आइटम रिस्पॉन्स थ्योरी (IRT)

इस पृष्ठ पर

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

आइटम रिस्पॉन्स थ्योरी (IRT) — मनोमापीय मॉडलों का एक परिवार जो प्रश्नों पर दिए गए उत्तरों से सुप्त (लैटेंट) योग्यता का अनुमान लगाता है, और इसके लिए शिक्षार्थी की योग्यता तथा प्रत्येक प्रश्न के सही उत्तर देने की संभावना के बीच संबंध को मॉडल करता है। IRT प्रश्न-कठिनाई और विभेदन क्षमता (discrimination) को मॉडल करता है, जिससे मापन की परिशुद्धता और अनुकूली परीक्षण संभव हो पाता है। एआई युग में, IRT एलएलएम से Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction और Aligning LLM-Simulated and Human Examinees for Psychometric Calibration: A Cognitive Diagnostic Profiling Approach में मिलता है: एआई प्रश्न-कठिनाई की भविष्यवाणी और अंशांकन करता है, जिससे संभवतः मापन परिशुद्धता में सुधार होता है और यह अनुकूली अधिगम को बल देता है।

विचार करने योग्य प्रश्न

आइटम रिस्पॉन्स थ्योरी योग्यता और प्रश्न-कठिनाई को उत्तर-पैटर्न से संयुक्त रूप से अनुमानित मानता है, न कि कच्चे परीक्षण अंक को ही माप मानता है। समान संख्या में सही उत्तर देने वाले दो छात्र वास्तव में योग्यता में कैसे भिन्न हो सकते हैं?
IRT आपको शिक्षार्थियों की तुलना एक सामान्य स्केल पर करने और प्रत्येक व्यक्ति के लिए परिशुद्धता का अनुमान लगाने देता है। यह जानना कि किसी प्रश्न की कठिनाई और विभेदन क्षमता क्या है, केवल यह जानने से कहीं अधिक महत्वपूर्ण क्यों हो सकता है कि छात्र ने उसे सही किया या नहीं?
एक अध्ययन ने बहुविकल्पीय परीक्षाओं पर मानव-जनित और एआई-जनित उत्तरों को अलग करने के लिए IRT पर्सन-फिट सांख्यिकीयक का उपयोग किया — जिसमें एआई उत्तरों को 'असामान्य' चिह्नित किया गया। वही मापन-यंत्र जो सीखने का आकलन करता है, शैक्षणिक ईमानदारी की निगरानी कैसे भी कर सकता है?
शोधकर्ता यह सत्यापित करने के लिए IRT का उपयोग करते हैं कि एआई-जनित परीक्षा प्रश्न कठिनाई और विभेदन क्षमता में विशेषज्ञ-लिखित प्रश्नों से मेल खाते हैं। यदि कोई एआई ऐसा प्रश्न लिखता है जो 'दिखने में' अच्छा लगता है, तो फिर भी अनुकूलित IRT पैरामीटरों के विरुद्ध अनुभवजन्य अंशांकन आवश्यक क्यों है?
जैसे-जैसे एआई प्रश्न-कठिनाई की भविष्यवाणी और अंशांकन करता है, यदि किसी मॉडल का कठिनाई-अनुमान वास्तविक छात्र-उत्तर डेटा के विरुद्ध सत्यापित नहीं किया गया तो क्या गलत हो सकता है?
IRT अनुकूली परीक्षण और ज्ञान-ट्रेसिंग से जुड़ता है — आपके उत्तरों का उपयोग यह तय करने में कि आगे क्या पूछना है। प्रत्येक उत्तर से अपनी योग्यता का अनुमान लगाना परीक्षा को केवल लंबा होने के बजाय छोटा और अधिक परिशुद्ध कैसे बनाता है?

भूमिका

IRT योग्यता (θ) और प्रश्न-पैरामीटर (कठिनाई, विभेदन क्षमता, कभी-कभी अनुमान) को उत्तर-पैटर्न से संयुक्त रूप से अनुमानित मानता है, न कि कच्चे अंक को ही माप मानता है। इससे शिक्षार्थियों की तुलना एक सामान्य स्केल पर करना, प्रश्नों का अनुकूली चयन करना, और वैश्विक स्तर के बजाय प्रति-व्यक्ति परिशुद्धता का अनुमान लगाना संभव हो जाता है।

