새로운 시험 문항의 심리 측정 특성을 파악하기 위해 현장 테스트가 필요하지만, 이는 '콜드 스타트' 문제를 야기합니다.
본 연구는 텍스트 임베딩을 활용하여 문항 특징 기반 파라미터 예측을 자동화하는 평가 프레임워크를 제안합니다.
수학 문항 은행(EEDI)과 의료 면허 벤치마크(BEA 2024)를 분석한 결과, 문항 난이도는 텍스트로부터 높은 정확도로 예측 가능했지만, 판별력과 추정 횟수는 예측이 어려웠습니다.
단일 train/test 분할은 R 제곱 값을 최대 0.15까지 왜곡할 수 있으므로, 교정 지원 및 벤치마크 구축 시 반복 교차 검증이 필수적입니다.