Key points are not available for this paper at this time.
Zusammenfassung Wissen ist ein wichtiger Prädiktor und Ausgangspunkt für Lernen und Entwicklung. Die Messung wird durch die Tatsache erschwert, dass Wissen integriert und homogen oder fragmentiert und heterogen sein kann, was sich durch Lernen ändern kann. Diese Eigenschaften des Wissens stehen im Widerspruch zu den aktuellen Standards für die Testentwicklung, die eine hohe interne Konsistenz verlangen (z.B. Cronbach's Alphas größer als .70). Um eine erste empirische Basis für diese Debatte bereitzustellen, haben wir eine Meta-Analyse der Cronbach's Alphas von Wissensprüfungen durchgeführt, die aus einem verfügbaren Datensatz abgeleitet wurden. Basierend auf 285 Effektgrößen aus 55 Stichproben betrug das geschätzte typische Alpha von domänspezifischen Wissensprüfungen in Publikationen α = .85, CI90 .82; .87. Alpha war so hoch trotz einer niedrigen durchschnittlichen Itemkorrelation von .22, da die Tests im Durchschnitt relativ lang waren und Bias in der Testkonstruktion oder im Veröffentlichungsprozess zu einer Unterrepräsentation niedriger Alphas führte. Alpha war höher in Tests mit mehr Items, mit offenen Antworten und in jüngeren Altersgruppen, es nahm nach Interventionen und im Verlauf der Entwicklung zu, und es war höher für Wissen in Sprachen und Mathematik als in Naturwissenschaften und Sozialwissenschaften/Geisteswissenschaften. Generell variieren die Alphas stark zwischen verschiedenen Wissensprüfungen und Populationen mit unterschiedlichen Merkmalen, was sich in einem 90%-Vorhersageintervall von .35, .96 widerspiegelt. Wir schlagen diesen Bereich als Richtlinie für die Alphas vor, die Forscher für Wissensprüfungen mit 20 Items erwarten können, und geben Richtlinien für kürzere und längere Tests. Wir diskutieren die Implikationen für unser Verständnis von domänenspezifischem Wissen und wie feste Grenzwerte für die interne Konsistenz von Wissensprüfungen die Forschungsergebnisse verzerren.
Edelsbrunner et al. (Thu,) haben diese Frage untersucht.