Альмира Мухтаровна Искакова – докторант кафедры «Программного обеспечения»
110000, Республика Казахстан, г. Костанай, ул. А. Байтурсынова, 47
Almira Iskakova – doctoral student of the department of Software Engineering
110000 Republic of Kazakhstan, Kostanay, st. Baitursynov 47
Ольга Сергеевна Салыкова – кандидат технических наук, ассоциированный профессор кафедры «Программного обеспечения»
110000, Республика Казахстан, г. Костанай, ул. А. Байтурсынова, 47
Olga Salykova – Candidate of Technical Sciences, Associate Professor of the Software Engineering Department
110000 Republic of Kazakhstan, Kostanay, st. Baitursynov 47
Наужан Абдисатаровна Дидарбекова – кандидат филологических наук; Национальный центр тестирования
010011, Республика Казахстан, г. Астана, улица Родниковая 1/1
Nauzhan Didarbekova – Candidate of Philological Sciences
010011 Republic of Kazakhstan, Аstana, Rodnikovaya 1/1 st.
Асель Айдарбековна Артыкбаева – докторант кафедры «Программного обеспечения»
110000, Республика Казахстан, г. Костанай, ул. А. Байтурсынова, 47
Assel Artykbaeva – doctoral student of the department of Software Engineering
110000 Republic of Kazakhstan, Kostanay, st. Baitursynov 47
Адаптивное тестирование представляет собой один из наиболее эффективных подходов к цифровой оценке знаний, обеспечивая индивидуализацию процесса за счёт автоматического подбора заданий в зависимости от уровня подготовленности обучающегося. Основными элементами для реализации такого тестирования являются: банк шкалированных заданий, алгоритм адаптации и специализированное программное обеспечение. Формирование качественного банка заданий требует предварительного психометрического анализа, позволяющего оценить их пригодность к использованию в адаптивных системах. Настоящая статья посвящена эмпирическому анализу набора тестовых заданий по физике с использованием модели Раша. В ходе исследования проведена апробация заданий на репрезентативной выборке учащихся и выполнено шкалирование с применением программы Winsteps. Для каждого задания определены параметры трудности, показатели согласия с моделью и коэффициенты корреляции. Выявлены задания, не соответствующие требованиям адаптивного тестирования ˗ они были исключены из итогового банка. В результате сформирован набор заданий, обладающих устойчивыми статистическими характеристиками и пригодных для дальнейшего использования в компьютерных адаптивных системах оценки знаний.Представленные результаты подтверждают возможность интеграции полученного банка заданий в информационные образовательные системы и цифровые платформы. В дальнейших публикациях планируется представить алгоритмы построения адаптивного тестирования в реальном времени, а также разработку программного обеспечения для автоматической генерации тестов с учётом шкалированных параметров. Проведённая работа служит основой для создания эффективных цифровых инструментов оценки учебных достижений.
Adaptive testing is one of the most effective approaches to digital knowledge assessment, providing personalization through the automated selection of test items tailored to the examinee’s proficiency level. The key components of such testing include: a bank of scaled test items, an adaptation algorithm, and specialized software. Developing a high-quality item bank requires preliminary psychometric analysis to evaluate their suitability for use in adaptive systems.This article presents an empirical analysis of a set of physics test items using the Rasch model. The study involved piloting the items on a representative sample of students, followed by scaling using the Winsteps software. For each item, difficulty parameters, model-fit indices, and correlation characteristics were determined. Items that did not meet the requirements of adaptive testing were identified and excluded from the final bank. As a result, a set of items with stable statistical properties was formed, suitable for further use in computerized adaptive knowledge assessment systems.The findings confirm the feasibility of integrating the developed item bank into educational information systems and digital platforms. Future publications will present real-time adaptive testing algorithms and the development of software for automated test generation based on scaled parameters. This study lays the groundwork for creating effective digital tools for assessing learning outcomes.
The authors declare that there are no conflicts of interest present.