Один и тот же тест, более высокие показатели: повышение надёжности кратких онлайн-тестов интеллекта для отбора персонала с помощью вложенных логит-моделей теории ответов на задания

Онлайн-оценивание общего умственного потенциала соискателей сопряжено с психометрическими трудностями, поскольку тесты должны быть краткими, но точными. Согласно недавнему исследованию (Myszkowski & Storme, 2018), извлечение информации о дистракторах с помощью вложенных логит-моделей (Nested Logit Models, NLM; Suh & Bolt, 2010) повышает надёжность оценок способностей в тестах на рассуждение матричного типа. В настоящем исследовании этот результат был расширен на иной контекст — онлайн-тестирование интеллекта при отборе персонала — и более крупную выборку (N = 2949 соискателей). Было установлено, что NLM превосходят номинальную модель ответов (Nominal Response Model; Bock, 1970) и обеспечивают значимое повышение надёжности по сравнению с их бинарными логистическими аналогами. В соответствии с предыдущими исследованиями, прирост надёжности был особенно заметен на низких уровнях способностей. Обсуждаются теоретические выводы и практические рекомендации.