CAT

• Jeder bekommt nur optimale items

• bei besserer Leistung —> schwierigere Items

• anhand von Antworten aus vorherigen Items

• Vorwissen über Individuum

6 Stück

• Item Pool

• Teststart

• Person Parameter Estimation

• Item Selektion

• Constraint Management

• Testende

• Höhere Präzision

• Kürzere Testungen

• Daumenregel: Man braucht nur ca. 50% der Items

• Item Response Theory

• 3PL Modell

• Definiert als Fähigkeit

  • externale Daten richtig zu interpretieren

  • von den Daten zu lernen

  • Das Erlernte nutzen um durch flexible Anpassung bestimmte Ziele zu verfolgen

• 
  

• Adaptivität und Individualisierung

• Computational power in den 2000ern erreicht

• wird für LSA genutzt

• schnelle Netzwerke & Cloud computing bringt neue Möglichkeiten mit sich —> online Anpassung und auf Populationsebene

• Kalibrierung fällt bei CAT weg (enormer Aufwand durch große Stichproben und Viele Items

• CAT: von Beginn viel kleinere Validierungsstichproben nötig, jährlich einige wenige neue Items

• Continuous Calibration strategy

  • Weglassen von initialer Kalibrierungsstudie (wie in konventionellen Testungen) .-> weniger Arbeit

  • von Beginn an kleiner item pool

  • Skalenwerte bleiben stabil, da laufend aktualisiert

  • kontinuierliche Verbesserung der geschätzten Parameter

  • Identifizieren problematischer Items

  • Kontrollieren von Item-Position effects & Carry-over effects

• dass die Stelle d. Items die Beantowrtung beeinflusst zb durch Müdigkeit bei späteren Items

wenn vorherige Items die Antwort auf spätere beeinflussen

-> Frage zu depressiver Verstimmung und danach Frage nach allg. Wohlbefinden

• neue adaptive Testungen entwickeln

• lineare testung in CAT umwandeln

• Testungen anfangs nicht-adaptiv

• im Laufe der Zeit immer mehr Adaptivität, Flexibilität und Präzision

• laufende Skalierung

• Link items —> bereits kalibriert, dienen als Referenz

• new items -> noch nicht kalibriert

• adaptive items -> basierend auf den individuellen Antworten angepasst

• linking cluster

• calibration cluster

• adaptive cluster

Initiale Phase —> Calibration Cluster

Adaptive Phase —> Anfangs Calibration, Linking + adaptive CLuster

—> irgendwann nur noch Linking und adaptive

• mit mehreren Testzyklen reduziert sich der MSE

• bei Stichprobe mit n=50 noch relativ hoher upper bound

• bei n=100 auch upper bound niedrig, bei n=300 upper bound nicht mehr groß abweichend vom MSE

• intuitive Testweise

• effizient

• braucht psychometrie

• ist AI

• ist zukunftsorientiert

• benötigt keine großen Items pools oder Kalibrierungsstichproben