1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਦੇ ਨਾਲ ਸਟੈਂਡਰਡਾਈਜ਼ਡ ਟੈਸਟਾਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀ ਸਕੋਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ

Embibe ਵਿਖੇ, ਅਸੀਂ ਸਿੱਖਣ ਦੇ ਸਿਧਾਂਤ ਅਤੇ ਸਿੱਖਿਆ ਖੋਜ ਤੋਂ ਸੂਝ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ, ਮਿਆਰੀ ਪ੍ਰੀਖਿਆਵਾਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਕੋਰ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਾਂ।

ਅਜਿਹਾ ਇੱਕ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਮਾਡਲ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ [1, 2] ਵਿਦਿਆਰਥੀ ਦੇ ਹੁਨਰ ਜਾਂ ਯੋਗਤਾ ਦੇ ਪੱਧਰ ਦੇ ਨਾਲ-ਨਾਲ ਕੋਸ਼ਿਸ਼ ਕੀਤੇ ਜਾ ਰਹੇ ਸਵਾਲ ਦੇ ਮੁਸ਼ਕਲ ਪੱਧਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਕੇ, ਇੱਕ ਸਵਾਲ ਦਾ ਸਹੀ ਜਵਾਬ ਦੇਣ ਦੀ ਵਿਦਿਆਰਥੀ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਹ ਪਹਿਲੀ ਵਾਰ 1960 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਇਸ ਦੇ ਕਈ ਰੂਪ ਅੱਜ ਮੌਜੂਦ ਹਨ, ਜਿਵੇਂ ਕਿ 1PL ਮਾਡਲ [2, 3] ਅਤੇ 2PL ਮਾਡਲ [2]।

ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਦਾ 1PL ਮਾਡਲ

1PL ਜਾਂ 1 ਪੈਰਾਮੀਟਰ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ, ਜਿਸ ਨੂੰ ਰਾਸ਼ ਮਾਡਲ [3] ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਅਨੁਸਾਰ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।

ਮੈਨੂੰ ਇੱਕ ਸਿਖਿਆਰਥੀ ਜਾਂ ਵਿਦਿਆਰਥੀ ਹੋਣ ਦਿਓ, ਮੈਨੂੰ ਇੱਕ ਸਵਾਲ ਹੋਣ ਦਿਓ। ਸਿੱਖਣ ਵਾਲੇ ਦੀ ਯੋਗਤਾ ਅਤੇ ਪ੍ਰਸ਼ਨ ਦੇ ਮੁਸ਼ਕਲ ਪੱਧਰ ਨੂੰ βj ਮੰਨੋ। ਫਿਰ 1PL ਮਾਡਲ ਦੇ ਅਨੁਸਾਰ, jth ਪ੍ਰਸ਼ਨ ਦਾ ਸਹੀ ਉੱਤਰ ਦੇਣ ਵਾਲੇ ith ਉਪਭੋਗਤਾ ਦੀ Pij ਸੰਭਾਵਨਾ logit (Pij) = i – j ਵਜੋਂ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਜਿੱਥੇ ਲੌਗਿਟ ਫੰਕਸ਼ਨ logit (x) = (1 + (- x)) ਦੁਆਰਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। -1

1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਹਰੇਕ ਕੋਸ਼ਿਸ਼ ਕੀਤੇ ਸਵਾਲ ਲਈ ਸਿਖਿਆਰਥੀ ਦੇ ਜਵਾਬ ਬਾਰੇ ਡੇਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਇੱਕ ਸਿਖਿਆਰਥੀ ਦੀ ਯੋਗਤਾ ਦੇ ਪੱਧਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਾਂ।

1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਲਈ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਆਰਕੀਟੈਕਚਰ

ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ 1PL ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਇੱਕ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਪੈਰਾਮੀਟਰਾਈਜ਼ੇਸ਼ਨ ਦੇ ਨਾਲ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਹੈ। ਸਿੱਟੇ ਵਜੋਂ, ਅਸੀਂ ਕਿਸੇ ਵੀ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਜਿਹੇ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। 1PL ਮਾਡਲ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।

ਚਿੱਤਰ 1: 1PL IRT ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ

 

ਸਾਡਾ ਮਾਡਲ ਕੇਰਸ [4] ਵਿੱਚ ਇੱਕ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਜੋਂ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਇੱਕ ਤੰਤੂ ਨੈੱਟਵਰਕ ਦੇ ਤੌਰ ਤੇ ਸਮੱਸਿਆ ਨੂੰ ਮਾਡਲਿੰਗ ਦੇ ਫਾਇਦੇ ਹਨ:

