نظرية الاختبار الكلاسيكية CTT: الدرجة الحقيقية والخطأ والثبات

نظرية الاختبار الكلاسيكية Classical Test Theory أو CTT هي إطار أساسي لفهم ما تعنيه الدرجة التي نراها في اختبار أو مقياس، وما مقدار عدم اليقين الذي يحيط بها. الفكرة المركزية بسيطة في ظاهرها: الدرجة المشاهدة ليست حقيقة نقية، بل حصيلة جزء مستقر نريد تفسيره وجزء من خطأ القياس المرتبط بشروط التطبيق والعينة والأداة. قيمة CTT ليست في معادلة واحدة، بل في إجبارنا على السؤال: ما نوع التكرار الذي نريد أن تبقى الدرجة متسقة عبره؟ وهل معامل الثبات الذي حسبناه يطابق الاستخدام الفعلي للدرجة؟ هذا الدليل يبني نموذجًا عمليًا من تعريف الدرجة الحقيقية والخطأ إلى الثبات وSEM وطول الاختبار وتفسير التغير، ثم يوضح متى تكون CTT كافية ومتى نحتاج نظرية التعميم أو IRT.

ما هي نظرية الاختبار الكلاسيكية؟

في الصياغة الكلاسيكية تمثل الدرجة المشاهدة X مجموع الدرجة الحقيقية T وخطأ القياس E، أي X = T + E. «الدرجة الحقيقية» هنا لا تعني الدرجة الصحيحة أخلاقيًا أو موضوعيًا، ولا تعني معرفة حقيقة خفية بلا خطأ. إنها قيمة نظرية تُعرّف بوصفها متوسط الدرجات المتوقع للشخص عبر عدد كبير جدًا من التكرارات المتكافئة لشروط القياس المحددة. إذا تغير تعريف التكرار أو شروطه تغير ما نعده خطأ وما نعده جزءًا من الدرجة الحقيقية. لذلك لا توجد درجة حقيقية منفصلة عن تصميم القياس الذي يحدد ما الذي يُفترض أن يتكرر وما الذي يُسمح له أن يتغير.

يُعرّف خطأ القياس بأنه الفرق بين الدرجة المشاهدة والدرجة الحقيقية في تكرار بعينه. عبر عالم التكرارات المفترض يكون متوسط الخطأ صفرًا بالتعريف، لكن ذلك لا يعني أن كل خطأ صغير، ولا أن الأخطاء في البيانات الواقعية موزعة طبيعيًا، ولا أن الخطأ متساوي عند جميع مستويات القدرة أو السمة. أظهرت أعمال مبكرة في القياس أن بعض افتراضات تبسيط توزيع الخطأ قد لا تتحقق بالتساوي لدى جميع الأفراد. لهذا يجب الفصل بين هوية CTT الجبرية الأساسية وبين افتراضات إضافية نحتاجها لتقدير معاملات أو فواصل ثقة أو استنتاجات معينة.

الدرجة الحقيقية والخطأ: ماذا يدخل في كل منهما؟

التكرار هو قلب التعريف

قبل حساب الثبات يجب وصف «التكرار» المقصود. إذا كان الاختبار سيعاد في يوم آخر، فقد يكون اختلاف اليوم جزءًا من الخطأ. إذا كانت هناك صور متكافئة، فقد يكون اختلاف الصورة مصدر خطأ. إذا كان المصححون متعددين، فقد يكون اختلاف المصحح جزءًا من الخطأ. أما إذا كان الاستخدام يقبل اختلافًا معينًا بوصفه جزءًا من الأداء المقصود، فقد لا نريد معاملته بالطريقة نفسها. هذا المنطق يجعل الثبات خاصية للدرجات في سياق استخدام محدد، وليس ختم جودة ثابتًا للأداة في كل مكان وزمان وسكان.

الخطأ العشوائي ليس كل أشكال الخطأ

CTT التقليدية تتعامل أساسًا مع عدم الاتساق العشوائي بين التكرارات. أما الانحياز المنهجي الثابت، مثل تعليمات مضللة تؤثر في الجميع بالطريقة نفسها أو ترجمة تغير معنى البناء باستمرار، فقد لا يظهر كخطأ عشوائي في معامل الثبات، ويمكن أن تدخل آثاره ضمن الجزء المستقر من الدرجة. لهذا قد تكون الدرجات شديدة الثبات لكنها غير صالحة لتفسير معين. الثبات يجيب عن سؤال الاتساق والدقة، بينما الصلاحية تتطلب حجة أوسع حول معنى الدرجات واستخداماتها وعواقب التفسير.

