakuk, M., Bouchboua, A., Ghazi, M.El, Bekkali, M. El, Fattah, M. (2021) Design of Computerized Adaptive Testing Module into Our Dynamic Adaptive Hypermedia System. Int. J. Emerg. Technol. Learn. IJET, 2021, 16 (18), 113-128.
17. Bürkner, P.-C. (2019) Bayesian item response modeling in R with brms and Stan. ArXiv Prepr. ArXiv190509501.
18. Eloranta, S.J., Kaltiala, R., Lindberg, N., Kaivosoja, M., Peltonen, K. (2022) Validating measurement tools for mentalization, emotion regulation difficulties and identity diffusion among Finnish adolescents. Nord. Psychol., 2022, (1), 30-52.
19. Gamage, K.A., Wijesuriya, D.I., Ekanayake, S.Y., Rennie, A.E., Lambert, C.G., Gunawardhana, N. (2020) Online delivery of teaching and laboratory practices: Continuity of University Programmes during COVID-19 Pandemic. Educ. Sci., 2020, 10 (10), 291.
20. Mystakidis, S., Christopoulos, A., Pellas, N. (2022) A systematic mapping review of augmented reality appliКАТions to support STEM learning in higher eduКАТion. Educ. Inf. Technol., 2022, 27 (2), 1883-1927.
21. Oktrilani, R., Delianti, V.I., Fajri, B.R., Samala, A.D., (2023) Rancang Bangun Media Pembelajaran Berbasis Augmented Reality pada Materi Sistem Pernapasan Mata Pelajaran Biologi Kelas XI MIPA Tingkat SMA. JAVIT: Jurnal Vokasi Informatika, 6, 79-86.
22. Pliakos, K., Joo, S.-H., Park, J.Y., Cornillie, F., Vens, C., W. Van den Noortgate, (2019) Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems. Comput. Educ., 2019, 137, 91-103
23. Sugiyono. А. (2013) Metode penelitian pendidikan pendekatan kuantitatif, kualitatif dan R&D. Бандунг, Индонезия: Alfabeta.
24. Suhendi, H.Y., Ramdhani, M.A., Irwansyah, F.S. (2018) VerifiКАТion concept of assesment for physics eduКАТion student learning outcome, Int. J. Eng. Technol. UEA, 20187 (3.21), 321-325.
25. Sun, R., Zhang, H., Li, J., Zhao, J., Dong, P. (2020) Assessment-for- learning teaching mode based on interactive teaching approach in college English. Int. J. Emerg. Technol. Learn. 15 (21), 24.
Скачать файл .pdf 716.59 кб