README.md

In itan: Item Analysis for Multiple Choice Tests

itan

El paquete itan tiene como finalidad ayudar a profesores a corregir, calificar y analizar pruebas objetivas. Para ello, este paquete incluye funciones que permiten calcular el puntaje y calificación obtenido por estudiantes; así como también, funciones para analizar los ítems del test. Entre estas últimas destaca el análisis gráfico de ítems que permite visualizar las características técnicas del ítem y determinar rápidamente su calidad.

Instalación

Para instalar la versión de desarrollo del paquete itan desde GitHub use el siguiente comando:

# install.packages("devtools")
devtools::install_github("arielarmijo/itan")
library(itan)

Ejemplo

El paquete itan incluye dos datos binarios de ejemplo llamados datos y clave. Datos contiene las respuestas de 39 estudiantes a una prueba de 50 ítems y clave contiene las respuestas correctas a cada ítem.

data(datos, clave)
str(datos, list.len=6)
#> 'data.frame':    39 obs. of  51 variables:
#>  $ id : int  200040629 210047876 210047897 210040939 200035827 200039332 200040360 210047865 210046146 210045972 ...
#>  $ i01: chr  "E" "C" "E" "E" ...
#>  $ i02: chr  "D" "D" "D" "D" ...
#>  $ i03: chr  "C" "C" "C" "A" ...
#>  $ i04: chr  "B" "B" "B" "B" ...
#>  $ i05: chr  "A" "C" "A" "A" ...
#>   [list output truncated]
str(clave, list.len=5)
#> 'data.frame':    1 obs. of  50 variables:
#>  $ i01: chr "E"
#>  $ i02: chr "D"
#>  $ i03: chr "C"
#>  $ i04: chr "B"
#>  $ i05: chr "A"
#>   [list output truncated]

Para calcular el puntaje alcanzado en la prueba y su respectiva calificación puede usarse el siguiente script:

respuestas <- datos[,-1]
respuestasCorregidas <- corregirRespuestas(respuestas, clave)
head(respuestasCorregidas)
#>   i01 i02 i03 i04 i05 i06 i07 i08 i09 i10 i11 i12 i13 i14 i15 i16 i17 i18 i19
#> 1   1   1   1   1   1   1   1   0   0   0   0   1   1   1   1   1   1   1   1
#> 2   0   1   1   1   0   0   0   0   0   0   0   0   0   0   0   1   0   1   1
#> 3   1   1   1   1   1   1   0   0   0   1   1   1   0   0   1   1   0   1   1
#> 4   1   1   0   1   1   1   1   1   1   0   0   0   0   0   0   0   0   0   1
#> 5   0   0   0   0   0   0   0   0   1   1   1   1   1   0   0   0   0   0   0
#> 6   1   1   1   0   1   1   1   0   0   1   1   1   0   0   0   1   0   0   0
#>   i20 i21 i22 i23 i24 i25 i26 i27 i28 i29 i30 i31 i32 i33 i34 i35 i36 i37 i38
#> 1   1   1   1   0   0   1   0   1   0   1   0   1   1   1   1   1   1   1   0
#> 2   0   0   0   0   1   0   0   0   0   0   0   1   1   0   0   1   1   0   1
#> 3   0   0   0   0   0   1   1   1   0   1   1   0   1   0   1   1   0   1   0
#> 4   0   1   1   0   1   0   0   0   0   1   0   0   1   1   1   1   0   1   1
#> 5   0   0   0   0   0   0   0   0   1   1   0   1   1   1   1   1   1   1   1
#> 6   0   0   1   0   0   0   1   0   0   1   0   0   1   1   0   1   0   0   0
#>   i39 i40 i41 i42 i43 i44 i45 i46 i47 i48 i49 i50
#> 1   1   1   1   1   0   1   1   0   0   1   1   1
#> 2   1   0   0   0   1   1   1   0   1   0   0   0
#> 3   1   1   1   0   1   1   1   1   0   0   0   1
#> 4   1   1   1   1   1   1   1   0   1   1   1   1
#> 5   1   1   1   0   1   0   0   1   0   0   0   0
#> 6   1   0   0   1   0   0   0   0   0   0   0   1
puntaje <- calcularPuntajes(respuestasCorregidas)
nota <- calcularNotas(puntaje)
head(cbind(id=datos$id, puntaje, nota))
#>          id puntaje nota
#> 1 200040629      37  6.0
#> 2 210047876      17  3.0
#> 3 210047897      30  4.7
#> 4 210040939      30  4.7
#> 5 200035827      20  3.3
#> 6 200039332      19  3.2

Además de calcular el puntaje y calificación, es posible analizar los ítems de la prueba. Para calcular el índice de dificultad y los índices de discriminación de cada ítem se puede ejecutar las siguientes líneas de código:

p <- calcularIndiceDificultad(respuestasCorregidas, proporcion = 0.25)
dc1 <- calcularIndiceDiscriminacion(respuestasCorregidas, tipo = "dc1", proporcion = 0.25)
dc2 <- calcularIndiceDiscriminacion(respuestasCorregidas, tipo = "dc2", proporcion = 0.25)
head(cbind(p, dc1, dc2))
#>        p  dc1  dc2
#> i01 0.75  0.3 0.60
#> i02 0.95 -0.1 0.47
#> i03 0.60  0.0 0.50
#> i04 0.60  0.6 0.75
#> i05 0.55  0.7 0.82
#> i06 0.70  0.2 0.57

Otra manera de analizar la discriminación de un ítem es usando el coeficiente de correlación biserial puntual:

alternativas <- c(LETTERS[1:5], "*")
biserial <- pBis(respuestas, clave, alternativas)
head(biserial)
#>   item     A     B     C     D     E     * KEY
#> 1  i01 -0.23 -0.09 -0.14 -0.03  0.25 -0.17   E
#> 2  i02   NaN -0.10  0.09 -0.10   NaN -0.05   D
#> 3  i03  0.02 -0.15 -0.05 -0.12   NaN  0.10   C
#> 4  i04 -0.34  0.34   NaN -0.13 -0.16 -0.05   B
#> 5  i05  0.55 -0.36 -0.39   NaN -0.12 -0.05   A
#> 6  i06 -0.19  0.01  0.16 -0.17 -0.10 -0.17   C

La frecuencia con que se eligió cada alternativa en cada ítem puede hacerse de forma numérica o gráfica:

fa <- calcularFrecuenciaAlternativas(respuestas, alternativas, clave, frecuencia = FALSE)
head(fa)
#>   item  A  B  C  D  E * NA KEY
#> 1  i01  6  4  4  2 21 2  0   E
#> 2  i02  0  1  4 33  0 1  0   D
#> 3  i03  6  4 26  1  0 2  0   C
#> 4  i04 13 22  0  2  1 1  0   B
#> 5  i05 17  8  6  0  7 1  0   A
#> 6  i06  2  6 25  3  1 2  0   C

gfa <- graficarFrecuenciaAlternativas(respuestas, alternativas, clave)
gfa$i01

El paquete itan también implementa el análisis gráfico de ítems que permite resumir las características técnicas del ítem de manera visual, lo que facilita su análisis:

item <- agi(respuestas, clave, alternativas)
item$i01$plot

Revisar la documentación del paquete para ver más detalles sobre las funciones anteriormente señaladas.

itan documentation built on Feb. 10, 2022, 5:07 p.m.