शोध में IRT का रूप

एआई-द्वारा पूर्वानुमानित कठिनाई: एलएलएम आधारित प्रश्न-कठिनाई पूर्वानुमान भाषा मॉडलों का उपयोग प्रश्न-कठिनाई का अनुमान लगाने के लिए करता है, जिसे अनुभवजन्य रूप से अनुकूलित IRT पैरामीटरों के विरुद्ध सत्यापित किया जाना चाहिए।
मनोमापीय अंशांकन: एलएलएम मनोमापीय अंशांकन मॉडल-आधारित आकलन को IRT-आधारित मापन के साथ संरेखित करता है, ताकि एआई-जनित उत्तर मापन के गुणों को संरक्षित रखें।
ज्ञान-ट्रेसिंग और छात्र-मॉडलिंग: IRT ज्ञान अनुरेखण और शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण से घनिष्ठ रूप से संबंधित है — ये वे मॉडल हैं जो समय के साथ शिक्षार्थी के ज्ञान को ट्रैक करते हैं — और दृश्यमान उत्तरों से अदृश्य शिक्षार्थी-अवस्थाओं का अनुमान लगाने के लक्ष्य को साझा करते हैं।
एलएलएम लॉगिट्स से पढ़े जाने वाले IRT मात्राक। Huang et al. (2026) नेक्स्ट-टोकन लॉगिट्स से छात्र योग्यता θ = z^GOOD − z^BAD और ट्यूटर-परिवर्तन कठिनाई d = z^HARD − z^EASY निकालते हैं और उन्हें 1PL राश पूर्वानुमानक में जोड़ते हैं, जिससे संवाद-आधारित ज्ञान-ट्रेसिंग व्याख्या-योग्य बन जाती है (QATD2k पर 64.29% शुद्धता, 65.25 AUC)।
बेज़ियन पदानुक्रमित क्षेत्रीय सत्यापन: एआई-जनित परीक्षाओं का आकलन एक बेज़ियन पदानुक्रमित 2PL IRT मॉडल (प्री-टेस्ट एंकर प्रश्नों के साथ, जो 1,686 छात्रों को एक सामान्य θ स्केल पर रखता है) का उपयोग यह दिखाने के लिए करता है कि एआई-जनित प्रश्न कठिनाई और विभेदन क्षमता में विशेषज्ञ-लिखित मानकीकृत परीक्षा प्रश्नों से मेल खाते हैं — यह स्वचालित प्रश्न निर्माण के लिए सत्यापन की रीढ़ के रूप में IRT का बड़े पैमाने का प्रदर्शन है।
परीक्षण सूचना परिशुद्धता को स्थानीय बनाती है। एक 20-प्रश्न वाली GenAI-साक्षरता परीक्षा, जिसे 2PL मॉडल से सत्यापित किया गया (RMSEA = 0.03, CFI = 0.97), की सूचना फलन θ = −0.8 पर चरम पर थी, जिससे वह कम से मध्यम साक्षरता वाले शिक्षार्थियों के लिए सबसे अधिक परिशुद्ध बनी, न कि पूरे स्केल पर समान रूप से (Jin et al. (2025))।
मानव और GenAI उत्तरों को पर्सन-फिट सांख्यिकीयक से अलग करना: Strugatski and Alexandron (2026) बहुविकल्पीय आकलनों पर मानव और जनरेटिव-AI उत्तरों को अलग करने के लिए IRT के भीतर पर्सन-फिट सांख्यिकीयक (PFS) लागू करते हैं। PFS दो वास्तविक संदर्भों में (एक रसायन विज्ञान परीक्षा और एक राष्ट्रीय परीक्षा) GenAI उत्तरों को 'असामान्य' उत्तरदाता के रूप में चिह्नित करता है, दिखाता है कि विभिन्न चैटबॉट विशिष्ट उत्तर-पैटर्न उत्पन्न करते हैं ('बुद्धियों' का एक विषम समूह), और प्रकट करता है कि नए GenAI संस्करण अधिक मानव-जैसे होते जाते हैं — जिससे IRT उच्च-दांव परीक्षण में ईमानदारी जाँच के लिए एक मजबूत ढांचे के रूप में स्थापित होता है।
एक एलएलएम के लिए वही प्रश्न वही सुप्त निर्माण न माप हों। Strugatski, Zeinfeld and Alexandron (2026) ने दो उपकरणों पर अन्वेषणात्मक कारक विश्लेषण और संगति-मिलान का उपयोग करके मानव और एलएलएम कारक-संरचनाओं की तुलना की; एलएलएम–मानव समानता विश्वसनीय रूप से मानव–मानव आधाररेखा से नीचे रही, इसलिए मानवों पर अनुकूलित IRT पैरामीटर स्वतः स्थानांतरित नहीं होते।
