Erfolgreicher Schulunterricht ist mehr als die bloße Beschäftigung mit vorgegebenen Themen. Ziel ist, dass Schülerinnen und Schüler Kompetenzen entwickeln und vernetztes Wissen aufbauen. Digitale Unterrichtseinheiten ermöglichen es, individuelle Lernverläufe zu erfassen, zu analysieren, wie produktiv sie sind, und die Ergebnisse Lehrkräften zurückzumelden. Wie Lehrkräfte diese Informationen nutzen können, um unproduktive Lernverläufe produktiv zu gestalten, ist bislang wenig erforscht. Das vom Bundesministerium für Bildung und Forschung (BMBF) geförderte Verbundprojekt des Leibniz-Instituts für die Pädagogik der Naturwissenschaften und Mathematik (IPN), des Leibniz-Instituts für Bildungsforschung und Bildungsinformation (DIPF) und der Ruhr-Universität Bochum (RUB) hat das Ziel, individuelle Lernverläufe und Lernschwierigkeiten abzubilden. Daten aus digitalen Physikunterrichtseinheiten werden genutzt, um produktive und unproduktive Lernverläufe zu identifizieren. Automatisch erkannte Lernschwierigkeiten dienen als Grundlage für Handlungsvorschläge, mit denen Lehrkräfte Lernverläufe verbessern können. Das interdisziplinäre Team verwendet Teacher Dashboards, die Lehrkräften nahezu in Echtzeit Feedback zu Lernverläufen geben. Das IPN koordiniert das Projekt und bringt fachdidaktische Expertise ein, das DIPF fokussiert die Analyse mittels Learning Analytics, und die Ruhr-Universität Bochum erprobt die Dashboards unter realen Bedingungen.
Successful school teaching means more than merely working on predetermined topics. The goal is for students to develop competencies and build interconnected knowledge. Digital teaching units enable the recording and analysis of individual learning trajectories and provide feedback to teachers about their productivity. How teachers can use these data to transform unproductive learning trajectories into productive ones has been little researched so far. The project consortium funded by the Federal Ministry of Education and Research (BMBF) consists of the Leibniz Institute for Science and Mathematics Education (IPN), the Leibniz Institute for Educational Research and Educational Information (DIPF), and Ruhr University Bochum (RUB). The aim is to map individual learning trajectories and associated learning difficulties. Data from digital physics teaching units are used to identify productive and unproductive learning trajectories. Automatically detected learning difficulties serve as a basis for deriving recommendations for teachers to promote productive learning. The interdisciplinary team uses so-called Teacher Dashboards that provide teachers with near real-time feedback on their students´ learning progress. The IPN coordinates the consortium and contributes expertise in subject didactics and competence diagnostics. The DIPF focuses on learning analytics, and Ruhr University is responsible for testing the Teacher Dashboards under real classroom conditions.
Educational measurements and tests
Self-administered questionnaire: Web-based
Content coding
Schüler*innen der 7. und 8. Jahrgangsstufe in Schleswig-Holstein (ländlich und urban, breit gestreut innerhalb des Bundeslands, Nordsee- & Ostsee-nah sowie im Binnenland), sowohl an Gymnasien als auch an Gemeinschaftsschulen
Students in grades 7 and 8 in Schleswig-Holstein, both at grammar schools (Gymnasien) and comprehensive schools (Gemeinschaftsschulen)
Nicht-Wahrscheinlichkeitsauswahl; Auswahlverfahren Kommentar: Die Datenerhebung erfolgte an Sekundarschulen (Jahrgangsstufen 7 und 8) im Bundesland Schleswig-Holstein. Die teilnehmenden Lehrkräfte wurden so ausgewählt, dass sie eine breite geografische Streuung innerhalb des Bundeslandes sowie städtische und ländliche Gebiete repräsentieren, von Orten an der Nord- und Ostseeküste bis hin zu zentral gelegenen Schulen und Schulen in Hamburg-Nähe. Es lagen keine demografischen Informationen der Lehrkräfte vor, die die Auswahl beeinflusst hätten. Es nahmen jedoch beispielsweise sowohl weibliche als auch männliche Lehrkräfte teil.
