کاربرد مدل طبقه پنهان چندبعدی مبتنی بر نظریه پاسخ سوال (LCMIRT) درمطالعه ابعاد شناختی و خوشه بندی سوال های آزمون ریاضی: مطالعه موردی درس ریاضی کنکور سراسری ریاضی فیزیک
Publish place: Journal Of Educational Measurement، Vol: 9، Issue: 36
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 373
This Paper With 30 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JEM-9-36_007
تاریخ نمایه سازی: 20 اردیبهشت 1399
Abstract:
مهارت ریاضی شامل حوزه های محتوایی و فرایندهای شناختی مختلف است که بیانگر پیچیدگی توانایی ریاضی و ویژگی های پنهان آن است. تاکنون مطالعه این پیچیدگی ها با روش های سنتی تحلیل داده ها یا به صورت ذهنی انجام شده است. بنابراین، پژوهش حاضر با استفاده از مدل چندبعدی طبقه پنهان پاسخ سوال (LCMIRT) به مطالعه ابعاد شناختی و متغیر های پنهان درس ریاضی آزمون سراسری ورود به دانشگاه پرداخت. در این راستا، داده های درس ریاضی آزمون سراسری سال های 87، 90 و 94 مورد مطالعه قرار گرفت. یافته ها نشان داد که آزمون ریاضی، به عنوان یکی از دروس سرنوشت ساز در آزمون سراسری ورود به دانشگاه، شامل مجموعه ای از ویژگی های شناختی چندبعدی است. نتایج روش تحلیل موازی وحدت یافته نشان داد که آزمون ها با مدل تک بعدی برازش ندارند و اضافه کردن ابعاد بیشتر، برازش مدل را به صورت معنی داری بهبود می بخشد. بعلاوه، حوزه های شناختی درک، حل مسئله و استدلال سه سازه اساسی در تبیین توانایی ریاضی شناسایی شدند که در خوشه بندی و تحلیل سوالهای آزمون، اطلاعات دقیق تری از کیفیت سوال ها به دست می دهند. این ویژگی LCMIRT ، در مقایسه با سایر رویکردها، تعداد زیر خوشه های شناختی را افزایش می دهد. در نهایت توصیه می شود که در ساخت و تحلیل آزمون های روانی و تربیتی، مدل های LCMIRT مد نظر قرار گیرند تا آشکارسازی توانایی های شناختی پنهان آزمون ها از اعتبار بیشتری برخوردار باشد.
Keywords:
ابعاد شناختی , مدل چندبعدی طبقه پنهان پاسخ سوال , خوشه بندی سوالهای آزمون , ریاضیات , آزمون های سرنوشت ساز
Authors
مسعود گرامی پور
استادیار، تحقیقات آموزشی، دانشگاه خوارزمی، تهران، ایران
مریم مقدسین
استادیار، تحقیقات آموزشی، دانشگاه خوارزمی، تهران، ایران.
ریحانه رضازاده
کارشناسی ارشد، تحقیقات آموزشی، دانشگاه خوارزمی، تهران، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :