Introduksjon
Matematisk resonnering er noe av det vanskeligste å måle i stor skala. På papiret viser elevene arbeidet sitt naturlig. De skisserer, stryker ut ting, prøver forskjellige tilnærminger og bygger frem et svar trinn for trinn. Men når testingen flyttes på nett, forsvinner mye av den prosessen.
Digitale matematikkvurderinger skulle endre dette. Løftet var at digital innsamling av svar ville gi oss rikere data om hvordan elevene tenker, utover om de fikk riktig svar. Men i mange systemer har verktøyene som er tilgjengelige for elevene for å legge inn matematikk faktisk snevret inn hva de kan uttrykke, noe som presser programmene mot enklere spørsmålsformater som er lettere å levere, men vanskeligere å lære av.
Denne artikkelen ser på hvorfor dette gapet vedvarer, hva det koster for vurderingsprogrammer, og hvordan vurderingsplattformer og moderne matematiske inndataverktøy, som MathType by Wiris , bidrar til å lukke det.
Når grensesnittet kommer i veien
Be en elev om å løse en flertrinnsligning på papir, så plukker de opp en blyant og begynner å skrive. Be dem om å gjøre det samme på skjermen, og opplevelsen endres avhengig av plattformen – de må kanskje bla gjennom en symbolpalett eller skrive ukjent LaTeX-syntaks.
Denne typen friksjon er lett å undervurdere fra et designperspektiv, men for studenter endrer det oppgaven. Forskning fra Phoenix-prosjektet i 2025 fant at digital skriving av matematisk notasjon krever innsats som trekker kognitive ressurser bort fra konseptuell forståelse. Med andre ord, i stedet for å fokusere på matematikken, finner de ut verktøyet. En studie fra 2023 forsterket den virkelige virkningen av dette, og fant at selve leveringsmåten – nettbrett kontra papir – kan målbart påvirke små barns resultater på matteprøver.
Problemet er imidlertid ikke at digital input iboende er verre enn papir. Det er at mange verktøy ennå ikke er optimalisert for hvordan folk naturlig jobber med matematikk. Grensesnittet sitter mellom studenten og vurderingen, og avleder oppmerksomheten fra det som testes.
Hva den friksjonen gjør med vurderingskvaliteten
Når en inndatametode er vanskelig å bruke, påvirker det ikke bare elevopplevelsen – det kan også påvirke kvaliteten på selve vurderingen. Dette er fordi vurderingen begynner å måle noe den ikke var designet for å måle. I målebegreper kalles dette konstruktirrelevant varians – et konsept etablert av utdanningsforskerne Haladyna og Downing i en innflytelsesrik artikkel fra 2004. Enkelt sagt gjenspeiler testen hvor godt elevene kan navigere i grensesnittet, ikke bare hvor godt de forstår matematikken.
Dette er viktig på programnivå. Hvis noen elever får lavere poengsum fordi de slet med ligningseditoren i stedet for matematikken, betyr ikke disse poengsummene det de skal. Vurderingen mister gyldighet, og dataene den produserer blir mindre nyttige for beslutningstaking.
I stor skala forverres denne typen støy. Det kan forvrenge sammenligninger mellom skoler og undergrave tilliten til nasjonale resultater. For programmer som bruker vurderingsdata til å informere politikk eller fordele ressurser, er innsatsen høy.
Så for vurderingsledere som evaluerer sine nåværende verktøy, er spørsmålet enkelt: Er inndatametoden tilstrekkelig transparent til at den ikke påvirker resultatene? Hvis studentene trenger opplæring i verktøyet før de kan vise hva de kan, er det et tegn på at grensesnittet introduserer støy i dataene.
Flervalgsavveiningen
En vanlig måte programmer prøver å redusere denne støyen på, er ved å i større grad bruke flervalgsspørsmål og andre formater med faste svar. Det er verdt å være direkte om hvorfor så mange digitale matematikkvurderinger bruker dem: Disse formatene fungerer. De scorer pålitelig, skalerer godt og produserer konsistente data på tvers av store populasjoner. For mange programmer er de det praktiske valget.
Avveiningen dukker opp når disse formatene blir den eneste måten elevene kan svare på. Flervalgsspørsmål kan vise om en elev kan gjenkjenne det riktige svaret eller utelukke feil svar, men de avslører mye mindre om hvordan eleven kom dit. For eksempel forteller de deg ikke om en elev kan konstruere en løsning, velge en strategi eller jobbe seg gjennom et flertrinnsproblem. Og når en matematikkpensum vektlegger resonnering og problemløsning, men vurderingen bare fanger opp valg, er det et misforhold mellom det du underviser i og det du måler.
Denne spenningen illustreres ved sammenligninger mellom National Assessment of Educational Progress (NAEP) og Program for International Student Assessment (PISA). PISA legger større vekt på konstruerte responser og flertrinnsresonnement, mens NAEP er mer avhengig av flervalg. Begge er strenge vurderingsprogrammer, men de måler ulike aspekter ved matematiske prestasjoner – delvis på grunn av forskjeller i vurderingsformat.
