ارزیابی سوالات آزمون چهارگزینه ای درس آمار زیستی نظری داروسازی با به کار گیری مدل لجیت چند جمله ای کلاس پنهان در تحلیل حساسیت گروه بندی دانشجویان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار آمار زیستی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

2 دانشیار آمار زیستی، گروه اپیدمیولوژی و آمارزیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران

10.22038/nnj.2025.84982.1469

چکیده

مقدمه و هدف: مطالعات مختلف اعتبار و قابلیت اعتماد سؤالات آزمون را ارزیابی کرده‌اند و نشان داده‌اند که استفاده از سؤالات با سطوح دشواری مختلف کیفیت ارزیابی را بهبود می‌بخشد. هدف مطالعه حاضر ارزیابی سوالات آزمون چهارگزینه ای درس آمار زیستی نظری داروسازی با به کار گیری مدل کلاس پنهان در تحلیل حساسیت گروه بندی دانشجویان می باشد.
مواد و روش‏ها: در این مطالعه توصیفی- تحلیلی نتایج آزمون ۱۰۱ دانشجوی داروسازی که درس آمارزیستی را طی سال تحصیلی 1403-1402 گذرانده بودند، تحلیل شد. آزمون پایان ترم شامل ۳۰ سؤال چهار گزینه‌ای، متناسب با سرفصل درس آمار زیستی نظری طراحی شده بود. دانشجویان براساس نمره نهایی درس گروه‌بندی شدند. ضرایب دشواری و تمیز برای  سؤالات محاسبه شد. مدل لجیت چند جمله ای کلاس پنهان برای داده‌کاوی آموزشی و تحلیل حساسیت گروه بندی دانشجویان  استفاده شد.
یافته ‏ها: گروه بندی دانشجویان بر اساس چارک‌های نمره آزمون پایان ترم انجام شد و سپس مدل کلاس پنهان بر اساس سوالات آزمون و معدل دانشجویان برازش داده شد که توافق کامل بین گروه بندی بر اساس چارکها و نتایج مدل کلاس پنهان مشاهده شد. ضریب تمیز ۱۵ سوال  از ۳۰ سوال متوسط به بالا بود اما ضریب دشواری ۱۹ سوال بیشتر از ۰/۸ بود که نشان دهنده آسان بودن این سوالات برای دانشجویان داروسازی می باشد. ۰/۰۵ =α برای آزمونها در نظر گرفته شد.
نتیجه‏ گیری: ارزیابی و بازنگری مستمر سؤالات آزمون می‌تواند موجب ارتقا آزمون‌ها، استراتژی‌های تدریس و در نتیجه یادگیری فراگیران در درس آمار زیستی گردد.

کلیدواژه‌ها


[1] Marriott, J. V., Styles, K., & McInnes, M. D. Teaching statistics to pharmacy students: Challenges and strategies. Currents in Pharmacy Teaching and Learning. 2014; 6(1), 109-114.
[2] McLaughlin, J. E., Khanova, J., Scolaro, K., Rodgers, P. T., & Mumper, R. J. Impact of a flipped classroom in a large enrollment pharmacotherapy course. American Journal of Pharmaceutical Education. 2018; 82(2), 6312.
[3]  Jiroutek, M. R., Kim, M., Hayat, M. J., Taylor, M. N., & Schwartz, T. A. A cross-sectional assessment of statistical knowledge among pharmacy faculty. Currents in Pharmacy Teaching and Learning. 2019; 11(8), 793-801.‏
[4] Ferrill, M. J., Norton L. L., & Blalock, S. J. Determining the Statistical Knowledge of Pharmacy Practitioners: A Survey and Review of the Literature. American Journal of Pharmaceutical Education.1999; Vol. 63.
[5] Diehl, M. J., Erickson, A. K., & Kirkpatrick, A. E. Comparison of Test-Question Formats and Their Influence on Biostatistics Learning Outcomes in a Doctor of Pharmacy Curriculum. American Journal of Pharmaceutical Education. 2019; 83(5), 6799.
[6] Thoma, B., Chan, T., Paterson, Q. S., Milne, W. K., Sanders, J. L., & Lin, M. The "Evidence" on Evidence-Based Medicine in the Era of Social Media. Annals of Emergency Medicine. 2021; 77(3), 388-394.
[7] Slominski, T., Odeleye, O. O., Wainman, J. W., Walsh, L. L., Nylund-Gibson, K., & Ing, M. Calling for Equity-focused Quantitative Methodology in Discipline-based Education Research: An Introduction to Latent Class Analysis. CBE—Life Sciences Education. 2024; 23(4), es11.‏
[8] Qadir, R., Meghji, A. F., Oad, U., & Kumari, V. Exploring Learning Patterns: A Review of Clustering in Data-Driven Pedagogy.‏ International Journal of Innovations in Science & Technology. 2023; 5 (4), 831-846.
[9] Du, X., Yang, J., Hung, J. L., & Shelton, B. Educational data mining: a systematic review of research and emerging trends. Information Discovery and Delivery. 2020; 48(4), 225-236.‏
[10] Budiman, E., Haviluddin, Kridalaksana, A. H., Wati, M., & Purnawansyah. Performance of decision tree C4. 5 algorithm in student academic evaluation. In Computational Science and Technology: 4th ICCST 2017, Kuala Lumpur, Malaysia, 29–30 November, 2017; (pp. 380-389).
[11] Xu, B. Clustering educational digital library usage data: Comparisons of latent class analysis and K-Means algorithms. Utah State University.‏2011
[12] Greene, W. H., & Hensher, D. A. A latent class model for discrete choice analysis: contrasts with mixed logit. Transportation Research Part B: Methodological. 2003; 37(8), 681-698.‏
[13] Agresti, A. Categorical Data Analysis, 3rd edition. John Wiley & Sons. 2013
[14] Agresti, A. An Introduction to Categorical Data Analysis, 3rd edition. John Wiley & Sons.2019
[15]  Seyf, A. Educational measurement, assessment and evaluation. Tehran; Doran. 2016