Шкала перевода баллов в оценки егэ 2019 по биологии: Перевод баллов ЕГЭ в оценки » 4ЕГЭ

Процесс приравнивания

Процесс масштабирования создает базовую шкалу, которая служит ориентиром для другого процесса, известного как приравнивание. Процесс приравнивания необходим для учета различий между несколькими версиями одного и того же теста.

Хотя разработчики тестов стараются сохранять уровень сложности теста одним и тем же от версии к версии, различия неизбежны. Приравнивание позволяет разработчику тестов статистически корректировать оценки таким образом, чтобы средняя производительность первой версии теста была равна средней производительности второй версии теста, третьей версии теста и т. Д.

После прохождения как масштабирования, так и приравнивания полученные баллы должны быть взаимозаменяемыми и легко сопоставимыми независимо от того, какая версия теста была взята.

Пример приравнивания

Давайте рассмотрим пример, чтобы увидеть, как процесс приравнивания может повлиять на шкалу баллов в стандартизированных тестах. Представьте, что вы с другом сдаете SAT. Вы оба будете сдавать экзамен в одном центре тестирования, но вы будете сдавать его в январе, а ваш друг будет сдавать его в феврале.У вас разные даты тестирования, и нет гарантии, что вы оба пройдете одну и ту же версию SAT. Вы можете увидеть одну форму теста, а ваш друг — другую. Хотя оба теста имеют похожее содержание, вопросы не совсем одинаковые.

После сдачи SAT вы и ваш друг собираетесь вместе и сравниваете свои результаты. Вы оба получили 50 баллов по математике, но ваша оценка по шкале — 710, а оценка вашего друга — 700. Ваш приятель задается вопросом, что произошло, поскольку вы оба ответили на одинаковое количество правильных вопросов.Но объяснение довольно простое; каждый из вас прошел разные версии теста, и ваша версия была более сложной, чем его. Чтобы получить такой же балл по шкале SAT, ему нужно было бы правильно ответить на большее количество вопросов, чем вам.

Создатели тестов, использующие процесс приравнивания, используют разные формулы для создания уникальной шкалы для каждой версии экзамена. Это означает, что не существует единой таблицы преобразования исходных оценок в шкалу, которую можно было бы использовать для каждой версии экзамена. Вот почему в нашем предыдущем примере необработанная оценка 50 была преобразована в 710 в один день и 700 в другой день.Помните об этом, проходя практические тесты и используя диаграммы преобразования, чтобы преобразовать исходный результат в масштабированный.

Цель масштабируемых баллов

Сырые баллы определенно легче подсчитать, чем масштабированные. Но компании, занимающиеся тестированием, хотят быть уверенными, что результаты тестов могут быть справедливо и точно сопоставлены, даже если участники тестирования берут разные версии или формы теста в разные даты. Шкала оценок позволяет проводить точные сравнения и гарантирует, что люди, сдавшие более сложный тест, не будут наказаны, а людям, сдавшим менее сложный тест, не будет предоставлено несправедливое преимущество.

Академическое качество, правила и процедуры — Академическое качество, правила и процедуры — РКВ — Около

Общие правила обучения и награждения (заменены Общие правила для студентов-терапевтов Королевского ветеринарного колледжа)

Положение об оценке и награждении на 2021/22 (PDF) будет доступно до начала учебного года и подлежит утверждению Ученым советом.

Правила оценки и награждения (AAR) для некоторых модульных курсов разделены на 3 разных документа (части).

• Часть 1 = Правила оценки (как вы переходите год / переходите на следующий этап)
• Часть 2 = Карты наград (описание путей прохождения курса)
• Часть 3 = Оценочные веса модуля (разбивка оценок модуля и их взвешивания)

Биологические науки, бакалавр наук / магистр наук (и интеркалированный) и бакалавр сравнительной патологии

Бакалавриат / магистратура 1–4 года — (уровни 4–7) Часть 1 Положения об оценке (все направления)

Часть 1: Бакалавриат / Магистр наук 1-4 года (все направления)

Бакалавриат / магистратура 1-4 года (уровни 4-7) Часть 2 Карты наград (все направления)

Часть 2: Бакалавр биологических наук Биология, поведение, благополучие и этика животных
Часть 2: Прикладные биологические исследования бакалавра / MSci
Часть 2: Прикладные биологические исследования бакалавра / магистра наук
Часть 2: Бакалавр / магистр биологических наук
Часть 2: Бакалавр наук / MSci Bioveterinary Sciences
Часть 2: Биология диких животных MSci

Часть 2 Бакалавр биологических наук (Науки о здоровье диких животных)
Часть 2: Бакалавр сравнительной патологии
Часть 2: Интеркалированный бакалавр биоветеринарных наук

Бакалавриат / магистратура 1–4 года (уровни 4–7) — Оценка модуля, часть 3 (все направления)

Часть 3: BSc / MSci, год 1
Часть 3: BSc / MSci, год 2
Часть 3: BSc / MSci, год 3
Часть 3: MSci, год 4

BSc / BVetMed Placement Year — Сертификат в области производственного обучения и исследований (CWBLR)

Ветеринарный уход

Доктор философии и степень бакалавра ветеринарного ухода

BSc / FdSc VN Год 1
BSc / FdSc VN Год 2
FdSc VN Год 3
BSc VN Год 3
BSc VN Год 4

Сертификат об окончании и послевузовский сертификат в области усовершенствованного ветеринарного ухода — применимо к приему, начиная с мая 2022 г.

Grad Cert и PG Cert AVN — Правила оценки, Часть 1
Grad Cert AVN — Часть 2 Карта наград
PG Cert AVN — Часть 2 Карта наград
Grad Cert и PG Cert AVN — Часть 3 Оценочные веса

Ветеринарная хирургия

Бакалавр ветеринарной медицины (BVetMed)

BVetMed Gateway — Часть 1 Положения об оценке
BVetMed Gateway — Часть 2 Карта наград
BVetMed Gateway — Часть 3 Оценочные веса модуля
BVetMed Graduate Entry
BVetMed Year 1
BVetMed Year 2
BVetMed Year 3
Part BVetMed Year 3
Part BVetMed Year 3
Part 3 1 Ротация Апрель 2021 Прием
BVetMed Год 5 Часть 1 Ротация Февраль 2022 Прием
BVetMed Год 5 Часть 2
BVetMed Год 5 Часть 3
BVetMed Honors Points
BSc (Hons) Здоровье и болезни животных

Бакалавр ветеринарных наук (BVSc)

BVSc Год 1:

Правила прогрессирования для BVSc 1 и 2 сентября 2021 года (пункт 4.22 здесь)

Основная информация об оценке по каждому модулю:

VE10120 — Профессиональные исследования и доказательная медицина

VE10220 — Сердечно-сосудистая, дыхательная, опорно-двигательная и кожная системы (год 1)

VE10320 — Принципы науки

VE10430 — Животноводство

VE10520 — Пищеварительная, эндокринная и мочеполовая системы (год 1)

VE10610 — Неврология, офтальмология и специальные органы чувств

Фактическая информация об аттестации будет храниться в виртуальной учебной среде Аберистуитского университета и видна только зарегистрированным студентам.

BVSc Год 2: tbc

BVSc Год 3: tbc

BVSc Год 4: tbc

BVSc Год 5: tbc

Диплом об окончании исследования опорно-двигательного аппарата лошадей — применим к поступлению, начинающемуся в январе 2022 г.
Grad Dip ELR — Часть 1 Положения об оценке

Правила модуля MSc

MSc — Правила оценки, часть 1
MSc — Карта наград, часть 2:
Часть 2: One Health
Часть 2: Vet Ed
Часть 2: Vet Epi
Часть 2: WAB
Часть 2: WAH
MSc — Оценка модуля Часть 3 Веса

Преобразование оценок MSc для совместных курсов и других обозначений
MVetMed — Студенты, начинающиеся в июле 2019 г. и далее
PGCert в ветеринарных клинических исследованиях
PGDip в ветеринарной клинической практике
MRes
CertAVP
Prof Doc в ветеринарной практике (VetD)
Лондонский университет по всему миру — Здоровье и производство скота, ветеринарная эпидемиология и общественное здравоохранение 2021

границ | Разработка отвлекающего элемента с множественным выбором с использованием подходов тематического моделирования

Введение

Тестирование с несколькими вариантами ответов — одна из самых устойчивых и успешных форм образовательной оценки, которая применяется на практике сегодня.Задания с множественным выбором используются в образовательном тестировании, поскольку они позволяют измерять различные типы знаний, навыков и компетенций (Haladyna, 2004; Downing, 2006; Popham, 2008). Пункты с множественным выбором эффективны для администрирования; их легко объективно забить; их можно использовать для выборки широкого диапазона контента; они требуют относительно короткого времени для администрирования (Haladyna, 2004; Haladyna and Rodriguez, 2013; Rodriguez, 2016). Даунинг (2006, с. 288) в своей основополагающей главе в Справочнике по разработке тестов утверждал, что элементы с выбранным ответом, как и множественный выбор, являются наиболее подходящим форматом для измерения когнитивных достижений или способностей, особенно более высокого порядка. когнитивные навыки, такие как решение проблем, синтез и оценка.Он также заявил, что этот формат заданий полезен и подходит для создания экзаменов, предназначенных для измерения широкого диапазона знаний, способностей или когнитивных навыков во многих областях.

Благодаря этим важным преимуществам, задания с множественным выбором продолжают иметь широкую привлекательность и, следовательно, применяться в образовании, несмотря на некоторые потенциальные недостатки, такие как эффекты предположения и непреднамеренное предоставление учащимся неверной информации. Учащиеся из Северной Америки проходят сотни тестов с несколькими вариантами ответов и отвечают на тысячи тестов с несколькими вариантами ответов в рамках своего образовательного опыта.Chingos (2012) сообщил, что одна треть США использует задания с несколькими вариантами ответов исключительно для оценки математических навыков и навыков чтения учащихся 4 и 8 классов. В высшем образовании тест с несколькими вариантами ответов является распространенным и широко используемым форматом оценки для измерения знаний студентов, особенно на вводных курсах с большой группой студентов. Тестирование с множественным выбором также широко используется для международных оценок. Например, в исследовании 2015 года The Trends in International Mathematics and Science Study (TIMSS) для половины заданий по математике и естественным наукам использовался формат множественного выбора (Mullis et al., 2016). В 2015 году в рамках Программы международной оценки учащихся (PISA) две трети заданий по чтению, математике и естественным наукам были с множественным выбором (OECD, 2016).

Элемент с множественным выбором состоит из основы, опций и вспомогательной информации. Основа содержит контекст, содержание и / или вопрос, на который ученик должен ответить. Варианты включают набор альтернативных ответов с одним правильным вариантом и одним или несколькими неправильными вариантами или отвлекающими факторами.Вспомогательная информация включает в себя любой дополнительный контент, в основе или опции, необходимый для создания элемента, включая текст, изображения, таблицы, графики, диаграммы, аудио и / или видео. Чтобы ответить на вопрос с множественным выбором, учащемуся предоставляется основа и два или более вариантов, которые отличаются своей относительной правильностью. Студенты должны различать варианты ответов, некоторые из которых могут быть частично правильными, чтобы выбрать лучший или наиболее правильный вариант. Следовательно, учащийся должен использовать свои знания и навыки решения проблем, чтобы определить взаимосвязь между содержанием в основе и правильным вариантом.Неправильные варианты называются отвлекающими, потому что они считаются «отвлекающими» для учащихся с частичным знанием из-за их вероятности выбрать правильный вариант.

Создание элементов с множественным выбором — сложная задача, особенно когда дело доходит до разработки отвлекающих факторов, из-за огромного объема работы, которая требуется. Например, чтобы создать 100 элементов с множественным выбором, состоящих из одного правильного варианта и четырех неправильных вариантов, специалист по контенту должен создать 100 основ и 100 правильных вариантов.Специалисту по контенту также необходимо создать 400 правдоподобных, но неверных вариантов. Эта проблема развития отвлекающих факторов одновременно пугает и часто оказывается безуспешной. Халадина и Даунинг (1993) оценили отвлекающие факторы по четырем стандартизированным тестам с множественным выбором. Они оценили качество и правдоподобие отвлекающих факторов на основе их привлекательности. В частности, они подчеркнули, что вероятные отвлекающие факторы должны быть в состоянии привлечь более 5% учащихся с низкой успеваемостью, которые не смогли определить правильный ответ.Основываясь на таких критериях, они обнаружили, что только 8% пунктов содержали эффективные отвлекающие факторы.

Чтобы преодолеть проблему создания большого числа эффективных отвлекающих факторов, исследователи и практики изучили и реализовали различные стратегии. Наиболее распространенная стратегия фокусируется на списке правдоподобных, но неверных альтернатив, связанных с распространенными заблуждениями или ошибками в мышлении, рассуждениях и решении проблем (Haladyna и Downing, 1989; Case and Swanson, 2001; Vacc et al., 2001; Коллинз, 2006; Морено и др., 2006, 2015; де ла Торре, 2009 г .; Tarrant et al., 2009; Родригес, 2011, 2016). Халадина и Родригес (2013) в своем учебнике «Разработка и валидность тестовых заданий » утверждают, что наиболее эффективный способ создания правдоподобных отвлекающих факторов, использующих неправильные представления, — это выявление «общих ошибок», вызываемых конкретным стержнем в подсказке по заданию. Эти распространенные ошибки служат кандидатами в возможные отвлекающие факторы. Халадина и Родригес заявляют, что распространенные ошибки можно определить двумя способами.Во-первых, они могут быть идентифицированы с помощью суждений специалистов по содержанию, которые хорошо разбираются в преподавании и обучении в определенной области содержания и могут указать общие ошибки и заблуждения, которые возникают, когда учащиеся изучают новую тему или концепцию. Во-вторых, их можно идентифицировать, оценивая ответы учащихся на элемент сконструированного ответа (то есть элемент, который содержит основу без вариантов), где ошибки в рассуждении, мышлении и решении проблем документируются в ответах учащегося.Второй подход — извлечение ответов учащихся из элементов сконструированных ответов — является предпочтительной стратегией для выявления распространенных ошибок, потому что он основан на фактических процессах ответа учащихся, а не на ожидаемых процессах ответа, выведенных из суждения специалистов по содержанию о том, как учащиеся реагируют на тестовые задания. Однако выявление и извлечение типичных ошибок и заблуждений из фактических процессов реагирования является сложной задачей, потому что большие объемы данных ответа должны быть процессами, а эти данные, в свою очередь, должны быть точно классифицированы, чтобы определить результаты, которые могут быть использованы в качестве отвлекающих факторов.

Цель этого исследования — представить подход с расширенным интеллектом для систематического выявления и классификации заблуждений из письменных ответов учащихся, которые предварительно помечаются с целью создания отвлекающих факторов, которые можно использовать для заданий с множественным выбором. Расширенный интеллект — это область искусственного интеллекта, которая занимается тем, как компьютерные системы могут имитировать и расширять когнитивные способности человека, тем самым помогая улучшить выполнение человеческих задач и улучшить решение человеческих проблем (Zheng et al., 2017). Это требует взаимодействия между человеком и компьютерной системой, чтобы система могла выдать результат или решение. Расширенный интеллект сочетает в себе способность человека к суждениям со способностью современных вычислений с использованием вычислительного анализа и хранения данных для решения сложных и, как правило, неструктурированных проблем. Таким образом, расширенный интеллект можно использовать для характеристики любого процесса или системы, которые улучшают человеческий потенциал для решения сложных проблем, полагаясь на партнерство между человеком и машиной (Pan, 2016; Popenici and Kerr, 2017).

Мы представляем и демонстрируем метод расширенного интеллекта, который можно использовать для развития дистрактора с использованием латентного распределения дирихле (LDA; Blei et al., 2003). LDA — это статистическая модель, используемая в машинном обучении и обработке естественного языка, которая определяет конкретные темы и концепции в письменных текстах. Ожидается, что определенные слова будут появляться в письменном тексте более или менее часто с учетом конкретной темы. LDA можно использовать для фиксации этого ожидаемого результата в математической структуре, сосредоточив внимание на том, сколько раз в письменном тексте появлялись слова по разным темам.Используя LDA, специалисты по контенту могут выявить действительные заблуждения на основе процессов реакции студентов, чтобы составить списки вероятных отвлекающих факторов.

Традиционный подход к развитию дистрактора

Дистракторы являются одним из ключевых компонентов, влияющих на общее качество элементов с множественным выбором, а также на статистические характеристики элемента (Gierl et al., 2017). Отвлекающие факторы предназначены для того, чтобы различать студентов, которые еще не приобрели знания, необходимые для правильного ответа на вопрос, от тех, кто понимает содержание.Таким образом, отвлекающие факторы в задании с множественным выбором предназначены для того, чтобы содержать правдоподобные, но неверные ответы, основанные на типичных ошибках или заблуждениях учащихся, чтобы этот вариант мог измерить уровень мастерства учащихся в определенной области содержания (например, Case and Swanson, 2001; Ascalon et al., 2007; Hoshino, 2013; Towns, 2014; Lai et al., 2016). Создание отвлекающих факторов с использованием распространенных ошибок и заблуждений приводит к заданию с множественным выбором с повышенной диагностической ценностью, а также к более высокому качеству элементов (Haladyna, Downing, 1989; Case and Swanson, 2001; Briggs et al., 2006; Морено и др., 2006, 2015; де ла Торре, 2009 г .; Tarrant et al., 2009; Родригес, 2011, 2016).

Haladyna и Rodriguez (2013) утверждали, что общие ошибки и заблуждения можно выявить с помощью двух разных подходов. При первом подходе специалисты по контенту вручную создают отдельные отвлекающие факторы, которые содержат эти распространенные ошибки и заблуждения. Коллинз (2006) рекомендовал специалистам по содержанию имитировать процессы решения проблем учащихся, отвечая на такие вопросы, как «какая общая ошибка при решении этой проблемы?» и «с чем студенты обычно путают это понятие или идею?» для выявления вероятных отвлекающих факторов.Самое привлекательное в этом методе — его практичность и простота реализации. Отвлекающие факторы создаются специалистами по содержанию, знакомыми с учащимися и областью содержания, чтобы имитировать типичные и обычные проблемы, которые могут возникнуть с наибольшей вероятностью. Хотя этот подход осуществим, он также основан на трех предположениях. Во-первых, специалисты по контенту могут указать правдоподобные алгоритмы, правила или источники информации. Во-вторых, с помощью этих источников можно создать правдоподобные, но неправильные отвлекающие факторы.В-третьих, заблуждения, выявленные специалистами по содержанию из этих источников, на самом деле являются теми же заблуждениями, которых придерживаются студенты. Правильное согласование предположений имеет решающее значение для создания отвлекающих факторов, которые измеряют фактические ошибки и заблуждения учащихся. Более того, выравнивание должно происходить для каждого отвлекающего фактора по каждому пункту с множественным выбором. Используя наш предыдущий пример, если специалист по контенту пишет 100 элементов с множественным выбором, и каждый элемент содержит пять вариантов (то есть один правильный вариант и четыре отвлекающих фактора), то специалист по контенту должен определить 400 правдоподобных, но неверных альтернатив, которые удовлетворяют этим трем предположениям.

