Handbook of Diagnostic Classification Models / von Davier, Matthias ; Lee, Young-Sun  

Público ISBD Ningún comentario para este registro. Título : Handbook of Diagnostic Classification Models : Models and Model Extensions, Applications, Software Packages Tipo de documento: documento electrónico Autores: von Davier, Matthias, ; Lee, Young-Sun, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XIV, 656 p. 91 ilustraciones, 17 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-05584-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Derecho  Psicología cognitiva  Educación  Ciencias sociales  Psicometría  Pruebas y mediciones educativas.  Evaluación y pruebas  Public policy Clasificación: 371.26 Resumen: Este manual proporciona una descripción general de los principales avances en torno a los modelos de clasificación de diagnóstico (DCM) con respecto al modelado, estimación, verificación de modelos, puntuación y aplicaciones. Reúne no sólo el estado actual del arte, sino también los antecedentes teóricos y los modelos desarrollados para la clasificación diagnóstica. El manual también ofrece aplicaciones, temas especiales y pautas prácticas sobre cómo planificar y realizar estudios de investigación con la ayuda de DCM. Los modelos comúnmente utilizados en medición educativa y psicometría suelen asumir un único rasgo latente o, en el mejor de los casos, un pequeño número de variables latentes que tienen como objetivo describir las diferencias individuales en el comportamiento observado. Si bien esto permite realizar clasificaciones simples de los examinados en una o varias dimensiones, no proporciona una imagen detallada de las fortalezas y debilidades al evaluar habilidades cognitivas complejas. Los DCM, por otro lado, permiten la evaluación del desempeño del examinado en relación con un número potencialmente grande de dominios de habilidades. La mayoría de los modelos de diagnóstico proporcionan una clasificación binaria de dominio/no dominio para cada uno de los atributos supuestos del examinado que representan estos dominios de habilidades. Los perfiles de atributos se pueden utilizar tanto para decisiones formativas como para fines sumativos, por ejemplo en un procedimiento de corte múltiple que requiere el dominio de al menos un determinado subconjunto de habilidades. El número de DCM discutidos en la literatura y aplicados a una variedad de datos de evaluación ha aumentado en las últimas décadas, y su atractivo tanto para investigadores como para profesionales continúa creciendo. Estos modelos se han utilizado en evaluaciones del idioma inglés, evaluaciones internacionales a gran escala y como retroalimentación para exámenes de práctica en preparación de pruebas de admisión a la universidad, solo por nombrar algunos. Hoy en día, las evaluaciones basadas en tecnología proporcionan datos cada vez más ricos sobre multitud de habilidades y permiten recopilar datos con respecto a múltiples tipos de comportamientos. Los modelos de diagnóstico pueden entenderse como una combinación ideal para este tipo de recopilación de datos para proporcionar información más detallada sobre las habilidades y tendencias de comportamiento de los examinados. Nota de contenido: 1. Introduction: From Latent Class Analysis to DINA and Beyond -- PART 1: Approaches to Cognitive Diagnosis -- 2. Nonparametric Item Response Theory and Mokken Scale Analysis, with Relations to Latent Class Models and Cognitive Diagnostic Models -- 3. The Reparameterized Unified Model System: A Diagnostic Assessment Modeling Approach -- 4.Bayesian Networks -- 5. Nonparametric Classification Models -- 6. General Diagnostic Model (GDM) -- 7. Generalized Deterministic Inputs, Noisy "and" Gate Model (G-DINA) -- 8. Loglinear Cognitive Diagnostic Model (LCDM) -- 9. Diagnostic Modeling of Skill Hierarchies and Cognitive Process with MLTM-D -- 10. Explanatory Diagnostic Models -- 11. Insights from Reparametrized DINA and Beyond -- PART 2: Special Topics -- 12. Q Matrix Learning via Latent Variable Selection and Identifiability -- 13. Global Model and Item-level Fit Indices -- 14.Exploratory Data Analysis and Cognitive Diagnostic Model -- 15. CDM-CAT -- 16. Identifiability and Cognitive Diagnostic Model -- 17. Classification Consistency and Reliability -- 18.Differential Item Functioning in CDM -- 19. Parameter Invariance and Skill Attribute Continuity in DCMs: Bifactor MIRT as an Appealing and Related Alternative -- PART 3: Applications -- 20.Application of CDMs to Process Data Analysis -- 21. Application of CDMs to Learning Systems -- 22. CDMs in Vocational Education -- 23. Analyzing Large Scale Assessment Data with Diagnostic Models -- 24. Reduced Reparameterized Unified Model Applied to Learning Spatial Reasoning Skills -- 25. How to Conduct a Study with Diagnostic Models -- PART 4: Software, Data, and Tools -- 26. The R package CDM for Diagnostic Modeling -- 27. Diagnostic Classification Modeling with flexMIRT -- 28. Using Mplus to Estimate the Log-Linear Cognitive Diagnosis Model -- 29. The GDINA R-package -- 30. GDM software mdltm including Parallel EM algorithm.