Özet:

Bu çalışmanın amacı, farklı büyüklükte olan ve çok kategorili maddelerden oluşan madde havuzları altında bireyselleştirilmiş bilgisayarlı sınıflama testlerinde kullanılan yetenek kestirim yöntemlerinin incelenmesidir. Bu amaçla R açık kaynaklı yazılımında, öncelikle Aşamalı Tepki Modeli temelinde 5’li Likert ölçeği tipinde 50, 100 ve 150 maddelik madde havuzları oluşturulmuş; 1000 bireye ait yetenek düzeyleri normal dağılım yardımıyla N(0,1) olacak şekilde türetilmiş ve son olarak Monte Carlo simülasyon çalışmasıyla bireyselleştirilmiş bilgisayarlı sınıflama testlerinde kullanılan yetenek kestirim yöntemlerinden Maksimum Olabilirlik Kestirimi (MOK), Ağırlıklandırılmış Olabilirlik Kestirimi (AOK), Beklenen Sonsal Dağılım (BSD) ve Maksimum Sonsal Dağılım (MSD) yöntemleri amaca uygun şekilde manipüle edilmiştir. Simülasyon çalışması sonunda, 25 tekrarlı test sonuçları, test uzunluğu, yanlılık, RMSE, gerçek ve kestirilen yetenek düzeyleri arasındaki korelasyon, madde çakışması ve madde görünüm sıklığı açısından ortalamaları alınarak değerlendirilmiş ve çok kategorili madde havuzları için en uygun yetenek kestirim yöntemi belirlenmeye çalışılmıştır.

Anahtar Kelimeler: