SHARP A03

Personalisierte Unterstützung zum Erwerb aufgabenbasierter Diagnose- und Interventionskompetenzen in Mathematik und Physik auf Basis von Blickbewegungen und Logdaten

Ziele/Zielgruppe

Gute Lehrkräfte erkennen, wie ihre Schülerinnen und Schüler denken: Sie sehen, wo ein Fehler entsteht, und wählen die Aufgabe, die beim Weiterlernen hilft. Diese Fähigkeit nennt man diagnostische Kompetenz. Sie lässt sich lernen, wird im Lehramtsstudium aber bisher kaum gezielt und individuell gefördert.

Das Projekt will herausfinden, welches Wissen und welche Fähigkeiten für eine gute Diagnose nötig sind und wie eine auf die einzelne Person zugeschnittene Unterstützung den Erwerb dieser Kompetenz fördern kann. Zielgruppe sind Lehramtsstudierende im Fach Mathematik und Physik. Langfristig sollen die Ergebnisse die Lehrkräftebildung an Hochschulen verbessern.

Inhalte

In einer digitalen Lernumgebung (Simulation) schlüpfen Lehramtsstudierende in die Rolle einer Lehrkraft. Sie analysieren echte Schülerlösungen zum Thema lineare Funktionen, erkennen typische Fehler und Fehlvorstellungen und wählen passende Aufgaben aus, mit denen die Schülerinnen und Schüler weiterlernen können.

Während der Bearbeitung zeichnet ein Eye-Tracker auf, wohin die Studierenden schauen. Außerdem wird erfasst, was sie in der Simulation anklicken und auswählen (Logdaten). In drei experimentellen Studien werden daraus typische Vorgehensweisen beim Diagnostizieren abgeleitet. Verfahren des maschinellen Lernens sollen diese Vorgehensweisen schon während der Bearbeitung erkennen. So kann die Lernumgebung im richtigen Moment passende Hinweise geben, etwa zum fachdidaktischen Wissen. Untersucht wird, ob solche personalisierten Hilfen den Kompetenzerwerb tatsächlich verbessern.

Das Teilprojekt ist Teil des von der Deutschen Forschungsgemeinschaft (DFG) geförderten Transregio-Sonderforschungsbereichs TRR 419 SHARP der LMU München und der TU München. SHARP untersucht, wie simulationsbasiertes Lernen an Hochschulen durch die Analyse von Lernprozessen personalisiert werden kann.

Beteiligte Personen und Partner

Shayla Giap (TUM), Yichen Teresa Wang (LMU), Sonja Doppelfeld (TUM)

Prof. Dr. Andreas Obersteiner (TUM), Dr. Stefan Küchemann (LMU), Prof. Dr. Matthias Stadler (LMU Klinikum)

Prof. Dr. Jochen Kuhn(LMU), Dr. Michael Nickl (TUM)