Во втором подходе ответы учащихся на существующие вопросы с построенными ответами оцениваются для выявления распространенных ошибок и заблуждений. То есть специалисты по содержанию просматривают ответы студентов на элементы сконструированных ответов, чтобы выявить ошибки, ошибки и недопонимания, а затем классифицируют эти результаты для создания скомпилированного списка вероятных отвлекающих факторов (например, Bekkink et al., 2016). Этот подход решил проблему вывода, связанную с предыдущим подходом, поскольку он основан на фактических данных об ответах студентов, а не на суждениях об ожидаемых процессах реагирования.Другими словами, второй подход основан на данных. Общие ошибки и заблуждения, выявленные с использованием второго подхода, происходят из алгоритмов, правил или источников информации, используемых учащимися для получения неправильных ответов. К сожалению, второй подход страдает проблемой практичности и простоты реализации, поскольку он непрактичен и непрост в использовании. В настоящее время второй подход пугает, потому что он предполагает всесторонний анализ письменных ответов студентов с использованием ручного процесса с целью выявления распространенных ошибок и заблуждений, которые возникают последовательно и систематически.Это также процесс, чреватый проблемами интерпретации, потому что выявление общих ошибок и заблуждений, которые возникают систематически, может быть субъективной задачей (например, каковы характеристики систематического заблуждения). И, несмотря на потенциальные преимущества использования подхода, основанного на данных, практически также требуется, чтобы процесс разработки элемента был относительно быстрым и эффективным, даже когда требуется большое количество элементов с множественным выбором. Это требование сложно удовлетворить при использовании второго подхода, особенно когда большие объемы письменного текста доступны из элемента сконструированного ответа.

На сегодняшний день было проведено ограниченное исследование по применению расширенного интеллекта для развития отвлекающих факторов. Исследователи выяснили важность использования заблуждений и распространенных ошибок учащихся для создания отвлекающих факторов. Подход, использованный в этих исследованиях, был основан на выявлении заблуждений с использованием письменных или устных ответов студентов, которые, в свою очередь, вручную классифицировались специалистами по содержанию для выявления распространенных ошибок и заблуждений (например,г., Vacc et al., 2001; Халадина и Родригес, 2013; Moreno et al., 2015; Беккинк и др., 2016; Родригес, 2016). Как отмечалось ранее, подход на основе данных с использованием ответов студентов по своей сути полезен для выявления фактических ошибок и заблуждений, которые используются учащимися, когда они дают неправильные ответы. Но он также по своей сути ограничен, потому что выявление и классификация ошибок в письменном тексте с использованием процесса ручного просмотра занимает слишком много времени и трудозатрат. Чтобы преодолеть это ограничение, мы представляем и проиллюстрируем управляемый данными метод создания отвлекающих факторов на основе распространенных ошибок и заблуждений учащихся с использованием LDA.

Тематическое моделирование и скрытое распределение Дирихле

Поиск ключевых слов и тем для понимания текста — простой и эффективный способ классификации текстовой информации для людей. Например, для сбора информации по определенным темам мы часто начинаем с создания одного или двух ключевых слов, чтобы найти соответствующие документы, которые разделяют общие темы. К сожалению, этот подход быстро становится неуправляемым для людей, когда объем текстовой информации начинает увеличиваться. Например, если специалисты по контенту вручную просматривают тысячи ответов студентов, чтобы выявить и затем классифицировать типичные ошибки, то классификация займет много времени и будет неэффективной.

Чтобы преодолеть эту проблему кластеризации, было разработано тематическое моделирование, которое используется с алгоритмами машинного обучения и обработки естественного языка для выявления скрытых тем в документе (Blei, 2012). Эти скрытые темы могут быть идентифицированы без предварительной маркировки, что означает, что тематические модели не требуют предварительно категоризированных или тематических документов. В машинном обучении эти проблемы описываются как подход к обучению без учителя, что означает, что структура проблемы включает в себя цели или выходы, которые неизвестны, и, следовательно, основной задачей обучения является понимание структуры данных.Поэтому при тематическом моделировании мы пытаемся идентифицировать скрытые или ненаблюдаемые цели, темы, используя полностью наблюдаемую информацию, слова.

Если мы предположим, что последовательность слов в документе регулируется одной и той же ненаблюдаемой темой, то мы могли бы просто вычислить вероятность того, что документ представляет определенную тему, чтобы определить основную тему документа в неконтролируемой обстановке. Чтобы найти общие темы, моделирование тем использует информацию о вхождении слов, где определенные слова, как ожидается, будут появляться в документе более или менее часто, в зависимости от конкретной темы.LDA — это генеративный вероятностный алгоритм тематического моделирования (Blei et al., 2003), в котором каждый документ воспринимается как смесь нескольких тем. Генеративные модели принимают во внимание информацию о том, как наблюдаемые данные были сгенерированы, для построения модели. Предположим, например, что у нас есть документы, созданные с помощью сложных неизвестных процедур.

Скрытое распределение дирихле пытается синтезировать приблизительную процедуру генерации и наблюдаемую информацию (то есть слова) для раскрытия скрытых тем без каких-либо ярлыков.Более того, в отличие от других подходов к тематическому моделированию, LDA может не только создавать интерпретируемые темы, но и обрабатывать невидимые документы для назначения тем. Генеративный процесс LDA состоит из трех уровней выборки распределения тем, выборки тем и выборки слов по темам. Например, после того, как определено количество слов (или длина документа) и количество тем, указывается распределение тем (например, 40% биология, 30% кинетика и 30% психология). Затем выбирается тема на основе распределения смеси тем, и слово выбирается на основе распределения по словам, соответствующим теме.Затем этот процесс повторяется до тех пор, пока все слова не будут сгенерированы для каждого документа. Рисунок 1 описывает графическое представление процесса генерации LDA.

Рисунок 1. Концептуальное представление скрытого распределения дирихле (LDA).

Учитывая этот процесс, LDA пытается исследовать скрытые темы в документе, вычисляя апостериорное распределение скрытых переменных для данного документа. Из-за большого количества возможных тематических структур вычисление вероятности определенных слов по определенной теме (т.е., распределение слов, соответствующих теме) становится невозможно вычислить. Чтобы решить эту проблему, LDA использует метод, называемый выборкой Гиббса (Porteous et al., 2008), где каждое слово в документе случайным образом назначается одной из тем, что дает первоначальное предположение о слове-теме и словесном документе. распределение. LDA предполагает, что все назначения тем, кроме рассматриваемого текущего слова, верны, а затем обновляет назначение текущего слова. Этот процесс повторяется для улучшения назначения, пока не будет достигнуто устойчивое состояние.Как только окончательное задание определено, оно используется для оценки сочетания тем в каждом документе.

Оценка модели и расширенный интеллект

Хотя тематические модели могут использоваться для извлечения значимых и интерпретируемых тематических заданий, оценка окончательного задания при использовании неконтролируемого подхода является сложной задачей (Chang et al., 2009). В задачи обучения без учителя не входят заранее обозначенные цели. Вместо этого требуется человеческое суждение для оценки практичности и полезности работы тематического моделирования (Конрад, 2017).Например, практичность тематической модели может быть оценена с использованием подхода расширенного интеллекта «человек-в-цикле», когда людей просят найти произвольно заменяемое слово или тему (Chang et al., 2009). Если человек может достоверно сказать, кто из них случайный злоумышленник, то мы можем сказать, что обученная тема дает связную и различимую тему (Chang et al., 2009). Кроме того, для оценки модели также следует учитывать внутренние меры (то есть статистические показатели). Такие меры помогают оценить, насколько хорошо модель соответствует наблюдаемым данным.

Логарифмическое правдоподобие оценивает вероятность наблюдаемых данных с учетом модели (Griffiths and Steyvers, 2004). Таким образом, мы можем найти лучшую модель, попытавшись произвести наивысшую оценку логарифмического правдоподобия. Мера расхождения Кульбака-Лейблера (KL) фокусируется на измерении расхождения между тематическими распределениями. Дивергенция KL явно фокусируется на оценке того, сколько информации мы теряем, когда выбираем определенную модель, путем вычисления симметричного расхождения KL между распределением дисперсии в распределении тематических слов и маргинальным распределением тем (Cao et al., 2008; Arun et al., 2010). Таким образом, лучшая модель может быть определена путем определения точки, в которой мера дивергенции KL достигает наименьшего значения (Arun et al., 2010).

Предыдущее исследование было проведено, чтобы продемонстрировать полезность LDA для различных типов заданий тематического моделирования. В образовании, например, LDA использовалось для раскрытия тем для целей оценки эссе (Meisner, 2018), внедрения систем рекомендаций по курсам (Apaza et al., 2014) и оценки учителей (Moretti et al., 2015). Однако, насколько нам известно, LDA никогда не использовалось для выявления ошибок и заблуждений учащихся с целью создания отвлекающих факторов, которые можно было бы использовать для создания элементов с множественным выбором. Таким образом, цель исследования — описать метод создания отвлекающего фактора путем выявления неправильных представлений учащихся с использованием подхода тематического моделирования LDA. В отличие от традиционного подхода, при котором специалисты по содержанию отвечали за использование своих суждений для анализа и оценки ответов студентов с целью выявления правдоподобных заблуждений относительно развития отвлекающих факторов, текущее исследование предоставило систематический и основанный на данных метод для кластеризации письменных ответов студентов с аналогичным основанием. концепции, чтобы найти распространенные ошибки.После объединения эти ответы становятся основой для создания вероятных отвлекающих факторов.

