Fachgruppe für Methoden und Evaluation - Universität Bamberg

Fr., 23.09., Klassifikationen, 15.50-16.10 Uhr, Kapelle M3/126N (K)
Analyse individueller Klassifikationen in verallgemeinerten DINA-Modellen
Ann Cathrice
Alexander Robitzsch
Jürgen Groß3
George1
2
1 Research School Education
and Capabilities
TU Dortmund
Hauert 14a
44227 Dortmund,
Deutschland
a.george@educap.de
2 Bundesinstitut für Bildungsforschung,Innovation
& Entwicklung des österreichischenSchulwesens
(BIFIE)
Salzburg
Zentrum für Bildungsmonitoring
& Bildungsstandards
Alpenstraße 121
5020 Salzburg
Österreich
a.robitzsch@bifie.at
3 Fakultät Statistik, TU
Dortmund
Vogelpothsweg 87
44227 Dortmund
Deutschland
gross@statistik.tudortmund.de
Kognitive Diagnostische Modelle (Cognitive Diagnosis Models;
CDMs; Di Bello, Roussos & Stout, 2007) bilden eine
Familie konfirmatorischer probabilistischer Modelle mit dichotomen
latenten Variablen, die Mehrfachladungsstrukturen
erlauben. Häufig wird der Einsatz dieser Modellfamilie
damit begründet, dass individuelle Klassifikationen der
Testteilnehmer in latente dichotome Klassen von beherrschten
bzw. nicht beherrschten Grundfähigkeiten nutzbringend
zur Erstellung informativer Rückmeldungen eingesetzt
werden können.
Im vorliegenden Beitrag werden verschieden komplexe Modelle
der Klasse der verallgemeinerten DINA-Modelle (G-
DINA; de la Torre, 2011; Henson, Templin & Willse, 2009)
für den Datensatz zur österreichischen Bildungsstandards-
Testung der 8. Schulstufe in Mathematik spezifiziert und
auf Eigenschaften untersucht. Dabei wird zunächst die Modellanpassung
mit Hilfe verschiedener Fitindizes bewertet.
Außerdem werden die unter den verschiedenen Modellen
entstehenden Klassifikationen der einzelnen SchülerInnen
als KönnerInnen bzw. NichtkönnerInnen der modellierten
Fähigkeiten verglichen. Besonders hervorgehoben wird dabei
die individuelle Klassifikation hinsichtlich der inhaltlichen
Kompetenzen, die in jedem der Modelle spezifiziert
sind.
In einer sich anschließenden Simulationsstudie werden die
Unterschiede zwischen dem gewöhnlichen DINA Modell
und dem für die Daten komplexesten G-DINA Modell bewertet.
Da i.A. nicht bekannt ist aus welchem Modell empirische
Testdaten stammen, werden in der Simulationsstudie
Daten aus einem der beiden Modelle generiert und mit
dem anderen angepasst. Die Größe der jeweils entstehenden
Fehlklassifikationsraten soll Hinweise liefern, in welchen
Situationen ein gewöhnliches oder ein komplexes Modell
vorzuziehen ist.
de la Torre, J. (2011). The generalized DINA framework. Psychometrika,
76, 179-199.
DiBello, L., Roussos, L., & Stout, W. (2007). Review of cognitively
diagnostic assessment and a summary of psychometric
models. In C. R. Rao, & S. Sinharay (Eds.), Handbook of
statistics (pp. 979–1030). Amsterdam: Elsevier.
Henson, R., Templin, J., & Willse, J. (2009). Defining a family of
cognitive diagnosis models using log-linear models with latent
variables. Psychometrika, 74, 191-210.
89