ما هو معامل الثبات في CTT؟

في النموذج الكلاسيكي يمكن التعبير مفاهيميًا عن الثبات بوصفه نسبة تباين الدرجات الحقيقية إلى تباين الدرجات المشاهدة: ρXX = σ²T / σ²X. وبما أن التباين المشاهد يتكون من تباين حقيقي وتباين خطأ في النموذج الأساسي، يمكن أيضًا التفكير فيه باعتباره 1 − σ²E / σ²X. كلما كان قدر أكبر من اختلاف الدرجات بين الأشخاص مرتبطًا بفروق مستقرة تحت تعريف التكرار المقصود، ارتفع الثبات. لكن الرقم المقدر من عينة فعلية ليس ثابتًا كونيًا؛ يتأثر بتركيب العينة، تباينها، طول الاختبار، طريقة التقدير، وشروط التطبيق.

هذا يفسر لماذا قد يبدو الاختبار أكثر ثباتًا في عينة واسعة التباين وأقل ثباتًا في عينة متجانسة، حتى لو بقي مقدار خطأ القياس قريبًا. عندما يزيد تباين الأشخاص الحقيقي مقارنة بتباين الخطأ ترتفع النسبة. لذلك مقارنة معاملات الثبات بين دراستين من دون وصف السكان والمدى والتطبيق قد تكون مضللة. التقرير الجيد يذكر من شملتهم العينة، وكيف جُمعت الدرجات، وما نوع معامل الثبات، وفاصل الثقة أو عدم اليقين إن توفر، ولماذا يطابق هذا المعامل القرار المستهدف.

أنواع أدلة الثبات في الإطار الكلاسيكي

لا يوجد «اختبار ثبات» واحد صالح لكل سؤال. إعادة الاختبار test–retest تركز على الاتساق عبر الزمن، والصور المتكافئة تركز على تغير صورة الاختبار، واتفاق المقيمين يركز على اختلاف المصححين أو الملاحظين، والاتساق الداخلي يركز على علاقات البنود داخل تطبيق واحد. اختيار المعامل يجب أن يتبع مصدر عدم الاتساق المهم في الاستخدام. إذا كان القرار يعتمد على تقييم بشري، فإن alpha مرتفعًا للبنود لا يعالج اختلاف المقيمين. وإذا كان الهدف متابعة التغير عبر أسابيع، فإن اتساق البنود في جلسة واحدة لا يخبرنا وحده عن استقرار القياس زمنيًا.

إعادة الاختبار والصور المتكافئة

في test–retest يجب أن تكون المدة طويلة بما يكفي لتقليل أثر التذكر وقصيرة أو مناسبة بما يكفي كي لا يطغى تغير حقيقي في البناء. لذلك انخفاض الارتباط بين مناسبتين قد يعكس خطأ قياس أو تغيرًا حقيقيًا أو كليهما. وفي alternate forms نحتاج أدلة أن الصورتين متقاربتان في المحتوى والصعوبة والمواصفات، لا مجرد حمل اسم الأداة نفسها. كل تصميم يعرّف عالم التكرارات بصورة مختلفة، ومن ثم يعرّف مكونات الخطأ بصورة مختلفة.

الاتساق الداخلي: Alpha وKR-20

معامل Cronbach’s alpha وKR-20 للبنود الثنائية من أشهر تقديرات الاتساق الداخلي، لكنهما ليسا اختبارًا لأحادية البعد ولا دليلًا على الصلاحية. Alpha يتأثر بعدد البنود ومتوسط ترابطها وبافتراضات النموذج؛ وقد يرتفع عندما توجد بنود كثيرة متشابهة أو محتوى مكرر. إذا كان المقياس متعدد الأبعاد، فإن رقمًا واحدًا قد يخفي بنية لا تسمح بتفسير درجة كلية. لهذا يجب أن يسبق تفسير الاتساق الداخلي فحص المحتوى والبنية، ويمكن الاستفادة من صفحة التحليل العاملي وصفحة صدق القياس لفهم ذلك.

