Proefschrift van Sietske Tacoma, Universiteit Utrecht

Verdediging op woensdag 25 november 2020, 14:30 uur

Abstract

Statistiek is belangrijk in veel bachelorstudies, maar is ook vaak een struikelblok. Studenten hebben moeite met abstracte statistiekbegrippen, zoals significantieniveau en p-waarde. Feedback zou kunnen helpen, maar voor docenten is het moeilijk om individuele feedback te geven aan grote groepen studenten. In dit proefschrift wordt een oplossing gezocht in de vorm van automatische feedback in een digitale leeromgeving. De centrale vraag is: hoe kan automatische intelligente feedback eerstejaarsstudenten aan de universiteit helpen bij het ontwikkelen van statistische bekwaamheid?

In dit onderzoek zijn twee feedbacktypen ontwikkeld en geëvalueerd in twee eerstejaars statistiekcursussen voor studenten sociale wetenschappen. Het eerste type, lokale feedback, gaf feedback op de stappen die studenten maakten bij het uitvoeren van hypothesetoetsen. De feedback gaf informatie over fouten binnen stappen die de student toevoegde en over tegenstrijdigheden in de oplossing als geheel. Het tweede feedbacktype, globale feedback, gaf studenten een overzicht van hun begrip van belangrijke statistiekbegrippen. De inschattingen in dit overzicht waren gebaseerd op het werk van de studenten aan huiswerkopgaven binnen de digitale leeromgeving.

Uit de evaluaties bleek dat studenten beide feedbacktypen nuttig vonden en dat ze er veel gebruik van maakten. De lokale feedback hielp studenten om meer opgaven over hypothesetoetsen op te lossen en er minder fouten in te maken. Wel hadden studenten tijd nodig om te leren hoe ze deze feedback konden gebruiken. De globale feedback leek makkelijker te gebruiken. Deze feedback moedigde studenten aan om iets langer aan hun huiswerkopgaven te blijven werken, wat voor zwakkere studenten ook tot iets hogere tentamencijfers leidde.