基本流程如下：

1. 开发考试或问卷工具

2. 确定样本，并实施考试或发放问卷

3. 计算和item 有关的统计值，比如试题或者问卷内问题的难度，区分度；以及工具本身信度效度等

4. 计算和考生有关的统计值（得分，总分等）

按照以上这种过程，我们看看会有什么问题，或需要改进的地方？

比如这个问题：“你觉得某某问题有多难？”

1 2 3 4 5

不难 有点难 不会做

这个问题的实施过程，实际就是用数字来表示考生/人的反应，所以顾名思义 项目反应理论 item response theory. 但最关键的是这个评分的尺度如何建立。

如何对考试或问卷，等任何工具测量/衡量人的反应后能做出客观的解释？这是心理测量/Rasch 模型要解决的问题。

在传统的考试设计理论和思维下，CTT Classic Test Theory， 通常的做法是，用一个总分来代表一个人的某项能力。比如你英语考试得了90， 他的了80， 我们会说你的英语比他好。至少在这个考试中的表现，你比他好。我们做出这样判断的依据是总分。

我们再来看看医疗中的例子：

假设两个病人都有肩膀痛的问题：张三男和李四男。

我们给他们关于肩膀痛的问卷，来看看他们的反应如何：

问题 反应 评分

手可以够着耳垂 有一点儿困难 2

拿起一杯水 有些困难 3

拉出桌子底下的椅子坐下 非常困难 4

总分 9

我们在来看李四男的反应

问题 反应 评分

挂重衣服到衣帽钩 有一点儿困难 2

把1加仑水放到头顶的货架上 有些困难 3

手举过头工作2分钟以上 非常困难 4

总分 9

以上两个例子的逻辑是？

张三男和李四男总分都一样9分，但是张三男的问题似乎容易些；

所以，你可能会认为李四男的肩膀功能会好一些，相比张三男。

注意：一样的总分，却表明不同的情况！

这是因为传统的方法忽略了每个问题的难度水平！

而实际情况是单个问题的难度水平依赖于不同的样本！也就是在一套试卷/一套问卷工具内，单个的问题难度依赖于不同的样本。

就是我们常说的，对他难的问题，对我可能很容易。

比如这个问题

在做俯卧撑的时候，我可以用三个手指头撑起身体

组1 儿童

7 / 3 难度值为 3/10=0.3

组2 大学生

2 /8

能力弱 到能力强的人 8/10=0.8

其他问题

1. 样本-考试/考试题依赖

2. 精度（标准误）对所有分数都一样

3. 基于序列尺度来计算总分是不恰当的

4. 不同尺度测量的结果无法比较

5. 更长的测量相应的会增加信度 reliability

考试/考题的依赖程度

百分比的变化

一个12岁女孩在1分钟仰卧起坐测试的得分

80% NCYFS I 测试

75th AAHPER 测试

55th The Chrysler Fund-AAU 测试

选择哪种测量尺度/水平？

序列还是区间

其他方面的考虑

混合的考试形式（真假判断，3阶或5阶混合的莱克特问卷尺度
Likert Scale）会导致总分的构成不平衡，因为不同题目基于不同的权重。

Rasch模型能解决这些问题吗？

作为一种概率模型，或者1参数项目反应理论

项目反应理论在1960年代的两种分支

• Lord, Novick, Birnbaum 美国的情况

• Rasch, Wright 欧洲的情况

项目反应理论在美国各种标准化测试中广泛应用

ACT， 或者计算机自适应考试 CAT.

在组合编制试卷/问卷的时候，它有很多优于传统CTT理论的地方。

Rasch 模型的基本内容

• 处理个人的能力水平和问题不同特点二者之间的相互关系。

• 如果人的能力比问题的难度高，那么这个人正确回答问题的几率就高；

• 如果人的能力比问题的难度低，那么这个人正确回答问题的几率就低；

• 如果人的能力和问题的难度一样，那么这个人正确回答问题的几率就是.50;