Links - Universität Bielefeld

Mo. 10.09.| Einzelbeiträge 8 | 15:00 – 15:40 Uhr | Raum T2 214
Matthias Trendtel, Ali Ünlü
Vergleich allgemeiner psychometrisch-diagnostischer
Modellierungsrahmen und mögliche Implikationen für PISA
Technische Universität München
matthias.trendtel@tum.de
Bei Leistungstests, die Fähigkeiten von Schülerinnen und Schülern messen, ist man oftmals neben
den eigentlichen aggregierten Leistungswerten auch an diagnostisch differenzierten Kompetenzprofilen
interessiert. Herkömmliche Methoden der Item-Response-Theorie (IRT), die einzelne
Fähigkeitswerte der Schülerinnen und Schülern auf Kontinuen modellieren, bieten lediglich
durch Diskretisierung dieser Kontinuen die Möglichkeit, linear geordnete Kompetenzstrukturen
zu beschreiben. Die Annahme, dass Kompetenzen linear geordnet sind, wird der Realität nicht
immer gerecht. Auch Handlungsdirektiven lassen sich nicht unmittelbar und nur begrenzt ableiten.
Mit dem Ziel, allgemeinere Kompetenzstrukturen mitunter auch diagnostisch informativer
modellieren zu können, wurden die allgemeinen Modellierungsrahmen wie Log-Linear-
Cognitive-Diagnosis-Modell (LCDM; Henson, Templin, & Willse, 2009), Hierarchical-Mixture-
General-Diagnostic-Modell (HMGDM; von Davier, 2010) und Learning-Space-Theorie (LST; Falmagne
& Doignon, 2011) entwickelt. In dieser Arbeit untersuchen wir inwieweit diese drei Modellierungsansätze
methodisch strukturell zusammenhängen. Hierbei werden Gemeinsamkeiten
und Unterschiede in Hinblick auf die einzelnen Modellkomponenten und -annahmen sowie die
unterschiedlichen Interpretationsmöglichkeiten der jeweiligen Modelle herausgearbeitet. Basierend
darauf ist es möglich, Modellkomponenten oder -annahmen eines jeden dieser Modelle in
die jeweils anderen Modelle zu übertragen und einzubetten oder gar entsprechend zu verallgemeinern.
So können Modelle der LST und LCDM mit Hilfe des HMGDM als Mehrebenen- oder
Mischmodelle formuliert werden. Mögliche Implikationen und Mehrwert der Ergebnisse gegenüber
den herkömmlichen IRT-Skalierungsverfahren für PISA runden den Vortrag ab.
Falmagne, J.-Cl., & Doignon, J.-P. (2011). Learning spaces. Berlin: Springer.
Henson, R.A., Templin, J.L. & Willse, J.T. (2009). Defining a family of cognitive diagnosis models using log-linear
models with latent variables. Psychometrika, 74, 191-210.
Von Davier, M. (2010). Hierarchical mixtures of diagnostic models. Psychological Test and Assessment Modeling,
52, 8-28.
148