Материалы и методы

Данные

В исследовании использовался набор данных из открытых источников, собранный и опубликованный в ходе конкурса по оценке коротких ответов, который называется «Приз за автоматическую оценку учащихся» (ASAP). Поскольку набор данных является общедоступным, этическое одобрение в исследовании не запрашивалось. ASAP был проведен в 2012 году. Конкурс был разработан, чтобы продвинуть возможности эффективной системы оценки с использованием автоматизированных систем оценки эссе и предоставить практикам эффективные инструменты оценки эссе в классе.Конкурс проходил в два этапа. Первый этап был сосредоточен на разработке надежных автоматизированных систем оценки для относительно длинных ответов (до 650 слов). На втором этапе основное внимание уделялось оценке коротких ответов (до 50 слов). Оба конкурса внесли значительный вклад в продвижение открытой и строгой модели автоматизированной оценки эссе (Shermis, 2014, 2015).

Для конкурса по оценке коротких сочинений было выпущено 10 наборов данных, и каждый набор данных был сгенерирован из одного запроса.Ответы были получены учениками 10-го класса. Каждый набор данных был основан на уникальном предложении по различным дисциплинам, таким как языковое искусство, биология и естественные науки. Все ответы были предварительно помечены и оценены двумя людьми-экспертами. В текущем исследовании использовался шестой набор данных из Biology, чтобы продемонстрировать предложенный метод. Эти данные были выбраны для демонстрации предлагаемого метода по трем причинам. Во-первых, текущий метод требует предварительно помеченного набора данных, а набор данных шесть состоит из решенной оценки (или окончательной оценки), основанной на соглашении двух человек-оценщиков.Во-вторых, подсказка требовала, чтобы учащиеся отвечали, используя несколько ответов, тем самым давая множество разнообразных ответов из одной подсказки. Кроме того, исходное приглашение сконструированного ответа можно было легко переформатировать в основу с множественным выбором.

В частности, мы использовали 1515 ответов из исходной обучающей выборки, где студентов попросили перечислить и описать три процесса, используемые клетками для управления движением веществ через клеточную мембрану (см. Приложение A). Конкретное количество обучающих ответов было выбрано на основе оценки, присвоенной двумя независимыми экспертами-людьми.Итоговая оценка соответствовала количеству правильно идентифицированных ответов, и мы выбрали только те ответы, в которых учащиеся не смогли определить правильный ответ (т. Е. Оценка 0), поскольку основное внимание в этом исследовании уделяется выявлению распространенных ошибок и заблуждений.

Разработка дистрактора Этап 1: подготовка данных

Для получения четких и понятных групп тем требуется предварительная обработка. Во-первых, все слова с ошибками были исправлены. Во-вторых, слова были преобразованы в нижний регистр и лемматизированы с использованием библиотеки Python NLTK (Bird et al., 2009). Лемматизация — это процесс группировки слов вместе, чтобы их можно было анализировать как единый элемент на основе их словарной формы. Например, слова «учеба» и «учеба» будут преобразованы в «учебу». В-третьих, цифры, неалфавитные слова (например, #,%, &, @) и стоп-слова (например, а, и, но, как) были удалены, а вся пунктуация была выделена отдельным словом. В-четвертых, ответы были разделены на предложения, позволяющие обозначить каждое предложение как отдельную тему.

Предварительная обработка также направлена ​​на исправление орфографии с использованием комбинации нескольких подходов.Для исправления орфографии мы использовали модель на основе встраивания слов. Модели на основе встраивания слов используют семантическое сходство слов для определения лучшего кандидата на слово с ошибкой (Nagata et al., 2017, см. Приложение C). Мы использовали список слов, представленный в предварительно обученном встраивании GloVe (Pennington et al., 2014), который был обучен на шести миллиардах слов из Wikipedia 2014 и Gigaword 5. Мы попытались найти лучший кандидат на неправильное слово из Список слов для встраивания перчаток на основе показателя косинусного сходства.Используя коррекцию орфографии на основе встраивания, мы смогли успешно исправить более 95% слов с ошибками, в то время как некоторые из оставшихся слов с ошибками, которые не могли быть исправлены с помощью методов, были правильно исправлены вручную. Этот подход был выбран после попытки существующих средств проверки орфографии в Python, и результаты исправления были относительно ниже ожидаемых (например, расстояние редактирования NLTK с исправлением 78%). Такие случаи часто включали слова, которые были существенно искажены, таким образом, обеспечивая очень ограниченное сходство с правильной формой.

Этап разработки дистрактора 2: кластеризация тем и оценка кластеров

Модель LDA была построена с использованием библиотеки Python lda 1.0.5. Чтобы сформировать четкие и понятные группы тем, обучение модели и оценка проводились одновременно. Чтобы обеспечить гибкое и надежное обучение, необходимо определить диапазоны нескольких параметров модели, чтобы можно было определить модель с оптимальным диапазоном. Например, перед началом обучения необходимо указать количество тематических групп.Для обучения модели также необходимо указать количество итераций выборки Гиббса. Для начала количество тем и примерных итераций составляло от 1 до 50 и до 800 итераций соответственно. Эти диапазоны были выбраны так, чтобы мы могли извлечь как можно больше потенциальных заблуждений со стабильной оценкой. Мы установили наш первоначальный диапазон количества тем как относительно большое число, 50, чтобы модель могла провести исчерпывающую категоризацию типичных ошибок и заблуждений. С точки зрения количества итераций мы оценивали отрицательную логарифмическую правдоподобие модели на каждых 10 итерациях и проверяли, произошло ли значительное уменьшение или увеличение логарифмической правдоподобия.Значимость оценивалась на основе выбранного значения допуска 0,5. Результаты показали, что логарифм правдоподобия стабилизировался около 800 итераций. Эффективность нашей исходной модели оценивалась с помощью меры недоумения. Недоумение — это обычно используемый показатель тематической модели, который вычисляется путем деления отрицательной логарифмической вероятности на количество слов (см. Приложение C). Как следует из названия, недоумение обеспечивает степень «неопределенности» или «путаницы», которую модель имеет при назначении вероятностей тексту.Таким образом, мы могли определить оптимальное количество тем, выбрав модель с наименьшей сложностью.

Затем были визуализированы тематические кластеры для оценки кластеризации. Кластеры тем были спроецированы в двумерном пространстве путем вычисления расстояния между темами с использованием t-распределенного стохастического встраивания соседей (t-SNE). T-SNE — это алгоритм уменьшения размерности для визуализации данных большой размерности. Идея t-SNE состоит в том, чтобы найти распределение вероятностей, которое является функцией наименьшего числа координат, и создать аналогичную функцию распределения для уменьшения размерности.Предположим, что мы хотим вычислить вероятность нахождения двух точек i и j на квадрате евклидова расстояния между точками, || x _i — x _j || ² . T-SNE пытается сопоставить распределение, используя распределение Стьюдента- t , одновременно пытаясь узнать координаты y точек (т. Е. y _i и y _j ) в нижнем измерении. . Если визуализированные кластеры существенно перекрываются и имеют неправильный формат, то следует скорректировать количество тем.Кроме того, расхождение KL использовалось в качестве критерия оценки для визуализации, поскольку оно помогает определить сходство двух распределений. Алгоритм обучения пытается создать четкую визуализацию отдельных тематических кластеров, минимизируя расхождение KL, чтобы найти оптимальную модель. Для этого потребовалось несколько корректировок, чтобы определить количество итераций, скорость обучения и уровень сложности. В то время как количество итераций и скорость обучения определяют эффективность и точность обучения модели посредством контроля корректировок веса, степень сложности определяет эффективное количество соседей кластера.Наконец, интерпретируемость кластеров была оценена путем резюмирования сгруппированных предложений с использованием реферирования генизма библиотеки Python. Резюмирование Gensim выполняет реферирование на основе ранжирования текста с использованием разновидности алгоритма TextRank (Barrios et al., 2016). TextRank пытается построить граф из документа, в котором предложения (или узлы) связаны друг с другом ребрами. Края представляют собой сходство между предложениями, которые часто вычисляются на основе перекрытия слов между двумя предложениями.TextRank предполагает, что наиболее важным предложением в тексте является то, которое наиболее часто связано в графе. Мы выбрали этот подход, поскольку предыдущие исследования продемонстрировали относительно хорошую производительность с использованием этого метода, хотя он не требует каких-либо ручных аннотаций (Mihalcea and Tarau, 2004). Резюме были созданы для того, чтобы специалисты по содержанию могли эффективно оценить правдоподобность извлеченных распространенных ошибок и заблуждений.

В исследовании мы называем специалистов по содержанию экспертами, имеющими опыт написания заданий по определенным предметам.С помощью этого типа экспертизы контента проверка правдоподобности обобщенных общих ошибок и заблуждений может улучшить качество отвлекающих факторов, которые генерируются из каждой тематической группы. Для этого специалисты по контенту могут обсудить и попытаться определить, откуда возникло каждое заблуждение. Например, если содержание кластера включает в себя морфологически или фонетически похожие слова с правильными ответами, специалисты могут сделать вывод, что неправильное представление возникло из-за путаницы при вспоминании определенной терминологии или связывании термина с правильным определением.Кроме того, специалистов по содержанию можно побудить ответить на более конкретные вопросы для оценки качества кластеров. Такие вопросы могут включать: «Сколько кластеров вы считаете значимыми?» и «Является ли кластер описанием широко известного заблуждения по теме?» Это поможет специалистам по контенту тщательно оценить отвлекающие факторы, предоставив при этом важную информацию для оценки возможностей существующей системы.

