Educational Measurement Modeling Using Response-Style, Scale Dimensionality, and Knowledge Tracing/Cognitive Diagnosis
연구 내용
반응양식(극단응답)과 척도 차원성(방법효과)을 통계적으로 점검하고, 온라인 학습 데이터 기반 knowledge tracing과의 연계를 통해 교육측정 모형의 성능과 타당성을 검증하는 연구
교육평가에서 측정의 타당성을 확보하기 위해 극단응답양식이 추정에 미치는 영향을 IRTree와 GRM 비교를 통해 분석합니다. 또한 척도 사용 과정에서 나타나는 방법효과와 항목 문구 영향으로 인해 단일 요인 구조가 왜곡될 수 있는지를 요인분석과 circumplex 접근으로 검토합니다. 더 나아가 온라인 학습 데이터를 기반으로 하는 딥러닝 기반 knowledge tracing에서 학습 데이터 분포의 차이가 모델 성능과 예측 양상에 미치는 영향을 시뮬레이션과 실데이터로 확인합니다. 이를 통해 능력수준과 학습 반응 패턴의 변이를 고려한 모형 설계 관점을 제시합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
연구는 먼저 극단응답양식이 존재하는 상황에서 모수 추정이 어떻게 달라지는지 IRTree 기반 접근으로 규명하고, GRM과의 적합성 비교로 방법 선택의 근거를 확보했습니다. 이후 척도 차원성 문제로 확장하여, 문항 문구에 의한 방법효과가 요인 구조 해석을 바꿀 수 있음을 장기 패널 데이터 기반으로 확인했습니다. 다음 단계에서는 온라인 학습 로그로부터 knowledge tracing 모형을 구성하되, 훈련·검증 데이터 분포 불일치가 성능 저하로 이어지는 조건을 분석했습니다. 마지막으로 능력수준별 모델 정확도 차이와 반복 학습 등 다양한 반응 양상에 대한 해석 프레임을 정리했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Exploring the patterns and degrees of extreme response styles of TIMSS 2019 data using the IRTree model
Knowledge Tracing with Online Learning Data: Investigating the Impact of Differences in Student Ability Distribution on Model Performance
Exploring the Dimensionality of the Rosenberg Self-Esteem Scale Using Factor Analytic and Circumplex Approaches