Conference Agenda

Inquiry learning actively engages students in experimentation when learning science, thereby students can gain scientific reasoning skills in addition to conceptual knowledge. Two scientific reasoning products, relevant to inquiry learning, are the hypotheses students develop before experimenting and the argumentation in their written explanations. Difficulties during inquiry learning can arise from a lack of scientific reasoning or a lack of self-regulation (Omarchevska et al., 2022a) and inquiry learning is only effective when appropriately guided (Lazonder & Harmsen, 2016). Guidance integrating scientific reasoning and self-regulation was effective for knowledge acquisition (Eckhardt et al., 2013) and scientific reasoning (Omarchevska et al., 2022b). Omarchevska et al. (2022b) showed that video modeling (VM) examples that integrated scientific reasoning and self-regulation instruction improved students’ hypothesis and argumentation quality and their self-regulation of scientific reasoning processes. Eckhardt et al. (2013) showed that reflecting on the inquiry process and outcomes was effective for gaining domain knowledge.

The present study investigated whether VM examples, reflection instruction, or their combination is more effective for enhancing hypothesis and argumentation quality. We also investigated the interventions’ effect on students’ reflection quality. We hypothesized that VM and reflection > VM > reflection > control.

Participants were 173 students (M_age = 24.3 years, SD = 3.5) from a German university. The experiment had a 2x2 design with reflection instruction and VM as factors: reflection (n = 44), reflection + VM (n = 44), VM (n = 44), control, n = 41. All participants solved a training task with a simulation about photosynthesis without guidance. This task familiarized participants with inquiry using simulations and provided the basis for reflection in the two reflection conditions. The experimental manipulation followed this task. Participants in the VM conditions watched three VM examples that modeled scientific reasoning and self-regulation principles (Omarchevska et al., 2022b), participants in the reflection conditions reflected on their inquiry practices (Eckhardt et al., 2013), and participants in the combined condition first reflected and then watched the VM examples. Then, all participants worked on a transfer inquiry task about energy conversion and wrote a reflection. In both tasks, participants were given a research question, they wrote down a hypothesis (hypothesis quality), collected data using the simulation, and wrote an answer to the research question (argumentation quality).

The dependent variables were scored by two raters. Hypothesis quality (α = .74) was measured by the testability and the correctness (Omarchevska et al., 2022a, b), and argumentation quality (α = .82) was scored based on the claim, evidence, and reasoning (McNeil et al., 2006). We developed a coding scheme measuring reflection quality (α = .78) in three categories (systematicity, process, and outcome) on three levels (description, justification, critique).

We used three contrasts to test our hypotheses: C1 (1, -1, 0, 0), C2 (1, 1, -2, 0), and C3 (1, 1, 1, - 3). Contrast analyses showed that hypothesis quality in the transfer task was higher for all experimental conditions than the control (C3), t(163) = 2.207, p = .029, but the three experimental conditions did not differ. Reflection quality, particularly the process, was significantly higher in the VM conditions than reflection condition (C2), t(160) = 2.240, p = .026. Our findings indicate that instruction integrating scientific reasoning and self-regulation was effective for improving hypothesis quality, in line with Omarchevska et al. (2022b). The way this integration was delivered, either using video modeling examples or reflecting on the inquiry process, was equally effective and no benefit of combining instruction was observed. Furthermore, video modeling improved reflection quality possibly by providing more guidance during reflection, extending prior research on video modeling and self-regulation (Omarchevska et al., 2022b).

