Täna on siin ainult märkmed kursusest.
Hästi diskrimineerivad JA õige raskusega küsimused annavad maksimaalse info, seega kogu testi infohulga saab kätte ka hästi valitud üksikute palju-infot-andvate küsimustega.
Prioriks kasutatakse enamasti normaaljaotust, st. alguses võetakse aluseks, et theta on jaotatud normaalselt, seega iga küsimus hakkab seda jaotust nihutama mingis suunas, mitte ei hakka tühjast kohast ehitama. Prior võib ka mingi muu jaotus olla, a'la bimodaal või misiganes. Priori kasutamine tähendab muidugi seda, et tegemist on Bayesian lähenemisega. Maximum likelihoodi puhul priorit ei ole, mis lükkab peale esimese küsimuse õigesti/valesti vastamist ML väärtuse ühte- või teistpidi lõpmatusse, aga no teine küsimus juba tekitab mingi väärtuse, jne.
Järgmise itemi valimiseks on mitu võimalust, aga sisu on selles, et anda küsimus, millest saab kõige rohkem infot. Kõige rohkem infot saab sellise küsimusega, mille raskus (difficulty ehk see koht theta skaalal, kus kurv on kõige järsem ehk diskrimination kõige suurem) on kõige sobivam. Võib valida ka selle põhjal, et näiteks ühte uut itemit on vaja testida parameetrite leidmiseks. Seal on igasugu muid lähenemisi ka võimalik teha, näiteks valides küsimuse, millele kasutaja vastab õigesti 75% tõenäosusega. Sellisel puhul uut infot niipalju juurde ei saa, aga testi täitja on ise pigem rohkem rahul.
Stopping pointi valimiseks on ka hulk võimalusi mängida nende asjadega: standard error, itemite hulk, info hulk / kasvu kiirus, ajalised piirangud, tõenäosuslikud piirangud (näiteks, et olla 95% kindel, et theta on mingist punktist suurem/väiksem).
Võib teha ka "adapting behind", ehk siis kui läheb valesti, siis alles mõne küsimuse pärast keerad raskust üles/alla.
Adaptive learning on ka hea mõte. St. mõte on selles, et adaptiivset lähenemist online-õppes kasutada, vaadates seni õpitud asjade raskust ja valides järgmised ülesanded/teemad selle järgi.
Graded response model võib ka olla, a'la "üldse ei ole nõus" kuni "täiesti nõus". Sellisel puhul on iga valikuga seotud "response function" ja oma theta ja seega ka oma scoring. (polythomous response model vs. dichotomous response model)
CAT on ~50% kiirem kui tavaline test. Kui tegemist on mitmedimensionaalse IRT ja CAT-ga, siis on kiirus 70-80% kiirem. Mitmedimensionaalsuse all mõeldakse siin seda, et iga item mõõdab korraga mitut varjatud omadust (latent trait).