Geïndividualiseerde toetsen
Hugo Quené, 24 juni 2020

Geïndividualiseerde toetsen zijn bruikbaar voor allerlei situaties waarin studenten een dataverzameling moeten analyseren, bijvoorbeeld voor onderwijs in statistische technieken. De cursus Methoden en Statistiek 2 in blok 4 bevatte voorheen twee computer-toetsen, afgenomen in een computerleerzaal. Studenten kregen dan een dataverzameling die ze moesten analyseren, waarna de analyseresultaten moesten worden geïnterpreteerd en besproken. In voorgaande jaren ontvingen alle studenten bij zo’n toets dezelfde dataverzameling.

Door de corona-maatregelen heb ik de computer-toets moeten omzetten naar een take-home, open-boek-tentamen, waarbij de studenten de toets niet in een computerleerzaal maar thuis afleggen. Je zou dan meerdere parallelle versies van de toets kunnen maken. Nog eleganter is om iedere student een aparte individuele versie van de toets voor te leggen. Daarmee is het nauwelijks meer lonend voor studenten om – binnen de beperkte toetstijd van 2 uur – onderling te overleggen over werkwijze en uitkomsten.

HOE WERKT HET

Met behulp van een eigen computerscript (in R+RStudio) wordt voor iedere student het volgende gemaakt:

1. Een unieke willekeurige identificatiecode,
2. Een gesimuleerde dataverzameling, waarin statistische variatie is geprogrammeerd rondom een vooraf bepaald grondpatroon,
3. De model-uitwerking en analyseresultaten behorende bij de gesimuleerde dataverzameling.

Het computerscript zorgt er ook voor dat de gesimuleerde data en bijbehorende uitwerkingen onder de juiste codes worden opgeslagen. Voor 20 geïndividualiseerde versies moest ik het script 20x afspelen. De bijbehorende toetsvragen staan in een document dat voor alle studenten gelijk is.

Vlak voor de toets stuurde ik de toetsvragen en geïndividualiseerde dataverzameling(en) naar iedere student (Outlook > Send Later). Studenten leverden hun gemaakte werk in als een assignment op Blackboard.

VOORBEELD

Hieronder enkele fragmenten uit het computerscript; het gaat hier om logistische regressie. Het onderliggende patroon wordt gegeven in de tweede en derde regel. De random variatie daaromheen wordt aangebracht met de functie ’rnorm’.

age <- round( runif(n=400, min=10, max=89) ) # midpoint is 51
resp <- antilogit( 0.4 – 0.1*sex – 0.01*(age-51) – 0.01*sex*(age-51) + rnorm(n=400, mean=0, sd=0.3) ) # interaction
hit <- (resp>=0.5)
…
filename = paste(“MS2DT2_20200623V1_”,as.character(thecode),”.csv”,sep=””) write.csv( data, file=filename, row.names=FALSE ) # ID column in data
…
summary(bestmodel)

1. Onderzoek de effecten van geslacht (`sex`), van leeftijd (`age`) en van de interactie tussen deze twee predictoren, op het gebruik van de nieuwe taalvariant.

TIJDSBESTEDING
Het kostte natuurlijk wel wat tijd om het computerscript te maken en te testen, maar daarna was het makkelijk aan te passen voor een volgende toets. Het prepareren van 20 versies kostte minder dan een minuut. Klaarzetten van de juiste versies kostte ca 2 minuten per student. Bij het nakijken gebruik ik de geïndividualiseerde model-uitwerking, tezamen met een beoordelingsvoorschrift voor fouten in de uitwerkingen.

De computerscripts (in RMarkdown) voor twee deeltoetsen zijn op aanvraag beschikbaar.

Hugo Quené
h.quene@uu.nl

Wil je meer weten over digitaal toetsen met Remindo en hoe je daarin studenten een range aan vragen kunt stellen, neem contact op met Michiel Fleerkate: m.w.fleerkate@uu.nl