انتخاب مدل تشخیصی شناختی مناسب برای آزمون‌های درک مطلب (مورد مطالعه: آزمون کارشناسی ارشد رشته زبان انگلیسی)

سنجش تشخیصی شناختی، نوعی از سنجش آموزشی است که با به‌کارگیری مدل‌های روان‌سنجی به تعیین و تشخیص نارسایی‌های یادگیری کمک می‌کند. با توجه به اینکه مدل‌های زیادی در این زمینه وجود دارد؛ انتخاب یک مدل تشخیصی شناختی مناسب برای تحلیل داده‌ها اهمیت زیادی خواهد داشت. هدف از اجرای پژوهش حاضر، تعیین مدل مناسب برای آزمون‌های خواندن و درک مطلب است. داده‌های مورد بررسی در این پژوهش شامل پاسخنامه 3000 نفر از شرکت‌کنندگان در آزمون سراسری کارشناسی ارشد رشته زبان انگلیسی بوده است که از بین 16044 شرکت‌کننده به صورت ‌تصادفی انتخاب ‌شده‌اند. روش کار به این صورت بود که پس از تشکیل ماتریس q مدل کلی (gdina و lcdm)، دو مدل جبرانی (acdm و dino) و دو مدل غیر جبرانی (rrum و dina) برای مقایسه در نظر گرفته شدند. ازنظر شاخص برازش ماکزیمم خیدو هیچ‌یک از مدل‌ها برازش نداشتند؛ ولی در مقابل نتایج شاخص srmsr نشان داد که همه مدل‌ها برازش قابل قبولی با داده‌ها دارند. در مقایسه بین شاخص‌های برازش نسبی مشخص شد که مدل‌های gdina و acdm برازش بهتر و مدل‌های dino و dina برازش ضعیف‌تری نسبت به سایر مدل‌ها دارند. در بررسی شاخص برازش سوال نیز فقط مدل‌های gdina و lcdm با همه سوال‌ها برازش مطلوبی نشان دادند.

Choosing an Appropriate Cognitive Diagnostic Model for Reading Comprehension Tests: A Case Study of the Graduate Entrance Exam of the English language

Cognitive Diagnostic Assessment is a type of educational assessment that serves to identification and diagnosis of the learning disabilities through the application of psychometric models. Presence of numerous models, makes it crucial choose an appropriate Cognitive Diagnostic Model for data analysis. The purpose of this study was to determine a fitting model for reading comprehension tests. The examined data in this study were included responses from 3,000 participants in the Graduate Entrance Exam for English language field, which were selected randomly out of 16044 people. After Creation of matrix Q, two general models (GDINA and LCDM), two compensatory models (ACDM and DINO) and two noncompensatory models (RRUM and DINA) were considered for comparison. In terms of Chisquared maximum Fit Index, none of the models were fitted; but in contrast the results of SRMSR index showed that the fit of all data were acceptable with the data. A comparison of Relative Fit Indices cleared that GDINA and ACDM models have a stronger fit and DINO and DINA have a poorer fit in comparison to the other models. Also, investigating the Question Fit index showed that only GDINA and LCDM have a fit with all questions.