Detailed Information

Cited 0 time in webofscience Cited 0 time in scopus
Metadata Downloads

강한 베이지안 사전분포를 사용한 가교문항-고정 IRT 추정 방법의 원리와 기능

Full metadata record
DC Field Value Language
dc.contributor.author김성훈-
dc.date.accessioned2022-07-07T07:37:07Z-
dc.date.available2022-07-07T07:37:07Z-
dc.date.created2021-05-13-
dc.date.issued2015-03-
dc.identifier.issn1226-3540-
dc.identifier.urihttps://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/143789-
dc.description.abstract비동등집단-가교문항(nonequivalent-groups anchor-items test) 설계를 통해 얻어진 검사 자료를 문항반응이론(IRT)을 통해 분석할 때, 가교문항-고정 IRT 추정 방법은 기존의 능력척도 상에서 추정된 가교문항의 모수를 고정한 채 기저 능력분포를 추정함으로써 비가교문항의 모수들을 기존의 능력척도 상에서 추정하기 위해 사용된다. 가교문항-고정 IRT 추정을 성공적으로 수행하기 위해 선행 연구들은 가교문항의 모수를 추정에서 명시적으로 제외하는 특수한 주변최대우도-기대최대(MML-EM) 방법(‘고정문항-추정제외 MML-EM 방법’)을 사용하였다. 본 연구는 가교문항-고정 IRT 추정을 위한 대안적 방법으로 고정할 가교문항의 모수에 대해 강한 베이지안 사전분포를 사용할 수 있는 일반적인 베이지안 최빈(BM)-EM 방법(‘강한-사전분포 BM-EM 방법’)을 제시하고, 사전분포의 강도에 따라 이 대안적 방법이 어떻게 기능하는지를 검토하였다. 강한-사전분포 BM-EM 방법에서 각 가교문항의 모수는 해당 베이지안 사전분포의 최빈치(mode)를 그 모수 값으로 지정하고 표준편차(SD)를 0.000001~0.01의 작은 값으로 지정하여 “고정” 추정한다. 다양한 검사 조건을 포함한 모의실험의 결과, 강한-사전분포 BM-EM 추정 방법은 사전분포의 표준편차를 SD=0.01까지 약하게 지정하더라도 성공적으로 기능함을 확인하였다.-
dc.language한국어-
dc.language.isoko-
dc.publisher한국교육평가학회-
dc.title강한 베이지안 사전분포를 사용한 가교문항-고정 IRT 추정 방법의 원리와 기능-
dc.title.alternativeThe Principle and Performances of Fixed-Anchor IRT Calibration Methods Using Strong Bayesian Priors-
dc.typeArticle-
dc.contributor.affiliatedAuthor김성훈-
dc.identifier.bibliographicCitation교육평가연구, v.28, no.1, pp.25 - 51-
dc.relation.isPartOf교육평가연구-
dc.citation.title교육평가연구-
dc.citation.volume28-
dc.citation.number1-
dc.citation.startPage25-
dc.citation.endPage51-
dc.type.rimsART-
dc.identifier.kciidART001974699-
dc.description.journalClass2-
dc.description.isOpenAccessN-
dc.description.journalRegisteredClasskci-
dc.subject.keywordAuthor가교문항-고정 IRT 추정-
dc.subject.keywordAuthor베이지안 사전분포-
dc.subject.keywordAuthor베이지안 최빈 추정-
dc.subject.keywordAuthorEM 알고리듬-
dc.subject.keywordAuthorfixed-anchor IRT calibration-
dc.subject.keywordAuthorBayesian priors-
dc.subject.keywordAuthorBayesian modal estimation-
dc.subject.keywordAuthorEM algorithm-
dc.identifier.urlhttp://scholar.dkyobobook.co.kr/searchDetail.laf?barcode=4010024423192-
Files in This Item
Go to Link
Appears in
Collections
서울 사범대학 > 서울 교육학과 > 1. Journal Articles

qrcode

Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.

Related Researcher

Researcher Kim, Seong hoon photo

Kim, Seong hoon
COLLEGE OF EDUCATION (DEPARTMENT OF EDUCATION)
Read more

Altmetrics

Total Views & Downloads

BROWSE