• ਇਨਪੁਟ ਵਿੱਚ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਸਮਰੱਥਾ – ਹਰੇਕ ਉਪਭੋਗਤਾ ਨੂੰ ਹਰ ਸਵਾਲ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ
• ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਆਈਟਮਾਂ ਤੱਕ ਸਕੇਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਹੋਰ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ 2PL, 3PL ਅਤੇ ਹੋਰ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲਾਂ ਤੱਕ ਫਰੇਮਵਰਕ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ

ਅਸੀਂ ਇਸ ਮਾਡਲ ਨੂੰ 1PL ਡੀਪ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਵਜੋਂ ਕਹਿੰਦੇ ਹਾਂ।

ਪ੍ਰਮਾਣਿਕਤਾ

ਮਾਡਲਿੰਗ ਰਣਨੀਤੀ ਨੂੰ ਬੈਂਚਮਾਰਕ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਅਨੁਸਾਰ ਸਿਮੂਲੇਟਡ ਡੇਟਾ ਤਿਆਰ ਕਰਦੇ ਹਾਂ:

• i N (0,1): ਸਿੱਖਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਮੱਧਮਾਨ 0 ਅਤੇ ਮਿਆਰੀ ਵਿਵਹਾਰ 1 ਦੇ ਨਾਲ ਇੱਕ ਆਮ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
• j U (-1,1): ਪ੍ਰਸ਼ਨ ਮੁਸ਼ਕਲ ਮੁੱਲ -1 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਉਤਪੰਨ ਹੁੰਦੇ ਹਨ
• Pij = i – j: ਉਪਭੋਗਤਾ ਦੀ ਯੋਗਤਾ ਅਤੇ ਆਈਟਮ ਦੀ ਮੁਸ਼ਕਲ (1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਸਮੀਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਹੀ ਜਵਾਬਾਂ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
• yijk Bern (Pij): ਬਾਈਨਰੀ ਜਵਾਬਾਂ (ਸਹੀ, ਨਾ-ਸਹੀ) ਨੂੰ ਬਰਨੌਲੀ ਵੰਡ ਤੋਂ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ ਪੀਜ ਦੇ ਨਾਲ ਨਮੂਨਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਪ੍ਰਤੀ ਸਿਖਿਆਰਥੀ ਪ੍ਰਤੀ ਆਈਟਮ ਪ੍ਰਤੀ ਜਵਾਬਾਂ ਦੀ ਸੰਖਿਆ ਸੰਰਚਨਾਯੋਗ ਹੁੰਦੀ ਹੈ।

ਅਸੀਂ 100 ਪ੍ਰਸ਼ਨ, 100 ਸਿਖਿਆਰਥੀ, ਅਤੇ ਪ੍ਰਤੀ ਸਿਖਿਆਰਥੀ, ਪ੍ਰਤੀ ਪ੍ਰਸ਼ਨ ਇੱਕ ਜਵਾਬ ਸਿਮੂਲੇਟ ਕੀਤਾ ਹੈ।

ਅਸੀਂ 1PL ਡੀਪ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਨੂੰ ਸਿਮੂਲੇਟਡ ਡੇਟਾਸੈਟ ਵਿੱਚ ਫਿੱਟ ਕਰਦੇ ਹਾਂ। ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਇਨਪੁਟਸ ਉਪਭੋਗਤਾ ਵੈਕਟਰ (ਇੱਕ-ਹੌਟ ਐਨਕੋਡਡ) ਅਤੇ ਪ੍ਰਸ਼ਨ ਵੈਕਟਰ (ਇੱਕ-ਹੌਟ ਐਨਕੋਡਡ) ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਦੇ ਮਾਪਦੰਡ ਹਨ, ਜਿਸ ਵਿੱਚ ਆਈਟਮ ਦੀ ਮੁਸ਼ਕਲ, ਸਿੱਖਣ ਦੀ ਯੋਗਤਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਸ਼ਾਮਲ ਹੈ ਕਿ ਕੀ ਸਿਖਿਆਰਥੀ ਸਹੀ ਜਵਾਬ ਦੇਵੇਗਾ ਜਾਂ ਨਹੀਂ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਇਸ ਵਿੱਚ ਦੋ ਇੰਪੁੱਟ ਲੇਅਰ ਹਨ, ਮੁਸ਼ਕਲ ਅਤੇ ਯੋਗਤਾ ਲਈ ਵਿਚਕਾਰਲੀ ਪਰਤਾਂ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਲਈ ਇੱਕ ਆਉਟਪੁੱਟ ਲੇਅਰ।

ਅਸੀਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੋਂ 1PL ਡੀਪ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਆਉਟਪੁੱਟ ਦੀ ਤੁਲਨਾ ਸਿਮੂਲੇਟਡ ਡੇਟਾ ਤੋਂ ਸਹੀ ਆਉਟਪੁੱਟ ਨਾਲ ਕਰਦੇ ਹਾਂ।

ਲਾਗੂ ਕਰਨ

ਮਾਡਲ: 1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਦਾ ਆਰਕੀਟੈਕਚਰ ਹਾਰਡ ਫੰਕਸ਼ਨਲ API ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, NNs ਦੀ ਰਚਨਾਤਮਕਤਾ ਨੂੰ ਵਰਤ ਕੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਮੁੱਚੇ ਮਾਡਲ ਦੀ ਸੰਰਚਨਾ ਸੰਘਣੀ ਪਰਤਾਂ ਨੂੰ ਸਟੈਕ ਕਰਕੇ ਕੀਤੀ ਗਈ ਹੈ – ਇੱਥੇ, 1PL ਮਾਡਲ ਲਈ 2 ਸੰਘਣੀ ਪਰਤਾਂ, ਉਪਭੋਗਤਾ ਜਾਂ ਆਈਟਮ ਦੇ ਹਰੇਕ ਪ੍ਰਤੀਨਿਧੀ ਕਿਸੇ ਉਪਭੋਗਤਾ (i) ਆਈਟਮ (ਆਂ) ਦਾ ਜਵਾਬ ਦੇਣ ਦੀ ਸੰਭਾਵਨਾ (Pij) ਵਿੱਚ ਪ੍ਰਮੁੱਖ ਹਨ।

ਹਾਈਪਰ ਪੈਰਾਮੀਟਰ: ਹੇਠਾਂ ਦਿੱਤੀ ਡਿਫੌਲਟ ਸੈਟਿੰਗਾਂ ਹਰੇਕ ਸੰਘਣੀ ਪਰਤ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ

• ਕਰਨਲ ਅਤੇ ਬਿਆਸ ਸ਼ੁਰੂਆਤੀ: ਸਧਾਰਨ (0.1)
• l1 / l2 ਨਿਯਮਤੀਕਰਨ: l_1 = 0, l_2 = 0
• ਗਤੀਵਿਧੀ ਨਿਯਮਤ ਕਰਨ ਵਾਲੇ: l_1 = 0, l_2 = 0

ਉਪਰੋਕਤ ਸੈਟਿੰਗਾਂ ਨੂੰ ਇੱਕ ਡਿਵੈਲਪਰ ਦੁਆਰਾ ਓਵਰਰਾਈਡ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਸੰਰਚਨਾ ਦੀ ਇੱਕ ਸਪੇਸ ਉੱਤੇ ਖੋਜ ਕਰਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਰਚਨਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਅਜਿਹੇ ਵੇਰਵੇ ਆਉਣ ਵਾਲੇ ਬਲੌਗ ਹੋਣਗੇ। ਪਰਿਭਾਸ਼ਿਤ ਮਾਡਲ ਦੋ ਜਾਂ ਤਿੰਨ ਮਾਪਦੰਡਾਂ, ਅਰਥਾਤ ਵਿਤਕਰੇ ਅਤੇ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕਾਫ਼ੀ ਲਚਕਦਾਰ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ, ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ, ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰ ਖੋਜ ਸਮਰੱਥਾ ਦੇ ਨਾਲ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਮਾਡਲ ਨੂੰ ਇੱਕ ਜਾਂ ਦੋ PL ਮਾਡਲਾਂ ਵਜੋਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਸੀਮਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ

ਹੇਠਾਂ ਦਿੱਤੇ ਪਲਾਟ ਆਪਸ ਵਿੱਚ ਸਬੰਧ ਦਿਖਾਉਂਦੇ ਹਨ:

