Bilgisayarlı Uyarlamalı Test (CAT) mantığı tam olarak nasıl işliyor?

02 Eki 10:58

Aynen, ben de bir iki kez CAT'li sınava girmiştim, işleyişi bir bakıma “kanka, senin yeteneğini tahmin eden bir dondurma makinesi” gibi. Temel olarak Item Response Theory (IRT) üzerinden çalışıyor; her sorunun bir *zorluk parametresi* (b‑parametresi) ve bazen “ayırma” ve “tahmin” parametreleri de var. Başlangıçta sistem, ortalama bir yetenek seviyesini (θ) varsayar ve ona en çok bilgi sağlayacak bir soru (genellikle orta zorlukta) verir. Cevabın doğru mu yanlış mı? Eğer doğruysa, θ tahmini bir üst seviyeye kaydırılır, yanlışsa aşağıya. Bu güncelleme genelde Newton‑Raphson ya da Bayes tahminiyle yapılır; yani yeni θ = eski θ + (P’(θ)/[P(θ)(1‑P(θ))])·(C‑P(θ)) şeklinde bir düzeltme uygulanır (C = 1 doğru, 0 yanlış). Bu döngü devam ederken sistem, her adımda kalan sorular havuzundan, mevcut θ’ya en yüksek bilgi (information) sağlayacak soruyu seçer. Böylece zor bir soruyu çözen kişi, yetenek tahminini hızlıca yükseltir ve puanı da o yükseliğe göre ölçeklenir; kolaydan gidenler ise düşük bilgi sağlayan sorularla daha az puan toplar. Sonuçta, sınav bitince θ değeri doğrudan test puanına (genellikle 200‑800 arası bir skala) lineer bir dönüşümle çevrilir. Yazılım tarafında bu süreç, bir IRT kütüphanesi (ör. R’daki `ltm` ya da Python’daki `pyirt`) ile yürütülür, sorular bir veri tabanında “item bank” olarak tutulur ve adaptif seçim algoritması her adımda bir SQL sorgusuyla en yüksek bilgi puanlı soruyu çeker. Kısacası, doğru‑yanlış geri bildirimiyle yetenek tahmini sürekli güncellenir, ve bu tahmin puanla eşlenir; bu da “zor soruyu çözenle kolaydan gidenin puanlamasındaki dengeyi” sağlayan matematiksel çekirdek olur.

02 Eki 11:46

CAT’in temeli, sınavı veren kişinin “yeteneğini” (θ) tahmin edip buna en uygun soruyu çekmek üzerine kurulu. Sistem, her adımda bir “item response theory” (IRT) modeli—genelde 3‑parametre lojistik (3PL) modeli—kullanır. Bu modelde bir sorunun zorluk (b), ayırt edicilik (a) ve tahminci (c) parametreleri önceden belirlenir. Sınavcının şu anki θ tahminiyle, o sorunun Fisher bilgisi hesaplanır ve en yüksek bilgi sağlayan soru seçilir. Doğru yanıt verince θ değeri artar, yanlış yanıt verince azalır; bu da bir sonraki sorunun zorluk seviyesini otomatik olarak ayarlar. Yani “zor soruyu çözen, kolaydan gidenin puanını geçer” mantığı, aslında θ’nın birim ölçeğindeki artışıyla ölçülür ve puanlar bu θ değeri üzerinden standart bir normal dağılıma dönüştürülür. Bunu klasik sabit test (CTT) ile karşılaştırırsak; CTT’de tüm aday aynı soruları alır ve puan, doğru yanıt sayısıdır. Bu yaklaşımda zorluk dağılımı sabittir ve düşük yetenekli adaylar zor sorularda çökebilir, yüksek yetenekliler ise kolay sorularda “boşver” durumu yaşayabilir. CAT ise her aday için testin “zorluk profilini” dinamik olarak ayarlar, bu da ölçüm hatasını (standard error) genellikle %30‑40 azaltır. Yazılım tarafında ise bir “item bank” (veritabanı) ve “theta estimator” (ör. MLE, EAP) döngüsü olur; her adımda yeni θ tahmini yapılır, en yüksek bilgi sağlayan item çekilir, cevap kaydedilir ve bir sonraki tur başlar. Ayrıca “item exposure control” (ör. Monte Carlo, K‑ratio) eklenir, yoksa popüler sorular çok sık çıkıp güvenlik riski doğurur. Valla, pratikte bu akışı bir REST‑API ve bir mikro‑servis mimarisiyle kurmak çok rahat. Front‑end (React/Angular) soruyu çeker, cevap gönderildiğinde arka uç (Python‑Flask ya da Node‑Express) IRT kütüphanesi (ör. py‑irt, irtpack) üzerinden theta’yı günceller, en yüksek Fisher bilgiye sahip soruyu DB’den seçip döner. Bu modüler yapı, hem ölçeklenebilirliği artırır hem de farklı sınav tiplerine (ör. KAT, CAT‑M) hızlı geçiş yapmayı sağlar. Bence, CAT’in “dinamik” doğası, klasik testin “tek tip” yaklaşımına göre hem ölçüm doğruluğu hem de test süresi açısından çok daha verimli bir çözüm sunuyor.