-31. Estimating CDMs using MCMC. Tipo de medio : Computadora Summary : This handbook provides an overview of major developments around diagnostic classification models (DCMs) with regard to modeling, estimation, model checking, scoring, and applications. It brings together not only the current state of the art, but also the theoretical background and models developed for diagnostic classification. The handbook also offers applications and special topics and practical guidelines how to plan and conduct research studies with the help of DCMs. Commonly used models in educational measurement and psychometrics typically assume a single latent trait or at best a small number of latent variables that are aimed at describing individual differences in observed behavior. While this allows simple rankings of test takers along one or a few dimensions, it does not provide a detailed picture of strengths and weaknesses when assessing complex cognitive skills. DCMs, on the other hand, allow the evaluation of test taker performance relative to a potentiallylarge number of skill domains. Most diagnostic models provide a binary mastery/non-mastery classification for each of the assumed test taker attributes representing these skill domains. Attribute profiles can be used for formative decisions as well as for summative purposes, for example in a multiple cut-off procedure that requires mastery on at least a certain subset of skills. The number of DCMs discussed in the literature and applied to a variety of assessment data has been increasing over the past decades, and their appeal to researchers and practitioners alike continues to grow. These models have been used in English language assessment, international large scale assessments, and for feedback for practice exams in preparation of college admission testing, just to name a few. Nowadays, technology-based assessments provide increasingly rich data on a multitude of skills and allow collection of data with respect to multiple types of behaviors. Diagnostic models can be understood as an ideal match for these types of data collections to provide more in-depth information about test taker skills and behavioral tendencies. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Handbook of Diagnostic Classification Models : Models and Model Extensions, Applications, Software Packages [documento electrónico] / von Davier, Matthias, ; Lee, Young-Sun,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XIV, 656 p. 91 ilustraciones, 17 ilustraciones en color. ISBN : 978-3-030-05584-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Derecho  Psicología cognitiva  Educación  Ciencias sociales  Psicometría  Pruebas y mediciones educativas.  Evaluación y pruebas  Public policy Clasificación: 371.26 Resumen: Este manual proporciona una descripción general de los principales avances en torno a los modelos de clasificación de diagnóstico (DCM) con respecto al modelado, estimación, verificación de modelos, puntuación y aplicaciones. Reúne no sólo el estado actual del arte, sino también los antecedentes teóricos y los modelos desarrollados para la clasificación diagnóstica. El manual también ofrece aplicaciones, temas especiales y pautas prácticas sobre cómo planificar y realizar estudios de investigación con la ayuda de DCM. Los modelos comúnmente utilizados en medición educativa y psicometría suelen asumir un único rasgo latente o, en el mejor de los casos, un pequeño número de variables latentes que tienen como objetivo describir las diferencias individuales en el comportamiento observado. Si bien esto permite realizar clasificaciones simples de los examinados en una o varias dimensiones, no proporciona una imagen detallada de las fortalezas y debilidades al evaluar habilidades cognitivas complejas. Los DCM, por otro lado, permiten la evaluación del desempeño del examinado en relación con un número potencialmente grande de dominios de habilidades. La mayoría de los modelos de diagnóstico proporcionan una clasificación binaria de dominio/no dominio para cada uno de los atributos supuestos del examinado que representan estos dominios de habilidades. Los perfiles de atributos se pueden utilizar tanto para decisiones formativas como para fines sumativos, por ejemplo en un procedimiento de corte múltiple que requiere el dominio de al menos un determinado subconjunto de habilidades. El número de DCM discutidos en la literatura y aplicados a una variedad de datos de evaluación ha aumentado en las últimas décadas, y su atractivo tanto para investigadores como para profesionales