Archetypes or ability? Clustering for modelling student mathematical competence
Durch die Anwendung von Clustering-Methoden auf einen großen Datensatz britischer Prüfungsergebnisse von Schülern stellt diese Studie die Annahme infrage, dass mathematische Kompetenz aus diskreten, sequenziellen Fertigkeiten besteht, wobei sie stattdessen feststellt, dass die allgemeine Leistungsfähigkeit der dominante Faktor ist, während sie gleichzeitig zeigt, dass erklärbare Modelle eine wettbewerbsfähige Leistung für personalisiertes Lernen erzielen können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu verstehen, wie ein Schüler Mathematik lernt. Lange Zeit haben sich Pädagogen und Informatiker gefragt, ob Lernen wie der Bau eines Hauses mit verschiedenen, voneinander getrennten Räumen funktioniert. Vielleicht sind Sie ein Meister im „Algebra-Raum“, haben aber den „Geometrie-Raum“ noch nicht ganz fertiggestellt, und Ihre Fähigkeiten in dem einen sagen nicht unbedingt etwas über Ihre Fähigkeiten in dem anderen aus. Diese Idee legt nahe, dass jeder Schüler einen einzigartigen „Fingerabdruck“ aus Stärken und Schwächen besitzt, eine spezifische Mischung aus Talenten, die ihn ausmacht. Wenn wir diese unterschiedlichen Gruppen oder „Archetypen“ finden könnten, könnten wir superintelligente Computer bauen, die den Unterricht perfekt auf die einzigartige Form jedes Schülers zuschneiden. Dieses Feld, bekannt als Educational Data Mining, versucht, riesige Mengen an Testergebnissen zu nutzen, um diese verborgenen Muster zu finden. Es ist ein bisschen so, als würde man versuchen, eine riesige Tüte gemischter Lego-Steine in perfekte, vordefinierte Sets zu sortieren. Aber was wäre, wenn die Steine gar nicht in ordentlichen Haufen sortiert sind? Was wäre, wenn es gar nicht auf verschiedene Formen ankommt, sondern die einzige wichtige Sache die Gesamtzahl der Steine ist, die man hat?
Dies ist die große Frage, die Benjamin Mawdsley und sein Team zu beantworten versuchten. Sie nahmen einen massiven Datensatz von über 119.000 Schülern aus dem Vereinigten Königreich, die Übungsmathematikprüfungen abgelegt hatten. Anstatt nur zu raten, nutzten sie ein spezielles Computermodell, um nach diesen verborgenen „Fingerabdruck“-Gruppen zu suchen. Sie fragten sich: Fallen Schüler wirklich in unterschiedliche Cluster von Fähigkeiten, oder geht es eigentlich nur um eine einzige Sache – die allgemeine mathematische Fähigkeit?
Die Forscher behandelten jede Prüfungsfrage wie einen Lichtschalter: Entweder der Schüler hatte sie richtig (an) oder falsch (aus). Dann verwendeten sie ein mathematisches Werkzeug namens „Bernoulli-Mischmodell“, um zu sehen, ob sie Schüler basierend darauf, welche Schalter an oder aus waren, in verschiedene „Archetypen“ gruppieren konnten. Sie hofften, Gruppen wie „Geometrie-Gurus“ oder „Algebra-Asse“ zu finden. Die Ergebnisse waren jedoch eine Wendung in der Handlung. Der Computer fand nicht viele unterschiedliche Gruppen. Stattdessen stellte er fest, dass die Schüler hauptsächlich Variationen desselben Dings waren: ihrer allgemeinen mathematischen Fähigkeit.
Denken Sie an einen Chor. Man erwartet vielleicht, verschiedene Sektionen zu finden – Soprane, Altisten, Tenöre und Bässe –, die jeweils einen einzigartigen Klang haben. Aber als die Forscher genau hinhörten, stellten sie fest, dass der Unterschied zwischen einem „hohen“ und einem „tiefen“ Sänger meistens nur die Lautstärke war. Die „Geometrie-Gurus“ und die „Algebra-Asse“ sangen nicht wirklich unterschiedliche Lieder; sie sangen einfach dasselbe Lied, aber manche waren einfach lauter (geschickter) als andere. Die Studie ergab, dass die Wahrscheinlichkeit, mit der ein Schüler eine bestimmte Frage richtig beantwortet, fast perfekt mit seiner Gesamtpunktzahl in der gesamten Prüfung verknüpft war. Wenn ein Schüler im gesamten Test gut war, war er in fast allen Teilen gut. Wenn er im gesamten Test Schwierigkeiten hatte, hatte er sie in fast allen Teilen.
Das Team fand auch heraus, dass ein einfaches Modell, das nur die Durchschnittspunktzahl eines Schülers betrachtete, die Leistung bei einer spezifischen Frage mit einer Genauigkeit von etwa 78 % vorhersagen konnte. Das war fast so gut wie viel komplexere Modelle, die versuchten, jedes einzelne winzige Talent zu verfolgen. Tatsächlich boten die komplexesten Modelle nur eine winzige, kaum merkliche Verbesserung. Dies deutet darauf hin, dass es zwar einige kleine Unterschiede zwischen Schülern gibt – wie zum Beispiel einige Schüler, die in einem spezifischen Thema großartig, aber in anderen durchschnittlich sind –, diese Unterschiede jedoch selten sind. Für die überwiegende Mehrheit der Schüler ist ihre „Mathematik-Persönlichkeit“ einfach eine einzige Zahl: wie gut sie im Allgemeinen in Mathematik sind.
Die Forscher prüften auch, ob ihre Computermodelle fair und zuverlässig waren. Sie fanden heraus, dass die Modelle am besten für Schüler funktionierten, die entweder sehr gut oder sehr schlecht in Mathematik waren. Die Schüler in der Mitte – diejenigen, die „okay“ in Mathematik waren – waren am schwersten vorherzusagen. Es ist wie beim Versuch, das Wetter vorherzusagen: Es ist einfach, einen glühend heißen Tag oder einen eiskalten Tag vorherzusagen, aber ein bewölkter, milder Tag ist viel schwieriger zu bestimmen. Das bedeutet, dass Schulen, wenn sie diese Werkzeuge zur personalisierten Beratung einsetzen, besonders vorsichtig mit den Schülern in der Mitte sein müssen, da der Computer sich dort weniger sicher darüber ist, was sie benötigen.
Am Ende legt diese Studie nahe, dass die Vorstellung, Schüler hätten völlig unterschiedliche, voneinander getrennte Kompetenzsets, eher ein Mythos als eine Realität ist. Während es verlockend ist, Schüler als Individuen mit einzigartigen, modularen Fähigkeiten zu betrachten, zeigt die Datenlage, dass die allgemeine Fähigkeit der Chef ist. Es ist nicht so, dass die Schüler nicht unterschiedliche Stärken haben, aber diese Stärken steigen und fallen meist gemeinsam. Die Arbeit kommt zu dem Schluss, dass wir keine unglaublich komplexen „Black-Box“-Computer brauchen, um die mathematischen Fähigkeiten von Schülern zu verstehen; ein einfaches, erklärbares Modell, das das große Ganze betrachtet, reicht oft aus, um die Aufgabe zu bewältigen. Das ist eine große Sache, denn es bedeutet, dass wir Bildungswerkzeuge bauen können, die nicht nur genau, sondern auch für Lehrer und Eltern leicht verständlich sind, ohne dass wir für jeden einzelnen Schüler ein Millionen von winzigen Rätseln lösen müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.