আমি বুদ্ধিমানভাবে প্রশ্নাবলীর বিকাশ প্রক্রিয়াধীন এবং আমি উদাহরণ হিসাবে স্বেচ্ছাসেবী সংখ্যা ব্যবহার করা হবে। প্রসঙ্গে, আমি উদ্বেগজনিত ব্যাধিজনিত ব্যক্তিদের মধ্যে সাধারণত চিহ্নিত চিন্তার ধরণগুলি মূল্যায়নের লক্ষ্যে একটি মনস্তাত্ত্বিক প্রশ্নাবলীর বিকাশ করছি। একটি আইটেম দেখতে দেখতে " বারবার চুলা পরীক্ষা করা দরকার কারণ আমি নিশ্চিত হতে পারি না যে এটি বন্ধ আছে "।
আমার কাছে 20 টি প্রশ্ন (5-পয়েন্ট লাইকার্ট) রয়েছে যা এক বা দুটি কারণের সমন্বয়ে গঠিত হতে পারে (নোট করুন যে বাস্তবে আমার কাছে 200 টি প্রশ্ন রয়েছে, 10 টি স্কেল নিয়ে গঠিত এবং প্রতিটি স্কেল দুটি কারণ নিয়ে গঠিত হতে পারে)। আমি দুটি কারণের একটিতে 10 টি প্রশ্ন রেখে প্রায় অর্ধেক আইটেম মুছতে রাজি আছি।
আমি অনুসন্ধানী ফ্যাক্টর বিশ্লেষণ (ইএফএ), অভ্যন্তরীণ ধারাবাহিকতা (ক্রোনবাচের আলফা) এবং আইটেম প্রতিক্রিয়া তত্ত্বের আইআরটি বৈশিষ্ট্যযুক্ত বক্ররেখার সাথে পরিচিত। আমি দেখতে পাচ্ছি যে কোনও একক স্কেলের মধ্যে কোন আইটেমগুলি "খারাপ" তা নির্ধারণ করতে আমি কীভাবে এই পদ্ধতিগুলির কোনও একক ব্যবহার করব। আমি প্রশংসা করি যে প্রতিটি পদ্ধতিও বিভিন্ন প্রশ্নের উত্তর দেয়, যদিও এগুলি একই রকমের ফলাফলের দিকে নিয়ে যেতে পারে এবং "প্রশ্ন" সবচেয়ে গুরুত্বপূর্ণ কোনটি তা আমি নিশ্চিত নই।
আমরা শুরু করার আগে, নিশ্চিত হয়ে যাক যে আমি জানি যে আমি এই পদ্ধতিগুলির সাথে পৃথকভাবে কী করছি।
ইএফএ ব্যবহার করে, আমি কারণগুলির সংখ্যা চিহ্নিত করব এবং আইটেমগুলি সরিয়ে ফেলব যা তাদের নিজ নিজ ফ্যাক্টর বা কম ক্রস-লোডকে যথেষ্ট পরিমাণে লোড করে (
অভ্যন্তরীণ ধারাবাহিকতা ব্যবহার করে আমি এমন আইটেমগুলি সরিয়ে ফেলব যাগুলির মধ্যে "আইটেম মোছা থাকলে" আরও খারাপ হবে। আমি আমার স্কেলের একটি ফ্যাক্টর ধরে ধরে এটি করতে পারি, বা কারণগুলির সংখ্যা সনাক্ত করতে এবং পরবর্তী সময়ে প্রতিটি ফ্যাক্টরের জন্য আমার আলফা চালানোর জন্য প্রাথমিক ইএফএ পরে এটি করতে পারি।
আইআরটি ব্যবহার করে, আমি আইটেমগুলি সরিয়ে ফেলব যা তাদের (5 টি লিকার) প্রতিক্রিয়া বিকল্পগুলির সাথে আগ্রহের ফ্যাক্টরটি মূল্যায়ন করে না। আমি আইটেমের বৈশিষ্ট্যযুক্ত কার্ভগুলিতে আইবোলিং করব। আমি মূলত সুপ্ত স্কোর ধরে লিকার্ট স্কেলে সমস্ত বিকল্প 5 থেকে 1 ডিগ্রি কোণে 45 ডিগ্রি কোণে একটি লাইন সন্ধান করব। আমি একটি ফ্যাক্টর ধরে ধরে এটি করতে পারি, বা প্রাথমিক