الخطأ المعياري للقياس SEM

معامل الثبات يصف نسبة على مستوى توزيع الدرجات، أما Standard Error of Measurement فيحوّل الدقة إلى وحدة الدرجة نفسها. في الصيغة الشائعة تحت افتراضات CTT، SEM = SD × √(1 − r)، حيث SD هو الانحراف المعياري للدرجات وr تقدير الثبات المناسب. إذا كان SD = 10 والثبات = 0.84 فإن SEM التقريبي يساوي 4 درجات. المعنى ليس أن كل شخص يخطئ دائمًا أربع درجات، بل أن هذا مقياس إجمالي لتشتت خطأ القياس تحت النموذج والتصميم المستخدمين.

الـSEM مفيد لأن فرقًا صغيرًا بين درجتين قد يكون ضمن ما نتوقعه من عدم الدقة. لكنه ليس فاصلًا سحريًا ولا يثبت أن التغير مهم سريريًا أو تربويًا. كما أن SEM التقليدي يفترض غالبًا خطأً متجانسًا نسبيًا عبر مدى الدرجات، وهو افتراض قد لا يصمد عندما تختلف الدقة في الأطراف. إذا كانت الدقة الشرطية عبر مستويات السمة مهمة، فإن IRT يمكن أن يقدم خطأ معياريًا يختلف مع θ بدل رقم واحد لجميع الأشخاص.

فواصل الثقة حول الدرجة المشاهدة

يمكن استخدام SEM لبناء نطاق تقريبي حول الدرجة بدل التعامل مع النقطة المفردة كقيمة يقينية. في تطبيقات شائعة يستخدم مضاعف مناسب من SEM وفق مستوى الثقة والافتراضات. لكن تفسير هذا النطاق يجب أن يذكر أن الدرجة الحقيقية نفسها مفهوم نظري مرتبط بتكرارات القياس، وأن الصيغ تختلف باختلاف ما إذا كان الهدف تقدير الدرجة الحقيقية، توقع تكرار جديد، أو مقارنة درجتين. لا ينبغي نسخ صيغة فاصل من دليل مختلف من دون التأكد من السؤال الإحصائي الذي صممت للإجابة عنه.

معادلة Spearman–Brown وطول الاختبار

عندما نزيد عدد البنود المتشابهة في الجودة والمحتوى يمكن أن يرتفع الثبات لأن الأخطاء العشوائية تميل إلى أن تتوازن نسبيًا بينما تتجمع الإشارة المستهدفة. معادلة Spearman–Brown تُستخدم لتقدير أثر تغيير طول اختبار تحت افتراضات مناسبة: r_new = (k × r_old) / (1 + (k − 1) × r_old)، حيث k نسبة الطول الجديد إلى القديم. لكنها توقع مشروط، لا وعد. إضافة بنود رديئة أو مكررة أو خارجة عن البناء قد ترفع الاتساق حسابيًا بينما تضر المحتوى والوقت وإتاحة الوصول.

لذلك قرار زيادة طول الاختبار يجب ألا يبنى على معامل الثبات وحده. اسأل أين تقع الحاجة إلى الدقة، وما عبء الاستجابة، وهل البنود الجديدة توسع تمثيل البناء أم تكرر الصياغة نفسها، وهل سيؤثر الزمن والتعب في الأداء. في اختبارات القدرة قد يؤدي التطويل المفرط إلى السرعة أو الإرهاق، فيدخل مصدر خطأ جديد. التصميم الجيد يوازن بين دقة الدرجة وصلاحية المحتوى وإمكانية التطبيق.

النماذج المتوازية وTau-equivalent وCongeneric

كثير من صيغ CTT تعتمد على تصورات مختلفة لعلاقة القياسات المتكررة. القياسات المتوازية parallel تفترض قيودًا قوية، من بينها تساوي الدرجات الحقيقية وخصائص الخطأ بطريقة محددة. Tau-equivalent يخفف بعض القيود مع الحفاظ على مساواة أساسية في الدرجات الحقيقية بعد التحويل المناسب، بينما النماذج congeneric أكثر مرونة وتسمح باختلافات أكبر في تحميلات المؤشرات. سبب أهمية هذه المصطلحات أن بعض معاملات الثبات تتصرف جيدًا تحت افتراضات معينة وتصبح منحازة أو صعبة التفسير عندما لا تتحقق. لا ينبغي اختيار alpha لأنه افتراضي في البرنامج ثم افتراض أن شروطه تحققت تلقائيًا.

