gms | German Medical Science

Gemeinsame Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) und des Arbeitskreises zur Weiterentwicklung der Lehre in der Zahnmedizin (AKWLZ)

05.08. - 09.08.2024, Freiburg, Schweiz

Wie gut können M2-Noten durch PTM-Ergebnisse vorhergesagt werden?

Meeting Abstract

Search Medline for

  • presenting/speaker Maren März - Charite – Universitätsmedizin Berlin, AG Progress Test Medizin, Berlin, Deutschland
  • Miriam Sieg - Charite – Universitätsmedizin Berlin, AG Progress Test Medizin, Berlin, Deutschland
  • Johann Arias - Medizinische Fakultät, RWTH, Deutschland
  • Yassin Karay - Medizinische Fakultät der Universität zu Köln, Dekanat für studentische Angelegenheiten, Köln, Deutschland

Gemeinsame Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) und des Arbeitskreises zur Weiterentwicklung der Lehre in der Zahnmedizin (AKWLZ). Freiburg, Schweiz, 05.-09.08.2024. Düsseldorf: German Medical Science GMS Publishing House; 2024. DocV-06-01

doi: 10.3205/24gma023, urn:nbn:de:0183-24gma0237

Published: July 30, 2024

© 2024 März 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

Fragestellung/Zielsetzung: Progress Tests (PT) erfassen die Wissensentwicklung von Studierenden. Korrelationen zwischen PT-Ergebnissen und Staatsexamina, insbesondere in fortgeschrittenen Semestern, sind. Auch eine Verbindung zwischen Lernkurven und Staatsexamina wurde beobachtet [1], [2]. Diese Machbarkeitsstudie untersucht, inwieweit mit den Ergebnissen des formativen Progress Tests der Berliner Charité (PTM) die schriftlichen Staatsexamensnoten (M2) pro Studierenden vorhersagen können.

Methoden: Mit Daten von drei Fakultäten haben wir ein LSTM-Netz (Long-Short-Term-Memory) trainiert. Hierfür haben wir als Merkmale die Anzahl an richtig und nicht beantworteten Fragen, das Vergleichssemester und die Einteilung in sogenannte Leistungscluster [3] herangezogen, um Wahrscheinlichkeiten für Staatsexamensnoten pro teilnehmender Person und Semester auszugeben. Die Daten wurden in Trainings- (64%), Validierungs- (20%) und Testdatensätze (16%) aufgeteilt und für den Algorithmus aufbereitet.

Studierende wurden nach jedem PTM einem Leistungscluster zugeordnet (von Cluster 0=sehr gute Teilnahmen bis Cluster 4=vor allem Studienanfänger*innen, Testabbrecher*innen, und andere nicht ernsthafte Teilnahmen). Wir wollten wissen, inwiefern sich die ernsthafte Testteilnahme auf die Vorhersagekraft auswirkt und haben daher betrachtet, wie oft Studierende dem Cluster 4 zugeordnet wurden. Für den Zweck dieser Machbarkeitsstudie wird „Cluster 4“ mit „nicht ernsthafter Teilnahme“ gleichgesetzt.

Ergebnisse: Die Daten von 4.161 Studierenden zeigen folgende Notenverteilung beim M2: 1 (0.6%); 2 (28.2%); 3 (47.2%); 4 (19.8%); 5 (4.2%). Diese Verteilung stellt den Feldvergleich dar.

Im 6. FS wird die richtige Staatsexamensnote zu 49.8% vorhergesagt, im 7. FS zu 52.3%, im 8. FS zu 53.9%, im 9. FS zu 58.7 %, im 10. FS zu 60.2%.

Werden die zwei wahrscheinlichsten Noten zusammengefasst, so liegt die Prognosewahrscheinlichkeit im 6. FS bei 76.9%, im 7. FS bei 82.3%, im 8. FS bei 86.9%, im 9. FS bei 88.3%, im 10. FS bei 88.4%.

Studierende, die eine 1 erhielten, wurden im Schnitt 1,5-mal während ihres Studiums Cluster 4 zugeordnet, die eine 5 erhielten 5.0-mal (2-2.5-mal, 3-3.1-mal, 4-4.3-mal).

Studierende, die ab dem 6. FS durchweg eine korrekte Vorhersage erhalten haben, wurden in ihrem Studium im Schnitt 3.2-mal Cluster 4 zugeordnet, solche mit einer durchweg falschen Vorhersage 4.6-mal.

Diskussion: Zusammenfassend lässt sich festhalten, dass das Modell der Machbarkeitsstudie ab dem 6. FS. verlässlichere Vorhersagen liefert als der Feldvergleich (s.o.). Umso ernsthafter Studierende den PTM bearbeiten, desto besser ist dabei die Vorhersagekraft des Modells.

Die wiederholte Zuordnung zu Cluster 4 im Studienverlauf kann darüber hinaus auf Studienprobleme hinweisen, was für eine frühzeitige Beratung genutzt werden könnte.

Förderung: Gefördert vom BMBF („iPT“).


Literatur

1.
Karay Y, Schauber SK. A validity argument for progress testing: Examining the relation between growth trajectories obtained by progress tests and national licensing examinations using a latent growth curve approach. Med Teach. 2018;40(11):1123-1129. DOI: 10.1080/0142159X.2018.1472370 External link
2.
Wang L, Laird-Fick HS, Parker CJ, Solomon D. Using Markov chain model to evaluate medical students’ trajectory on progress tests and predict USMLE step 1 scores – a retrospective cohort study in one medical school. BMC Med Educ. 2021;21(1):200. DOI: 10.1186/s12909-021-02633-8 External link
3.
Sieg M, Atanet IR, Tomova MT, Schoeneberg U, Sehy V, Mäder P, März M. Discovering unknown response patterns in progress test data to improve the estimation of student performance. BMC Med Educ. 2023;23(1):193. DOI: 10.1186/s12909-023-04172-w External link