Стадия развития дистрактора 3: формирование предмета и дистрактора

На этапе 3 специалисты по содержанию формулируют отвлекающие факторы, используя кластеры распространенных ошибок и заблуждений, выявленные на предыдущем этапе.Мы предлагаем несколько методов, которые могли бы способствовать более систематическому развитию отвлекающих факторов, используя заблуждения студентов. Процесс создания отвлекающих факторов можно отличить на основе типа (или основы) вопроса, который контент-специалисты задают по теме. Во-первых, специалисты по содержанию могут решить изменить формат исходного вопроса с элемента сконструированного ответа на формат элемента с множественным выбором, одновременно пытаясь измерить ту же интересную конструкцию (например, какая из следующих процедур верна в отношении перемещения ячеек). ?).В этом случае мы могли бы напрямую использовать обобщения кластера, а также ключевые слова и фразы. На этапе 2 мы изучили, как каждый кластер заблуждений можно представить с помощью ключевых слов и обобщения. Таким образом, использование ключевых слов или обобщенных предложений в качестве отвлекающих факторов могло бы эффективно привлечь учащихся с разным уровнем понимания. В качестве альтернативы, специалисты по содержанию могут разработать вопрос, в котором основное внимание уделяется конкретным субконцепциям темы. Активный или пассивный транспорт могут быть хорошими примерами оцениваемых субконцепций, которые тесно связаны с исходным вопросом.В этом случае отвлекающие факторы могут быть непосредственно обнаружены на основе ответов студентов из кластера, где у студентов, похоже, возникли проблемы с пониманием концепций активного и пассивного транспорта. В следующем разделе мы представим, как можно более полно использовать эти два метода, на примерах.

Создание отвлекающих факторов с использованием заблуждений учащихся было определено как один из наиболее эффективных способов разработки заданий с множественным выбором (Haladyna and Rodriguez, 2013). Однако с нашим подходом с расширенным интеллектом, который требует оценки специалистов по контенту в процессе эволюции, мы считаем, что эффективность отвлекающих факторов все еще может в значительной степени зависеть от оценок специалистов по контенту.Поэтому, хотя мы поощряем дальнейшие исследования эффективности отвлекающих факторов, созданных с помощью предложенных методов, предоставление эмпирических результатов о поведении отвлекающих факторов в реальных условиях тестирования выходило за рамки наших исследований. Мы обсудим такие проблемы более подробно в разделе ограничений с несколькими предложениями для будущих исследований.

Результаты

Тематическая кластеризация и результаты кластерной оценки

В исходном задании «сконструированный ответ» учащихся попросили дать три правильных ответа на следующий пункт: «Перечислите и опишите три процесса, используемые клетками для управления перемещением веществ через клеточную мембрану.Результаты показали, что оптимальная модель LDA выявила 22 распространенных заблуждения. Количество тематических кластеров было выбрано на основе меры логарифмического правдоподобия, а также расхождения KL. Модель достигла уровня сложности 34,76 после 800 итераций и самого низкого расхождения KL 40,50 с 22 темами. Как обсуждалось ранее, мера логарифмического правдоподобия обеспечивает вероятность наблюдаемых данных с учетом модели (Griffiths and Steyvers, 2004).

Кроме того, интерпретируемость и правдоподобность каждого тематического кластера оценивалась с использованием извлеченных ключевых слов и резюме.Полный список тематических ключевых слов и резюме можно найти в Приложении B. Для каждого тематического кластера использовалось от шести до восьми ключевых слов. Они были выбраны на основе силы ассоциации для представления тематического кластера, и сила была измерена весами, присвоенными каждому слову. Кроме того, для каждого кластера были созданы сводки, чтобы повысить их интерпретируемость. Эта информация была разработана, чтобы помочь специалистам по содержанию интерпретировать распространенные ошибки и заблуждения студентов и оценить репрезентативность кластеров, чтобы сформировать правдоподобные отвлекающие факторы.Например, тема 20 включала несколько ключевых слов, таких как «мРНК», «РНК», «тРНК», «ДНК», «информация», «перевод», «транскрипция» и «сообщения». Специалисты по контенту сформировали свои исходные впечатление от каждого заблуждения, основанного на этих ключевых словах. Кроме того, читая резюме, в котором говорится, что «мРНК передает сообщения от ядра к другим органам, тРНК транспортирует ДНК в места, где есть рРНК клетки», специалисты по содержанию могут более тщательно понять конкретные контексты и ассоциации между ключевыми словами, чтобы они могли сделать больше обоснованное решение о том, можно ли использовать кластер для создания вероятного отвлекающего фактора, который представляет собой распространенную ошибку или заблуждение.

Результаты формирования предмета и дистрактора

Набор отвлекающих факторов был создан с использованием оцененных кластеров распространенных ошибок и заблуждений студентов. Помимо создания отвлекающих факторов для первоначально предложенного предмета, где от студентов требовалось описать три процесса, используемых клетками для управления движением веществ через клеточную мембрану, мы исследовали возможности текущего метода в создании отвлекающих факторов на дополнительных предметах, специфичных для кластера. . В следующих примерах представлена ​​пошаговая разбивка процедур создания дистрактора.

Пример 1: Создание отвлекающих факторов для исходной подсказки

Как показано на рисунке 2, элемент с множественным выбором был создан из исходного элемента сконструированного ответа. Отражая исходную подсказку, стержень был изменен на «Какие три процесса используются клетками для управления движением вещества через клеточную мембрану?» Чтобы создать отвлекающие факторы, каждый из которых может отражать различные распространенные ошибки и заблуждения, список вариантов был создан путем определения ответов учащихся с ключевыми словами из основы, такими как « процессы », « движение » или « вещества », из каждого тематического кластера неправильных представлений. .Более конкретно, вариант g представляет кластер 13 (см. Приложение B), где студенты описывают движение жгутика как часть движения веществ через клеточную мембрану. В этом примере правильный ответ — i, в то время как другие варианты были созданы для представления неправильных представлений учащихся.

Рисунок 2. Пример вопроса и отвлекающие факторы, созданные для исходной подсказки.

Пример 2: Создание дистракторов с использованием дополнительных подсказок

Как показано на рисунке 3, предлагаемый метод может быть расширен для создания дистракторов для элементов, специфичных для кластера.Элементы, относящиеся к конкретным кластерам, относятся к элементам, которые создаются для дальнейшей оценки понимания учащимися и отражают заблуждения, зафиксированные в конкретном кластере контента. Например, на рисунке 3 представлены два элемента, относящиеся к конкретному кластеру, которые были поставлены на основе ответов студентов в кластере 2 (см. Приложение B). В кластере 2 учащимся было сложно правильно объяснить и различить две концепции активного и пассивного транспорта. Поэтому, чтобы оценить понимание учащимися активного и пассивного транспорта, были созданы две дополнительные основы с множественным выбором: «Что из следующего верно об активном транспорте?» и «Что из следующего верно о пассивном транспорте?» Чтобы создать отвлекающие факторы для элементов, относящихся к кластеру, мы реализовали тот же процесс, в котором ключевые слова и фразы (т.е., активный транспорт, пассивный транспорт) были использованы для определения ответов студентов, которые включали эти ключевые термины. В отличие от первого примера, отвлекающие факторы были расположены только среди ответов в кластере 2, поскольку элементы были созданы на основе кластера 2. Правильный вариант — a и b соответственно.

Рисунок 3. Примеры вопросов и отвлекающих факторов, созданные для подтем исходного приглашения.

Обсуждение

Недавнее внедрение различных приложений расширенного интеллекта в образовательной оценке привело к кардинальным изменениям в этой области, способствуя эффективной разработке новых тестов и процедурам администрирования (Popenici and Kerr, 2017).Расширенный интеллект, который является отраслью искусственного интеллекта, помогает контент-экспертам расширить свои возможности и своевременно принимать более обоснованные решения при соответствующей технологической поддержке. Например, с помощью автоматизированной системы выставления оценок эксперты могут более эффективно оценивать эссе, поскольку с помощью машины можно отличить проблемные эссе, которые не соответствуют критериям оценки, от более последовательных эссе. В настоящее время проведено мало исследований по применению расширенного интеллекта в разработке предметов, особенно в том, что касается создания отвлекающих факторов.Эффективные отвлекающие факторы могут привлечь учащихся с частичным пониманием, другими словами, различение учащихся, которые еще не достигли уровня мастерства понимания концепции. Таким образом, создание эффективных отвлекающих факторов напрямую связано с повышением качества предмета и его характеристик (то есть сложности предмета и различения; DiBattista and Kurzawa, 2011). Были проведены исследования, чтобы изучить важность использования заблуждений и распространенных ошибок учащихся для создания отвлекающих факторов (например,г., Vacc et al., 2001; Moreno et al., 2015; Родригес, 2016). Заблуждения обычно собираются с помощью письменных или устных ответов студентов на похожие или связанные темы, а эксперты по содержанию вручную классифицируют и выявляют правдоподобные заблуждения, используя письменные свидетельства ответов (Bekkink et al., 2016). В других случаях эксперты по содержанию пытаются имитировать мыслительные процессы учащихся, чтобы выявить вероятные ошибки (Haladyna and Rodriguez, 2013). Однако эти подходы неосуществимы, когда необходимо создать большое количество элементов.Чтобы преодолеть это ограничение, мы представили и проиллюстрировали управляемый данными метод генерации отвлекающих факторов на основе неправильных представлений из письменных ответов студентов, используя рабочий процесс, представленный на рисунке 4.

Рисунок 4. Исчерпывающая структура процесса создания дистрактора.

