gms | German Medical Science

Joint congress of the Gesellschaft für Medizinische Ausbildung (GMA) and the Arbeitskreis zur Weiterentwicklung der Lehre in der Zahnmedizin (AKWLZ)

20.09. - 23.09.2017, Münster

Automatische Zusammenstellung von Prüfungen mittels eines genetischen Algorithmus

Meeting Abstract

  • corresponding author presenting/speaker Marcus Lindner - Institut für Kommunikations- und Prüfungsforschung gGmbH, Heidelberg, Germany
  • Andreas Möltner - Germany
  • Lars Feistner - Germany
  • Konstantin Brass - Institut für Kommunikations- und Prüfungsforschung gGmbH, Heidelberg, Germany

Gemeinsame Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) und des Arbeitskreises zur Weiterentwicklung der Lehre in der Zahnmedizin (AKWLZ). Münster, 20.-23.09.2017. Düsseldorf: German Medical Science GMS Publishing House; 2017. Doc128

doi: 10.3205/17gma128, urn:nbn:de:0183-17gma1287

Published: November 24, 2017

© 2017 Lindner et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Die Verwendung von online Prüfungsdatenbanken bieten einem Prüfungsverantwortlichen eine große Menge an verfügbaren Aufgaben inklusive vieler deskriptiver Metadaten (z.B statistische Kenngrößen, Fächer, ...). Durch diese immense Ansammlung von Daten kann es für einen Prüfungsverantwortlichen schwer werden, die Übersicht bei der Prüfungserstellung zu behalten. Erschwerend kommt noch hinzu, dass Prüfungen, und die Aufgaben innerhalb dieser Prüfungen, immer kompliziertere Vorgaben, die in einem Blueprint definiert sind, erfüllen müssen. Ein solcher Blueprint kann z.B Angaben über die Zahl der Aufgaben je Fach und CanMeds-Rolle sowie Zielvorgaben für die Schwierigkeiten enthalten.

Ein Expertensystem, dass einen Vorschlag für eine Aufgabenauswahl liefert, die die Bedingungen so gut es geht erfüllen, kann hierbei den Prüfungsverantwortlichen stark entlasten und die Prüfungserstellung beschleunigen. Ziel dieser Studie ist die Untersuchung eines Optimierungsverfahrens, welches mit akzeptabler Laufzeit auch bei komplexen Vorgaben des Blueprints geeignete Lösungsvorschläge ermitteln kann.

Vorgestellt wird ein genetischer Algorithmus, der in der Lage ist, auch bei komplexen Vorgaben im Blueprint, Vorschläge für die Zusammensetzung der Prüfungsaufgaben zu generieren. Die Laufzeit und die Qualität der Ergebnisse des Algorithmuses wurden mittels simulierter Daten mit denen einer linearen Optimierung verglichen.

Es wurde festgestellt, dass bei einem einfachen Blueprint die lineare Optimierung dem genetischen Algorithmus überlegen ist, da eine optimale Lösung in vertretbarer Zeit gefunden wird. Sowie andererseits, dass bei komplexeren Vorgaben die Vorteile des genetischen Algorithmus überwiegen, da dieser in vertretbarer Zeit eine “gute” Lösung finden kann.

Genetische Algorithmen können erfolgreich bei der Zusammensetzung von Prüfungen eingesetzt werden, um die Vorgaben eines Blueprints zu erfüllen. Eine inhaltliche Überprüfung der ausgewählten Aufgaben ist dennoch erforderlich.