可视化素养的自适应评估
摘要：可视化素养是准确解读数据以支持重要决策的关键技能。因此，了解该能力的发展并设计有针对性的干预措施以提高它是至关重要的，这要求对个体的可视化素养进行简洁且可重复的评估。然而，目前的评估方法，如可视化素养评估测试（VLAT），由于固定且冗长的格式而耗时较长。为了解决这个限制，我们开发了两个精简的计算机自适应测试（CATs）来评估可视化素养，即 A-VLAT 和 A-CALVI，它们在问题数量上只需要原版本的一半，并测量相同的技能。具体来说，我们（1）运用项目反应理论（IRT）和非心理测量约束来构建评估的自适应版本，（2）通过模拟确定自适应配置，（3）通过定性研究对 A-CALVI 的测试项目组成进行改进，（4）通过四项在线研究展示了两个 CAT 的测试重测信度（ICC：0.98 和 0.98）和相关效度（相关性：0.81 和 0.66）。我们讨论了使用我们的 CATs 的实际建议，以及进一步定制利用自适应评估的全部潜力的机会。所有补充资料都可以在 https://osf.io/a6258/ 上获得。
作者：Yuan Cui, Lily W. Ge, Yiren Ding, Fumeng Yang, Lane Harrison, Matthew Kay
论文ID：2308.14147
分类：Human-Computer Interaction
分类简称：cs.HC
提交时间：2023-08-29