Can Large Language Models Develop High-Stakes Physics Exam Items? A Comprehensive Study of Cognitive and Psychometric Efficacy

印为红字的 认知 科学教育 心理学 数学教育 项目分析 考试（生物学） 教育技术 主题专家 质量（理念） 认知心理学 测试有效性 心理测量学 项目反应理论 经典测试理论 可靠性（半导体） 教育测量 多项选择 结构效度 计算机科学 入学 教育评估 召回 检验理论 应用心理学 标准化测试 认知访谈 认知技能 拉什模型 标准参照测验 认知测验 语言评估 成就测验 构造（python库） 替代性评估 操作化 内容有效性 差异项目功能