การพัฒนาโมเดลทฤษฎีการตอบสนองข้อสอบแบบผสมพหุระดับโดยใช้โมเดลทฤษฎีการตอบสนองข้อสอบทางเลือกที่คำนึงถึงการเดา DEVELOPMENT OF A MULTILEVEL MIXTURE IRT MODEL USING ALTERNATIVE IRT MODEL WITH GUESSING
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์ 3 ประการ คือ 1) เพื่อพัฒนาโมเดลทฤษฎีการตอบสนองข้อสอบแบบผสมพหุระดับที่ประยุกต์จากโมเดล 2PLE (MMix2PLE) และวิธีการประมาณค่าที่เหมาะสม 2) เพื่อเปรียบเทียบความถูกต้องของการตรวจสอบจำนวนกลุ่มแฝงระหว่าง AIC กับ BIC สำหรับโมเดล MMix3PL และ MMix2PLE และ 3) เพื่อเปรียบเทียบความแม่นยำของการประมาณค่าพารามิเตอร์กลุ่มแฝง ความสามารถเฉลี่ย และพารามิเตอร์ของข้อสอบ ระหว่างโมเดล MMix3PL กับ MMix2PLE ข้อมูลที่นำมาศึกษาเป็นข้อมูลจำลองจากวิธีการมอนติคาร์โลภายใต้สถานการณ์จำลอง 32 เงื่อนไข (โมเดลจำลอง 2 เงื่อนไข x ขนาดตัวอย่าง 2 เงื่อนไข x โมเดลแข่งขัน 8 เงื่อนไข) แต่ละเงื่อนไขถูกจำลองซ้ำ 10 รอบ รวมจึงมีข้อมูลทั้งสิ้น 320 ชุด ผลการวิจัยสรุปได้ดังนี้
1. ขั้นตอนวิธีการประมาณค่าพารามิเตอร์แบบเบส์สำหรับโมเดล MMix2PLE ที่พัฒนาในงานวิจัยนี้พบว่าค่อนข้างมีความเหมาะสม สามารถหาค่าประมาณพารามิเตอร์ได้เพียงหนึ่งเดียว (Unique) และประมาณค่าพารามิเตอร์ย้อนกลับได้ค่อนข้างดีภายใต้เงื่อนไขการจำลอง
2. การเปรียบเทียบความถูกต้องของการตรวจสอบจำนวนกลุ่มแฝง พบว่า AIC มีแนวโน้มมีความถูกต้องมากกว่า BIC สำหรับทั้งโมเดล MMix3PL และ MMix2PLE
3. การเปรียบเทียบความแม่นยำของการประมาณค่าพารามิเตอร์กลุ่มแฝง ความสามารถเฉลี่ย และพารามิเตอร์ของข้อสอบ พบว่า โมเดล MMix2PLE มีแนวโน้มมีความแม่นยำสูงกว่าโมเดล MMix3PL โดยเฉพาะเมื่อขนาดตัวอย่างใหญ่ (N = 2,500)
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของบทความมิได้คัดลอก หรือละเมิดลิขสิทธิ์ของผู้ใด หากเกิดการละเมิดลิขสิทธิ์ ไม่ว่าวิธีใด หรือการฟ้องร้องไม่ว่ากรณีใด ๆ ที่อาจเกิดขึ้นได้ กองบรรณาธิการวารสารศึกษาศาสตร์ ไม่มีส่วนเกี่ยวข้องทั้งสิ้น ให้เป็นสิทธิ์ของเจ้าของบทความที่จะดำเนินการ
เอกสารอ้างอิง
Cho, S. J., & Cohen, A. S. (2010). A multilevel mixture model with applications to DIF. Journal of Educational and Behavioral Statistics, 35(3), 336-370.
Cho, S. J. (2007). A multilevel mixture IRT model for DIF analysis (Unpublished doctoral dissertation). Athens, GA: University of Georgia.
Choi, Y. (2014). Metric identification in mixture IRT models (Unpublished doctoral dissertation). Athens, GA: University of Georgia.
Kanjanawasee, S. (2012). Modern test theories (4th ed.). Bangkok: Chulalongkorn University Press. [in Thai]
Lee, S., & Bolt, D. (2018). An alternative to the 3PL: Using asymmetric item characteristic curves to address guessing effects. Journal of Educational Measurement, 55(1), 90-111.
Li, F., Cohen, A., Kim, S., & Cho, S. J. (2009). Model selection methods for mixture dichotomous IRT models. Applied Psychological Measurement, 33(5), 353-373.
Maier, K. S. (2001). A Rasch hierarchical measurement model. Journal of Educational and Behavioral Statistics, 26(3), 307-330.
Sen, S. (2014). Robustness of mixture IRT models to violations of latent normality (Unpublished doctoral dissertation). Athens, GA: University of Georgia.
Tay, L., Diener, E., Drasgow, F., & Vermunt, J. (2011). Multilevel mixed-measurement IRT analysis: An explication and application to self-reported emotions across the world. Organizational Research Methods, 14(1), 177-207.
Zhu, Z., Wang, C., & Tao, J. (2019). A two-parameter logistic extension model: an efficient variant of the three-parameter logistic model. Applied Psychological Measurement, 43(6), 449-463.