Downings arbeid fra 2002 om underrepresentasjon av begreper beskrev nettopp denne risikoen: Når vurderinger er for avhengige av smale elementtyper, klarer de ikke å fange opp nok av ferdighetene og kunnskapen de er ment å måle, noe som begrenser gyldigheten av konklusjonene som trekkes om elevers læring.
Poenget er imidlertid ikke at flervalgsspørsmål iboende er dårlige. Brukt sammen med andre elementtyper kan det gi pålitelig og verdifull dokumentasjon på elevenes læring. Utfordringen er å sikre at vurderingen som helhet fanger opp hele spekteret av kunnskap og ferdigheter som programmet har til hensikt å måle.
Hvordan elever kan uttrykke matematikk mer naturlig
Teknologiforbedrede elementer (TEI-er) er én av grunnene til at dette bildet begynner å endre seg. Å la elevene samhandle med matematikk visuelt og dynamisk gjør det enklere å fange opp resonnement og prosesser sammen med endelige svar. Og skiftet skjer også på inputnivå.
For eksempel har håndskriftgjenkjenning nådd et punkt der elever kan skrive ligninger med en pekepenn eller finger, og AI konverterer inndataene deres til ren, strukturert notasjon i sanntid. Visuelle ligningsredigerere lar elevene bygge uttrykk ved å klikke eller trykke, uten å måtte lære syntaks. Den kognitive belastningen synker, og fokuset flyttes tilbake til problemet.
For yngre elever er dette et betydelig skifte. I stedet for å lære hvordan en ligningseditor fungerer før de kan ta en prøve, skriver de matematikk slik de ville gjort på papir. For eldre elever som jobber med avansert notasjon – integraler, matriser, kjemiske formler – gjelder det samme prinsippet. Verktøyet skal støtte uttrykkets kompleksitet uten å tvinge eleven inn i en rigid arbeidsflyt.
Mathype fra Wiris bidrar til å løse mange av disse utfordringene. Elever kan skrive matematiske uttrykk naturlig uten mus, berøringsplate, pekepenn eller tastatur, med håndskrevet inndata automatisk konvertert til strukturell digital notasjon. En intuitiv visuell editor fjerner behovet for å lære kompleks syntaks, mens støtte for mer enn 500 symboler muliggjør alt fra aritmetikk fra barnehage til videregående skole til avansert matematikk, kjemi og STEM-notasjon.
MathType er integrert direkte i TAOs vurderingsmiljø og utvider vurderingsarbeidsflyten i stedet for å introdusere et separat verktøy eller en separat prosess. Elever kan legge inn komplekse matematiske uttrykk mer naturlig, mens vurderingsteam kan levere, poengsette og analysere svar innenfor samme plattform. Sammen bidrar TAO og Mathtype til å redusere gapet mellom hvordan elever tenker gjennom matematiske problemer og hvordan digitale vurderinger fanger opp disse bevisene.
Alt i alt betyr imidlertid det bredere skiftet disse verktøyene representerer mer enn noe enkeltprodukt: Når matematisk innspill føles naturlig, kommer vurderingen nærmere å måle faktisk matematisk tenkning.
«Målet vårt med MathType er å la elevene skrive matematikk like naturlig på en skjerm som de ville gjort med papir og blyant. Vi eliminerer den kognitive friksjonen i grensesnittet. Dette sikrer at eleven kan fokusere på matematisk resonnement i stedet for på hvordan de skal taste det inn. Ved å gjøre det enkelt for elevene å vise sin trinnvise resonnement, gir MathType dypere innsikt, noe som gir mulighet for mer omfattende og handlingsrettet tilbakemelding», forklarer Clara Abelló Gàllego, produktsjef hos Wiris.
Når brukervennlighet former hvem som kan vurderes rettferdig
Å få matematisk inntasting til å føles mer naturlig handler ikke bare om brukervennlighet – det er også et spørsmål om rettferdighet. Hvis en elev ikke kan bruke grensesnittet på grunn av synshemming, motorisk begrensning eller manglende kjennskap til inntastingsmetoden, måler ikke vurderingen deres matematiske evner. Den måler deres evne til å bruke verktøyet.
Dette er et validitetsproblem som strekker seg utover inndatametoder. Designvalg som skjermleserkompatibilitet eller størrelsen på brukerkontroller påvirker om elevene kan delta meningsfullt i vurderingen. For eksempel fant forskning fra StereoMath-forskningsprosjektet at eksisterende ligningsredigeringsprogrammer påførte en høy kognitiv belastning, spesielt på elever med funksjonsnedsettelser, mens mer naturlige inndatametoder reduserte denne belastningen generelt.
Moderne matematiske inndataverktøy blir i økende grad utviklet for å håndtere disse utfordringene. For eksempel betyr full tastaturtilgang at elever som ikke kan stole på mus eller berøringsskjerm, fortsatt kan fullføre alle interaksjoner. Samtidig gjør MathML -basert alt-tekstgenerering ligninger lesbare for skjermlesere, og gjør visuell notasjon om til noe som kan høres og forstås. Sammen gjenspeiler denne utviklingen et skifte mot å behandle brukervennlighet og tilgjengelighet som sentrale designprinsipper snarere enn ettertanker.
