A Deep Investigation Using Factorial Analysis and Rasch Model: An Optimized Short-Version of the Computational Thinking Scale (COTS)
Diese Studie entwickelt und validiert eine optimierte Kurzversion der Computational Thinking Scale (COTS) für indonesische Universitätsstudierende, indem sie die konfirmatorische Faktorenanalyse und das Rasch-Modell einsetzt, um deren robuste Faktorenstruktur, Reliabilität und Effektivität bei der Bewertung von Personen mit moderaten Computational-Thinking-Fähigkeiten zu bestätigen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Das große Ganze: Ein besseres Lineal bauen
Stellen Sie sich vor, Sie möchten messen, wie gut Menschen im Bereich „Computational Thinking“ (CT) sind. In der realen Welt geht es dabei nicht um das Programmieren von Robotern, sondern um eine Superkraft zur Problemlösung. Es ist die Fähigkeit, große, komplexe Probleme in kleine Teile zu zerlegen, Muster zu erkennen und Schritt-für-Schritt-Pläne zu erstellen, um sie zu lösen.
Die Forscher in dieser Arbeit hatten das Gefühl, dass die bestehenden „Lineale“ (Tests), die diese Fähigkeit messen, etwas instabil waren oder nicht perfekt zu jedem passten. Deshalb beschlossen sie, ein neues, hochwertiges Lineal namens COTS (Computational Thinking Skills Scale) zu entwickeln. Ihr Ziel war es, sicherzustellen, dass dieses Lineal genau, konsistent und fair ist, bevor sie es an Studierende verteilen.
Die zweistufige Qualitätsprüfung
Um sicherzustellen, dass ihr neues Lineal erstklassig ist, haben die Forscher nicht einfach nur geraten; sie unterzogen es einem strengen zweistufigen Inspektionsprozess unter Verwendung zweier verschiedener „Qualitätskontrollmaschinen“.
Schritt 1: Der strukturelle Bauplan (Konfirmatorische Faktorenanalyse)
Denken Sie bei diesem Schritt an die Überprüfung des Bauplans eines Hauses. Sie wollen sicherstellen, dass die Wände an der richtigen Stelle stehen und die Räume Sinn ergeben.
- Der Test: Sie baten 364 Universitätsstudierende in Indonesien, einen Quiz mit 22 Fragen zu absolvieren.
- Das Ergebnis: Der Bauplan sah weitgehend gut aus, aber zwei „Wände“ (Fragen) waren wackelig. Sie passten nicht gut zum Design, also entfernten die Forscher sie.
- Das Ergebnis: Übrig blieb ein solider 20-Fragen-Quiz. Die Mathematik zeigte, dass die Fragen perfekt in vier Haupt-„Räume“ oder Kategorien gruppiert werden konnten:
- Abstraktion: Das Rauschen ignorieren, um sich auf das Wesentliche zu konzentrieren.
- Dekomposition: Ein großes Problem in kleine, handhabbare Stücke zerlegen.
- Algorithmisches Denken: Ein Schritt-für-Schritt-Rezept erstellen, um ein Problem zu lösen.
- Generalisierung (Mustererkennung): Sehen, wie eine Lösung in verschiedenen Situationen wiederverwendet werden kann.
Schritt 2: Der Belastungstest (Rasch-Modell)
Nachdem der Bauplan solide war, mussten sie sehen, wie das Lineal tatsächlich in der Praxis funktioniert. Dies ist vergleichbar mit dem Mitnehmen eines neuen Maßbands auf eine Baustelle, um zu sehen, ob es sich dehnt, reißt oder konsistente Zahlen liefert.
- Der Test: Sie gaben den verfeinerten 20-Fragen-Quiz einer größeren Gruppe von 434 Studierenden.
- Die Prüfung der „Lokalen Unabhängigkeit“: Sie stellten sicher, dass die Beantwortung einer Frage nicht versehentlich eine bestimmte Antwort auf die nächste Frage erzwingt. (Wie sicherzustellen, dass ein Thermometer nicht heiß wird, nur weil man es berührt hat).
- Die Prüfung der „Unidimensionalität“: Sie bestätigten, dass alle Fragen tatsächlich dieselbe Kernkompetenz messen, anstatt eine Mischung aus unzusammenhängenden Dingen zu sein.
- Die „Schwierigkeits“-Prüfung: Sie untersuchten, welche Fragen einfach und welche schwer waren.
Was sie herausfanden
Das neue Lineal bestand mit Bravour, wies jedoch eine spezifische Besonderheit auf:
- Es ist sehr zuverlässig: Der Test ist konsistent. Wenn Sie ihn zweimal machen würden, erhielten Sie wahrscheinlich ein ähnliches Ergebnis. Der „Zuverlässigkeitswert“ war exzellent (0,97 für die Fragen und 0,88 für die Personen).
- Die Fragen funktionierten: Jede einzelne Frage passte perfekt zum mathematischen Modell. Keine Fragen waren verwirrend oder „verrauscht“.
- Die „Goldlöckchen-Zone“: Dies ist der interessanteste Befund. Die Fragen waren überwiegend im mittleren Schwierigkeitsgrad angesiedelt.
- Die Analogie: Stellen Sie sich ein Videospiel-Level vor. Dieser Test ist perfekt für Spieler, die sich im „Mittelmaß“ befinden. Er kann problemlos zwischen einem Spieler, der „okay“ ist, und einem, der „gut“ ist, unterscheiden.
- Die Einschränkung: Es mangelt jedoch an „Hard Mode“-Fragen. Wenn ein Student ein „Grandmaster“ (extrem hohe Geschicklichkeit) ist, kann dieses Lineal möglicherweise nicht zwischen einem „Pro“ und einem „Grandmaster“ unterscheiden. Der Test verliert an der Spitze nach oben an Kraft.
Das abschließende Urteil
Die Forscher haben erfolgreich ein 20-Item „Short-Form“-Instrument zur Messung von Computational Thinking entwickelt.
- Was es gut kann: Es ist ein valides, zuverlässiges und wissenschaftlich fundiertes Werkzeug zur Messung der Problemlösungsfähigkeiten durchschnittlicher Universitätsstudierender.
- Was es braucht: Um für die absoluten Spitzenexperten nützlich zu sein, schlagen die Forscher vor, dass sie einige „superharte“ Fragen erfinden müssen, um das Lineal weiter zu dehnen.
Kurz gesagt: Sie haben ein hochwertiges, standardisiertes Werkzeug gebaut, das für die Mehrheit der Menschen hervorragend funktioniert, merkten aber an, dass es noch ein paar mehr „Herausforderungsstufen“ benötigt, um die absoluten Genies der Problemlösung zu messen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.