Использование электронных таблиц Excel для обработки данных тестирования

В процессе обучения постоянно ощущается потребность в хорошо разработанных методах измерения уровня обученности в самых различных областях знаний. Известно, что профессиональное тестирование было начато еще в 2200 году до нашей эры, когда служащие Китайского императора тестировались, чтобы определить их пригодность для императорской службы. По некоторым оценкам в 1986 году по крайней мере 800 профессий лицензировались в Соединенных Штатах на основании тестирования (А.А. Захаров, А.В. Колпаков Современные математические методы объективных педагогических измерений)

Почти каждый педагог разрабатывает тестовые задания по своей дисциплине, но не каждый может грамотно обработать и интерпретировать результаты теста. Напротив, грамотное конструирование теста на основе знания теории тестирования позволит педагогу-исследователю создать инструмент, позволяющий провести объективное измерение знаний, умений и навыков по данному курсу с необходимой точностью.

В настоящее время существуют два теоретических подхода к созданию тестов: классическая теория и современная теория IRT (Item Response Theory). Оба подхода базируются на последующей статистической обработке так называемого сырого балла (raw score), то есть балла, набранного в результате тестирования. Только после проведения многократных статистических обработок можно говорить о создании теста с устойчивыми параметрами качества (надежностью и валидностью).

Для обработки данных, полученных на этапе тестирования, воспользуемся пакетом MS Office 2000 и электронными таблицами MS Excel.

После сбора эмпирических данных необходимо провести статистическую обработку, которую будем проводить на ЭВМ. Этап математико–статистической обработки разобьем на ряд шагов.

Шаг 1. Формирование матрицы тестовых результатов.

Результаты ответов учеников на задания тестов оцениваются в дихотомической шкале: за каждый правильный ответ учащийся получает один балл, а за неправильный ответ или за пропуск задания – нуль баллов (см. рис. 1).

Шаг 2. Преобразование матрицы тестовых результатов.

На втором шаге из матрицы тестовых результатов устраняются строки и столбцы, состоящие только из нулей или только из единиц. В приведенном выше примере таких столбцов нет, а строк только две. Одна из них, нулевая строка соответствует ответам одиннадцатого испытуемого, который не смог выполнить правильно ни одного задания в тесте.

Рис. 1. Матрица результатов тестирования

В этом случае вывод довольно однозначен: тест непригоден для оценки знаний такого ученика. Для выявления его уровня знаний тест необходимо облегчить, добавив несколько более легких заданий, которые, скорее всего, выполнит правильно большинство остальных испытуемых группы.

Столь же непригоден, но уже по другой причине, тест для оценки знаний двенадцатого ученика, который выполнил правильно все без исключения задания теста. Причина непригодности теста заключается в его излишней легкости, не позволяющий выявить истинный уровень подготовки двенадцатого ученика. Возможно, двенадцатый ученик знает много чего другого и в состоянии выполнить по контролируемым разделам содержания гораздо более трудные задания, которые просто не были включены в тест.

Таким образом, на данном шаге необходимо удалить из матрицы данных 11 и 12 строки.

Шаг 3. Подсчет индивидуальных баллов испытуемых и количество правильных ответов на каждое задание теста.

Индивидуальный балл испытуемого получается суммированием всех единиц, полученных им за правильное выполнение задания теста. В Excel для суммирования данных по строке можно воспользоваться кнопкой Автосумма  на панели инструментов Стандартная. Для удобства полученные индивидуальные баллы (Хi) приводятся в последнем столбце матрицы результатов (см. рис. 2).

Число правильных ответов на задания теста (Yi) также получается суммированием единиц, но уже расположенным по столбцам.(см. рис. 2)

Шаг 4. Упорядочение матрицы результатов.

Значения индивидуальных баллов необходимо отсортировать по возрастанию, для этого в MS Excel:

1.    выделим блок ячеек, содержащих номера испытуемых, матрицу результатов и индивидуальные баллы. Начинать выделение необходимо со столбца X (индивидуальные баллы).

2.    на панели инструментов Стандартная нажимаем на кнопку Сортировка по возрастанию . Матрица результатов примет вид, изображенный на рис. 3.

Рис. 2. Матрица с подсчетом итоговых сумм  

    

     Рис. 3 Упорядоченная матрица результатов

Шаг 5. Графическое представление данных.

Эмпирические результаты тестирования можно представить в виде полигона частот, гистограммы, сглаженной кривой или графика.

Для построения кривых упорядочим результаты эксперимента и подсчитаем частоту получения баллов (см. рис. 4-6).

Рис. 4. Несгруппированный ряд


Рис. 5. Ранжированный ряд


Рис. 6. Частотное распределение

Для расчета рейтинга (ранга) каждого учащегося по индивидуальным балам необходимо применить функцию РАНГ, которая возвращает ранг числа в списке чисел. Ранг числа – это его величина относительно других значений в списке.

