V oblasti predikce obtížnosti na základě textového zadání se podle naší rešerše zatím neustavila žádná formální teorie. Přístupy jsou naopak spíše ateoretické – výzkumníci z textu extrahují řadu různých charakteristik, které obtížnost mohou ovlivňovat, ale jejich výběr a váhu plně ponechávají na daném statistickém modelu, algoritmu strojového učení nebo neuronové síti (AlKhuzaey et al., 2023). K využití jakéhokoliv modelu je však vždy zapotřebí znát „skutečnou” obtížnost položek a za tímto účelem se nejčastěji sahá k psychometrickým teoriím, mezi něž patří klasická testová teorie nebo modernější teorie odpovědi na položku. V naší práci vyjdeme z druhého paradigmatu, který modeluje vztah mezi přímo nepozorovatelnými znalostmi nebo dovednostmi a odpověďmi na jednotlivé položky; konkrétně se zaměříme na tzv. nominální modely, jež umožňují plné využití informací z odpovědí na multiple-choice položky (Levine & Drasgow, 1983).
AlKhuzaey, S., Grasso, F., Payne, T. R., & Tamma, V. (2023). Text-based question difficulty prediction: A systematic review of automatic approaches. International Journal of Artificial Intelligence in Education, 34, 862–914. https://doi.org/10.1007/s40593-023-00362-1
Levine, M. V., & Drasgow, F. (1983). The relation between incorrect option choice and estimated ability. Educational and Psychological Measurement, 43, 675–685. https://doi.org/10.1177/001316448304300301