Hvordan plattformer fanger opp og bruker rikere bevismateriale
Å forbedre studentopplevelsen er imidlertid bare halvparten av utfordringen. Den andre er hva som skjer på baksiden – hvordan plattformer fanger opp, lagrer og tolker bevisene som genereres av rikere inndatametoder.
Det er her åpne standarder er viktige. For eksempel bidrar standarder som MathML og Question and Test Interoperability (QTI) til å sikre at matematisk innhold, poengregler og vurderingsmetadata kan flyttes mellom forskjellige plattformer uten at de må gjenskapes eller konfigureres på nytt.
Prosessorientert vurdering blir også mer praktisk. En studie fra 2025 som analyserte logger fra Frankrikes nasjonale matematikkvurderinger for 9. trinn, fant at digitale prosessdata – inputsekvenser, repetisjonsmønstre og tid på oppgaver – kunne avsløre løsningsstrategier og misoppfatninger som endelige svar alene ville overse.
Plattformer bygget på modulære, standardbaserte arkitekturer er bedre posisjonert for denne typen arbeid. TAO bruker for eksempel QTI- og Learning and Test Interoperability (LTI)-standardene innebygd og integrerer matteredigering direkte i vurderingsarbeidsflyten. Som et resultat fungerer inndataverktøy, poenglogikk og vurderingslevering i et enhetlig system uten behov for tilpassede integrasjoner.
«Vurderingsledere erkjenner i økende grad at kvaliteten på bevisene de samler inn avhenger av kvaliteten på elevopplevelsen. Partnerskapet vårt med Wiris gjenspeiler en felles forpliktelse til å gjøre digital STEM-vurdering mer intuitiv, tilgjengelig og effektiv. Ved å kombinere avanserte matematikk- og naturfagfunksjoner med TAOs standardbaserte plattform, hjelper vi organisasjoner med å lage vurderingsopplevelser som bedre fanger opp elevenes tenkning og støtter fremtiden for digital læring og evaluering.» – Miguel Prieto, visepresident for bedriftsstrategi, Open Assessment Technologies
Hva du skal se etter når du evaluerer matematiske inndataverktøy
De beste matematiske inndataverktøyene reduserer friksjon uten å ofre tilgjengelighet, interoperabilitet eller kvaliteten på bevisene som samles inn. For å evaluere dem effektivt, i stedet for å sammenligne funksjonslister, test hvordan elevene faktisk bruker systemet under reelle vurderingsforhold:
- Be elevene om å fullføre eksempeloppgaver ved hjelp av håndskrift, tastatur og berøringsinndata for å se hvor friksjon oppstår.
- Kjør en tidsbestemt økt med elever som ikke har sett verktøyet før, og noter hvor de står fast.
- Få noen til å navigere gjennom hele vurderingen ved kun å bruke et tastatur og en skjermleser for å teste tilgjengeligheten fra ende til ende.
- Sjekk om elevsvar kan eksporteres i strukturerte formater (som MathML eller LaTeX) som poeng- og analysesystemene dine kan lese.
- Prøv å importere og eksportere en prøvevarepakke for å bekrefte at QTI-samsvar fungerer i praksis, ikke bare på papiret.
- Test med de mest komplekse elementtypene dine – matriser, kjemiske ligninger, flertrinnsbevis – for å se om verktøyet håndterer dem på en ryddig måte.
- Be leverandøren om å vise deg hvordan prosessdata ser ut – inndatasekvenser, revisjonshistorikk, tid på oppgaven – og sjekk om teamet ditt faktisk kan bruke det.
Styrk dine mattevurderingsevner med TAO
Digital matematikkvurdering har ikke slitt fordi teknologien ikke finnes, men fordi inndatalaget ikke har holdt tritt med hva moderne læreplaner krever av elever. Gapet mellom hva vi ønsker å måle og hva digitale verktøy historisk sett har tillatt har vært reelt.
Dette gapet blir imidlertid mindre nå. Håndskriftgjenkjenning, visuelle redigeringsprogrammer og tilgjengelig inputdesign gjør det enklere for studenter å vise hva de tenker. Åpne standarder og prosessdata gir programmene infrastrukturen til å fange opp og bruke disse bevisene i stor skala. Programmene som behandler matematisk input som en strategisk designbeslutning – snarere enn et tillegg – er de som bygger systemer som kan vokse med deres behov.
Hvis du er klar til å utforske hvordan naturlig matematisk input kan fungere i vurderingsprogrammet ditt, bringer TAOs integrasjon med MathType fra Wiris håndskriftgjenkjenning, visuell redigering og tilgjengelig STEM-vurdering direkte inn i en standardbasert, interoperabel plattform .
Planlegg en demonstrasjon for å se hvordan TAO og MathType fra Wiris lar elever legge inn matematisk og vitenskapelig notasjon naturlig, samtidig som vurderingsteamene får tilgang til rikere og mer gyldige læringsbevis.