continúa creciendo. Estos modelos se han utilizado en evaluaciones del idioma inglés, evaluaciones internacionales a gran escala y como retroalimentación para exámenes de práctica en preparación de pruebas de admisión a la universidad, solo por nombrar algunos. Hoy en día, las evaluaciones basadas en tecnología proporcionan datos cada vez más ricos sobre multitud de habilidades y permiten recopilar datos con respecto a múltiples tipos de comportamientos. Los modelos de diagnóstico pueden entenderse como una combinación ideal para este tipo de recopilación de datos para proporcionar información más detallada sobre las habilidades y tendencias de comportamiento de los examinados. Nota de contenido: 1. Introduction: From Latent Class Analysis to DINA and Beyond -- PART 1: Approaches to Cognitive Diagnosis -- 2. Nonparametric Item Response Theory and Mokken Scale Analysis, with Relations to Latent Class Models and Cognitive Diagnostic Models -- 3. The Reparameterized Unified Model System: A Diagnostic Assessment Modeling Approach -- 4.Bayesian Networks -- 5. Nonparametric Classification Models -- 6. General Diagnostic Model (GDM) -- 7. Generalized Deterministic Inputs, Noisy "and" Gate Model (G-DINA) -- 8. Loglinear Cognitive Diagnostic Model (LCDM) -- 9. Diagnostic Modeling of Skill Hierarchies and Cognitive Process with MLTM-D -- 10. Explanatory Diagnostic Models -- 11. Insights from Reparametrized DINA and Beyond -- PART 2: Special Topics -- 12. Q Matrix Learning via Latent Variable Selection and Identifiability -- 13. Global Model and Item-level Fit Indices -- 14.Exploratory Data Analysis and Cognitive Diagnostic Model -- 15. CDM-CAT -- 16. Identifiability and Cognitive Diagnostic Model -- 17. Classification Consistency and Reliability -- 18.Differential Item Functioning in CDM -- 19. Parameter Invariance and Skill Attribute Continuity in DCMs: Bifactor MIRT as an Appealing and Related Alternative -- PART 3: Applications -- 20.Application of CDMs to Process Data Analysis -- 21. Application of CDMs to Learning Systems -- 22. CDMs in Vocational Education -- 23. Analyzing Large Scale Assessment Data with Diagnostic Models -- 24. Reduced Reparameterized Unified Model Applied to Learning Spatial Reasoning Skills -- 25. How to Conduct a Study with Diagnostic Models -- PART 4: Software, Data, and Tools -- 26. The R package CDM for Diagnostic Modeling -- 27. Diagnostic Classification Modeling with flexMIRT -- 28. Using Mplus to Estimate the Log-Linear Cognitive Diagnosis Model -- 29. The GDINA R-package -- 30. GDM software mdltm including Parallel EM algorithm.-31. Estimating CDMs using MCMC. Tipo de medio : Computadora Summary : This handbook provides an overview of major developments around diagnostic classification models (DCMs) with regard to modeling, estimation, model checking, scoring, and applications. It brings together not only the current state of the art, but also the theoretical background and models developed for diagnostic classification. The handbook also offers applications and special topics and practical guidelines how to plan and conduct research studies with the help of DCMs. Commonly used models in educational measurement and psychometrics typically assume a single latent trait or at best a small number of latent variables that are aimed at describing individual differences in observed behavior. While this allows simple rankings of test takers along one or a few dimensions, it does not provide a detailed picture of strengths and weaknesses when assessing complex cognitive skills. DCMs, on the other hand, allow the evaluation of test taker performance relative to a potentiallylarge number of skill domains. Most diagnostic models provide a binary mastery/non-mastery classification for each of the assumed test taker attributes representing these skill domains. Attribute profiles can be used for formative decisions as well as for summative purposes, for example in a multiple cut-off procedure that requires mastery on at least a certain subset of skills. The number of DCMs discussed in the literature and applied to a variety of assessment data has been increasing over the past decades, and their appeal to researchers and practitioners alike continues to grow. These models have been used in English language assessment, international large scale assessments, and for feedback for practice exams in preparation of college admission testing, just to name a few. Nowadays, technology-based assessments provide increasingly rich data on a multitude of skills and allow collection of data with respect to multiple types of behaviors. Diagnostic models can be understood as an ideal match for these types of data collections to provide more in-depth information about test taker skills and behavioral tendencies. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200