ইএফএ পরে এটির কারণগুলির সংখ্যা সনাক্ত করতে এবং পরবর্তীকালে প্রতিটি ফ্যাক্টরের জন্য বক্ররেখা চালাতে পারি।
কোন আইটেমটি "সবচেয়ে খারাপ" তা সর্বাধিক চিহ্নিত করার জন্য আমি এই পদ্ধতিগুলির মধ্যে কোনটি ব্যবহার করব তা আমি নিশ্চিত নই। আমি একটি বিস্তৃত অর্থে খারাপ ব্যবহার করি যেমন আইটেমটি নির্ভরযোগ্যতা বা বৈধতার ক্ষেত্রে উভয়ই আমার জন্য সমান গুরুত্বপূর্ণ, পরিমাপের জন্য ক্ষতির কারণ হতে পারে। সম্ভবত আমি সেগুলিকে একযোগে ব্যবহার করতে পারি, তবে কীভাবে তা আমি নিশ্চিত নই।
যদি আমি এখন যা জানি তার সাথে এগিয়ে যেতে এবং আমার সেরা শটটি দিতে আমি নিম্নলিখিতটি করতাম:
- সংখ্যার কারণ চিহ্নিত করতে একটি EFA করুন। তাদের স্বতন্ত্র কারণগুলিতে খারাপ লোডিংয়ের সাথে আইটেমগুলি মুছুন, যেহেতু আমি অন্যান্য আইটেমগুলি কীভাবে তা বিশ্লেষণ না করে খারাপভাবে লোড হওয়া আইটেমগুলি চাই না।
- আইআরটি করুন এবং সেই বিশ্লেষণ দ্বারা বিচারিত খারাপ আইটেমগুলিও সরান, যদি কোনও এএফএ থেকে থাকে remain
- সহজভাবে ক্রোনবাচের আলফা প্রতিবেদন করুন এবং আইটেমগুলি মুছে ফেলার উপায় হিসাবে সেই মেট্রিকটি ব্যবহার করবেন না।
যে কোনও সাধারণ নির্দেশিকা প্রশংসিত হবে!
এখানে নির্দিষ্ট প্রশ্নগুলির একটি তালিকা রয়েছে যা আপনি সম্ভবত উত্তর দিতে পারেন:
ফ্যাক্টর লোডিংয়ের উপর ভিত্তি করে আইটেমগুলি সরিয়ে ফেলা এবং ক্রোনবাচের আলফার উপর ভিত্তি করে আইটেমগুলি সরিয়ে ফেলার (উভয় বিশ্লেষণের জন্য আপনি একই ফ্যাক্টর লেআউটটি ধরে নিচ্ছেন) ধরে নেওয়া মধ্যে ব্যবহারিক পার্থক্য কী?
আমার প্রথমে কোনটি করা উচিত? ধরে নিচ্ছি যে আমি একটি উপাদান দিয়ে EFA এবং IRT করি এবং উভয়ই আলাদা আলাদা আইটেমগুলি সনাক্ত করতে পারে যা অপসারণ করা উচিত, কোন বিশ্লেষণের অগ্রাধিকার থাকা উচিত?
আমি এই সমস্ত বিশ্লেষণ করতে কঠোরভাবে প্রস্তুত নই, যদিও আমি নির্বিশেষে ক্রোনবাচের আলফা রিপোর্ট করব। আমি মনে করি যে কেবল আইআরটি করা কিছু হারিয়ে ফেলবে, এবং ঠিক একইভাবে এএফএর জন্য।