Advertisement

Mobiles Assessment

Überblick und Möglichkeiten
  • Heiko RölkeEmail author
Chapter

Zusammenfassung

Lernen und Assessment werden als komplementäre Vorgänge beiderseits von neuen Perspektiven der zunehmenden Mobilisierung digitaler Endgeräte begünstigt. Daher sind zahlreiche Möglichkeiten des mobilen Lernens direkt auf Assessmentsituationen übertragbar. Die Besonderheiten des Assessments erlauben jedoch eine unterschiedliche Schwerpunktsetzung bzw. einen anderen Blickwinkel. Mobile Technologien können eingesetzt werden, um sowohl die Reliabilität als auch, und insbesondere die Validität eines Assessments zu überprüfen und ggf. zu verbessern. Dies wird praktisch vor allem dadurch erreicht, dass das Assessment losgelöst von festgelegten Orten und Zeitpunkten stattfinden kann. Auch der umgekehrte Fall ist denkbar: Probandinnen oder Probanden bewegen sich in Raum und Zeit, und erst beim Erreichen festgelegter Bereiche findet das Assessment statt. Komplementiert werden diese Möglichkeiten durch die umfangreiche Sensorik, die mobile Technologie üblicherweise mit sich bringt.

Die größten Chancen ergeben sich dabei aus der Alltagsintegration des Assessments, dem sogenannten „ubiquitous Assessment“. Eine Probandin oder ein Proband wird nur in geringem Maße in eine Prüfungssituation versetzt, wenn das Assessment auf Alltagsgeräten wie einem Smartphone ausgeführt und die eigentliche Prüfungsdurchführung angepasst wird an den normalen Alltagsablauf. Dies kann stark dazu beitragen, die Validität eines Assessments zu erhöhen und ermöglicht erst die Erhebung alltagsbezogener Konstrukte. Als Steigerungsform der Alltagsintegration stellt sich ein latentes Assessment dar, bei dem das Assessment ohne direkte Prüfungsinteraktion erfolgt. Beispiele dafür sind Fitness-Armbänder, Laufstrecken-Transponder bei größeren Laufveranstaltungen oder Kraftfahrzeug-Überwachungssysteme zur Erkennung riskanten Fahrverhaltens. Diese Beispiele illustrieren die Einbindung von „Big Data“-Verfahren für Assessmentzwecke, also die Nutzung großer Datenmengen zur Ableitung von Kennwerten und zur Klassifikation. Die Alltagsintegration der Assessmenttechnologie und die zunehmende Verfügbarkeit von Datenauswertungsverfahren bringen neben den angedeuteten Chancen aber auch Risiken mit sich. Dies betrifft insbesondere den Datenschutz, wenn eine Probandin oder ein Proband nicht mehr selbst entscheiden kann, ob und wann er oder sie sich einer „Prüfungssituation“ stellt – oder nicht. Big Data-Verfahren gepaart mit Mobiltechnologie und Sensorik können zu einer Entmündigung führen, die offen diskutiert werden muss.

