Bu çalışmanın amacı, öğrenme eksikliklerinin belirlemek için çoktan seçmeli testlerdeki çeldiricilerden yararlanan MC-DINA modele uygun bilişsel tanı testi geliştirme ve çeldiricilerden yararlanılma durumunun örtük sınıflarda yer alan bireylerin dağılımlarına etkisini DINA model ile karşılaştırmalı olarak incelemektir. Araştırma kapsamında öncelikle 31 maddeden oluşan deneme formunun 404 öğrenciye uygulanmasıyla elde edilen veriler DINA modele göre R Studio programında analiz edilerek RMSEA değeri 0,05’ten küçük ve ayırt edicilik indeksleri en yüksek ilk 15 madde ile nihai form oluşturulmuştur. Nihai formun 827 öğrenciye uygulanmasıyla elde dilen verilerin DINA modele uygunluğu (SRMSR, MADcor, RMSEA, MADQ3 ve MADaQ3 ≤0,05) test edildikten sonra madde parametreleri hesaplanarak, DINA model ve MC-DINA modele göre Q matris ve örtük sınıf büyüklükleri karşılaştırılmıştır. Ardından MC-DINA modele göre her seçeneğin, örtük sınıflara ait seçim olasılık parametreleri hesaplanmıştır. Araştırmanın sonuçlarına göre, MC-DINA model analizlerinde örtük sınıflarda yer alan bireylerin hangi seçeneği seçme olasılığının en yüksek olduğunun belirlenmesi için seçim olasılık parametrelerinin hesaplanması, modelin DINA modele göre üstün özelliklerindedir. Ayrıca MC-DINA model analizlerinde DINA modele göre daha fazla örtük sınıf elde edilmesi sebebiyle MC-DINA modelin DINA modele göre örtük sınıfları daha iyi ayrıştırdığı sonuçlarına ulaşılmıştır.
The purpose of this study is to develop a cognitive diagnostic test in accordance with the MC-DINA model that utilizes distractors in multiple-choice tests to identify learning deficits and to examine the effect of using distractors on the distribution of individuals in implicit classes in comparison with the DINA model. Within the scope of the research, the data obtained by applying the trial form consisting of 31 items to 404 students were analyzed in the R Studio program according to the DINA model, and the final form was created with the first 15 items with RMSEA values less than 0.05 and the highest discrimination indices. After the data obtained by applying the final form to 827 students were tested for compliance with the DINA model (SRMSR, MADcor, RMSEA, MADQ3 and MADaQ3 ≤0.05), item parameters were calculated and Q matrix and latent class sizes were compared according to the DINA model and MC-DINA model. Then, according to the MC-DINA model, selection probability parameters of latent classes for each option were calculated. According to the results of the study, the calculation of choice probability parameters to determine which option is most likely to be chosen by individuals in latent classes in MC-DINA model analyses is superior to the DINA model. In addition, since more latent classes were obtained in MC-DINA model analyses compared to DINA model, it was concluded that MC-DINA model separated latent classes better than DINA model.
