• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

一种自适应项目标定的影子测试方法。

A Shadow-Test Approach to Adaptive Item Calibration.

机构信息

University of Twente, Enschede, The Netherlands.

ACT, Inc., Iowa City, IA, USA.

出版信息

Psychometrika. 2020 Jun;85(2):301-321. doi: 10.1007/s11336-020-09703-8. Epub 2020 Jun 17.

DOI:10.1007/s11336-020-09703-8
PMID:32556745
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC7385007/
Abstract

A shadow-test approach to the calibration of field-test items embedded in adaptive testing is presented. The objective function used in the shadow-test model selects both the operational and field-test items adaptively using a Bayesian version of the criterion of [Formula: see text]-optimality. The constraint set for the model can be used to hide the field-test items completely in the content of the test as well as to deal with such practical issues as random control of their exposure rates. The approach runs on efficient implementations of the Gibbs sampler for the real-time updating of the ability and field-test parameters. Optimal settings for the proposed algorithms were found and used to demonstrate item calibration with smaller than traditional sample sizes in runtimes fully comparable with conventional adaptive testing.

摘要

提出了一种在自适应测试中对嵌入的现场测试项目进行标定的阴影测试方法。在阴影测试模型中使用的目标函数使用贝叶斯版本的[公式：见文本]最优性准则自适应地选择操作和现场测试项目。该模型的约束集可用于完全将现场测试项目隐藏在测试内容中，以及处理其曝光率的随机控制等实际问题。该方法在实时更新能力和现场测试参数的 Gibbs 采样器的有效实现上运行。找到了所提出算法的最优设置，并使用它们来展示在运行时间与传统自适应测试完全可比的情况下，使用小于传统样本大小的项目标定。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/448d42fba296/11336_2020_9703_Fig13_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/9e77a4d4b3a9/11336_2020_9703_Fig9_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/61bcd324e479/11336_2020_9703_Fig10_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/105b252e4e24/11336_2020_9703_Fig11_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/0fd24c67c1d1/11336_2020_9703_Fig12_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/448d42fba296/11336_2020_9703_Fig13_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/9e77a4d4b3a9/11336_2020_9703_Fig9_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/61bcd324e479/11336_2020_9703_Fig10_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/105b252e4e24/11336_2020_9703_Fig11_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/0fd24c67c1d1/11336_2020_9703_Fig12_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/130e/7385007/448d42fba296/11336_2020_9703_Fig13_HTML.jpg

相似文献

1
A Shadow-Test Approach to Adaptive Item Calibration.一种自适应项目标定的影子测试方法。
Psychometrika. 2020 Jun;85(2):301-321. doi: 10.1007/s11336-020-09703-8. Epub 2020 Jun 17.
2
Optimal Bayesian Adaptive Design for Test-Item Calibration.用于测试项目校准的最优贝叶斯自适应设计
Psychometrika. 2015 Jun;80(2):263-88. doi: 10.1007/s11336-013-9391-8. Epub 2014 Jan 10.
3
Optimal Online Calibration Designs for Item Replenishment in Adaptive Testing.自适应测验中项目补货的最优在线标定设计。
Psychometrika. 2020 Mar;85(1):35-55. doi: 10.1007/s11336-019-09687-0. Epub 2019 Sep 17.
4
Continuous Online Item Calibration: Parameter Recovery and Item Utilization.连续在线项目校准：参数恢复和项目利用。
Psychometrika. 2017 Jun;82(2):498-522. doi: 10.1007/s11336-017-9553-1. Epub 2017 Mar 13.
5
On-the-fly parameter estimation based on item response theory in item-based adaptive learning systems.基于项目的自适应学习系统中基于项目反应理论的即时参数估计。
Behav Res Methods. 2023 Sep;55(6):3260-3280. doi: 10.3758/s13428-022-01953-x. Epub 2022 Sep 9.
6
Direct Estimation of Diagnostic Classification Model Attribute Mastery Profiles via a Collapsed Gibbs Sampling Algorithm.通过崩溃 Gibbs 采样算法直接估计诊断分类模型属性掌握情况。
Psychometrika. 2022 Dec;87(4):1390-1421. doi: 10.1007/s11336-022-09857-7. Epub 2022 Apr 14.
7
A Hierarchical Multi-Unidimensional IRT Approach for Analyzing Sparse, Multi-Group Data for Integrative Data Analysis.一种用于综合数据分析的稀疏多组数据分层多单维项目反应理论方法。
Psychometrika. 2015 Sep;80(3):834-55. doi: 10.1007/s11336-014-9420-2. Epub 2014 Sep 30.
8
Optimal Item Calibration for Computerized Achievement Tests.计算机化成就测验的最佳项目标定。
Psychometrika. 2019 Dec;84(4):1101-1128. doi: 10.1007/s11336-019-09673-6. Epub 2019 Jun 10.
9
Inferring the Number of Attributes for the Exploratory DINA Model.推断探索性 DINA 模型的属性数量。
Psychometrika. 2021 Mar;86(1):30-64. doi: 10.1007/s11336-021-09750-9. Epub 2021 Mar 22.
10
Revisiting the 4-Parameter Item Response Model: Bayesian Estimation and Application.重新审视四参数项目反应模型：贝叶斯估计与应用。
Psychometrika. 2016 Dec;81(4):1142-1163. doi: 10.1007/s11336-015-9477-6. Epub 2015 Sep 23.

本文引用的文献

1
Continuous Online Item Calibration: Parameter Recovery and Item Utilization.连续在线项目校准：参数恢复和项目利用。
Psychometrika. 2017 Jun;82(2):498-522. doi: 10.1007/s11336-017-9553-1. Epub 2017 Mar 13.
2
Optimal Bayesian Adaptive Design for Test-Item Calibration.用于测试项目校准的最优贝叶斯自适应设计
Psychometrika. 2015 Jun;80(2):263-88. doi: 10.1007/s11336-013-9391-8. Epub 2014 Jan 10.