राश IRT पैरामीटरों के विरुद्ध एलएलएम कठिनाई-अनुमान: Razavi and Powers (2026) मूल्यांकन करते हैं कि क्या GPT-4o K-5 गणित और पठन आकलन प्रश्नों (N = 5170) की कठिनाई का अनुमान लगा सकता है, जिन्हें राश IRT मॉडल के तहत अंशांकित किया गया था। एक शून्य-शॉट प्रत्यक्ष अनुमान दृष्टिकोण वास्तविक राश कठिनाइयों के साथ मध्यम से मजबूत सहसंबंध दिखाता था (r = 0.83 गणित, r = 0.81 पठन) लेकिन कक्षाओं में असमान था और अक्सर कक्षा K और 1 के लिए कक्षा-माध्य डमी रिग्रेसर से बेहतर नहीं था, जो संभवतः निचली कक्षाओं की प्रश्न-कठिनाइयों में श्रेणी-प्रतिबंध के कारण था। एक फीचर-आधारित रणनीति — एलएलएम-निकाले गए संज्ञानात्मक और भाषाई फीचर जिन्हें ट्री-आधारित मॉडलों में खिलाया गया — प्रत्यक्ष अनुमान से बेहतर रही (सहसंबंध r = 0.87 तक), जिसमें कक्षा-स्तर और शब्द-संख्या शीर्ष पूर्वानुमानक थे। अध्ययन रेखांकित करता है कि एलएलएम कठिनाई-अनुमानों को अनुभवजन्य रूप से अनुकूलित IRT पैरामीटरों के विरुद्ध सत्यापित किया जाना चाहिए, और संरचित फीचर निष्कर्षण उस स्थान पर पूर्वानुमान को तेज़ कर सकता है जहाँ समग्र शून्य-शॉट निर्णय कम पड़ता है।
कठिनाई की भविष्यवाणी करने के बजाय उसकी व्याख्या करना। Cui et al. (2026) ने GSM8K (1,319 प्रश्न), BBH-structured (1,396) और WinoGrande (1,267) के एलएलएम उत्तर-अभिलेखों पर 1PL राश मॉडल अनुकूलित किया, जिसमें GSM8K और WinoGrande के लिए 5,000 मॉडल और BBH-structured के लिए 3,811 मॉडल थे। फिर वे एक एलएलएम को यह प्रस्तावित करने के लिए संकेत देते हैं कि एक प्रश्न दूसरे से कठिन क्यों है, और उन्हें अलग रखे गए प्रश्नों पर L1-नियमित रिग्रेशन से चुनते हैं। अदृश्य प्रश्नों पर अकेले उपयोग किए जाने पर चयनित परिकल्पनाएँ GSM8K पर R² = 0.373, BBH-structured पर 0.580 और WinoGrande पर 0.090 तक पहुँचती हैं, जो GSM8K और WinoGrande पर तुलनीय विधियों में सर्वश्रेष्ठ और BBH-structured पर दूसरा सर्वश्रेष्ठ है, जहाँ एक सूक्ष्म-अनुकूलित RoBERTa-base 0.646 तक पहुँचता है। अतिरिक्त फीचर के रूप में वे GSM8K पर RoBERTa-base में +0.11 (0.362 से 0.468) और दो फ्रोज़न एम्बेडिंग मॉडलों में +0.19 और +0.18 जोड़ते हैं। एक कारणिक जाँच प्रति डेटासेट 50 परीक्षण प्रश्नों को किसी परिकल्पना की ओर या उससे दूर संपादित करती है: कठिनाई-बढ़ाने वाले संपादन GSM8K और BBH-structured पर औसत शुद्धता को क्रमशः 15.27 और 23.88 प्रतिशत-अंक घटाते हैं, जबकि कठिनाई-घटाने वाले संपादन उसे 32.18 और 28.52 बढ़ाते हैं। यहाँ कठिनाई मॉडल उत्तरों से अनुमानित है, मानव परीक्षार्थियों से नहीं, इसलिए यह एक एलएलएम-मूल्यांकन और मनोमापीय परिणाम है।
प्रतिक्रियाकर्ताओं का अनुकरण वह पुनः प्राप्त कर सकता है जो प्रेरक पर रिग्रेशन नहीं कर पाता: एक सूक्ष्म-अनुकूलित बहुमाध्यमी एलएलएम जो योग्यता-स्तरों पर छात्रों के विकल्प-चयन संभावनाओं को पुनरुत्पादित करता है, उसने अलग रखी गई कठिनाई को r = 0.85 पर सन्निकटित किया, जो MathBERT (0.68) और MetaMath (0.75) रिग्रेशन आधाररेखाओं से ऊपर है, और अनुमान-पैरामीटर c को 0.48 पर पुनः प्राप्त किया जबकि विभेदन क्षमता a कमज़ोर रही (0.31) (Ormerod & Kim, 2026)।
