Archetypes or ability? Clustering for modelling student mathematical competence
Door clusteringmethoden toe te passen op een grote dataset van Britse examenresultaten van studenten, daagt deze studie de aanname uit dat wiskundige competentie bestaat uit discrete, sequentiële vaardigheden, waarbij wordt vastgesteld dat algemeen vermogen de dominante factor is terwijl nog steeds wordt aangetoond dat verklaarbare modellen een concurrerende prestatie kunnen leveren voor gepersonaliseerd leren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert te begrijpen hoe een leerling wiskunde leert. Al heel lang vragen onderwijzers en informatici zich af of leren lijkt op het bouwen van een huis met afzonderlijke, aparte kamers. Misschien ben je een meester in de "Algebra-kamer", maar heb je de "Meetkunde-kamer" nog niet helemaal afgerond, en voorspellen je vaardigheden in de één niet noodzakelijkerwijs je vaardigheden in de ander. Dit idee suggereert dat elke leerling een unieke "vingerafdruk" van sterktes en zwaktes heeft, een specifieke mix van talenten die hen maken wie ze zijn. Als we deze afzonderlijke groepen, of "archetypen", zouden kunnen vinden, zouden we superintelligente computers kunnen bouken die lessen perfect afstemmen op de unieke vorm van elke leerling. Dit vakgebied, bekend als educational data mining, probeert enorme hoeveelheden toetsresultaten te gebruiken om die verborgen patronen te vinden. Het is een beetje als het proberen te sorteren van een grote zak gemengde Lego-steentjes in perfecte, vooraf gedefinieerde sets. Maar wat als de steentjes helemaal niet in nette stapels gesorteerd zijn? Wat als, in plaats van verschillende vormen, het enige dat er echt toe doet, is hoeveel steentjes je in totaal hebt?
Dit is de grote vraag die Benjamin Mawdsley en zijn team probeerden te beantwoorden. Ze namen een enorme dataset van meer dan 119.000 leerlingen uit het Verenigd Koninkrijk die oefentoetsen voor wiskunde hadden gemaakt. In plaats van simpelweg te gokken, gebruikten ze een speciaal computerprogramma om te zoeken naar die verborgen "vingerafdruk"-groepen. Ze vroegen zich af: vallen leerlingen echt in verschillende clusters van vaardigheden, of draait het allemaal gewoon om één groot ding — algemene bekwaamheid?
De onderzoekers behandelden elke examenvraag als een lichtschakelaar: de leerling had het goed gedaan (aan) of fout (uit). Vervolgens gebruikten ze een wiskundig hulpmiddel genaamd een "Bernoulli Mixture Model" om te zien of ze leerlingen in verschillende "archetypen" konden indelen op basis van welke schakelaars aan of uit stonden. Ze hoopten dat ze zouden ontdekken dat sommige leerlingen "Meetkunde-guru's" waren terwijl anderen "Algebra-assen" waren. Echter, de resultaten waren een beetje een plotwending. De computer vond niet veel verschillende groepen. In plaats daarvan ontdekte het dat de leerlingen vooral variaties waren van hetzelfde: hun algemene wiskundige bekwaamheid.
Denk aan een koor. Je zou verwachten dat je duidelijke secties vindt — sopranen, alto's, tenor en bas — elk met hun eigen unieke klank. Maar toen de onderzoekers goed luisterden, realiseerden ze zich dat het verschil tussen een "hoge" zanger en een "lage" zanger meestal gewoon volume was. De "Meetkunde-guru's" en de "Algebra-assen" zongen niet echt verschillende liedjes; ze zongen gewoon hetzelfde liedje, maar sommigen waren gewoon luider (bekwamer) dan anderen. De studie vond dat de waarschijnlijkheid dat een leerling een specifieke vraag goed had, bijna perfect verbonden was met de totale score op de hele toets. Als een leerling goed was in de hele toets, was diegene goed in bijna elk onderdeel. Als diegene moeite had met de hele toets, had diegene moeite met bijna elk onderdeel.
Het team ontdekte ook dat een eenvoudig model dat alleen naar de gemiddelde score van een leerling keek, de prestaties op een specifieke vraag met ongeveer 78% nauwkeurigheid kon voorspellen. Dit was bijna even goed als veel complexere modellen die probeerden elke enkele kleine vaardigheid bij te houden. Sterker nog, de meest complexe modellen boden slechts een kleine, nauwelijks merkbare verbetering. Dit suggereert dat hoewel er wel kleine verschillen tussen leerlingen zijn — zoals een paar leerlingen die misschien geweldig zijn in één specifiek onderwerp maar gemiddeld in andere — deze verschillen zeldzaam zijn. Voor de overgrote meerderheid van de leerlingen is hun "wiskunde-persoonlijkheid" gewoon één getal: hoe goed ze in het algemeen zijn in wiskunde.
De onderzoekers controleerden ook of hun computermodellen eerlijk en betrouwbaar waren. Ze vonden dat de modellen het beste werkten voor leerlingen die ofwel heel goed of heel slecht waren in wiskunde. De leerlingen in het midden — degenen die "oké" waren in wiskunde — waren het moeilijkst te voorspellen. Het is als het proberen te voorspellen van het weer: het is makkelijk om een verzengend hete dag of een ijskoude dag te voorspellen, maar een bewolkte, milde dag is veel moeilijker vast te pinnen. Dit betekent dat als scholen deze tools gebruiken om gepersonaliseerd advies te geven, ze extra voorzichtig moeten zijn met de leerlingen in het midden, aangezien de computer minder zeker is over wat zij nodig hebben.
Uiteindelijk suggereert deze studie dat het idee dat leerlingen over wilde, losstaande vaardigheidssets beschikken, meer een mythe dan een realiteit is. Hoewel het verleidelijk is om leerlingen te zien als unieke, modulaire vaardigheidssets, laat de data zien dat algemene bekwaamheid de baas is. Het is niet dat leerlingen geen verschillende sterktes hebben, maar die sterktes stijgen en dalen meestal samen. Het artikel concludeert dat we geen ongelooflijk complexe, "black-box" computers nodig hebben om de wiskundige vaardigheden van leerlingen te begrijpen; een eenvoudig, uitlegbaar model dat naar het grote plaatje kijkt, is vaak voldoende om de klus te klaren. Dit is een grote zaak, omdat het betekent dat we educatieve tools kunnen bouwen die niet alleen accuraat zijn, maar ook gemakkelijk te begrijpen zijn voor leraren en ouders, zonder dat we voor elke individuele leerling een miljoen kleine puzzels hoeven op te lossen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.