Selv om mange lærere er klar over adaptiv testing (CAT) og fordelene det gir elevene, kan det være vanskelig å legge fra seg den velkjente tradisjonelle vurderingsmetoden. Lærere kan være usikre på hvordan de skal utforme og implementere en adaptiv test, og de kan til og med stille spørsmål ved om CAT er riktig for elevene deres.
Selv om det er forståelig, bør fordelene med CAT for lærere og elever oppveie enhver tvil. Adaptiv testing muliggjør personlig vurdering som kan gi nøyaktige målinger av elevenes prestasjoner, fange opp både avvikere og gjennomsnitt – samtidig som det sparer lærerne tid.
I denne artikkelen skal vi se på velprøvde strategier for implementering av adaptive vurderinger: elementadaptiv testing, testlet-adaptiv testing og forgreningsvurderinger (flertrinns adaptive vurderinger). Ved å bruke disse beste praksisene kan lærere utforme skalerbare vurderinger som møter behovene til hver enkelt elev.
Viktige konklusjoner
- Adaptive tester skreddersyr spørsmål til den enkelte elevs evner, og gir en mer nøyaktig og tilpasset evaluering av elevenes prestasjoner.
- Du kan bruke en rekke vanskelighetsgrader i hver test for å effektivt utfordre både elever som presterer godt og elever som strever.
- Datamaskintilpasning lar deg overvåke data på element-, elev- og gruppenivå for å få innsikt i fremgang og felles behov.
- Dataene fra adaptiv testing kan informere beslutninger om tiltak, læreplan og lærerutdanning.
Hva er adaptive testingsmetoder for testlet, item og branching?
Testlet-adaptive, elementadaptive og forgreningsbaserte vurderinger er alle typer CAT, som justerer påfølgende spørsmålselementer basert på studentenes tidligere svar. En av hovedfordelene med adaptiv testing er muligheten til å redusere testlengden uten å redusere vurderingens nøyaktighet. Siden testen tilpasser seg hver students evner, er det behov for færre spørsmål for å bestemme ferdighetene deres sammenlignet med tradisjonelle testmetoder.
Adaptive testlet- vurderinger består av grupper av spørsmål (testlets) som tilpasser seg en testdeltakers prestasjon på hele gruppens nivå i stedet for individuelle spørsmål. Etter at studentene har fullført hver spørsmålsgruppe, presenterer datamaskinen dem en ny testlet som samsvarer med deres kunnskapsnivå. Sammenlignet med en tradisjonell lineær teststruktur gir adaptive testlets større fleksibilitet i testdesign, der spørsmålssettene kan variere i henhold til ferdighetsområde, vanskelighetsgrad eller emne.
På den annen side tilpasser elementtilpasningsvurderinger seg etter at hvert enkelt spørsmål er besvart, slik at de ofte krever at studentene svarer på enda færre spørsmål for å få innsikt i ferdighetene deres. Denne tilnærmingen gir også detaljert kontroll, noe som gjør vurderingen svært personlig tilpasset testtakerens nåværende ferdighetsnivå. Sjekk ut artikkelen vår, Adaptiv vurdering: Hvilke muligheter har du?, for å lære mer.
Forgreningsvurderinger , også kalt flertrinns adaptiv vurdering, tilpasser seg dynamisk en students prestasjoner ved å presentere spørsmål basert på forhåndsdefinerte veier bestemt av svarene deres på tidligere spørsmål. For eksempel kan en prøve starte med et grunnleggende, faktabasert spørsmål. Basert på studentens svar kan vurderingen utvikle seg til mer avanserte spørsmål som krever høyere ordens tenkning og en dypere forståelse av fagstoffet.
Disse adaptive CAT-tilnærmingene tar sikte på å optimalisere vurderingsprosessen , og tilbyr fleksibel, effektiv og personlig testing som fører til større nøyaktighet og mer pålitelige resultater.
Slik bruker du adaptiv testing med datamaskin
1. Tilpass vurderingsinnholdet til læringsmålene
For å skalere adaptiv testing på tvers av et skoledistrikt, må vurderingene være i samsvar med læringsmålene. På denne måten kan testresultatene brukes både som en markør for elevenes prestasjoner og en måte å evaluere institusjonens ytelse på.