IRT पैरामीटरों के लिए तैनाती-पूर्व स्क्रीन के रूप में प्रश्न-लेखन दोष: Schmucker and Moore (2026) जाँचते हैं कि क्या आइटम-राइटिंग-फ्लो (IWF) रूब्रिक — एक डोमेन-सामान्य, पाठ्य मूल्यांकन जिसमें कोई छात्र-डेटा आवश्यक नहीं — अनुभवजन्य रूप से अनुमानित IRT कठिनाई और विभेदन क्षमता की भविष्यवाणी करते हैं। STEM (भौतिक विज्ञान, गणित, जीवन/पृथ्वी विज्ञान) में 7,126 बहुविकल्पीय प्रश्नों पर, उन्होंने स्वचालित, एलएलएम-सहायित कोडिंग का उपयोग यह दिखाने के लिए किया कि IWF रूब्रिक अनुभवजन्य IRT पैरामीटरों के लिए पूर्वानुमानिक वैधता रखते हैं, और यह एक स्केलेबल तैनाती-पूर्व स्क्रीन प्रदान करते हैं जो संसाधन-गहन पायलट परीक्षण का पूरक या आंशिक विकल्प है।
चयनात्मक एआई ग्रेडिंग के लिए IRT-आधारित जोखिम फ़िल्टरिंग: Cvengros & Kortemeyer ने एआई-ग्रेडेड हस्तलिखित रसायन-डेटा पर एक दो-पैरामीटर लॉजिस्टिक IRT मॉडल अनुकूलित किया और किसी एआई निर्णय को स्वीकार करने के "जोखिम" को एआई के सामान्यीकृत अंक और ऋण की IRT-अपेक्षित संभावना के बीच निरपेक्ष विचलन के रूप में परिभाषित किया (Risk = |s−p|); इस बेज़ियन अपेक्षा के चुने हुए सहनशीलता के भीतर केवल उन प्रश्नों को स्वीकार करना "आश्चर्यजनक" एआई अंकों को मानव समीक्षा के लिए चिह्नित करता है, जिससे IRT एक शुद्ध अंक-समुच्चय उपकरण से स्वचालित मूल्यांकन के लिए एक परिचालन स्वीकृति/स्थगन तंत्र में बदल जाता है — ऐसा तंत्र जिसने सरल आंशिक-ऋण सीमाओं के समान मानव ग्रेडिंग के साथ संरेखण प्राप्त किया, लेकिन कम मानव कार्यभार के साथ, हालाँकि इसका तर्क गैर-तकनीकी दर्शकों के लिए कम पारदर्शी है।
नैदानिक मॉडल के भीतर एक अंशांकन परत के रूप में IRT: PLCD व्यायाम-स्तर के उत्तरों पर एक IRT-प्रेरित अनुमान-और-फिसलन हेड जोड़ता है, जो शुद्धता के बजाय संभावना की गुणवत्ता में सुधार करता है — अपेक्षित अंशांकन त्रुटि XES3G5M पर 0.071 से 0.037 तक गिरी — जिससे IRT केवल एक स्कोरिंग मॉडल नहीं, बल्कि उत्तर-शोर का आंतरिक संशोधन बन जाता है (Liu et al. (2026))।
निरंतर विकसित होती बैंकों के लिए विभाजन-और-जीत अंशांकन: Jewsbury et al. (2026) IRT पुनः-अंशांकन को अनुकूलन की समस्या के बजाय एक स्केलिंग समस्या मानते हैं। जब एआई-आधारित प्रश्न-निर्माण और फीचर-आधारित पैरामीटर पूर्वानुमान एक बैंक को बड़ी, विरल और निरंतर अद्यतित बनाते हैं, तो हर अद्यतन पर पूरे उत्तर-इतिहास को फिर से अनुकूलित करना लगातार अधिक महँगा होता जाता है; उनका सहमति अंशांकन इसके बजाय प्रत्येक समय-अवधि को एक बार अंशांकित करता है और एक नई अवधि को पहले से परिकलित पिछले पोस्टीरियर के साथ जोड़ता है। दो विशेषताएँ इसे मौजूदा IRT विभाजन-और-जीत कार्य से अलग करती हैं: अवधियाँ एक सुप्त मेट्रिक साझा नहीं करतीं, इसलिए प्रत्येक को एक मजबूत Haebara कसौटी द्वारा संदर्भ मेट्रिक