Материалы проекта
Данный исследовательский проект реализуется с использованием материалов другого исследовательского проекта - Старт-Прогресс, но с применением инновационных методов математического моделирования, способных учитывать всевозможную коллатеральную информацию о заданиях, респондентах и их взаимодействиях.
Основные инструменты Центра по этому направлению – психометрические модели, описывающие распределение наблюдаемого поведения как функцию от некоторых ненаблюдаемых переменных. Деятельность Центра в рамках этого направления сосредоточена, в основном, в области Раш моделирования (Rasch modelling), и линейных, обобщённых линейных и нелинейных моделей смешанных и пересеченных случайных эффектов. Однако более полный список областей психометрического моделирования включает в себя:
-
Непараметрическое моделирование байесовскими сетями;
-
Моделирование кластеризованных выборок (Multilevel modelling);
-
Многомерные модели современной теории тестирования (Item Response Theory), включая многомерность внутри заданий (Within-Item Multidimensionality) и моделирования бифакторных и иерархических факторных структур;
-
Анализ латентных классов (Latent Class analysis) и профилей (Latent Profile analysis), применение моделей когнитивной диагностики (Cognitive Diagnostics modelling) и моделей смеси распределений (Mixture modelling);
-
Моделирование структурными уравнениями (Structural Equation modelling), включая конфрматорный факторный анализ (Covariance Structure modelling), моделирование латентного роста, изменения и развития (Growth modelling), включая моделирование латентных траекторий (Latent Class Growth analysis & Latent Transition analysis);
-
Использование древовидных моделей современной теории тестирования (Item Response Trees) для реконструкции и анализа процесса ответов на задания и поведения респондентов;
-
Разработка компьютерных (адаптивных) тестов, учитывающих большой перечень источников информации о поведении респондентов и моделирование коллатеральной информации (Collateral Information) – времени реакции и действие респондентов на онлайн платформах, контекстной информации о респонденте и задании, и их взаимосвязи с вероятностью наблюдения определенного поведения респондентов;
-
Моделирование предпочтений и выборов (models for Preferences and Comparisons, Forced-Choice models), сравнительные модели (Comparative Judgement models);
-
Разработка моделей прогрессии обучения (Learning Progression modelling) в формирующем оценивании;
-
Динамические модели современной теории тестирования (Dynamic IRT models, Network models, State-Space models);
-
Разработка инновационных форм ассесмента, с использованием техник машинного обучения и интеллектуального анализа данных (Educational Data Mining) для решения задач автоматизации оценки комплексных конструктов (напр., автоматическая проверка открытых вербальных и графических ответов, выделение конструктно-релевантных поведенческих индикаторов) и отслеживания прогресса в обучении;
-
Разработка методов оценки параметров этих моделей.