Intelligente mentorsystemen (ITS) worden steeds meer gebruikt om online leerprocessen in verschillende disciplines te ondersteunen. Om een student effectieve feedback te kunnen geven binnen een ITS, speelt de granulariteit van de input van de student een belangrijke rol: hoe grover de input, hoe moeilijker het is om specifieke feedback te geven. Dit praktijkgerichte onderzoek is erop gericht om strategieën en fouten van leerlingen te identificeren op basis van minimale invoer. Voor wiskunde stellen we voor om middelen te ontwikkelen om fouten van leerlingen te bepalen op basis van grofkorrelige invoer door middel van model backtracking (MBT). Met MBT wordt een taak zo gemodelleerd dat verschillende fouten kunnen worden onderscheiden in de antwoorden van leerlingen.
De belangrijkste onderzoeksvraag is: Hoe kunnen online leerprocessen worden verbeterd door het identificeren van fouten in grove invoer met behulp van MBT in klas 11 'havo wiskunde A'? We beginnen met een ontwerpstudie waarin MBT wordt geïmplementeerd voor twee casussen, gevolgd door testen in onderwijsexperimenten. We gebruiken twee taakgebaseerde interviews met leerlingen van havo wiskunde A (n=25 elk) om de validiteit van foutdetectie via MBT te bestuderen en het initiële ontwerp te verbeteren. Vervolgens schalen we op naar testen in een statistische studie in graad 11 'havo wiskunde A'.
We gebruiken een experimentele groep die specifieke feedback krijgt via MBT en een controlegroep (n=100 elk). We gebruiken datamining op de interactielogboeken om verschillende leerstrategieën te catalogiseren, samen met een variantieanalyse op pre- en posttestscores om te bepalen of MBT bijdraagt aan het leerproces.