Hoezeer ze ook gevreesd en beklaagd worden, gestandaardiseerde tests blijven een groot deel van het onderwijslandschap. En voor alle betrokkenen:testpersonen, onderwijzers en zelfs de werkgevers van het land - dat is zowel een zegen als een vloek.

"Gestandaardiseerde tests zijn eigenlijk best goed geworden in het testen van kennis, ", zegt assistent-professor Denis Dumas van de Universiteit van Denver, een onderwijspsycholoog en statisticus bij de afdeling Onderzoeksmethoden en Informatiewetenschappen van het Morgridge College of Education.

Maar hoe nuttig het testen van kennis ook mag zijn, hij voegt toe, "kennis en potentieel zijn niet hetzelfde."

In feite, een enkele test die op een bepaalde dag wordt afgenomen, legt alleen vast wat de testpersoon op dat moment weet. En die informatie geeft misschien geen eerlijke weergave van wat Dumas 'leervermogen' noemt.

Samen met collega-onderzoeker Daniel McNeish, een professor psychologie aan de Arizona State University, Dumas wil de testresultaten beter benutten. Samenwerken met een klein team van andere data-enthousiastelingen, de twee ontwikkelen zich - en ja, testen - een statistisch model dat het potentieel vastlegt om te verwerven, kennis beheersen en inzetten. Met andere woorden, het model biedt inzicht in de leercurve van de testpersoon.

"We bestuderen de vorm van leercurves, "Dumas legt uit, opmerkend dat dit inzicht geeft in de prangende vragen waar opvoeders nooit mee stoppen. "Hoe leren mensen? En wanneer leren ze sneller?"

Er achter komen, Dumas en McNeish hebben een zogenaamd 'dynamisch meetmodel' ontwikkeld, zo genoemd omdat het niet afhankelijk is van een enkele test met hoge inzetten, maar in plaats daarvan jarenlange onderzoeksgegevens van individuen verzamelt en analyseert. Gelukkig, de openbare scholen van het land hebben lang gestandaardiseerde tests afgenomen aan kinderen van de lagere school tot de middelbare school, waardoor Dumas en McNeish veel gegevens hebben om mee te werken. Die enorme hoeveelheid informatie, ze zeggen, maakt het model "drie keer meer voorspellend dan een enkele gestandaardiseerde beoordeling."

Hun beweringen over de effectiviteit van het model zijn ondersteund in een reeks van 11 artikelen die in de afgelopen vijf jaar zijn gepubliceerd, met het laatste stuk dat verschijnt in een recent nummer van Multivariate Behavioral Research. En de onderwijsgemeenschap begint het op te merken.

"Dit werk staat centraal in het begrijpen van groei en verandering, " zegt Karen Riley, decaan van het Morgridge College. "Uitkomstmaten en hun beperkingen zijn lange tijd de uitdaging geweest om de effectiviteit van alle soorten interventies nauwkeurig te beoordelen. Het aanpakken van deze uitdagingen opent de deur naar transformationele verandering in leren."

Bij het ontwikkelen van hun model, Dumas zegt, de onderzoekers concentreerden zich op een belangrijke vraag:"Hoe gebruiken we de gegevens die studenten ons op tests geven en krijgen we de meest zinvolle informatie?"

Ze begonnen te werken door te putten uit datasets van de Universiteit van Californië, Berkeley's Instituut voor Menselijke Ontwikkeling. Onder deze rijke verzameling informatie bevonden zich testscores en loopbaanrapporten van deelnemers die vier tot vijf decennia lang werden gevolgd, van de lagere school tot ze in de vijftig waren, Jaren 60 en zelfs 70. Sommige van de tests in kwestie waren in de jaren twintig en dertig van de vorige eeuw afgenomen bij deelnemers die nog geen drie jaar oud waren, waardoor de onderzoekers de mogelijkheid hebben om vroege resultaten te koppelen aan latere resultaten en zelfs levenslange loopbaankeuzes en prestaties. Met behulp van deze gegevens, Dumas en McNeish, samen met co-auteur Kevin Grimm, ook van de staat Arizona, leercurves konden bestuderen, potentieel afleiden en deze bevindingen vervolgens in verband brengen met academische en professionele resultaten.

Hoe goed kwamen de voorspellingen van hun model overeen met de werkelijke uitkomsten? Veel tijd, Dumas zegt, "We waren verdomd dichtbij."

Zo dichtbij dat Dumas begint na te denken over waar en wanneer het model het beste kan worden gebruikt. Het is toepasbaar voor elke organisatie, zoals het leger, die arbeid en talent naar beroeps- en loopbaantrajecten moet leiden, hij zegt. De onderwijsgemeenschap zou ongetwijfeld blij zijn met een "gegevensanalyse" die het leervermogen verklaart. En misschien juichen ook studenten en potentiële medewerkers deze innovatie toe, al was het maar omdat het de inzet voor elke test vermindert, zeg de SAT of GRE.

Voorlopig, Dumas zegt, de methodiek blijft in ontwikkeling. "Het probleem is dat het verreweg ingewikkelder is dan eerdere methoden, " legt hij uit. Bijvoorbeeld het versnellen van de berekeningen vereist technologie - denk aan supercomputers - die zelden op de educatieve arena wordt gericht. En dynamisch meten vereist ook veel gegevens die, hoewel technisch beschikbaar, is niet altijd bereikbaar. Staten willen niet altijd hun gegevens vrijgeven of delen, Dumas legt uit.

Dit is niet het enige beoordelingsproject dat Dumas' tijd in beslag neemt. Samen met een andere Morgridge College-professor, Peter Organisciak, hij is betrokken geweest bij de lancering van een gratis website om creativiteitsbeoordelingen te scoren. Het zou niet alleen de manier kunnen veranderen waarop schoolpsychologen dergelijke tests benaderen, maar het zou het voor schooldistricten met beperkte middelen gemakkelijker moeten maken om deze optie aan hun leerlingen aan te bieden.

Net als bij dat project, het dynamische meetmodel richt zich op het aanpakken van ongelijkheden in het onderwijs en op het ontwijken van wat Dumas 'de valstrik' van gestandaardiseerd testen noemt zoals het momenteel bestaat.

"Dit model is bedoeld om ons uit die val te halen, " zegt hij. "We willen een model creëren dat niet alleen kennis kwantificeert, maar ook hoeveel potentieel iemand heeft om te groeien."