Dessuten, hvis et skolesystem følger bestemte standarder, som for eksempel Common Core State Standards (CCSS), er det knyttet krav til digital kompetanse til hvert fagområde. Plattformer som TAO er bygget med tanke på utdanningsstandarder, slik at lærere kan bekrefte at kursene deres oppfyller disse standardene. TAOs utvalg av teknologiforbedrede elementer (TEI-er) er ideelt for å vurdere en elevs evne til å bruke digitale medier strategisk, samtidig som de demonstrerer forståelsen av sentrale fagkonsepter.
Beste praksis : Start med å definere kompetansene og læringsmålene for kurset eller faget ditt tydelig. Design hver test eller hvert element for å målrette en bestemt ferdighet, og vurder å bruke verktøy for kartlegging av læreplaner for å dekke standarder på en helhetlig måte.
2. Sørg for et bredt vanskelighetsgrad
En av hovedfordelene med adaptiv testing basert på datamaskiner er at den kan gi innsikt i elevenes prestasjoner både i ytterpunktene og rundt gjennomsnittet. For å gjøre dette må imidlertid adaptive testelementbanker inneholde et bredt spekter av spørsmålsvanskelighetsgrader . På den måten kan en test utfordre avanserte elever samtidig som den tilbyr passende nivåerte spørsmål for de som kan slite.
Husk: Det kan ta lengre tid å utforme en adaptiv test, fordi utvalget av testelementer må være større enn i en tradisjonell test. Dette ekstra arbeidet vil lønne seg i form av bedre innsikt i studentenes behov – og i tiden som spares gjennom automatisert vurdering.
Beste praksis : Utvikle tester med en rekke enkle, moderate og vanskelige spørsmål. Innenfor hvert sett bør spørsmålene øke i vanskelighetsgrad, slik at elever med lavere evner kan demonstrere grunnleggende kunnskap og elever med høyere evner kan vise frem mestring.
For eksempel, i en matteprøve, kan den første testen fokusere på grunnleggende algebra, mens påfølgende tester kan øke i kompleksitet, og teste kvadratiske ligninger eller avansert kalkulus basert på elevens prestasjoner. Dette sikrer at testene vurderer høyere og lavere ordens tenkning langs samme skala.
3. Bruk data til å forbedre adaptiv testlogikk
Adaptiv testing er avhengig av logikk (enten algoritmisk eller forhåndsdefinerte forgreningsregler) for å bestemme hvilken test eller hvilket spørsmål som skal presenteres neste gang. Nøyaktigheten og effektiviteten til disse algoritmene avhenger av data av høy kvalitet om elevenes prestasjoner.
Beste praksis: Gjennomgå dataene som testsystemet produserer regelmessig for å forbedre logikken over tid. Dette kan inkludere å analysere hvor ofte elever blir sendt til ulike vanskelighetsnivåer, om testspørsmålene er balanserte når det gjelder utfordringer, og om de adaptive løsningene identifiserer områder der elevene trenger mer støtte på riktig måte.
4. Spor fremgang over tid
Ved å bruke en plattform som TAO kan lærere spore elevenes fremgang mer presist enn med tradisjonelle vurderinger. I tillegg til å få mer innsikt i prestasjonene med hver test, gir TAOs analyser lærere og administratorer en omfattende oversikt over elevenes fremgang i løpet av en læringsperiode eller et skoleår. Og hvis de velger å dele rapporter med foreldre, kan disse analysene være et springbrett for mer familieengasjement og tilbakemeldinger.
Beste praksis : Implementer et system som tillater langsgående sporing av elevdata. Dette kan inkludere måling av prestasjoner på spesifikke læringsmål over tid, sammenligning av innledende vurderinger med senere, og sporing av progresjonen av vanskelighetsnivåer som hver elev når.
Hvis for eksempel en elev i starten sliter med grunnleggende spørsmål, men senere viser ferdigheter i mer komplekse emner gjennom adaptiv testing, indikerer dette klar forbedring. Slike data kan være uvurderlige for lærere som ønsker å identifisere vellykkede undervisningsstrategier eller intervensjoner.