Важно признать, что современные методы пытаются гармонично объединить подходы, основанные на машинах или данных, и на экспертных оценках на каждом этапе.Хотя подход, основанный на данных, дает заметные преимущества в облегчении систематического и эффективного процесса создания отвлекающих факторов, мы считаем, что вмешательство экспертов может помочь улучшить систему, выступая в качестве привратника для обеспечения качества конечного продукта, отвлекающих факторов. Решения экспертов по содержанию, особенно в образовательных оценках, часто считаются эталоном или золотым стандартом при принятии окончательных решений с высокими ставками. Шаги, показанные на Рисунке 4, были использованы для выявления 22 отдельных кластеров распространенных ошибок и заблуждений с использованием письменных ответов учащихся на элемент «сконструированный ответ» в биологии.На первом этапе обработки данных мы в основном использовали управляемый данными подход для предварительной обработки ответов (например, лемматизация, токенизация, удаление знаков препинания и неалфавитных слов). Кроме того, хотя мы исправили большинство слов с ошибками, используя подход, основанный на встраивании, все же потребовалось внести несколько исправлений вручную. На этапе анализа отклика кластеры были созданы автоматически с использованием подхода тематического моделирования, затем потребовались эксперты по содержанию для оценки интерпретируемости и правдоподобия извлеченных кластеров, информация была использована для создания списка из 22 вероятных отвлекающих факторов, которые, в свою очередь, , помог создать параллельный элемент с множественным выбором.Параллельный элемент с множественным выбором относится к элементу, изначально представленному как задача сконструированного ответа, которая была переформатирована в задачу выборочного ответа. Качество сгенерированных отвлекающих факторов можно дополнительно оценить эмпирически путем пилотного тестирования в условиях оценивания в классе, и мы обсудим более подробную информацию об оценке характеристик заданий в следующем разделе.

Значение для будущих исследований

Настоящее исследование имеет значение для практики письма отвлекающих факторов, в частности, и для разработки заданий в целом.Тематическое моделирование позволяет экспертам по содержанию более гибко и продуктивно использовать ответы студентов. Письменные ответы представляют собой огромный источник ценной информации о понимании учащимися, которое связано не только с интересующей конструкцией, но и с неправильными представлениями об этой конструкции. На сегодняшний день было потрачено мало усилий на изучение использования методов машинного обучения для сбора и использования информации о заблуждениях, которые могут быть обнаружены при построении ответов учащимися.Используя метод, описанный и проиллюстрированный в этом исследовании, исследователи и практики теперь могут использовать письменные ответы, собранные в заданиях и тестах, для планирования будущих уроков и создания учебных мероприятий и оценок, более адаптированных для учащихся. Этот метод также можно использовать для подтверждения уровня развития понимания учащимися определенных концепций. Например, анализируя ответы от группы с более высокими способностями и сравнивая кластеры заблуждений с кластерами из группы с более низкими способностями, можно собрать более подробную информацию, чтобы создать исчерпывающую картину того, как уровень понимания учащихся развивается в конкретные концепции и в определенных областях содержания.

Разработка дистрактора и генерация предметов

Возможно, наиболее важным будущим применением этого метода является его применение для автоматического создания элементов данных (AIG; Irvine and Kyllonen, 2002; Gierl and Haladyna, 2013). AIG — относительно новая, но быстро развивающаяся область исследований, в которой методы когнитивного и психометрического моделирования направляют производство тестов, включающих элементы, созданные с помощью компьютерных технологий. Гирл и Лай (2013, 2016) разработали трехэтапный процесс для AIG.На шаге 1 специалисты по контенту создают когнитивную модель для AIG.

В настоящее время разработка дистрактора представляет собой уникальную и серьезную проблему в AIG на этапе моделирования элемента 2. Для формата выбранного ответа элементы должны не только включать основу с соответствующим правильным вариантом, но также включать набор отвлекающих факторов. Отвлекающие факторы в AIG обычно создаются на основе списка правдоподобных, но неверных альтернатив, связанных с заблуждениями, выявленными специалистами по содержанию. Поскольку AIG производит сотни элементов, необходимы стратегии для создания соответственно большого количества правдоподобных, но ошибочных отвлекающих факторов.Разработка дистракторов для AIG теперь осуществляется методом пула дистракторов со случайным выбором (Gierl and Lai, 2016). Чтобы определить контент для отвлекающих факторов, специалисты по контенту составляют список правдоподобных, но неверных вариантов, которые подходят для всех возможных элементов, созданных с помощью данной модели элемента. Затем из этого пула правдоподобного, но ошибочного содержимого случайным образом выбираются отвлекающие факторы и добавляются к каждому сгенерированному элементу. Этот метод основан на предположении, что можно создать пул вероятных отвлекающих факторов.Выборка этих вероятных отвлекающих факторов выбирается случайным образом для завершения процесса создания элемента. Сила этого метода в его простоте. Этот метод может дать большое количество отвлекающих факторов. Слабость этого метода заключается в сильном предположении, что все объединенные отвлекающие факторы одинаково правдоподобны и подходят для всех сгенерированных элементов. Равная правдоподобность и уместность являются сильным и, во многих случаях, ограничивающим предположением. Кроме того, мало аргументов в пользу того, как использовать отвлекающие факторы в паре с правильным вариантом, потому что объединение достигается путем случайного распределения.

Чтобы повысить правдоподобность и уместность отвлекающих факторов, правила и обоснования, которые приводят к ошибкам или неправильным представлениям, могут использоваться для создания отвлекающих факторов. Обоснование отвлекающих факторов — это короткие описания, в которых указывается аргументация, лежащая в основе каждого варианта. Эти обоснования в настоящее время предоставляются специалистами по содержанию. Но правила также могут быть созданы с использованием метода, представленного в нашем исследовании, для создания отвлекающих факторов, которые соответствуют конкретным, основанным на эмпирическом опыте, заблуждениям учащихся.Следовательно, отвлекающие факторы можно создавать систематически, чтобы каждый из них соответствовал логике. Этот предложенный подход можно назвать систематической генерацией с помощью метода обоснования . Он будет основан на предположении, что алгоритмы, правила и процедуры могут быть сначала сформулированы специалистами по содержанию, а затем использованы для создания правдоподобных, но неверных альтернатив, связанных с действительными заблуждениями или ошибками учащихся в мышлении, рассуждениях и решении проблем. Сила этого метода в том, что дистракторы гораздо более специфичны и, следовательно, правдоподобны и подходят, особенно по сравнению с методом пула дистракторов со случайным назначением.Следовательно, объединение результатов методов тематического моделирования, представленных в этой статье, с новыми разработками в AIG следует рассматривать как важную область будущих исследований.

Ограничения и дальнейшие исследования

Несмотря на то, что исследование было тщательно спланировано и структурировано таким образом, чтобы свести к минимуму потенциальную ошибку в результатах и ​​дальнейшей интерпретации, мы обнаружили три ключевых ограничения, которые следует рассмотреть и внимательно рассмотреть для будущих исследований: основные цели нашего исследования заключались в том, чтобы представить новый метод исследования. систематическое выявление заблуждений учащихся, чтобы стимулировать создание эффективных отвлекающих факторов для разработки заданий с множественным выбором.Таким образом, наше исследование не могло исследовать поведение элементов с сгенерированными отвлекающими факторами в реальных условиях тестирования. Изучение поведения предмета в зависимости от качества отвлекающих факторов поможет нам лучше понять важность разработки предмета с хорошо работающими отвлекающими элементами. Например, ДиБаттиста и Курзава (2011) продемонстрировали, как достоверность отвлекающих факторов существенно влияет на характеристики заданий (например, различение заданий) при оценивании в классе. Поэтому мы призываем будущих исследователей оценить правдоподобность и эффективность созданных отвлекающих факторов, чтобы тщательно изучить значение предлагаемого нами метода.Во-вторых, наш текущий метод требовал маркированных ответов, чтобы идентифицировать ответы учащихся с неправильными ответами. Оценка ответов студентов вручную может быть очень дорогой и утомительной процедурой, особенно при крупномасштабной оценке. Однако, поскольку текущий метод пытается извлечь неправильные представления учащихся, которые могут быть обнаружены в их неправильных ответах, необходимо оценивать или использовать предварительно маркированный набор данных для правильной реализации предлагаемого метода. Это может несколько ограничить удобство использования предлагаемого метода, так как поиск специфичных для домена и предварительно помеченных данных может быть сложной задачей.Однако мы считаем, что такие ограничения можно легко преодолеть, используя автоматизированные системы оценки эссе (см. Приложение C) для генерации помеченных ответов на более продвинутых этапах реализации текущего метода. И, наконец, подход с расширенным интеллектом в нашем методе направлен на создание систематического метода развития отвлекающих факторов, помогающего экспертам по содержанию принимать обоснованные решения с использованием кластеров заблуждений. Таким образом, важно выяснить, действительно ли специалисты по контенту ощущают поддержку в принятии обоснованных решений по созданию отвлекающих факторов.Мы призываем к будущим исследованиям, чтобы тщательно оценить факторы влияния контент-экспертов на использование этого метода, чтобы полностью оценить возможности текущего метода.

Авторские взносы

JS, QG и MG внесли свой вклад в концептуализацию и формализацию исследовательских идей исследования. JS обнаружил и организовал данные. JS и QG провели анализ. JS и MG написали первый вариант рукописи. Все авторы внесли свой вклад в доработку рукописи, прочитали и одобрили представленную версию.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpsyg.2019.00825/full#supplementary-material

Сноски

1. www.kaggle.com / c / asap-sas

Список литературы

Апаза, Р. Г., Сервантес, Э. В., Киспе, Л. К., и Луна, Дж. О. (2014). «Рекомендации онлайн-курсов на основе LDA», Proceedings of the Symposium on Information Management and Big Data — SIMBig , Peru, 42–48.

