메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
저널정보
한국교육평가학회 교육평가연구 교육평가연구 제32권 제4호
발행연도
2019.1
수록면
549 - 573 (25page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
다차원 문항반응이론에서, 이요인 등급반응(BGR) 모형은 순서화된 다분 문항반응을 검사 문항 전체에 연관된 일반 요인과 각 문항집단에 독립적인 특수 요인으로 분석하기 위해 사용되어 왔다. 본 연구의 목적은 BGR 모형을 위한 공통-문항 기반 척도연계 방법들을 제시하고 모의실험을 통해 이 방법들의 특성과 상대적 기능을 탐구하는 데 있다. 제시되는 척도연계 방법들은 최소제곱(LSQ) 방법, 평균-최소제곱(MLS) 방법, 문항유목반응함수(IRF) 방법, 그리고 검사반응함수(TRF) 방법이다. 각 척도연계 방법은, 모든 요인들 간의 독립성 가정에 따라, 각 차원에 대해 임의의 두 능력척도를 연계하기 위한 팽창 계수와 이동 계수를 추정한다. 네 가지 척도연계 방법들의 기능을 평가하기 위해 피험자 집단 간 능력의 비동등성 수준, 표본의 크기, 공통 문항의 수 등을 요인으로 포함하는 모의실험을 수행하였다. 주요 결과로, 네 가지 척도연계 방법은 고려된 모의실험 조건 모두에서 팽창 계수를 적절히 추정하였다. 그러나 이동 계수를 추정함에 있어서, IRF, LSQ 및 MLS 방법은 적절히 기능한 반면 TRF 방법은 그렇지 못하였다. 척도연계를 통한 문항모수의 복원에 있어서, 전반적으로 IRF 방법이 가장 우수하였으나, 표본의 크기가 작거나 공통 문항의 수가 작을 경우 LSQ 방법과 MLS 방법 또한 우수한 수행을 보였다.
#Bi-factor graded response model #MIRT scale linking #LSQ #MLS #IRF #TRF methods

목차

등록된 정보가 없습니다.

참고문헌 (38)

참고문헌 신청
김성훈 / 2018 / MIRT 등급반응 모형을 위한 공통-문항 척도연계 방법 / 교육평가연구 31(2):387~409 dbpia 김성훈 / 2019 / 다차원 일반화부분점수 모형을 위한 척도연계 방법의 특성 및 상대적 기능 분석 / 교육평가연구 32(2):325~349 google schola 김성훈 / 2016 / 모수 복원 상황에서 MIRT 척도연계 방법의 기능 진단 / 교육평가연구 29(4):669~696 dbpia 민경석 / 2006 / 다차원 문항반응모형의 척도연계방법 / 교육평가연구 19(1):1~20 google schola Ackerman, T. A. / 1994 / Using multidimensional item response theory to understand what items and tests are measuring / Applied Measurement in Education 7:255~278 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0