से जोड़ा जाता है जो प्रत्येक पोस्टीरियर ड्रॉ के लिए अलग से हल की जाती है (जिससे लिंकिंग त्रुटि जुड़े हुए पोस्टीरियर में जाती है), और प्रत्येक अवधि अपना पदानुक्रमित अनुकूलन है जो एक अनुमानित पूर्व योगदान देता है, इसलिए पोस्टीरियरों के सरल गुणनफल से वह पूर्व बाहर किया जाना चाहिए और एक सहमति पूर्व पुनः स्थापित किया जाना चाहिए — जो पूर्व निर्धारित होने पर बेज़ियन समिति मशीन नियम तक संकुचित हो जाता है। डुओलिंगो इंग्लिश टेस्ट की चार त्रैमासिक अवधियों पर एक संयुक्त बेंचमार्क के विरुद्ध, पोस्टीरियर माध्य r = .998 (कठिनाई) और .991 (लॉग-विभेदन) पर सहमत हुए, पोस्टीरियर SDs r = .970 और .920 पर, जिससे हल्का कम-विसरण बचा (SD अनुपात 0.91–0.98) जो प्रति-अवधि एक्सपोज़र के सबसे निचले तृतीयांश में सबसे बड़ा था। यह एआई-जनित प्रश्न बैंकों के जनित वितरण परिस्थितियों के लिए पुनः-इंजीनियर किया गया IRT अंशांकन है।
IRT उपकरण सत्यापन को कितनी कभी लंगर देता है: शिक्षक एआई साक्षरता उपकरणों के एक मूल्यांकन में IRT की अनुपस्थिति की मात्रा नापी गई है, न कि उसके उपयोग की। Zainal, Mohd Matore and Maat (2026) ने COSMIN और Terwee et al. (2007) से अनुकूलित एक निर्णय मैट्रिक्स के विरुद्ध 33 उपकरणों को ग्रेड किया; संरचनात्मक वैधता मजबूत थी, जिसमें CFA, PLS-SEM या IRT मॉडलिंग के माध्यम से 24 (72.7%) ग्रेड A पर थे, फिर भी किसी ने भी IRT या राश को अपने प्राथमिक प्रमाण के रूप में उपयोग नहीं किया, और केवल पाँच उपकरणों (15.2%) ने मापन अपरिवर्तनशीलता या विभेदक प्रश्न कार्यप्रभाव (DIF) प्रमाण रिपोर्ट किया। लेखक स्व-आकलन के साथ-साथ IRT और प्रदर्शन कार्यों की वकालत करते हैं, ताकि सत्यापित क्षमता को रिपोर्ट किए गए आत्मविश्वास से अलग किया जा सके।
साहचर्य IRT का एक कारणिक विकल्प। Mangili et al. (2026) तर्क देते हैं कि IRT और बेज़ियन-नेटवर्क शिक्षार्थी मॉडल हस्तक्षेप या प्रतिव्यक्तियों को व्यक्त नहीं कर सकते, और इसके बजाय विशेषज्ञों से संरचनात्मक समीकरण प्राप्त करते हैं; एक 109-छात्र अनुकूली-परीक्षण बैटरी पर प्राप्त मॉडल थोड़ा कम पूर्वानुमानिक था (−287 बनाम −277 परीक्षण लॉग-लाइकलीहुड) फिर भी सहायता के बारे में प्रतिव्यक्ति पूछताछ का समर्थन करता था।

संबंध

IRT शैक्षणिक मापन और मूल्यांकन की वैधता का आधार है, अनुकूली अधिगम (अनुकूली प्रश्न चयन) और शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण को सहारा देता है, और मनोमापन-सचेत एआई (मापन सिद्धांत के साथ संरेखित एआई आकलन) और ज्ञान अनुरेखण से जुड़ता है। यह प्रोग्रामिंग आकलन के लिए एलएलएम कठिनाई अंशांकन में उपस्थित है।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें	ज्ञान अनुरेखण, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
मूल्यांकन और मापन	मूल्यांकन की वैधता, शैक्षणिक मापन, मनोमापन-सचेत एआई

Source History Edit Chat

आइटम रिस्पॉन्स थ्योरी (IRT)

विचार करने योग्य प्रश्न

भूमिका

शोध में IRT का रूप

संबंध

संबंधित अवधारणाएँ

संबंधित लेख

मेटाडेटा

इस पृष्ठ को एम्बेड करें