Google Scholar

Арун Р., Суреш В., Мадхаван К. В. и Мурти М. Н. (2010). «О нахождении натурального числа тем со скрытым распределением дирихле: некоторые наблюдения», в Proceedings of the Pacific-Asia Conference on Knowledge Discovery and Data Mining (Berlin: Springer), 391–402.DOI: 10.1007 / 978-3-642-13657-3_43

CrossRef Полный текст | Google Scholar

Аскалон, М. Э., Мейерс, Л. С., Дэвис, Б. В. и Смитс, Н. (2007). Сходство дистрактора и структура предмета-ствола: влияние на сложность предмета. Заявл. Измер. Educ. 20, 153–170. DOI: 10.1080 / 08957340701301272

CrossRef Полный текст | Google Scholar

Барриос Ф., Лопес Ф., Аргерих Л. и Вахенхаузер Р. (2016). Варианты функции подобия textrank для автоматического реферирования. arXiv [Препринт]. arXiv: 1602.03606

Google Scholar

Беккинк, М. О., Дондерс, А. Р., Кулус, Дж. Г., де Ваал, Р. М., и Руйтер, Д. Дж. (2016). Выявление неправильных представлений учащихся путем оценки их письменных вопросов. BMC Med. Educ. 16: 221. DOI: 10.1186 / s12909-016-0739-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Берд С., Кляйн Э. и Лопер Э. (2009). Обработка естественного языка с помощью PYTHON: анализ текста с помощью набора инструментов для естественного языка. Ньютон, Массачусетс: O’Reilly Media, Inc.

Google Scholar

Блей Д. М., Нг А. Ю. и Джордан М. И. (2003). Скрытое размещение дирихле. J. Mach. Учиться. Res. 3, 993–1022.

Google Scholar

Бриггс Д. К., Алонзо А. К., Шваб К. и Уилсон М. (2006). Диагностическая оценка с заказанным устройством множественного выбора

Google Scholar

Цао, Дж., Ся, Т., Ли, Дж., Чжан, Ю. и Тан, С. (2008). Метод на основе плотности для выбора адаптивной модели LDA. Neurocomputing 72, 1775–1781. DOI: 10.1016 / j.neucom.2008.06.011

CrossRef Полный текст | Google Scholar

Кейс, С. М., и Суонсон, Д. Б. (2001). Составление письменных тестовых вопросов для фундаментальных и клинических наук , 2-е изд. Филадельфия, Пенсильвания: Национальный совет медицинских экспертов.

Google Scholar

Чанг, Дж., Герриш, С., Ван, К., Бойд-Грабер, Дж. Л., и Блей, Д. М. (2009). «Чтение чайных листьев: как люди интерпретируют тематические модели», Proceeding of the 23rd Annual Conference on Neural Processing Systems , (Iowa City: NIPC), 288–296.

Google Scholar

Коллинз, Дж. (2006). Написание вопросов с несколькими вариантами ответов для непрерывного медицинского образования и модулей самооценки. Радиография 26, 543–551. DOI: 10.1148 / rg.262055145

PubMed Аннотация | CrossRef Полный текст | Google Scholar

де ла Торре, Дж. (2009). Модель когнитивной диагностики для вариантов с множественным выбором, основанных на когнитивных способностях. Заявл. Psychol. Измер. 33, 163–183. DOI: 10.1177 / 0146621608320523

CrossRef Полный текст | Google Scholar

Дибаттиста, Д., и Курзава, Л. (2011). Проверка качества заданий с множественным выбором на тестах в классе. Кан. J. Scholarsh. Учат. Учиться. 2: 4. DOI: 10.5206 / cjsotl-rcacea.2011.2.4

CrossRef Полный текст | Google Scholar

Даунинг, С. М. (2006). «Форматы заданий с выборочным ответом при разработке тестов», в Справочник по разработке тестов , ред. Т. М. Халадина и С. М. Даунинг (Didcot: Taylor & Francis Group), 287–301.

Google Scholar

Гирль, М.Дж., Булут, О., Го, К., и Чжан, X. (2017). Разработка, анализ и использование отвлекающих факторов для тестов с множественным выбором в образовании: всесторонний обзор. Rev. Educ. Res. 87, 1082–1116. DOI: 10.3102 / 0034654317726529

CrossRef Полный текст | Google Scholar

Гирль, М. Дж., И Халадина, Т. М. (2013). Автоматическое создание элементов: Введение. Автоматическая генерация предметов: теория и практика. Нью-Йорк, Нью-Йорк: Рутледж.

Google Scholar

Гирль, М.Дж., И Лай, Х. (2016). «Автоматическая генерация заданий», в Справочнике по разработке тестов , 2-е изд., Ред. С. Лейн, М. Рэймонд и Т. Хэладина (Нью-Йорк, Нью-Йорк: Рутледж), 410–429.

Google Scholar

Халадина, Т. М. (2004). Разработка и проверка тестовых заданий с множественным выбором , 3-е изд. Махва, Нью-Джерси: Эрлбаум.

Google Scholar

Халадина, Т. М., и Даунинг, С. М. (1989). Действительность таксономии правил написания заданий с множественным выбором. Заявл. Измер. Educ. 2, 37–50. DOI: 10.1207 / s15324818ame0201_4

CrossRef Полный текст | Google Scholar

Халадина, Т. М., и Даунинг, С. М. (1993). Сколько вариантов достаточно для задания с множественным выбором? Educ. Psychol. Измер. 53, 999–1010. DOI: 10.1177 / 00131644

004013

CrossRef Полный текст | Google Scholar

Халадина, Т. М., и Родригес, М. К. (2013). Разработка и проверка тестовых заданий. Нью-Йорк, Нью-Йорк: Рутледж.DOI: 10.4324 / 9780203850381

CrossRef Полный текст | Google Scholar

Хосино Ю. (2013). Связь между типами отвлекающих факторов и сложностью лексических тестов с множественным выбором в сентенциальном контексте. Lang. Тестовое задание. Азия 3, 1–14. DOI: 10.1186 / 2229-0443-3-16

CrossRef Полный текст | Google Scholar

Ирвин, С., Киллонен, П. (2002). Создание элементов для разработки тестов. Махва, Нью-Джерси: Эрлбаум.

Google Scholar

Лай, Х., Гирл, М. Дж., Тучи, К., Пью, Д., Буле, А., и Де Шамплен, А. (2016). Использование автоматического создания элементов для улучшения качества отвлекающих элементов MCQ. Обучайте. Учиться. Med. 28, 166–173. DOI: 10.1080 / 10401334.2016.1146608

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мейснер Р. (2018). Влияние семантического сходства обучающих ответов на точность автоматической оценки. Документ, представленный на Ежегодном собрании Национального совета по измерениям в образовании , Нью-Йорк, штат Нью-Йорк.

Google Scholar

Михалча Р. и Тарау П. (2004). «Textrank: наведение порядка в тексте», в материалах конференции 2004 г. по эмпирическим методам обработки естественного языка , Барселона.

Google Scholar

Морено Р., Мартинес Р. Х. и Муньис Дж. (2006). Новые рекомендации по разработке элементов с множественным выбором. Методология 2, 65–72. DOI: 10.1027 / 1614-2241.2.2.65

CrossRef Полный текст | Google Scholar

Морено Р., Мартинес, Р. Дж., И Муньис, Дж. (2015). Руководящие принципы, основанные на критериях достоверности для разработки элементов с множественным выбором. Псикотема 27, 388–394. DOI: 10.7334 / psicothema2015.110

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Моретти А., Макнайт К. и Саллеб-Ауисси А. (2015). «Применение анализа настроений и тем к политике оценки учителей в США», Труды 8-й Международной конференции по интеллектуальному анализу образовательных данных , Мадрид, 628–629.

Google Scholar

Муллис, И. В. С., Коттер, К. Э., Фишбейн, Б. Г., и Сентурино, В. А. С. (2016). «Разработка передовых заданий TIMSS 2015», в Методы и процедуры в TIMSS 2015 , ред. М. О. Мартин, И. В. С. Маллис и М. Хупер (Chestnut Hill, MA: TIMSS & PIRLS), 1.1–1.17.

Google Scholar

Нагата Р., Такамура Х. и Нойбиг Г. (2017). Адаптивные модели исправления орфографических ошибок для изучающих английский язык. Процедуры Comput.Sci. 112, 474–483. DOI: 10.1016 / j.procs.2017.08.065

CrossRef Полный текст | Google Scholar

OECD (2016). Результаты PISA 2015 (Том I): Превосходство и равенство в образовании. Париж: Издательство ОЭСР. DOI: 10.1787 / 97866490-en

CrossRef Полный текст | Google Scholar

Пеннингтон Дж., Сочер Р. и Мэннинг К. (2014). «Перчатка: глобальные векторы для представления слов», в материалах конференции 2014 г. по эмпирическим методам обработки естественного языка (EMNLP) , Доха, 1532–1543.DOI: 10.3115 / v1 / D14-1162

CrossRef Полный текст | Google Scholar

Попеничи, С. А., Керр, С. (2017). Изучение влияния искусственного интеллекта на преподавание и обучение в высших учебных заведениях. Res. Практик. Technol. Enhanc. Учиться. 12:22. DOI: 10.1186 / s41039-017-0062-8

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Попхэм, У. Дж. (2008). Преобразовательная оценка. Александрия, Вирджиния: ASCD.

