ФИЗИКА ПӘНІНЕН ТЕСТ ТАПСЫРМАЛАРЫН RASCH МОДЕЛІ НЕГІЗІНДЕ КОМПЬЮТЕРЛІК АДАПТИВТІК ТЕСТІЛЕУ ҮШІН ШКАЛАЛАУ

Адаптивті тестілеу – білімді цифрлық бағалаудың ең тиімді тәсілдерінің бірі болып табылады, себебі ол тапсырмаларды оқушының дайындық деңгейіне байланысты автоматты түрде іріктеу арқылы бағалау үдерісін жекешелендіруге мүмкіндік береді. Мұндай тестілеуді жүзеге асырудың негізгі элементтері: шкалаланған тапсырмалар банкі, адаптивтеу алгоритмі және арнайы бағдарламалық қамтамасыз ету. Сапалы тапсырмалар банкін қалыптастыру үшін оларды адаптивті жүйелерде қолдануға жарамдылығын бағалауға мүмкіндік беретін алдын ала психометриялық талдау қажет.
Бұл мақала физика пәні бойынша тест тапсырмалары жиынтығын Раш моделі негізінде эмпирикалық талдауға арналған. Зерттеу барысында тапсырмалар репрезентативті оқушылар іріктемесінде апробациядан өтіп, Winsteps бағдарламасы арқылы шкалалау жүргізілді. Әр тапсырма бойынша күрделілік параметрлері, модельмен сәйкестік көрсеткіштері және корреляциялық сипаттамалар анықталды. Адаптивті тестілеу талаптарына сәйкес келмейтін тапсырмалар анықталып, қорытынды банк құрамынан алынып тасталды. Нәтижесінде, статистикалық тұрғыдан тұрақты сипаттамаларға ие және білімді компьютерлік адаптивті жүйелерде бағалауға жарамды тапсырмалар жиынтығы қалыптастырылды.
Ұсынылған нәтижелер алынған тапсырмалар банкін ақпараттық білім беру жүйелері мен цифрлық платформаларға интеграциялау мүмкіндігін растайды. Алдағы жарияланымдарда нақты уақыт режимінде адаптивті тестілеу құру алгоритмдерін, сондай-ақ шкалаланған параметрлерді ескере отырып, тесттерді автоматты түрде құрастыратын бағдарламалық жасақтаманы әзірлеу жоспарлануда. Жүргізілген жұмыс оқу жетістіктерін бағалауға арналған тиімді цифрлық құралдарды жасауға негіз болады.

1. Liu Q. Survey of Computerized Adaptive Testing: A Machine Learning Perspective. [Электрон. ресурс]. – 2024. – URL: https://arxiv.org/pdf/2404.00712 (дата обращения 12.12.2024).

2. Developing of computerized adaptive testing to measure physics higher order thinking skills of senior high school students and its feasibility of use / Е. Istiyono et al // European Journal of Educational Research. – Р. 180-183: https://doi.org/10.12973/eu-jer.9.1.91.

3. Бондаренко С.В. Использование ИИ для построения адаптивных тестов в цифровых платформах / С.В. Бондаренко, С.В. Мальцева // Информационные технологии в образовании. – 2023. – № 4. – С. 12-21.

4. Аванесов В.С. Критерии качества педагогических измерений [Электрон. ресурс]. – 2021. URL: https://testolog.narod.ru/Theory75.html (дата обращения: 02.03.2025).

5. Бунимович А.Г. Информационные технологии адаптивного тестирования: алгоритмы и архитектура систем / А.Г. Бунимович, Н.С. Герасимова, И.Ю. Шевченко // Вестник НГУ. Серия: Информационные технологии. – 2021. – №19(3). – С. 50-65.

6. Аванесов В.С. Item response theory: основные понятия и положения, [Электрон. ресурс]. – 2020. – URL: https://testolog.narod.ru/Theory67.html (дата обращения: 13.03.2025 г.).

7. Челышкова М.Б. Теоретико-методологические и технологические основы адаптивного тестирования в образовании: дис. док. пед. наук: 13.00.01 / Челышкова Марина Борисовна. – Москва, 2001. – C. 324.

8. Аванесов В.С. Дистракторный анализ, [Электрон. ресурс]. – 2005 - URL: https://testolog.narod.ru/Theory46.html (дата обращения: 20.02.2025 г.).

9. Adegoke B.A. Comparison of Item Statistics of Physics Achievement Test using Classical Test and Item Response Theory Frameworks, Institute of Education / B.A. Adegoke // Journal of Education and Practice, University of Ibadan, Nigeria. – 2013. – № 22.

10. Нейман Ю.М. Введение в теорию моделирования и параметризации педагогических тестов / Ю.М. Нейман, В.А. Хлебников. – Москва, 2000. – 165 с.