优生之优的拉什(RASCH)模型观察

优生之优的拉什(RASCH)模型观察

昨天开一天会，挣扎万万别睡，就没睡。

收获挺大：

人们谈到高三时期的培优工作，何谓优生？一类孩子一直特别刻苦，又仔细，于是成绩比较好；一类孩子天赋超强，但是可能由于习惯啥啥的影响，成绩不好但又接近着好；还有一类孩子，普通而又朴素，也可能因为什么，成绩不优但也还好。

这三类待培的优生，只观察成绩分数，显然是不充分的。

于是人们提到了成绩和潜力同时观察的想法，这确实是个精准评估的视角：

有些待优的优生，由于潜力小的缘故，可能上升空间已经不大了，但是如果把这一类待优生也作为培优的对象做工作，对学生和老师都是资源浪费。因为学生已经没有多少上升空间，但却投入了大量的资源与力量；此时若在精准评估下转移目标，可能另一个“锚人”可由待优转化为优，但因为已经存在一项低效益的“锚人”占用了资源与力量，而使待优不能转化为实优。

这也不是什么新POINT，例如高考，全部都是基础题得分的600分成绩，与绝大多数难题被解算而丢了基础分产生的600分成绩，绝不可同日而语，但高考它就偏偏定下同一个录取线。这种争议由来已久，是以若干年前曾用标准分录取，然后早早挂了；再以后我知道了国际PISA测试，使用的就是RASCH模型。PISA不是选拔的，不是终结的。

因着这些零碎的想法牵引，记得以前自学Winsteps时顺便看过一个R的package，好象一德国人写的，介绍了单一变量和两变量RASCH估计，早晨GOOGLE了一下，是eRm包，代码还在。一天没闲着，才有些时间，跑了一下代码。

#若未安装，可以去掉注释来安装
# install.packages("eRm")
# install.packages("ltm")
# install.packages("difR")
#调入包
library("eRm")
library("ltm")
library("difR")
#调入verbal示例数据
data(verbal, package = "difR")
dat_1 <- verbal[, 1:24]
#查看RASCH参数估计
res_rm_1 <- RM(dat_1)
summary(res_rm_1)          # Longer summary of item parameters
betas <- coef(res_rm_1)     # Item difficulty parameters
round(sort(betas), 2)
#眼花缭乱，除了个别特异值能看到
#绘图
plotICC(res_rm_1, item.subset = "S2WantShout")
abline(v = -0.18, col = "grey")
abline(h = .5, col = "grey")


熟悉的逻辑思蒂！

这可能是最有价值的“人-潜力-难度”对应图谱：

plotPImap(res_rm_1, cex.gen = .55)


S3DoShout赋分快到3了，难到边际！summary一下，2.87！

eRm太多专业术语，实际我也没搞懂。如果只用单一参数(足够用)，没Winsteps直捷，而且平时的考试题，都没等值处理过，除非自己章前诊断时自己搞。