• ਪੀਅਰਸਨ ਸਹਿ-ਸੰਬੰਧ ਗੁਣਾਂਕ 0.9857 ਦੇ ਨਾਲ, ਅਨੁਮਾਨਿਤ ਮੁਸ਼ਕਲ ਬਨਾਮ ਅਸਲ ਮੁਸ਼ਕਲ ਪੱਧਰ।
• ਪੀਅਰਸਨ ਸਹਿ-ਸੰਬੰਧ ਗੁਣਾਂਕ 0.9954 ਦੇ ਨਾਲ, ਅਨੁਮਾਨਿਤ ਯੋਗਤਾ ਬਨਾਮ ਸਹੀ ਯੋਗਤਾ ਪੱਧਰ।
• ਪੀਅਰਸਨ ਸਹਿ-ਸੰਬੰਧ ਗੁਣਾਂਕ 0.9926 ਦੇ ਨਾਲ, ਹਰੇਕ ਸਵਾਲ ਦਾ ਸਹੀ ਉੱਤਰ ਦੇਣ ਦੀ ਅਨੁਮਾਨਿਤ ਸੰਭਾਵਨਾ ਬਨਾਮ ਸੱਚੀ ਸੰਭਾਵਨਾ।

1PL ਡੇਟਾ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੀਪ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਤੋਂ, 1PL DIRT ਮਾਡਲ ਦੀ ਸੰਭਾਵਨਾ ਲੌਗ 0.587 ਹੈ।

ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ, ਸਾਨੂੰ ਤਿੰਨਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇੱਕ ਚੰਗਾ ਸਬੰਧ ਮਿਲਦਾ ਹੈ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਾਡਾ 1PL ਡੀਪ ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਚੰਗੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਮੁਸ਼ਕਲ, ਯੋਗਤਾ ਅਤੇ ਟੈਸਟ ਸਕੋਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸਫਲ ਹੈ।

ਚਿੱਤਰ 2: ਟਰੂ ਬਨਾਮਰੀਵੇਡ ਹਾਰਡ ਹਾਰਡ ਦੀ ਸ਼ਕਤੀ ਅਤੇ ਮਾਵੇ ਮਾਵੇ ਮਾਪਦੰਡਾਂ ਦੇ

ਚਿੱਤਰ 3: ਸਵਾਲਾਂ ਦੇ ਸਹੀ ਉੱਤਰ ਦੇਣ ਦੀ ਸਹੀ ਸੰਭਾਵਨਾ ਦਾ ਹੈਕਸਬਿਨ ਪਲਾਟ। ਸਾਡੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹਾਰਡ ਮਾਡਲ ਤੋਂ ਪ੍ਰਾਪਤ ਸੰਭਾਵਨਾ

 

ਸਿੱਟਾ

ਅਸੀਂ ਦਿਖਾਇਆ ਹੈ ਕਿ, ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ, 1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਮਾਡਲ ਨੂੰ ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲ ਰਾਹੀਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਆਪਣੇ 1PL ਆਈਟਮ ਰਿਸਪਾਂਸ ਥਿਊਰੀ ਅਧਾਰਤ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਿਖਿਆਰਥੀ ਦੀ ਯੋਗਤਾ ਅਤੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਮੁਸ਼ਕਲ ਪੱਧਰ ਦੇ ਚੰਗੇ ਅੰਦਾਜ਼ੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਅਨੁਮਾਨ, ਬਦਲੇ ਵਿੱਚ, ਅਨੁਕੂਲਿਤ ਟੈਸਟਾਂ, ਟੀਚਾ ਨਿਰਧਾਰਨ, ਅਤੇ ਹੋਰ ਡਾਊਨਸਟ੍ਰੀਮ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।

ਹਵਾਲੇ

1. ਫਰੈਂਕ ਬੀ ਬੇਕਰ। “ਆਈਟਮ ਪ੍ਰਤੀਕਿਰਿਆ ਸਿਧਾਂਤ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ।” ਏਰਿਕ, ਯੂਐਸਏ, 2001
2. ਵਿਕੀਪੀਡੀਆ। ਆਈਟਮ ਜਵਾਬ ਸਿਧਾਂਤ https://en.wikipedia.org/wiki/Item_response_theory
3. ਜਾਰਜ ਰਾਸ਼. “ਗਣਿਤ ਦੇ ਮਨੋਵਿਗਿਆਨ ਵਿੱਚ ਅਧਿਐਨ: I. ਕੁਝ ਬੁੱਧੀ ਅਤੇ ਪ੍ਰਾਪਤੀ ਟੈਸਟਾਂ ਲਈ ਸੰਭਾਵੀ ਮਾਡਲ।” 1960
4. ਹਾਰਡ ਡੀਪ ਲਰਨਿੰਗ ਫਰੇਮਵਰਕ: ਹਾਰਡ