Schlüsselwörter

Mobiles Assessment latentes Assessment computerbasiertes Assessment 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. AOK (n.d.). AOK Plus Bonusprogramm. https://plus.aok.de/inhalt/bonusprogramm/. Zugegriffen: 19. September 2017.
  2. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning.  https://doi.org/10.1023/a:1022627411411
  3. Dalir, M., Rölke, H., & Buchal, B. (2012). Android-based mobile assessment system. In G. Biswas, L.-H. Wong, T. Hirashima & W. Chen (Eds.), Proceedings of the 20th International Conference on Computers in Education, ICCE 2012. Singapore, 370-377.Google Scholar
  4. Dirk, J., & Schmiedek, F. (2016). Fluctuations in elementary school children’s working memory performance in the school context. Journal of Educational Psychology.  https://doi.org/10.1037/edu0000076
  5. Düsterhöft, A., & Brandmayer, E. (2017). Ein umsichtiger Fahrstil spart Geld bei der Kfz-Versicherung. http://www.finanztip.de/kfz-versicherung/telematik-tarif/. Zugegriffen: 12. September 2017.
  6. Fahrenberg, J. (2014). Ökologische Validität. In M. A. Wirtz (Hrsg.), Dorsch – Lexikon der Psychologie. Bern, 1202.Google Scholar
  7. Fahrenberg, J., Myrtek, M., Pawlik, K., & Perrez, M. (2007). Ambulantes Assessment – Verhalten im Alltagskontext erfassen. Psychologische Rundschau.  https://doi.org/10.1026/0033-3042.58.1.12
  8. Gawrilow, C., Kuhnhausen, J., Schmid, J., & Stadler, G. (2014). Hyperactivity and Motoric Activity in ADHD: Characterization, Assessment, and Intervention. Frontiers in psychiatry.  https://doi.org/10.3389/fpsyt.2014.00171
  9. IMS Global Learning Consortium (n.d.). IMS Question and Test Interoperability (QTI): Assessment, Section and Item Information Model v2.2.1. Hg. v. QTI Evolution and Certification Committee. https://www.imsglobal.org/question/index.html#version2.2. Zugegriffen: 20. August 2017.
  10. Johnston, B. A., Mwangi, B., Matthews, K., Coghill, D., Konrad, K., & Steele, J. D. (2014). Brainstem abnormalities in attention deficit hyperactivity disorder support high accuracy individual diagnostic classification. Human brain mapping.  https://doi.org/10.1002/hbm.22542
  11. Kühnhausen, J., Leonhardt, A., Dirk, J., & Schmiedek, F. (2013). Physical activity and affect in elementary school children’s daily lives. Frontiers in psychology.  https://doi.org/10.3389/fpsyg.2013.00456
  12. Linden, W. J., & Glas, G. A. W. (Eds.) (2002). Computerized Adaptive Testing. Theory and Practice. Dordrecht.  https://doi.org/10.1007/0-306-47531-6. Zugegiffen: 19. September 2017.
  13. Martens, T. (n.d.) Forschungsprojekt SensoMot. http://www.sensomot.de. Zugegriffen: 26. September 2017.
  14. Moosbrugger, H., & Kelava, A. (2012). Testtheorie und Fragebogenkonstruktion. Berlin, Heidelberg.Google Scholar
  15. Sahin, F. (2015). Using Mobile Phones for Educational Assessment. In Z. Yan (Ed.), Encyclopedia of mobile phone behavior. Hershey/PA, 117-129.Google Scholar
  16. Scalise, K., & Gifford, B. (2006). Computer-Based Assessment in E-Learning. A Framework for Constructing “Intermediate Constraint” Questions and Tasks for Technology Platforms. Journal of Technology, Learning, and Assessment 4 (6). https://ejournals.bc.edu/ojs/index.php/jtla/article/view/1653 Zugegriffen: 20. August 2017.
  17. Schneider, O., Martens, T., Bauer, M., Ott-Kroner, A., & Dick, U. (2017). SensoMot – Sensorische Erfassung von Motivationsindikatoren zur Steuerung adaptiver Lerninhalte. In C. Igel, C. Ullrich & M. Wessner(Hrsg.), Bildungsräume, DeLFI 2017 – Die 15. e-Learning Fachtagung Informatik, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik. Bonn, 267-272.Google Scholar
  18. Schumacher, F. (n.d.) Quantified Self. Self knowledge through numbers. Hrsg. v. Deutsche Quantified Self Community. http://qsdeutschland.de/. Zugegriffen: 20. August 2017.
  19. TBA – Zentrum (Hrsg.) (2017). CBA ItemBuilder. Autorenwerkzeug zur Erstellung dynamischer und interaktiver Aufgaben für computerbasierte Tests. (Manual Item Authoring Tool). https://tba.dipf.de/de/infrastruktur/softwareentwicklung/cba-item-builder/cba-itembuilder. Zugegriffen: 26. September 2017.
  20. Zabal, A., Martin, S., Massing, N., Ackermann, D., Helmschrott, S., Barkow, I., & Rammstedt, B. (2014). PIAAC Germany 2012. Technical report. Münster.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.ChurSchweiz

Personalised recommendations