문항반응이론

IRT : Item Response Theory = 문항반응이론 

 -시험, 설문지를 설계, 분석, 채점하고 인간의 능력, 태도 등을 측정하는 모델 및 이론

 -item 은 항목, skill 은 능력, 태도 

 -문제를 맞출 수 있는 가능성을 능력 매개 변수와 문항 난이도의 관계를 통해서 예측하는 모델

 -문제를 맞추는 것은 맞추거나, 틀리거나의 이분형 결과 값이기 때문에 로지스틱 회귀를 활용할 수 있으며

 -따라서 결과값은 베르누이 분산이 될 것으로 예상

 -문항 난이도와 능력 매개변수를 데이터에 맞게 조정되어야 함(매개변수 최적화) 이를 위해 BPE(베이시안 추론 활용한 기법) 기법을 활용할 수 있음

- 교육계에서 많은 관심을 가지고 있는 학습자의 학습정도 예측과 관련된 이론이다. 학습자의 학습정도를 문제를 맞출 가능성의 여부로 추론해볼 수 있다.

- 문제를 맞출 가능성을 능력 매개 변수를 통해 분석하는데, 이때 능력 매개 변수의 최적화에 어떤 알고리즘을 활용하느냐에 따라 모델의 성능 및 해석이 달라질 수 있으며, 다른 이론 혹은 모델로 전환될 수 있는 분기점이 될 것으로 보인다. 

 

IRT의 2가지 문제점

 -시험 문항에 여러 능력이 포함될 때마다 능력(skill)과 문항(item)의 관계를 직접 모델링 해야함

  > 문항과 능력을 자동으로 연결하는 모델 사용(Q-Matrix, Alternating Least Squares, 희소  요소 분석)

 -특정 집단에만 맞는 학생별 매개변수를 포함함. 새로운 학생이 있으면 새 매개변수가 필요함

  > 학생 독립적인 매개 변수화(성능요인분석, 변형자동인코더)

 

SparFAE : Sparse Factor Analysis(희소 인자 분석) + Autoencoder(자동 인코더) = 희소 인자 자동 인코더

 -위의 2가지 문제를 희소인자분석과 자동인코더 모델을 활용해 해결하는 모델

 -희소 인자 분석을 자동 인코더 접근 방식으로 확장하는 새로운 인자분석방법

 -선형을 통해 능력에 대한 학생들의 반응을 인코딩 함

 -행렬A를 매핑하고 기능-문항 맵핑된 행렬Q를 가진 다차원 문항 반응 이론 모델을 통해 예측된 반응으로 다시 디코딩함

문항 반응 이론의 장점

-문항 반응 이론을 통해 교육이론의 오랜 목표라 할 수 있는 학습자의 학습 능력 혹은 학습 정도를 정확하게 분석할 수 있다. 

-학습자의 학습 능력 혹은 학습 정도를 정확하게 예측할 시 여러가지 장점이 있으며 다양한 교수학습 방법으로 연계할 수 있다. 

  1) 최적의 피드백 제공 : 학습자의 학습 능력을 분석해 부족한 능력 및 학습 내용에 대한 최적화 피드백을 제공할 수 있다. 

  2) 학습자의 학습 궤적 설계 : 학습자의 학습 능력 혹은 학습 정도를 극대화할 수 있는 학습 궤적(최적화 문제 세트 제공)을 설계할 수 있다. 

  3) 최적의 문제 추천 : 학습자의 학습 능력(skill)을 분석해 최적 난이도의 문제를 추천함으로서 학습자의 원활한 학습을 보조한다.

 이외에도 다양한 방법으로 문항 반응 이론을 연계할 수 있다. 문항 반응 이론을 통해 궁극적으로는 '개별화 교육'에 다가갈 수 있다는 것이 가장 큰 장점이라 할 수 있다.