Herramientas de usuario

Herramientas del sitio

Traza: • icc • help_preferences_topics • help_menu
es:manual:analisis:irt:icc

Diferencias

Muestra las diferencias entre dos versiones de la página.

Enlace a la vista de comparación

Ambos lados, revisión anteriorRevisión previa
Próxima revisión		Revisión previa
es:manual:analisis:irt:icc [2022/05/30 13:17] – rootes:manual:analisis:irt:icc [2023/03/03 08:45] (actual) – 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, mediante un proceso denominado calibración.
  
 ==== 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, y supongamos una preguntas de múltiple opción y respuesta única con tres opciones de respuesta, la primera de ellas correcta y las otras dos incorrectas. Para este ítem Siette almacenaría la siguiente tabla de probabilidad condicionada:+Por ejemplo, supongamos que en la asignatura se han definido 5 niveles de conocimiento, y supongamos una preguntas de múltiple opción y respuesta única con tres opciones de respuesta, la primera de ellas correcta y las otras dos incorrectas. Sea $u$ la respuesta del alumno, que puede elegir una cualquiera de estas opciones o dejar la pregunta en blanco; y $\theta$ su nivel de conocimiento. Para este ítem, Siette almacenaría la siguiente tabla de probabilidad condicionada:
  
 ^ ^$\theta=\theta_E$^$\theta=\theta_D$^$\theta=\theta_C$^$\theta=\theta_B$^$\theta=\theta_A$^ ^ ^$\theta=\theta_E$^$\theta=\theta_D$^$\theta=\theta_C$^$\theta=\theta_B$^$\theta=\theta_A$^
Línea 67: Línea 69:
 === Modelo 4PL === === Modelo 4PL ===
  
-Es un modelo no estandar que introduce Siette, añadiendo un cuarto parámetro $d_i$ llamado "distracción", que representa la probabilidad de que un alumno, aunque tenga un conocimiento completo del tema, responda incorrectamente debido a cualquier factor fortuito o imprevisto (por ejemplo se salte una pregunta sin querer, o se confunda al seleccionar la respuesta en el interfaz de respuesta). En este caso la curva característica sería+Es un modelo no estándar que introduce Siette, añadiendo un cuarto parámetro $d_i$ llamado "distracción", que representa la probabilidad de que un alumno, aunque tenga un conocimiento completo del tema, responda incorrectamente debido a cualquier factor fortuito o imprevisto (por ejemplo se salte una pregunta sin querer, o se confunda al seleccionar la respuesta en el interfaz de respuesta). En este caso la curva característica sería
 $$p_i(\theta) = c_i + (1-c_i-d_i)\frac{1}{1+e^{-Da_i(\theta-b_i)}}$$ $$p_i(\theta) = c_i + (1-c_i-d_i)\frac{1}{1+e^{-Da_i(\theta-b_i)}}$$
 El mínimo de esta función es $c_i$ y máximo $1-d_i$ El mínimo de esta función es $c_i$ y máximo $1-d_i$
Línea 73: Línea 75:
 === 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 $[0,10]$+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 == == Dificultad ==
Línea 85: Línea 87:
 == Discriminación == == 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.+El parámetro $a_i$ modifica la pendiente de la curva. Cuanto mayor sea $a_i$ mayor 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:manual:analisis:irt:icc_a.png | Variación del factor de discriminación }} {{ es:manual:analisis:irt:icc_a.png | Variación del factor de discriminación }}
Línea 100: Línea 102:
  
 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. 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, dada una tabla con un conjunto de valores correspondientes a la probabilidad condicionada para $K$ niveles de conocimiento, se puede obtener mediante la técnica de mínimos cuadrados los valores de los parámetros de la curva mas cercana de entre las curvas de esta familia de curvas.
 +
 +=== 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.1653916667.txt.gz · Última modificación: 2022/05/30 13:17 por root
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki