gms | German Medical Science

Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA)

25.09. - 27.09.2014, Hamburg

Eine Item-Datenbank für den Hamburger Naturwissenschaften-Test HAMNat

Poster

Suche in Medline nach

  • corresponding author presenting/speaker Dietrich Klusmann - Universitätsklinikum Hamburg-Eppendorf, Medizinische Psychologie, Hamburg, Deutschland
  • author Johanna Hissbach - Universitätsklinikum Hamburg-Eppendorf, Institut für Biochemie und Molekulare Zellbiologie, Hamburg, Deutschland
  • author Wolfgang Hampe - Universitätsklinikum Hamburg-Eppendorf, Institut für Biochemie und Molekulare Zellbiologie, Hamburg, Deutschland

Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA). Hamburg, 25.-27.09.2014. Düsseldorf: German Medical Science GMS Publishing House; 2014. DocP414

doi: 10.3205/14gma148, urn:nbn:de:0183-14gma1485

Veröffentlicht: 11. September 2014

© 2014 Klusmann et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Fragestellung/Einleitung: Der Hamburger Naturwissenschaften-Test HAMNat wurde bisher von 2008 bis 2013 zur Auswahl von Studienbewerbern für das Fach Medizin eingesetzt. Da viel von diesem Test abhängt, müssen seine psychometrischen Eigenschaften mit Sorgfalt beobachtet werden, besonders die Merkmale neu erzeugter Items, die in jedem Jahr etwa die Hälfte des Tests ausmachen.

Methoden: Die Datenbank Orison repräsentiert die Item- und Testparameter jeder jahresspezifischen Version des HAMNat auf der Basis zweier Modelle der Item-Response-Theorie: dem 2PL-Modell und dem Nominalen Modell.

Ergebnisse: Zum Design der Datenbank mussten Entscheidung für eine Reihe von Vereinfachungen zur Reduzierung der Datenfülle getroffen werden. Diese Entscheidungen betrafen 5 Punkte:

1.
Dimensionalität: nur eine Dimension
2.
Modellauswahl: 2PL-Modell
3.
Auswahl eines Itemsets für die Kalibrierung: der volle Itemset ohne Selektion,
4.
Modus der DIF-Analyse: keine vorgängige Selektion (sweep),
5.
Equating-Methode: Mittelwert-Transformation,
6.
Basis der Itemsammlung für neue Skalen: Parameter der jeweils neuesten Instantiierung.

Diskussion/Schlussfolgerung: Die Konsequenzen dieser Vereinfachungen werden eingeschätzt und die Benutzung der Datenbank Orison wird demonstriert.