Using R for Item Response Theory Model Applications

تئوری پاسخ آیتم (IRT) به طور گسترده در آموزش و روانشناسی استفاده می شود و در حال گسترش کاربردهای خود در سایر حوزه های علوم اجتماعی، تحقیقات پزشکی و همچنین تجارت است. استفاده از R برای کاربردهای مدل تئوری پاسخ آیتم یک راهنمای عملی برای دانشجویان، مدرسان، پزشکان و محققان کاربردی است که می‌خواهند نحوه استفاده صحیح از بسته‌های R IRT را برای انجام کالیبراسیون مدل IRT با داده‌های خود بیاموزند.

این کتاب توضیحات عملی خط به خط در مورد نحوه استفاده از بسته‌های R IRT برای مدل‌های مختلف IRT ارائه می‌دهد. دامنه و پوشش مدل سازی در کتاب تقریباً تمام مدل های مورد استفاده در عمل و در تحقیقات رایج را در بر می گیرد، از جمله:

• دوگانه مدل‌سازی پاسخ
• مدل‌سازی پاسخ چندگانه
• مدل‌سازی داده‌های فرمت مختلط
• مدل‌سازی چند گروهی همزمان
• کالیبراسیون پارامتر آیتم ثابت
• مدل سازی با رگرسیون پنهان برای شامل متغیر(های) کمکی در سطح فرد
• ساختار ساده یا بین- مورد، مدلسازی چند بعدی
• بارگذاری متقاطع، یا مدلسازی چند بعدی درون موردی
• مدل‌سازی با ابعاد بالا
• مدل‌سازی دو عاملی
• مدل‌سازی آزمایشی< /li>
• مدل سازی دو لایه

برای مبتدیان، این کتاب راهنمای ساده ای برای یادگیری نحوه استفاده از R برای برنامه های IRT. برای زبان آموزان متوسط ​​IRT یا کاربران R، این کتاب به عنوان یک ابزار صرفه جویی در زمان عالی برای یادگیری نحوه ایجاد نحو مناسب، متناسب با مدل های مختلف، ارزیابی مدل ها و تفسیر خروجی با استفاده از بسته های محبوب R IRT عمل می کند.

Item response theory (IRT) is widely used in education and psychology and is expanding its applications to other social science areas, medical research, and business as well. Using R for Item Response Theory Model Applications is a practical guide for students, instructors, practitioners, and applied researchers who want to learn how to properly use R IRT packages to perform IRT model calibrations with their own data.

This book provides practical line-by-line descriptions of how to use R IRT packages for various IRT models. The scope and coverage of the modeling in the book covers almost all models used in practice and in popular research, including:

• dichotomous response modeling
• polytomous response modeling
• mixed format data modeling
• concurrent multiple group modeling
• fixed item parameter calibration
• modelling with latent regression to include person-level covariate(s)
• simple structure, or between-item, multidimensional modeling
• cross-loading, or within-item, multidimensional modeling
• high-dimensional modeling
• bifactor modeling
• testlet modeling
• two-tier modeling

For beginners, this book provides a straightforward guide to learn how to use R for IRT applications. For more intermediate learners of IRT or users of R, this book will serve as a great time-saving tool for learning how to create the proper syntax, fit the various models, evaluate the models, and interpret the output using popular R IRT packages.