ШКАЛИРОВАНИЕ ТЕСТОВЫХ ЗАДАНИЙ ПО ФИЗИКЕ ДЛЯ КОМПЬЮТЕРНОГО АДАПТИВНОГО ТЕСТИРОВАНИЯ НА ОСНОВЕ МОДЕЛИ РА

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.

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.