En framstående uppsats, högt medelvärde och standardiserade testresultat räcker ibland inte för collegeantagning.

Den pågående skolantagningsskandalen understryker hur inflytelserik ett standardiserat testresultat har blivit. En testadministratör samarbetar nu med utredningen om andra föräldrar som betalat för att få sina barns provresultat fixade.

College antagningsbeslut använder standardiserade testresultat som en prediktor för hur väl en sökande kommer att göra på college. Men tänk om det fanns ett bättre sätt att förutsäga lärande – ett som inte förlitade sig på ett enda, höginsatstest?

Forskare från Arizona State University och University of Denver har utarbetat ett sätt att förutsäga akademisk prestation som är tre gånger mer prediktiv än en enda standardiserad bedömning. Forskargruppen utvecklade och validerade en statistisk modell som använder lättillgängliga testresultat för att förutsäga framtida akademiska prestationer. Studien kommer att publiceras i Multivariat beteendeforskning .

"Alla påverkas av att testa någon gång - tester används för att fatta höginsatsbeslut om antagning till skolor och ibland till och med arbetsförmedling - och modellen vi utvecklat fångar vad som händer i data och förutsäger framtida resultat bättre än befintliga metoder , sa Daniel McNeish, biträdande professor i psykologi vid ASU och första författare på tidningen.

Nuvarande förmåga förutsäger inte alltid framtida lärande

Det uttalade syftet med många standardiserade test är en engångsbedömning, att inte informera om långsiktig prestation. Dessa tester används ibland för att förutsäga framtida prestanda för alla som tar testet, men få tester gör det här bra, sa Denis Dumas, som är biträdande professor vid University of Denver och andra författare på tidningen. Tanken att ett enda test inte kan mäta en elevs framtida lärandepotential på ett adekvat sätt är inte ny:Sociologen, historikern och medborgarrättsaktivisten W.E.B. DuBois tog upp det för nästan ett sekel sedan.

"Testresultat från en enda tidpunkt ger en bra ögonblicksbild av vad någon vet vid testtillfället, men de är ofta oförmögna att ge information om potentialen att lära sig, ", tillade Dumas. "Testresultat används ofta för att indikera hur mycket en person kan ha nytta av framtida utbildning, som att gå på college, men det här konceptet är helt annorlunda än hur mycket testpersonen vet just nu."

För att utveckla modellen, forskargruppen tog inspiration från arbetet av en israelisk psykolog vid namn Reuven Feuerstein som testade barn överlevande från Förintelsen för skol- och klassplacering. Uppgifter på betygsnivå baserade på ett provresultat var ofta för låga, så Feuerstein utvecklade ett testsystem som kallas dynamisk bedömning som använde flera testresultat som samlats in över tid för att mäta barns förmåga att lära, istället för deras nuvarande kunskapsnivå. Dynamisk bedömning är arbetskrävande och svår att genomföra i stor skala. Forskargruppen löste det problemet genom att utnyttja framsteg inom matematiska modeller och datorkraft för att skapa en ny metod, som de kallar en dynamisk mätmodell.

Koppla ihop prickarna

Den dynamiska mätningsmodellen använder en serie testresultat för att förutsäga framtida inlärningskapacitet. Modellen passar en kurva genom testresultaten över tid, som vanligtvis ser ut som en bokstav "J" i sidled och kallas ofta för en "inlärningskurva". Punkterna på inlärningskurvan representerar mängden aktuell kunskap, och kurvans maximum eller tak är inlärningspotentialen. Med hjälp av standardiserade testresultat från dagis till åttonde klass, teamet visade nyligen att den dynamiska mätningsmodellen kunde passa inlärningskurvan och förutsäga inlärningspotential.

Forskargruppen ville veta hur långt ut modellen kunde förutsäga inlärningspotential och därmed hur exakt den faktiskt var. De använde tre datamängder som härrörde från Institute of Human Development vid University of California, Berkeley. Datauppsättningarna inkluderar testresultat från deltagare som började när de var 3 år gamla på 1920- och 1930-talen. Deltagarna har studerats i decennier, tills de var i 50-årsåldern, 60-talet, och 70-talet.

Eftersom de flesta standardiserade tester sker i skolan, forskargruppen använde den dynamiska mätningsmodellen för att passa testresultaten från när UC Berkeley-deltagarna var 20 år och yngre. Teamet förutspådde den framtida inlärningspotentialen för varje deltagare genom att låta modellen avsluta kurvan. Sedan, de jämförde de faktiska testresultaten vid åldrarna 50-70 år med vad modellen förutspådde.

"Den dynamiska mätningsmodellen fångade tre gånger så stor varians som andra metoder, inklusive enstaka testresultat. Med andra ord, vår modell förutspådde de senare poängen – en individs realiserade inlärningspotential – tre gånger bättre, ", sa McNeish. "Elever testas så ofta nu för att mäta deras framsteg, men att ha flera poäng per elev kan tjäna ett syfte utöver att mäta framsteg. De kan kombineras till en enda inlärningspotentialpoäng för att förbättra förutsägelser om var människors färdigheter och förmågor förutspås hamna i framtiden om de bibehåller samma bana."

Utnyttja potentialen i standardiserade tester

Att använda dynamiska mätmodeller för att förutsäga elevernas framtida lärandepotential kräver inga förändringar i policyn eller nya tester. Testresultaten som behövs för modellen finns redan och är tillgängliga på grund av passagen av No Child Left Behind Act och Every Student Succeed Act.

"Dynamisk mätningsmodellering kräver inte en specialiserad dator för att köras och tar inte mycket längre tid än vanliga statistiska modeller som används inom detta område, " sa McNeish. "Logistiskt, alla bitar är där för att implementera det imorgon."

Forskargruppen arbetar för närvarande med att utveckla mjukvara för att sprida den dynamiska mätmodellen.