الثبات ليس خاصية ثابتة للأداة

القول «الاختبار ثباته 0.90» من دون سياق اختزال شديد. الأدق: في عينة محددة، وتحت شروط تطبيق وتصحيح محددة، ولدرجة معينة، وبطريقة تقدير معينة، كان تقدير الثبات قريبًا من قيمة محددة. تتغير القيمة إذا تغير مدى القدرة، أو عدد البنود، أو طريقة التصحيح، أو الغرض، أو السكان. لهذا توصي معايير القياس المهنية بتقديم أدلة دقة وثبات ملائمة لكل تفسير أو استخدام مهم، بدل الاستناد إلى رقم تاريخي واحد من دليل الأداة.

الثبات والصدق: لماذا لا يكفي رقم مرتفع؟

يمكن أن تكون الدرجات متسقة جدًا لكنها تقيس شيئًا غير مقصود أو تتأثر بعامل منهجي غير ملائم. مثال ذلك اختبار قراءة معقد لغويًا يستخدم لقياس معرفة علمية لدى متعلمين متعددي اللغات؛ قد تكون الدرجات مستقرة لكن جزءًا من الفروق يعكس الحاجز اللغوي. لهذا الثبات شرط مهم للدقة لكنه لا يحل محل دليل الصدق. صفحة صدق القياس تتناول حجة التفسير والاستخدام، بينما CTT هنا تركز على فصل الإشارة المستقرة عن عدم الاتساق وفق تكرارات محددة.

CTT وIRT: متى نستخدم كل إطار؟

CTT ليست نسخة «قديمة يجب التخلص منها». هي إطار بسيط وقوي عندما يكون السؤال على مستوى الدرجة الكلية وتصميم الاختبار ثابتًا والبيانات والموارد لا تبرر نموذجًا أكثر تعقيدًا. IRT تضيف توصيفًا على مستوى البند والدقة الشرطية، لكنها تحتاج افتراضات ومعايرة وفحوصًا إضافية. يمكن أن تكون النتيجة الأكثر مهنية هي استخدام CTT لمجموعة من أغراض الجودة والتقرير واستخدام IRT عندما تضيف معلومات لازمة فعلًا، لا اختيار التقنية على أساس حداثة الاسم.

CTT ونظرية التعميم: من مصدر خطأ واحد إلى عدة أوجه

عندما توجد عدة مصادر لعدم الاتساق في الوقت نفسه—مثل أشخاص × مقيمين × مهام × مناسبات—يصبح جمعها في «خطأ» واحد محدودًا. نظرية التعميم Generalizability Theory توسع منطق CTT بتفكيك التباين إلى مكونات مرتبطة بأوجه facets وتفاعلاتها، ثم تسمح بدراسة قرار D-study يتنبأ بما يحدث إذا زدنا عدد المقيمين أو المهام. لذلك CTT نقطة انطلاق ممتازة لفهم الإشارة والخطأ، بينما GT أفضل عندما نحتاج معرفة أي مصدر يستهلك الدقة وكيف نعيد تصميم القياس بكفاءة.

أثر تركيب العينة وتقييد المدى

لأن معامل الثبات نسبة تباينات، فإن تقييد المدى يمكن أن يخفضه حتى لو لم تتدهور جودة التطبيق. عينة منتقاة من مستوى قدرة متقارب قد تمتلك تباينًا حقيقيًا صغيرًا، فيصبح الخطأ نسبة أكبر من التباين الكلي. والعكس قد يحدث في عينة شديدة التنوع. لذلك لا يصح استخدام اختلاف reliability بين مجموعتين كدليل تلقائي على أن الأداة «أفضل» لمجموعة وأسوأ لأخرى من دون تحليل تركيب التباين، ودقة القياس، وملاءمة المحتوى، وثبات القياس بين المجموعات.

السرعة والتخمين والبيانات المفقودة

إذا كان الاختبار speeded بدرجة تجعل بعض الأشخاص لا يصلون إلى البنود الأخيرة، فقد ينتج نمط إجابة منظم بالزمن لا يلتقطه معامل اتساق داخلي بسيط جيدًا. كذلك التخمين، حذف الاستجابات، البنود غير المسجلة، أو قواعد احتساب المفقود يمكن أن تغير تباين الدرجة ومعامل الثبات. قبل التقدير يجب وصف معالجة missing data، وما إذا كانت الدرجة قابلة للحساب عند فقد عدد معين من البنود، وهل الفقد مرتبط بمستوى السمة أو صعوبة المهمة. أرقام الثبات لا تصلح أخطاء تصميم البيانات بعد وقوعها.

