Entwicklung eines transparenten Digital SAT Score Estimators
Die meisten Score-Rechner verwenden eine einfache Methode. Man gibt die richtigen Antworten ein, wendet eine Tabelle an und erhält einen Score.
Diese Methode funktioniert beim Digital SAT nicht.
Der Test ist adaptiv. Das Scoring-Modell ist privat. Die College Board veröffentlicht keine universelle Umrechnungstabelle.
Bei der Entwicklung eines kostenlosen Score-Estimators hatte ich zwei Möglichkeiten:
- Eine falsche Präzision vortäuschen.
- Die Unsicherheit als Teil des Produkts integrieren.
Ich habe mich für die zweite Option entschieden.
Mein Tool erhebt nicht den Anspruch, einen exakten Score zu liefern. Es behauptet nicht, den spezifischen adaptiven Pfad eines Schülers zu kennen. Es behauptet nicht, einem offiziellen Score-Report zu entsprechen.
Stattdessen beantwortet es eine Frage: Welcher breite Score-Bereich ist für die Lernplanung nützlich?
Dieser Fokus verändert die Funktionsweise des Tools. Der Digital SAT hat zwei Module pro Abschnitt. Die Leistung im ersten Modul verändert den Schwierigkeitsgrad des zweiten.
Die Benutzeroberfläche fragt nach vier spezifischen Eingaben:
- Anzahl der richtigen Antworten in Math Modul 1.
- Anzahl der richtigen Antworten in Math Modul 2.
- Anzahl der richtigen Antworten in Reading and Writing Modul 1.
- Anzahl der richtigen Antworten in Reading and Writing Modul 2.
Der Code nutzt diese Summen, um breite Planungsbereiche auszuwählen. Ein Ergebnis wie 700-770 vermittelt mehr Vertrauen als eine fingierte Zahl wie 742.
Ich habe eine einfache Schwellenwert-Logik für den Math-Estimator verwendet:
if (total >= 41) return "760-800"; if (total >= 36) return "700-770"; if (total >= 31) return "640-710";
Dieser Ansatz ist ehrlich. Er vermeidet es, spekulative Formeln hinter Nachkommastellen zu verstecken.
Ich habe die Einschränkungen zudem direkt beim Ergebnis platziert, anstatt sie im Footer zu verstecken. Nutzer müssen wissen:
- Der Bereich basiert auf der Gesamtzahl der richtigen Antworten.
- Er bildet das offizielle Scoring-Modell nicht eins zu eins ab.
- Unterschiedliche Testversionen führen zu unterschiedlichen Scores.
- Offizielle Bluebook-Scores haben Vorrang.
Das Hinzufügen von mehr Ziffern lässt eine Antwort präzise erscheinen. Es macht das Modell jedoch nicht genauer. Ein Bereich ist ein ehrlicheres Produkt, wenn die Daten unvollständig sind.
Mein Ziel ist es nicht, ein privates System per Reverse Engineering zu entschlüsseln. Mein Ziel ist es, ein transparentes Planungstool zu bauen.
Haben Sie schon einmal Tools auf Basis unvollständiger Daten entwickelt? Wie kommunizieren Sie Unsicherheit an Ihre Nutzer?