Een opvallend essay, hoog cijfergemiddelde en stellaire gestandaardiseerde testscores zijn soms niet genoeg voor toelating tot de universiteit.

Het aanhoudende schandaal over toelating tot de universiteit onderstreept hoe invloedrijk een gestandaardiseerde testscore is geworden. Een toetsbeheerder werkt nu mee aan het onderzoek naar andere ouders die betaalden om de toetsscores van hun kinderen vast te leggen.

Beslissingen over toelating tot een universiteit gebruiken gestandaardiseerde testscores als een voorspeller van hoe goed een kandidaat het zal doen op de universiteit. Maar wat als er een betere manier was om leren te voorspellen - een die niet afhankelijk was van een enkele, high-stakes testen?

Onderzoekers van de Arizona State University en de University of Denver hebben een manier bedacht om academische prestaties te voorspellen die drie keer meer voorspellend is dan een enkele gestandaardiseerde beoordeling. Het onderzoeksteam heeft een statistisch model ontwikkeld en gevalideerd dat gebruikmaakt van direct beschikbare testscores om toekomstige academische prestaties te voorspellen. Het onderzoek wordt gepubliceerd in Multivariaat gedragsonderzoek .

"Iedereen wordt op een bepaald moment beïnvloed door testen - tests worden gebruikt om belangrijke beslissingen te nemen over toelating tot scholen en soms zelfs voor arbeidsbemiddeling - en het model dat we hebben ontwikkeld, legt vast wat er in de gegevens gebeurt en voorspelt toekomstige prestaties beter dan bestaande methoden , " zei Daniel McNeish, assistent-professor psychologie aan de ASU en eerste auteur van het papier.

Huidige vaardigheid voorspelt niet altijd toekomstig leren

Het verklaarde doel van veel gestandaardiseerde tests is een eenmalige beoordeling, niet om prestaties op lange termijn te informeren. Deze tests worden soms gebruikt om de toekomstige prestaties te voorspellen van iedereen die de test doet, maar weinig tests doen dit echt goed, zei Dennis Dumas, die een assistent-professor is aan de Universiteit van Denver en tweede auteur van het papier. Het idee dat een enkele test het toekomstige leerpotentieel van een student niet adequaat kan meten, is niet nieuw:de socioloog, historicus en burgerrechtenactivist W.E.B. DuBois heeft het bijna een eeuw geleden grootgebracht.

"Testscores van een enkel tijdstip geven een goed beeld van wat iemand weet op het moment van testen, maar ze zijn vaak niet in staat om informatie te verstrekken over het potentieel om te leren, "voegde Dumas toe. "Testscores worden vaak gebruikt om aan te geven hoeveel een persoon baat zou kunnen hebben bij toekomstig onderwijs, zoals naar de universiteit gaan, maar dit concept is totaal anders dan wat de testpersoon nu weet."

Om het model te ontwikkelen, het onderzoeksteam liet zich inspireren door het werk van een Israëlische psycholoog genaamd Reuven Feuerstein, die kinderen die overlevenden van de Holocaust testte voor plaatsing op school en in het lager onderwijs. Opdrachten op basis van één toetsscore waren vaak te laag, dus ontwikkelde Feuerstein een testsysteem genaamd dynamische beoordeling dat verschillende testscores gebruikt die in de loop van de tijd zijn verzameld om het leervermogen van kinderen te meten, in plaats van hun huidige kennisniveau. Dynamisch beoordelen is arbeidsintensief en moeilijk op grote schaal uit te voeren. Het onderzoeksteam loste dat probleem op door gebruik te maken van de vooruitgang in wiskundige modellen en rekenkracht om een ​​nieuwe methode te creëren. die ze een dynamisch meetmodel noemen.

De punten verbinden

Het dynamische meetmodel gebruikt een reeks testscores om het toekomstige leervermogen te voorspellen. Het model past een curve door de testscores in de tijd, die er meestal uitziet als een zijdelingse letter "J" en vaak een "leercurve" wordt genoemd. De punten op de leercurve vertegenwoordigen de hoeveelheid huidige kennis, en het maximum of plafond van de curve is het leerpotentieel. Met behulp van gestandaardiseerde testscores van de kleuterschool tot en met de achtste klas, het team toonde onlangs aan dat het dynamische meetmodel in de leercurve kan passen en het leerpotentieel kan voorspellen.

Het onderzoeksteam wilde weten hoe ver het model het leerpotentieel kon voorspellen en dus hoe nauwkeurig het eigenlijk was. Ze gebruikten drie datasets die afkomstig waren van het Institute of Human Development van de University of California, Berkeley. De datasets bevatten testscores van deelnemers die begonnen toen ze 3 jaar oud waren in de jaren 1920 en 1930. De deelnemers werden tientallen jaren bestudeerd, tot ze in de vijftig waren, jaren 60, en jaren 70.

Omdat de meeste gestandaardiseerde tests op school plaatsvinden, het onderzoeksteam gebruikte het dynamische meetmodel om te passen bij de testscores van toen de UC Berkeley-deelnemers 20 jaar en jonger waren. Het team voorspelde het toekomstige leerpotentieel van elke deelnemer door het model de curve te laten voltooien. Vervolgens, ze vergeleken de werkelijke testscores in de leeftijd van 50-70 jaar met wat het model voorspelde.

"Het dynamische meetmodel registreerde drie keer de variantie als andere methoden, inclusief single time-point testscores. Met andere woorden, ons model voorspelde de latere scores - het gerealiseerde leerpotentieel van een individu - drie keer beter, "McNeish zei. "Studenten worden nu zo vaak getest om hun vooruitgang te meten, maar het hebben van meerdere scores per student kan een doel dienen dat verder gaat dan het meten van de voortgang. Ze kunnen worden gecombineerd tot een enkele leerpotentieelscore om voorspellingen te verbeteren van waar de vaardigheden en capaciteiten van mensen naar verwachting in de toekomst zullen eindigen als ze hetzelfde traject aanhouden."

Het potentieel van gestandaardiseerd testen benutten

Het gebruik van dynamische meetmodellering om het toekomstige leerpotentieel van leerlingen te voorspellen, vereist geen beleidswijzigingen of nieuwe toetsen. De toetsscores die nodig zijn voor het model bestaan ​​al en zijn beschikbaar vanwege de invoering van de Wet Geen Kind Achtergelaten en Wet Elke Leerling Slaagt.

"Dynamische meetmodellering vereist geen gespecialiseerde computer om te draaien en duurt niet veel langer dan standaard statistische modellen die op dit gebied worden gebruikt, "Zei McNeish. "Logistiek, alle stukjes zijn er om het morgen te implementeren."

Het onderzoeksteam werkt momenteel aan de ontwikkeling van software om het dynamische meetmodel te verspreiden.