استخدام CTT لتفسير التغير الفردي

الفرق بين SEM وخطأ الفرق

عندما نقارن درجتين للشخص نفسه، لا يكفي أن نضع SEM واحدًا بجانب الفرق ونعلن أن التغير حقيقي. خطأ الفرق يعتمد على عدم دقة القياسين وعلى الارتباط أو نموذج التكرار. في بعض التطبيقات يحسب Standard Error of Difference أو مؤشر تغير موثوق RCI بصيغ تستند إلى الثبات والانحراف المعياري وافتراضات محددة. هذه الأدوات تساعد على تقدير ما إذا كان الفرق أكبر مما نتوقع من خطأ القياس وحده، لكنها لا تثبت أن التغير مهم وظيفيًا ولا تحدد سببه.

أفضل ممارسة في المتابعة هي الفصل بين ثلاثة أسئلة: هل الفرق يتجاوز عدم الدقة المتوقعة؟ هل حجمه مهم في الواقع؟ وهل توجد تفسيرات بديلة مثل تغير شروط التطبيق أو المقيم أو اللغة أو الحالة المؤقتة؟ صفحة خطأ القياس والتغير الموثوق—عند اعتمادها كمحتوى مفهرس—تتوسع في هذه الحسابات، بينما يكفي هنا تثبيت المبدأ: الثبات لا يحول كل تغير في الدرجة إلى تغير في الشخص.

مثال تطبيقي: اختبار مكون من 40 بندًا

لنفترض اختبارًا تعليميًا من 40 بندًا، متوسطه 70 وانحرافه المعياري 10، وقدر KR-20 للدرجة بـ0.84. SEM التقريبي يساوي 10 × √0.16 = 4 درجات. إذا حصل طالب على 72 فهذا لا يعني أن 72 قيمة خالية من عدم اليقين. وإذا فكر الفريق في مضاعفة عدد البنود، يمكن لـSpearman–Brown إعطاء توقع أولي للثبات الجديد، لكن القرار النهائي يجب أن يفحص التغطية والمحتوى والزمن. وإذا كان بعض البنود لا يصل إليه الطلاب بسبب الوقت، فإن المشكلة لم تعد «كم نزيد البنود؟» فقط بل هل الاختبار يقيس المعرفة أم السرعة جزئيًا.

إذا كانت الدرجة ستستخدم لاتخاذ قرار نجاح/رسوب قرب حد قطع 70، فإن المتوسط العام للثبات لا يكفي وحده. نحتاج اهتمامًا خاصًا بالدقة قرب الحد، واتساق التصنيف، وربما تصميمًا يركز المعلومات في المنطقة الحرجة. أما إذا كانت الدرجة للاستخدام الوصفي منخفض المخاطر، فقد تكون متطلبات الدقة مختلفة. هذا يوضح أن سؤال «ما معامل الثبات المطلوب؟» لا يملك جوابًا عالميًا منفصلًا عن مخاطر القرار وغرضه.

كيف نصمم دراسة ثبات جيدة؟

قبل جمع البيانات

عرّف الدرجة التي ستفسرها، والسكان المستهدفين، والقرار الذي ستدعمه، وأهم مصدر أو مصادر لعدم الاتساق. حدد هل تحتاج إعادة اختبار أو صورًا بديلة أو مقيمين أو اتساقًا داخليًا. خطط لحجم عينة يسمح بتقدير الثبات وعدم اليقين بدقة مناسبة، وثبت قواعد التصحيح والمفقود قبل رؤية النتائج. إذا كانت الأداة متعددة الأبعاد، قرر مسبقًا ما إذا كانت الدرجة الكلية مبررة أم أن لكل بعد درجة منفصلة.

أثناء التحليل

افحص التوزيع، القيم المتطرفة، مدى الدرجات، missingness، وأي أثر سقف أو أرضية. احسب المعامل الذي يطابق التصميم، وقدم فاصل ثقة أو مقياس عدم يقين متى أمكن. لا تحذف البنود فقط لأن حذفها يرفع alpha؛ راجع أثرها على تمثيل المحتوى والبنية. إذا ظهرت مصادر خطأ متعددة أو تفاعلات واضحة، انتقل إلى نموذج أكثر ملاءمة مثل GT أو mixed-effects بدل إجبار كل المشكلة في معامل واحد.