5. Gi umiddelbar, personlig tilbakemelding
Når lærere setter opp en vurdering i TAO, kan de konfigurere testen til å gi umiddelbar tilbakemelding med poengsum, slik at elevene umiddelbart kan se hvor bra de gjorde det.
Fordi de inkluderer denne automatiserte karaktersettingen, gir datatester lærerne tid til å forberede og dele mer detaljert tilbakemelding som er spesifikk for hver elevs prestasjoner. Rettidig tilbakemelding kan forbedre elevenes læringsopplevelser betydelig ved å identifisere styrker og forbedringsområder mens materialet fortsatt er ferskt.
Beste praksis : Etter hver testdel eller vurdering, gi studenten detaljert informasjon om prestasjonene deres, inkludert hva de gjorde bra, hvor de strevde og hva de kan gjøre for å forbedre seg. Tilpass tilbakemeldingen ved å koble den til prestasjonene deres på tidligere vurderinger for å vise deres vekst eller pågående utfordringer.
Hvis for eksempel en student gjentatte ganger sliter med et bestemt konsept, kan systemet anbefale ytterligere ressurser eller foreslå ekstra øvelse på det emnet, noe som støtter en mer målrettet tilnærming til utbedring.
6. Overvåk data på gruppenivå for å få innsikt i undervisningen
Selv om individuelle elevdata er avgjørende, er det også viktig å analysere data på gruppenivå for å finne ut hvor godt elevene når læringsmålene på tvers av en klasse, et klassetrinn eller en institusjon. EdTech-plattformer som TAO kan gjøre trendidentifisering enklere med visualiseringsverktøy og tilpassede dashbord.
Disse dataene på gruppenivå er avgjørende for at administratorer skal kunne sikre at vurderingene er rettferdige og nyttige for alle elever. Institusjoner kan ta raskere og bedre informerte beslutninger om tiltak, ressursfordeling og justeringer av læreplanen når de har omfattende data.
Beste praksis : Administratorer bør bruke aggregerte data fra adaptive tester for å identifisere vanlige vanskelighetsområder blant elever, og for å gi lærere datadrevet innsikt i hvordan de kan forbedre sin undervisningsmetoder.
Hvis for eksempel en stor andel av elevene sliter med et bestemt konsept, kan det tyde på et behov for å gjenoppta dette emnet i timen. Alternativt kan det bety at lærere må justere måten de underviser i det konseptet på, eller finne tilleggsmateriell for å ta tak i det.
Konklusjonen
Datamaskintilpasning tilbyr en praktisk og effektiv løsning for personlig tilpasset vurdering i utdanning. Ved å tilpasse testinnhold til læringsmål, sikre et bredt spekter av spørsmålsvanskeligheter og regelmessig forbedre tilnærminger ved hjelp av prestasjonsdata, kan lærere lage mer nøyaktige og skreddersydde vurderinger.
Beste praksiser som å spore elevenes fremgang over tid, gi umiddelbar tilbakemelding og analysere data på gruppenivå kan bidra til å identifisere læringshull og forbedre undervisningsstrategier ytterligere. For å lære mer om bruk av TAO til å implementere datatilpasningstesting, sjekk disse nyttige ressursene:
- Valg av riktige vurderingsverktøy: En veiledning for skoler
- 4 vanlige utfordringer ved overgang til digitale vurderinger – og hvordan man overvinner dem
- Måling av læringssuksess: 3 verktøy og strategier for lærere
Vanlige spørsmål om adaptiv testing:
- Hvordan skiller forgreningstester og adaptive tester seg fra tradisjonelle tester?
Mens tradisjonelle tester presenterer det samme settet med spørsmål til alle elever, justerer forgrenings- og adaptive tester vanskelighetsgraden på spørsmålene basert på elevens prestasjoner i sanntid.
- Kan adaptive tester brukes for alle fag?
Ja, adaptive tester kan brukes på tvers av ulike fag, fra matematikk til språkfag, så lenge innholdet er strukturert for å tillate progressiv vanskelighetsgrad.
- Hvordan forbedrer adaptive tester elevenes resultater?
Ved å tilpasse vurderinger til hver elevs evner, identifiserer adaptive tester spesifikke styrker og svakheter, slik at lærere kan gi raskere, skreddersydd tilbakemelding og relevante undervisningstiltak.