В MS Excel 2000 для вычисления ранга используется функция

РАНГ (число; ссылка; порядок), где

Число – адрес на ячейку, для которой определяется ранг.

Ссылка -  ссылка на массив индивидуальных баллов (выборка).

Порядок – число, определяющее способ упорядочения. Если порядок равен 0 (нулю), или опущен, то Excel определяет ранг числа так, как если бы ссылка была списком, отсортированным в порядке убывания. Если порядок – любое ненулевое число, то Excel определяет ранг числа так, как если бы ссылка была списком, отсортированным в порядке возрастания.

Примечание. Функция РАНГ присваивает повторяющимся числам одинаковый ранг. При этом наличие повторяющихся чисел влияет на ранг последующих чисел. Например, если в списке целых чисел дважды встречается число 10, имеющее ранг 5, число 11 будет иметь ранг 7 (ни одно из чисел не будет иметь ранг 6).

По частотному распределению можно построить гистограмму (см. рис.7).

Гистограмму можно построить и по индивидуальным баллам (см. рис. 8).

Рис. 7. Столбиковая гистограмма               


Рис. 8. Гистограмма распределения инд. баллов

При разработке тестов необходимо помнить о том, что кривая распределения индивидуальных баллов, получаемых по репрезентативной выборке, является следствием кривой распределения трудности заданий теста. Этот факт удачно иллюстрируется на рис.9.

Рис. 9. Связь распределения индивидуальных баллов и трудности заданий теста

Для первого распределения слева характерно явное смеще­ние в тесте в сторону легких заданий, что, несомненно, приве­дет к появлению большого числа завышенных баллов у ре­презентативной выборки учеников. Большая часть учеников выполнит почти все задания теста.

Второй случай (слева) отражает существенное смещение в сторону трудных заданий при разработке теста, что не мо­жет не сказаться на снижении результатов учеников, поэтому распределение индивидуальных баллов имеет явно выражен­ный всплеск вблизи начала горизонтальной оси. Основная часть учеников выполнит незначительное число наиболее лег­ких заданий теста.

B третьем случае задания теста обладают оптимальной трудностью, поскольку распределение имеет вид нормальной кри­вой. Отсюда автоматически возникает нормальность распре­деления индивидуальных баллов репрезентативной выборки учеников, что в свою очередь позволяет считать полученное распределение устойчивым по отношению к генеральной со­вокупности.

В профессионально разработанных нормативно-ориентированных тестах типичным является результат, когда приблизительно 70%  учеников выполняют правильно от 30 до 70% заданий теста. а наиболее часто встречается результат в 50%.

 

Шаг 6. Определение выборочных характеристик результатов.

На данном этапе необходимо вычислить среднее значение, моду, медиану, дисперсию, стандартное отклонение выборки, ассиметрию и эксцесс (см. рис.10).

Степень отклонения распределения наблюдаемых частот выборки от симметричного распределения, характерного для нормальной кривой, оценивается с помощью асимметрии. Наличие асимметрии легко установить визуально, анализируя полигон частот или гистограмму Более тщательный анализ можно провести с помощью обобщенных статистических ха­рактеристик, предназначенных для оценки величины асим­метрии в распределении.

Функция СКОС MS Excel возвращает ассиметрию распределения.

СКОС (число 1; число 2), где число1 – ссылка на массив данных, содержащих индивидуальные баллы учеников.

При интерпретации полученного значения асимметриии 0,277 необходимо обратить внимание на то, что величина ассиметрии получилась положительной и небольшой (см.  рис. 10, 11).

 

Рис. 10. Описательные характеристики выборки


Рис. 11. Кривые распределения с отрицательной, нулевой и положительной ассиметрией (слева направо) соответственно.

Асимметрия распределения положительна, если ос­новная часть значений индивидуальных баллов лежит справа от среднего значения, что обычно характерно для излишне легких тестов.

Асимметрия распределения баллов отрицательна, если боль­шинство учеников получили оценки ниже среднего балла. Эффект отрицательной асимметрии встречается в излишне трудных тестах, не сбалансированных правильно по трудности при отборе заданий

В хорошо сбалансированном по трудности тесте, как уже от­мечалось ранее, распределение баллов имеет вид нормальной кривой. Для нормального распределения характерна нулевая асимметрия, что вполне естественно, так как при полной сим­метрии каждое значение балла, меньшее среднего значения, уравновешивает­ся другим симметричным, большим чем среднее.

С помощью эксцесса можно получить представление о том, является ли функция распределения частот островершинной, средневершинной или плоской.

Для расчета данного параметра применим функцию ЭКСЦЕСС (число1; число2; …), где число1 – ссылка на массив данных, содержащих индивидуальные баллы учеников.

В том случае, когда распределение данных бимодально (имеет две моды), необходимо говорить об эксцессе в окрестности каждой моды. Бимодальная конфигурация указывает на то, что по результатам выполнения теста выборка учеников разделилась на две группы. Одна группа справилась с большинством легких, а другая с большинством трудных заданий теста.

Comments