Google Scholar

Портеус, И., Ньюман, Д., Илер, А., Асунсьон, А., Смит, П., и Веллинг, М. (2008). «Быстрая выборка свернутых гиббсов для скрытого распределения дирихле», в материалах Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , (New York, NY: ACM), 569–577. DOI: 10.1145 / 1401890.1401960

CrossRef Полный текст | Google Scholar

Родригес, М. К. (2011). «Практика написания заданий и свидетельства» в Справочнике доступных тестов успеваемости для всех учащихся: устранение разрыва между исследованиями, практикой и политикой , ред.Н. Эллиотт, Р. Дж. Кеттлер, П. А. Беддоу и А. Курц (Нью-Йорк, штат Нью-Йорк: Springer), 201–216. DOI: 10.1007 / 978-1-4419-9356-4_11

CrossRef Полный текст | Google Scholar

Родригес, М. К. (2016). «Разработка заданий с выборочным ответом», Справочник по разработке тестов , 2-е изд., Ред. С. Лейн, М. Раймонд и Т. Хэладина (Нью-Йорк, Нью-Йорк: Рутледж), 259–273.

Google Scholar

Шермис, М. Д. (2014). Современная автоматическая оценка эссе: конкурс, результаты и будущие направления демонстрации в США. Оценить. Пишу. 20, 53–76. DOI: 10.1016 / j.asw.2013.04.001

CrossRef Полный текст | Google Scholar

Шермис, М. Д. (2015). Противопоставление новейших достижений в машинной оценке коротких построенных ответов. Educ. Оценивать. 20, 46–65. DOI: 10.1080 / 10627197.2015.997617

CrossRef Полный текст | Google Scholar

Таррант М., Уэр Дж. И Мохаммед А. М. (2009). Оценка функционирующих и нефункционирующих отвлекающих факторов в вопросах с несколькими вариантами ответов: описательный анализ. BMC Med. Educ. 9: 1–8. DOI: 10.1186 / 1472-6920-9-40

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Таунс, М. Х. (2014). Руководство по разработке качественных, надежных и достоверных оценок с множественным выбором. J. Chem. Educ. 9:40. DOI: 10.1021 / ed500076x

CrossRef Полный текст | Google Scholar

Vacc, N.A., Loesch, L.C., and Lubik, R.E. (2001). «Написание тестовых заданий с множественным выбором» в книге Assessment: Issues and Challenges for the Millennium , ред.Р. Вальц и Дж. К. Блейер (Гринсборо, Северная Каролина: ERIC), 215–222.

Google Scholar

Zheng, N. N., Liu, Z. Y., Ren, P.J., Ma, Y.Q., Chen, S. T., Yu, S. Y., et al. (2017). Гибридно-расширенный интеллект: сотрудничество и познание. Фронт. Сообщить. Technol. Электрон. Англ. 18: 153–179. DOI: 10.1631 / FITEE.1700053

CrossRef Полный текст | Google Scholar

Приложение A

Подсказка — элемент клеточной мембраны

Перечислите и опишите три процесса, используемые клетками для управления перемещением веществ через клеточную мембрану.

Рубрика на клеточную мембрану

Ключевые элементы:

• Селективная проницаемость используется клеточной мембраной, чтобы позволить определенным веществам проходить через нее.

• Пассивный перенос происходит, когда вещества перемещаются из области с более высокой концентрацией в область с более низкой концентрацией.

• Осмос — это диффузия воды через клеточную мембрану.

• Облегченная диффузия происходит, когда мембрана контролирует путь частицы, чтобы войти в клетку или покинуть ее.

• Активный транспорт происходит, когда клетка использует энергию для перемещения вещества через клеточную мембрану и / или вещество перемещается из области с низкой концентрацией в область высокой или против градиента концентрации.

• Насосы используются для перемещения заряженных частиц, таких как ионы натрия и калия, через мембраны с использованием энергии и белков-носителей.

• Мембранный транспорт происходит, когда мембрана везикулы сливается с клеточной мембраной, вытесняя большие молекулы из клетки, как при экзоцитозе.

• Транспорт с участием мембран происходит, когда молекулы поглощаются клеточной мембраной, как при эндоцитозе.

• Транспорт с участием мембран происходит, когда везикулы образуются вокруг больших молекул, как при фагоцитозе.

• Мембранный транспорт происходит, когда везикулы образуются вокруг жидких капель, как при пиноцитозе.

• Белковые каналы или канальные белки обеспечивают перемещение определенных молекул или веществ в клетку или из нее.

Рубрика:

3 балла

Три ключевых элемента

2 балла

Два ключевых элемента

1 балл

Один ключевой элемент

0 баллов

Другое.

Приложение B

Репрезентативные ключевые слова тематических кластеров

Оценка типов предшествующих знаний как предикторов академической успеваемости на вводном этапе учебных программ по биологии и физике с использованием логистической регрессии | Международный журнал STEM-образования

Таблица SAT Score 2021 — Таблица преобразования исходных оценок SAT, Таблица преобразования исходных оценок SAT Subject Test, GPA vs SAT Score Chart

При подготовке к SAT нам приходит в голову одна вещь, как рассчитывается оценка SAT. Оценка SAT подчиняется сложным правилам подсчета. В этой статье мы упростим кандидатам понимание процесса подсчета баллов SAT — так что взгляните на таблицу баллов SAT и поймите, как преобразовываются баллы SAT.

Что такое хороший результат по SAT?

75 ^-й -й процентиль Оценка SAT кажется хорошей оценкой SAT — 75 ^-я -я процентиль означает оценку SAT 1200–1210. Это минимальное требование к баллам SAT для известных университетов мира.

Каков минимальный балл SAT для Гарварда?

Для поступления в Гарвард необходим 1580 баллов по SAT — разбивка по чтению и письму составляет 720-780, а по математике — 740-800.

Каков средний балл по SAT?

Согласно отчету 2018 года, средний балл по SAT , полученный во всем мире, составляет 1068.Диапазон оценок SAT составляет 400–1600, а математическое среднее значение SAT — 1000. Теперь это факт, что максимальное количество кандидатов во всем мире достигает 1050–1110 баллов.

Является ли 1500 хорошим результатом SAT?

Наивысший балл по SAT — 1600, а из 1600 баллов по SAT 1500 определенно является хорошим результатом. Не только это, таблица

SAT Score: как это работает?

В SAT есть 3 обязательных раздела: чтение, письмо и язык и математика . Каждый раздел сначала оценивается необработанным баллом.Следует помнить, что исходный балл за SAT рассчитывается на основе количества полученных правильных ответов.

Чтобы узнать больше о возможной исходной точке в каждом разделе, нам сначала нужно знать количество вопросов в каждом разделе:

Наряду с этими 3 разделами, есть дополнительный раздел эссе, но оценка за сочинение SAT не влияет на общий балл SAT.Итак, мы не обсуждаем это здесь. Тем не менее, эссе имеет диапазон от 2 до 8 баллов.

Также проверьте калькулятор баллов SAT

Предварительный балл SAT

Упоминается, что исходный балл SAT основан на количестве заданных правильных ответов — здесь следует помнить одну вещь: каждый вопрос SAT приносит по одному баллу и нет отрицательной маркировки.

Необработанная система оценки SAT довольно проста — если кандидат правильно ответит на 40 вопросов любого раздела, исходным баллом этого раздела будет 40.

Исходный балл по каждому разделу преобразуется в масштабированный балл, чтобы получить общий балл SAT в диапазоне 400–1600. С помощью таблицы преобразования оценок SAT эти исходные оценки масштабируются. Эти баллы суммируются для получения общего балла SAT. Но прежде чем переходить к таблице преобразования исходных оценок SAT в масштабные баллы, важно иметь представление о масштабируемых баллах.

Также проверьте SAT Essay Score

SAT Scaled Score

Шкала баллов SAT для каждого раздела составляет 200-800.Здесь каждый раздел означает математику и чтение + письмо на основе доказательств, что составляет общий диапазон оценок SAT 400-1600. Каждый раздел SAT следует своему правилу преобразования исходной оценки в масштабированную оценку.

Таблица калькулятора баллов SAT для разделов математики, чтения и письма может быть разной — исходный балл по математике напрямую конвертируется в масштабированный балл в диапазоне 200–800.

Таблица преобразования баллов SAT

Чтобы понять это преобразование, просмотрите приведенную ниже таблицу преобразования исходных баллов SAT:

Это новая таблица преобразования исходных оценок SAT, сделанная в соответствии с обновлением оценок SAT, сделанным Collegeboard.В старых оценках SAT чтение и письмо были отдельными разделами. Но в соответствии с новой таблицей оценок по экзаменам эти два раздела объединены, чтобы получить оценку по чтению и письму на основе фактических данных.

Полученная необработанная оценка по разделам «Чтение» и «Письмо и язык» конвертируется в 2 различных шкалы, каждая из которых находится в диапазоне от 10 до 40. В следующем разделе шкала оценок этих двух разделов суммируется и умножается на 10, чтобы получить объединенную шкалу оценок в разделах чтения и письма.Для преобразования оценок по чтению и письму сверьтесь с таблицей баллов по шкале SAT:

Таблица оценок по чтению SAT основана на наивысших возможных исходных баллах, равных 52, а таблица оценок по письму и языку SAT основана на наивысших возможных исходных баллах, равных 44.

Таблица преобразования исходных баллов предметного теста SAT

Исходные баллы предметного теста SAT также конвертируются в масштабированные баллы на основе количества правильных вопросов. В следующей таблице оценок SAT, таблица оценок SAT по физике и таблица оценок SAT по биологии приведены как для экологической биологии, так и для молекулярной биологии:

Предмет SAT Таблица преобразования исходной оценки теста физика показывает преобразование масштабированной оценки в зависимости от количества вопросов в тест.То же самое применимо и к таблице результатов предметного теста SAT по биологии. Следующая таблица результатов SAT обозначает таблицу результатов SAT по математике 2:

SAT математика, SAT физика и SAT химия Sub Тесты являются наиболее широко используемыми предметными тестами.