es:manual:test:criterios_evaluacion
Diferencias
Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anteriorRevisión previaPróxima revisión | Revisión previa | ||
es:manual:test:criterios_evaluacion [2021/07/07 12:01] – [Evaluación basada en la Teoría de respuesta al Ítem] root | es:manual:test:criterios_evaluacion [2023/03/09 16:42] (actual) – [Evaluación por puntos] root | ||
---|---|---|---|
Línea 8: | Línea 8: | ||
{{page> | {{page> | ||
- | |||
- | Dependiendo del [[es: | ||
==== Evaluación por puntos ==== | ==== Evaluación por puntos ==== | ||
Línea 15: | Línea 13: | ||
{{page> | {{page> | ||
- | Una variante | + | === Evaluación por puntos sin penalización === |
+ | |||
+ | Una variante | ||
+ | |||
+ | En el caso en el que todas las preguntas valen 1 punto, este método se asemeja al método de evaluación porcentual, pero es capaz de asignar crédito parcial a las preguntas parcialmente correctas, por ejemplo las preguntas de respuesta múltiple. | ||
==== Evaluación basada en la Teoría de respuesta al Ítem ==== | ==== Evaluación basada en la Teoría de respuesta al Ítem ==== | ||
- | Siette implementa la [[wpes> | + | Siette implementa la [[wpes> |
- | El modelo de la TRI discreta es en definitiva un clasificador bayesiano, en el que se parte de una distribución a priori del nivel de conocimiento estimado del alumno $\theta$ en un instante $t$, $p(\theta, t)$ y de unas funciones llamadas //curvas características// | + | El modelo de la TRI discreta es en definitiva un clasificador bayesiano, en el que se parte de una distribución a priori del nivel de conocimiento estimado del alumno $\theta$ en un instante $t$, $$p(\theta, |
- | $$p(\theta, t+1) = p(\theta|u_k) = \frac{p(\hat\theta) | + | Pra cada opción de respuesta $j$, se usan unas funciones llamadas |
+ | |||
+ | $$p(\theta, t+1) = p(\theta|u_j) = \frac{p(\theta) | ||
en donde el denominador no es mas que un factor de normalización para que la suma de todas las probabilidades sea 1. | en donde el denominador no es mas que un factor de normalización para que la suma de todas las probabilidades sea 1. | ||
+ | |||
+ | Una ve obtenida la distribución se puede estimar el nivel de conocimiento como un número real para poder dar una // | ||
+ | |||
+ | === Estimación mediante la media aritmética === | ||
+ | Para una distribución $p(\theta) = \{ p_0, p_1, p_2, p_3 .... p_K \}$ el nivel estimado sería $$\hat\theta = \overline\theta = \frac{ \sum_{i=0}^{K} p_i }{K+1}$$ | ||
+ | |||
+ | |||
+ | === Estimación mediante la noda === | ||
+ | |||
+ | Una alternativa a la media para estimar el nivel estimado es usar la moda de la distribución, | ||
+ | |||
+ | |||
es/manual/test/criterios_evaluacion.1625659315.txt.gz · Última modificación: 2021/07/07 12:01 por root