Sluiten

Latent-Class-Based Item Selection for Computerized Adaptive Progress Tests

Datum:
1 juni 2017
Auteur:
Auteur: Buuren, N. van, & Eggen, T. J. H. M.
Opdrachtgever:
Cito

Measurement and Research Department Reports 2017

Dit onderzoek laat zien hoe latente klasseanalyse (LKA) in te zetten is voor het ontwikkelen van itembanken en dat Kullback-Leibler (KL) informatie te gebruiken valt om uit dergelijke banken items te selecteren en om een adaptieve toets samen te stellen. Simulaties maken duidelijk dat itemselectie gebaseerd op KL-informatie beter werkt dan random selectie bij voortgangstoetsing.