Suche

Erweiterte Literatursuche

Ariadne Pfad:

Inhalt

Detailanzeige

Originaltitel
Modeling a smooth course of learning and testing individual deviations from a global course
ParalleltitelModellierung eines glatten Lernverlaufs und Testung individueller Abweichungen von einem globalen Verlauf
Autoren
OriginalveröffentlichungJournal for educational research online 14 (2022) 1, S. 89-121 ZDB
Dokument  (1.248 KB)
Lizenz des Dokumentes Lizenz-Logo 
Schlagwörter (Deutsch)
Teildisziplin
DokumentartAufsatz (Zeitschrift)
ISSN1866-6671; 18666671
SpracheEnglisch
Erscheinungsjahr
BegutachtungsstatusPeer-Review
Abstract (Englisch):Formative assessment supplies valuable feedback for teachers and learners, and has been facilitated by computerized implementations. While longitudinal within-student assessment or within-class comparisons are useful, a normative interpretation of an individual’s course of learning can only be given relative to a reference population. As current computerized assessment systems sample items from pools or adapt tests, monitored students might work on non-overlapping item sets, so that classic sum scores cannot be compared directly. To meet this challenge, the Smooth Growth and Linear Deviations Rasch Model (SGLDRM) is introduced, an extension of Rasch’s item response theory model for binary test data. With the help of spline functions a smooth global course of learning is included. The model is flexible enough to accommodate increases and/or decreases of the mean ability level, which might be more or less pronounced at each measurement occasion. On the individual level, a random slope and a random intercept with amenable interpretations modify the global course of learning. Two measurement occasions suffice to estimate person-specific courses. A likelihood ratio test allows identifying students whose performance differs from the mean course. The methodology is illustrated with data from an online dyscalculia assessment and training. (DIPF/Orig.)
Abstract (Deutsch):Formatives Assessment liefert Lernenden und Lehrenden wertvolles Feedback und ist durch computergestützte Implementationen stark vereinfacht worden. Zwar sind längsschnittliche individuelle Assessments und Vergleiche innerhalb einer Klasse nützlich, aber normative Interpretationen von individuellen Lernverläufen können nur relativ zu einer Referenzpopulation gegeben werden. Da aktuelle computergestützte Assessment-Systeme Items aus Pools zufällig auswählen oder Tests adaptieren, arbeiten die Getesteten u. U. auf sich nicht überlappenden Itemmengen, wodurch klassische Summenscores nicht direkt vergleichbar sind. Um dem zu begegnen, wird das Smooth Growth and Linear Deviations Rasch Model (SGLDRM) eingeführt, eine Erweiterung des Rasch-Modells für binäre Testdaten aus der Item-Response-Theorie. Durch Splines wird ein glatter globaler Verlauf eingebunden. Das Modell ist flexibel genug, um Anstiege und Verringerungen des mittleren Fähigkeitsniveaus abzubilden, welche je nach Messzeitpunkt unterschiedlich stark ausgeprägt sein dürfen. Auf der individuellen Ebene wird der globale Lernverlauf durch gut interpretierbare zufällige Achsenabschnitte und Steigungen modifiziert. Zwei Messzeitpunkte reichen aus, um personenspezifische Verläufe zu schätzen. Ein Likelihood-Quotienten-Test erlaubt es, Lernende zu identifizieren, die vom mittleren Lernverlauf abweichen. Die Methode wird anhand von Daten aus einem Online-System zur Diagnostik und Behandlung von Dyskalkulie illustriert. (DIPF/Orig.)
weitere Beiträge dieser Zeitschrift
Statistik
Prüfsummen
Eintrag erfolgte am15.07.2022
QuellenangabeBrunn, Gesa; Freise, Fritjof; Doebler, Philipp: Modeling a smooth course of learning and testing individual deviations from a global course - In: Journal for educational research online 14 (2022) 1, S. 89-121 - URN: urn:nbn:de:0111-pedocs-248740 - DOI: 10.25656/01:24874; 10.31244/jero.2022.01.05
Dateien exportieren

Inhalt auf sozialen Plattformen teilen