我使用了一个具有全国代表性的数据集，包含数千项指标，我使用数据简化技术来识别少数几个最能预测大学准备情况的变量，并了解它们衡量的是什么。

当前的研究概述了一个测量项目级别努力的一般过程，该过程可以应用于一组扩展的项目类型和应试行为(如省略或构造的响应)。这个过程，用来自大规模评估程序的数据来说明，应该提高我们检测不费力的考试和执行个人分数验证的能力。

本研究检测了响应时间的分析在理解未激动的考试者的行为方面的效用。对于来自自适应成就测试的数据，将观察到的快速猜测行为和项目响应精度的模式与预期的若干类型模型的行为进行了比较，这些模型已经提出以代表未激励的测试采取行为。

当测量的目的是为了推断一个学生的成就水平时，我们能够相信学生的考试分数准确地反映了这个学生知道什么和能做什么是很重要的。这种信任需要假设学生的测试事件不会受到与建构无关的因素的过度影响，这些因素可能会扭曲他的分数。本文探讨这样一个就会诱发factor-test-taking特别人系统的负偏压测试成绩。

越来越多的基于计算机的考试带来了一种能力，它可以定期捕捉考生花在单个考试项目上的时间。这反过来又导致人们对反应时间在衡量智力和成就方面的潜在应用越来越感兴趣。Goldhammer(本期)对这一领域的许多研究提供了非常有用的概述，并对速度能力权衡及其对测量的影响进行了深思熟虑的分析。

本文综合分析了计算机自适应测试(CATs)的动机益处，并证明它们在识别考生表现出低努力程度的实例和有效解决无动机考生构成的效度威胁方面，比传统测试具有重要的优势。