Latent-Class-Based Item Selection for Computerized Adaptive Progress Tests
Door: Buuren, N. van, & Eggen, T. J. H. M. | 01-06-2017 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.
Ga naar het artikelUit: Measurement and Research Department Reports 2017
Kunnen we je helpen?
Stel je vraag via onze kanalen of kijk in de veelgestelde vragen.
Voor scholen: Vergeet niet om het brinnummer bij de hand te hebben en/of in de mail te vermelden, zodat we jouw vraag sneller kunnen behandelen!