Die Förderung experimenteller Kompetenzen ist ein zentrales Ziel naturwissenschaftlicher Bildung (Abd-El-Khalick et al., 2004). Entsprechend wird ein großer Teil der Unterrichtszeit für die Planung, Durchführung und Auswertung von Experimenten verwendet (Börlin, 2012; Tesch, 2005). Dieser Aufwand steht im Kontrast zur geringen Lerneffektivität von Schülerexperimenten (Schwichow et al., 2016; Börlin, 2012). Ohne auf sie zugeschnittene Unterstützungsmaßnahmen scheitern Lernende häufig an der Komplexität experimenteller Aufgaben (Lazonder & Hamsen, 2016; Belland et al., 2017; Furtak et al., 2012). Um die Lerneffektivität von Schülerexperimenten zu steigern, müssen daher die typischen Schwierigkeiten von Lernenden beim Experimentieren bekannt sein. Bisherige Forschungsarbeiten fokussieren auf die Rolle einzelner Teilfähigkeiten, wie der Fähigkeit kontrollierte Experimente zu planen (Schwichow et al., 2016), oder versuchen, die Unterstützung in einzelnen Teilprozessen, wie der Hypothesengenerierung, zu optimieren (z.B. Kuang et al., 2023). Durch die isolierte Betrachtung einzelner Teilprozesse und Fähigkeiten ist jedoch unklar geblieben, welche Fähigkeiten in den verschiedenen Teilprozessen des Experimentierens wichtig sind und inwiefern Abhängigkeiten (Kovarianzen) zwischen ihnen bestehen. In der vorliegenden Studie betrachten wir daher den Einfluss der Fähigkeit zum funktionalen Denken, zur Variablenkontrolle und des Fachwissens auf die Performanz beim Experimentieren. Diese Fähigkeiten wurden auf Basis vorheriger Arbeiten (Nehring et al., 2015; Becker et al., 2019; Schwichow et al., 2016) und dem ModellScientific Discovery as Dual Search (SDDS; van Joolingen & de Jong, 1997) ausgewählt. Van Joolingen und de Jong (1997) diskutieren zudem potenzielle dispositionelle Faktoren, etwa den Einfluss von Misserfolgsängsten der Lernenden auf das Experimentieren. Fraglich ist, ob diese dispositionellen Faktoren auch nach Berücksichtigung kognitiver Variablen zusätzliche Varianz aufklären.

Methode

Die genannten Forschungsfragen wurden in einerpräregistrierten (https://osf.io/6wspv) randomisiertenOnline-Interventionsstudie mit 232 jungen Erwachsenen im Alter von 18 bis 22 Jahren untersucht. Es wurden fünf kognitive (Fachwissen, Variablenkontrolle, funktionales Denken sowie allgemeine kognitive Fähigkeiten und kognitive Belastung als Kovariaten) und neun dispositionelle Variablen (Interesse, Selbstkonzept, Motivation und sechs Persönlichkeitsdimensionen) erhoben. DieTestpersonen durchliefen Interventionen zum Fachwissen (Wissen zum Auftrieb in Flüssigkeiten), zur Variablenkontrolle und zum funktionalen Denken. Die Reihenfolge der Interventionen wurde in sechs Versuchsgruppen randomisiert. Als abhängige Variable wurde via Web-App die Performanz in einer Transferaufgabe erhoben, in der die Testpersonen herausfinden sollten, wie ein Cartesischer Taucher funktioniert. Auf der Grundlage von sieben Metriken (Qualität der ersten Hypothese und der schriftlichen Beschreibung der Wirkmechanismen des Cartesischen Tauchers, Anteil aussagekräftiger Experimente sowie Punkte in einem Wissenstest, in Aufgaben zur Bestimmung von Variableneinflüssen und Variablenzusammenhängen und in einer Sortieraufgabe bezüglich unabhängiger und abhängiger Variablen) wurde ein Faktorscore berechnet, der die jeweilige experimentelle Kompetenz repräsentiert. Die Daten wurden mittels theoriegeleiteter hierarchischer multipler Regressionen ausgewertet.

