استفاده از رگرسیون چندگانه در روش هارویچ برای تعیین نمره برش آزمون‌ها به عنوان جایگزینی برای روش‌های آنگوف و بوک‌مارک

هدف پژوهش حاضر این است که با به کارگیری رگرسیون چندگانه در روش هارویچ که یک رویکرد تصمیم گیری است نمره برش آزمون تولیمو برای داوطلبان دکتری متقاضی فرصت های مطالعاتی خارج از کشور را تعیین کند. جامعه آماری این پژوهش شامل داوطلبان یک دوره از آزمون تولیمو است که 461 نفر بودند. روش پژوهش این مطالعه مبتنی بر رویکرد کمی است و از نظر هدف جزء پژوهش های کاربردی و از نظر تحلیلی جزء مطالعات تحلیل ثانویه محسوب می شود و از نمره های همه 461 داوطلب به هر کدام از بخش های گرامر، درک مطلب، شنیداری و نوشتاری برای تعیین نمره برش استفاده می گردد. بر اساس نتایج مطالعه و با توجه به مقدار خطای طبقه بندی ناچیز، در صورت استفاده از نمره کل، میانگین مقادیر شاخص هارویچ به نمره برش 481 و در صورت معنی دار بودن مدل رگرسیون خطی با به کارگیری نتایج شاخص هارویچ در رگرسیون چندگانه، از نمره برش 491 به عنوان نمره برش می توان استفاده کرد. روش پیشنهادی به طور قابل توجهی دقت تعیین نمره برش را در مقایسه با روش های آنگوف و بوک مارک بهبود می بخشد. با توجه یافته های به دست آمده از اعتبارسنجی متقابل و مقادیر خطا، نمره برش به دست آمده از استراتژی ترکیبی منجر به نتایج دقیق تر و با خطای طبقه بندی صفر می شود.

using multiple regression in the hurwicz method to determine the cut score of tests as an alternative to angoff and bookmark methods

the aim of the current research is to determine the cutoff score of the tolimo test for doctoral candidates applying for study opportunities abroad by applying multiple regression in the hurwicz method, which is a decision making approach. the statistical population of this research includes the candidates of one course of tolimo exam, which were 461 people. the research method of this study is based on a quantitative approach, and in terms of its purpose, it is part of applied research, and in terms of analysis, it is part of secondary analysis studies, and the scores of all 461 candidates in each of the grammar, reading comprehension, listening, and writing sections are used to determine the cutoff score. becomes based on the results of the study and considering the small amount of classification error, if the total score is used, the average value of the hurwicz index is the cutoff score of 481, and if the linear regression model is significant, using the results of the hurwicz index in multiple regression, the cutoff score is 491. it can be used as a cutoff score. the proposed method significantly improves the accuracy of determining the cutoff score compared to angoff and bookmark methods. according to the findings obtained from cross validation and error values, the cutoff score obtained from the combined strategy leads to more accurate results with zero classification error.