Höher-ordnung latente Trait-Modelle für die kognitive Diagnose

Höher-ordnung latente Traits werden vorgeschlagen, um die gemeinsame Verteilung von binären Attributen in Modellen für die kognitive Diagnose zu spezifizieren. Dieser Ansatz ergibt ein sparsames Modell für die gemeinsame Verteilung eines hochdimensionalen Attributvektors, das in vielen Situationen natürlich ist, wenn spezifische kognitive Informationen gesucht werden, aber ein weniger informatives Itemantwortmodell eine vernünftige Alternative darstellen würde. Dieser Ansatz stammt aus der Betrachtung der Attribute als spezifisches Wissen, das für die Prüfungsleistung erforderlich ist, und der Modellierung dieser Attribute als aus einem breit definierten latenten Trait hervorgehend, der dem ϑ von Itemantwortmodellen ähnelt. Auf diese Weise ergibt sich ein relativ einfaches Modell für die gemeinsame Verteilung der Attribute, das auf einem plausiblen Modell für die Beziehung zwischen allgemeiner Begabung und spezifischem Wissen basiert. Markov-Ketten-Monte-Carlo-Algorithmen zur Parameterschätzung werden für ausgewählte Antwortverteilungen angegeben, und Simulationsergebnisse werden präsentiert, um die Leistung des Algorithmus sowie die Empfindlichkeit der Klassifizierung gegenüber Modellmisspezifikation zu untersuchen. Eine Analyse von Daten zur Bruchsubtraktion wird als Beispiel bereitgestellt.