عند الإبلاغ

اذكر نوع الثبات، عدد الأشخاص والبنود والمقيمين أو المناسبات، شروط التطبيق، طريقة التعامل مع البيانات المفقودة، تقدير الثبات وفاصل الثقة، SEM عندما يكون ذا معنى، وأي تحليل حساسية. لا تقل «الأداة موثوقة» بإطلاق؛ قل ما الدرجة التي قُيّمت، ولمن، وتحت أي شروط، وبأي معامل. وإذا كان الاستخدام عالي المخاطر فاشرح كيف ربطت الدقة بالقرار، وليس بالرقم العام فقط.

أخطاء شائعة في استخدام CTT

من الأخطاء مساواة alpha بالثبات كله، اعتبار alpha دليل أحادية بعد، استخدام معامل من عينة مختلفة كأنه ثابت للأداة، تفسير true score كقيمة صحيحة بلا خطأ، وبناء فاصل حول الدرجة بصيغة لا تطابق السؤال. ومن الأخطاء أيضًا استخدام test–retest عندما يتوقع تغير حقيقي سريع، أو تجاهل أثر المقيمين في تقييم أدائي، أو زيادة البنود لرفع الثبات مع إهمال التعب والمحتوى، أو مقارنة معاملات الثبات بين مجموعات مختلفة المدى من دون تحليل السبب.

خطأ آخر هو تحويل عتبة شائعة مثل 0.70 أو 0.80 إلى قانون مطلق. مستوى الدقة المقبول يعتمد على نوع الاستنتاج ومخاطر القرار وتبعات الخطأ. قرار سريري أو تعليمي فردي مرتفع المخاطر يحتاج عادة أدلة أقوى من استخدام بحثي وصفي على متوسطات مجموعات. حتى عند وجود معامل مرتفع يجب فحص SEM والعدالة والصلاحية وشروط التطبيق.

كيف يقرأ الباحث ورقة تستخدم CTT؟

ابدأ بتحديد ما هي الدرجة التي يحللها الباحث وما عالم التكرارات الضمني. ثم اسأل: هل معامل الثبات المختار يطابق مصدر الخطأ المهم؟ هل العينة ممثلة ولها مدى مناسب؟ هل بنية المقياس مدعومة قبل تفسير الاتساق الداخلي؟ هل أُبلغ عن SEM أو عدم اليقين؟ هل استُخدمت عتبات جاهزة بلا تبرير؟ وهل نُقلت قيمة reliability من دراسة أخرى بدل تقديرها في البيانات الحالية؟ إذا كانت الإجابة عن هذه الأسئلة واضحة، يصبح الرقم جزءًا من حجة قياس قابلة للمراجعة بدل أن يكون زينة منهجية.

خريطة التعلم المترابطة

لفهم القياس كمنظومة، ابدأ بهذه الصفحة لفهم X = T + E والثبات وSEM، ثم انتقل إلى صفحة الثبات في القياس لمقارنة معاملات مثل ICC وKappa وOmega، وإلى التحليل العاملي لفحص البنية، وإلى صدق القياس لبناء حجة التفسير والاستخدام. بعد ذلك تصبح IRT مناسبة عندما تحتاج خصائص البنود والدقة الشرطية، وتصبح نظرية التعميم مناسبة عندما تحتاج تفكيك عدة أوجه للخطأ في تصميم واحد. الربط بين هذه الصفحات يمنع استخدام كل معامل بمعزل عن السؤال الذي يجيب عنه.

أسئلة شائعة

الخلاصة

نظرية الاختبار الكلاسيكية تمنحنا لغة دقيقة لفهم الدرجة بوصفها إشارة وعدم يقين: X = T + E. فائدتها الكبرى ليست تعظيم alpha، بل تصميم تكرار معقول للقياس واختيار دليل ثبات يطابق القرار، ثم ترجمة عدم الدقة إلى SEM أو مؤشرات مناسبة. الثبات يتغير مع العينة والشروط والدرجة ولا يثبت الصلاحية. CTT تظل إطارًا عمليًا أساسيًا، وتعمل بأفضل صورة عندما تتصل بالبنية والصدق والعدالة. وعندما تصبح مصادر الخطأ متعددة ننتقل إلى نظرية التعميم، وعندما تصبح خصائص البنود والدقة الشرطية جوهرية نستفيد من IRT. بهذه الخريطة يصبح اختيار النموذج نتيجة للسؤال لا للموضة الإحصائية.