es:manual:analisis:irt:icc
Diferencias
Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anteriorRevisión previaPróxima revisión | Revisión previaÚltima revisiónAmbos lados, revisión siguiente | ||
es:manual:analisis:irt:icc [2022/05/30 12:38] – [Modelos no-paramétricos] root | es:manual:analisis:irt:icc [2023/02/21 17:53] – [Modelos no-paramétricos] root | ||
---|---|---|---|
Línea 2: | Línea 2: | ||
Las curvas características corresponden a la probabilidad condicional de elegir una determinada opción de respuesta a una pregunta en función del nivel de conocimiento del alumno. Es lógico suponer que la probabilidad asociada a una respuesta correcta a una pregunta crece al aumentar el nivel de conocimiento. | Las curvas características corresponden a la probabilidad condicional de elegir una determinada opción de respuesta a una pregunta en función del nivel de conocimiento del alumno. Es lógico suponer que la probabilidad asociada a una respuesta correcta a una pregunta crece al aumentar el nivel de conocimiento. | ||
+ | |||
+ | Los valores de estas probabilidades condicionadas se obtienen a partir de los resultados de una muestra suficientemente grande de alumnos que hayan realizado el test con anterioridad, | ||
==== Modelos politómicos y dicotómicos ==== | ==== Modelos politómicos y dicotómicos ==== | ||
Línea 13: | Línea 15: | ||
En el caso más general, puesto que Siette funciona de manera discreta las curvas características corresponden a tablas de probabilidades condicionadas. Por defecto Siette utiliza un modelo politómico. | En el caso más general, puesto que Siette funciona de manera discreta las curvas características corresponden a tablas de probabilidades condicionadas. Por defecto Siette utiliza un modelo politómico. | ||
- | Por ejemplo, supongamos que en la asignatura se han definido 5 niveles de conocimiento, | + | Por ejemplo, supongamos que en la asignatura se han definido 5 niveles de conocimiento, |
^ ^$\theta=\theta_E$^$\theta=\theta_D$^$\theta=\theta_C$^$\theta=\theta_B$^$\theta=\theta_A$^ | ^ ^$\theta=\theta_E$^$\theta=\theta_D$^$\theta=\theta_C$^$\theta=\theta_B$^$\theta=\theta_A$^ | ||
Línea 37: | Línea 39: | ||
|$u=u_{en blanco}$| | |$u=u_{en blanco}$| | ||
- | lo que en la práctica produce los mismos resultados dado que la forma de las curvas es la misma y finalmente se procede a su normalización. | + | lo que en la práctica produce los mismos resultados dado que la forma de las curvas es homotética |
Línea 72: | Línea 74: | ||
=== Interpretación de los parámetros ==== | === Interpretación de los parámetros ==== | ||
+ | |||
+ | En los siguientes ejemplos se muestra como varían las curvas características en función de los valore de los parámetros. En las imágenes la escala horizontal se ha modifcado utilizando el intervalo $[0,10]$ para que resulte mas intuitivo. | ||
+ | |||
+ | == Dificultad == | ||
+ | |||
+ | El parámetro $b_i$ se corresponde con la noción intuitiva de " | ||
+ | |||
+ | {{ es: | ||
+ | |||
+ | En el modelo de 1PL, el valor de $\theta = b_i$ coincide con el punto de inflexión de la curva en el que el valor de la probabilidad es exactamente $p(\theta=b_i)=0, | ||
+ | |||
+ | == Discriminación == | ||
+ | |||
+ | El parámetro $a_i$ modifica la pendiente de la curva. Cuanto mayor sea $a_i$ mayior será la pendiente de la curva en todos los puntos, y especialmente en el punto de inflexión para el que se produce la pendiente máxima. | ||
+ | |||
+ | {{ es: | ||
+ | |||
+ | Este parámetro se llama " | ||
+ | |||
+ | == Adivinanza == | ||
+ | |||
+ | El parámetro $c_i$ modifica el valor de la probabilidad en el extremo izquierdo del intervalo, es decir, la probabilidad de contestar correctamente la pregunta sin tener conocimiento alguno de la materia, or lo que se denomina " | ||
+ | |||
+ | {{ es: | ||
+ | |||
+ | Al aumentar el valor del factor de adivinanza, disminuye automáticamente la pendiente de la curva. En principio, podría pensarse que el factor de adivinanza tiene que ver con el número de opciones de respuesta. Por ejemplo, una pregunta con tres opciones de respuesta, en la que el alumno sabe que solo una de ellas es correcta tendría al menos un valor $c_i=0, | ||
+ | |||
+ | En cualquier caso tanto éste como los demás parámetros de las curvas deben obtenerse mediante un proceso de calibración a la vista de los resultados de una muestra. | ||
+ | |||
+ | ==== Discretización de los modelos paramétricos ==== | ||
+ | |||
+ | Cualquier modelo paramétrico puede convertirse en un modelo no-paramétrico simplemente tomando los valores de probabilidad en determinados puntos. Este procedimiento simplifica el cálculo de probabilidades y facilita la estimación de las curvas características en el caso de que no se disponga de suficientes datos para calibrar un modelo politómico no-paramétrico. | ||
+ | |||
+ | Por ejemplo, para una asignatura con 10 niveles de conocimiento en la que mediante técnicas de calibración estandar se han obtenido para una pregunta los parámetros a=1.2; b=1.4; c=0.1; la discretización da como resultado la siguiente tabla de probabilidad condicionada: | ||
+ | |||
+ | ^ ^$\theta=\theta_0$^$\theta=\theta_1$^$\theta=\theta_2$^$\theta=\theta_3$^$\theta=\theta_4$^$\theta=\theta_5$^$\theta=\theta_6$^$\theta=\theta_7$^$\theta=\theta_8$^$\theta=\theta_9$^ | ||
+ | |$u=u_{correcta}$| 0,100 | 0,101 | 0,102 | 0,108 | 0,127 | 0,186 | 0,338 | 0,596 | 0,826 | 0,941 | | ||
+ | |||
+ | Análogamente, | ||
+ | |||
+ | === Modelo contínuo === | ||
+ | |||
+ | Actualmente la potencia de cálculo de los ordenadores permite aplicar sin problemas el modelo contínuo, que en la práctica no es mas que el mismo modelo discreto en el que el número de intervalos es suficientemente alto. Muchas de las ecuaciones de los modelos de TRI no tiene una solución algebraica por lo que es común recurrir a modelos de cálculo numérico en intervalos infinitesimales. | ||
+ | |||
+ | En la práctica se usan 100 intervalos ya que la diferencia entre los resultados son inapreciables utilizando una discretización mas fina y las aproximaciones son suficientemente buenas en comparación con el ajuste del modelo a la realidad ((Desde un punto de vista ingenieril, no sirve de nada obtener un valor con muchos decimales si realmente se trata de un valor aproximado que modela un problema que en realidad es mucho mas complejo de lo que el propio modelo teórico es capaz de representar)). | ||
+ | |||
+ | |||
+ | |||
es/manual/analisis/irt/icc.txt · Última modificación: 2023/03/03 08:45 por root