Abstract
Feedback is de krachtigste motor van elk leerproces. In de wiskundedidactiek wordt daarom uitgebreid onderzocht hoe men beoordelingen kan automatiseren. Dat is niet evident voor studenten: zich wiskundig uitdrukken is moeilijk op een computer en leersystemen kunnen vaak enkel de uitkomst verwerken en niet de oplossingsmethode. Digitale testen blijken zich veelal te beperken tot procedurele kennis ten koste van inzichtelijke denkvragen. Digitale wiskundetests ontwikkelen is een tijdrovende klus en daarnaast zijn leraars erg sceptisch om ze in te zetten, waardoor pen-en-papier het wiskundeonderwijs nog steeds domineert. Eén van de karakteristieken van wiskundig beoordelingswerk is dat foute antwoorden in een studentengroep patronen vertonen. Bijgevolg moeten leerkrachten hun feedback en punten meermaals herhalen. Dat brengt ons op het idee van semi-automatisch beoordelen: door pen-en-papier-evaluaties digitaal te beoordelen, kan feedback bewaard en hergebruikt worden. Dat kan uitgebreidere feedback en tijdswinst opleveren, maar biedt ook mogelijkheden om het leerproces van een student gedetailleerder te monitoren op basis van een Bayesiaans netwerk en zo, via adapatieve instructie, gericht te sturen. Een Bayesiaans netwerk is een probabilistisch, grafisch model dat de bekwaamheid van een student in kaart brengt. We willen focussen op de leerwinst die semi-automatische beoordelingssystemen kunnen bieden en ook hun betrouwbaarheid, tijdswinst en acceptatiegraad onderzoeken.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)