Sluiten

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

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

Dit onderzoek laat zien hoe latente klasse analyse (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 item selectie gebaseerd op KL-informatie beter werkt dan random selectie bij voortgangstoetsing.

Ga naar
www.cito.nl maakt gebruik van cookies, onder andere om de website te analyseren en het gebruiksgemak te vergroten. Via de knop ‘instellen’ geef je aan welke cookies je wilt accepteren. Meer informatie over Cookies en privacy