Ergebnisse

Es zeigt sich, dass Fachwissen, die Fähigkeit zur Variablenkontrolle und zum funktionalen Denken auch unter Einbezug allgemeiner kognitiver Fähigkeiten substanzielle Prädiktoren für erfolgreiches Experimentieren sind (R² = .51). Die Aufnahme der weiteren kognitiven und dispositionellen Variablen führt lediglich zu einer moderaten Verbesserung der Modellparameter (R² = .57), was die Bedeutung der drei Kernfähigkeiten unterstreicht. Auch wenn dispositionelle Fähigkeiten beim Erwerb von Fähigkeiten eine Rolle spielen, legen die Ergebnisse nahe, sich bei der Gestaltung von Lernumgebungen auf die Unterstützung bei kognitiven Anforderungen zu konzentrieren. Die mittelhohen Korrelationen (r ~ .45) zwischen den drei Kernfähigkeiten legen zudem nahe, dass Defizite in einer Fähigkeit häufig mit Defiziten in anderen Fähigkeiten einhergehen. Lernumgebungen sollten daher global im Schwierigkeitsgrad anpassbar sein, z. B. durch Reduktion von Variablen und Vereinfachung von Lernzielen. Weitere regressionsanalytische Verfahren zeigen, wie kognitive Fähigkeiten mit Teilprozessen während des Experimentierens zusammenhängen. Beispielsweise zeigt sich, dass die Fähigkeit zum funktionalen Denken für das Erkennen und Charakterisieren von Variablenbeziehungen relevant ist. Lernende mit Defiziten in diesen Fähigkeiten sollten daher bei der Interpretation ihrer Ergebnisse unterstützt werden, indem z. B. zusätzliche Repräsentationsformen angeboten werden. Weitere Ergebnisse und deren Implikationen für Forschung und Praxis werden diskutiert.

Theoretischer Hintergrund und Fragestellungen

Von Hochschulen werden digitale Lernangebote u. a. zum Ausbau fachspezifischer Vorkenntnisse angeboten, die Lernende nach eigenen Bedürfnissen selbstbestimmt bearbeiten können. Empirische Befunde deuten darauf hin, dass die selbstbestimmte Bearbeitung von digitalen Lernangeboten häufig nicht sehr persistent erfolgt (Levy, 2007; Kizilcec & Halawa, 2015). Ein Grund dafür könnte sein, dass die Bearbeitung hohe Anforderungen an Fähigkeiten der Selbstregulation stellt (u. a. Greene et al., 2011; Winters et al., 2008). Studien zum selbstregulierten Lernen nehmen bisher vor allem informationsbasierte Lernumgebungen (LU) in den Blick (z. B. Azevedo et al., 2007; DiBenedetto & Zimmerman, 2010; Schleinschok et al., 2017), welche sich auf das Präsentieren und Erläutern von Inhalten fokussieren (z. B. Hypermedia). Vergleichsweise wenig untersucht sind (Regulations-)Prozesse, die sich bei der Bearbeitung von aufgabenbasierten LU einstellen, welche neben instruktionalen Texten verschiedene Aufgaben enthalten, die beispielsweise das Anwenden und Üben von Inhalten erfordern. An diesem Desiderat setzt das Vorhaben mit folgenden Forschungsfragen (FF) an:

FF1: Wie bearbeiten Studierende selbstreguliert eine aufgabenbasierte LU?

FF2: In welcher Beziehung stehen Bearbeitungsprozesse und Dispositionen der Studierenden (Vorwissen, Selbstwirksamkeit, etc.) sowie deren Lernzuwachs?

Methodisches Vorgehen

Die Studie ist als Ein-Gruppen-Prä-Post-Design konzipiert, in dem vor und nach der Bearbeitung einer aufgabenbasierten, digital implementierten LU zum physikalischen Themengebiet Mechanik verschiedene Dispositionen von Studierenden erfasst werden. Insgesamt sechs thematische Blöcke umfassen verschiedene Instruktionselemente, die in beliebiger Reihenfolge und Schwerpunktsetzung bearbeitet werden können: kurze instruktionale Texte; Beispiele; Kurzaufgaben mit zugehöriger Lösung; Übungsaufgaben, die zusätzlich in unterschiedlichen Anforderungsbereichen ausgewiesen sind; Testaufgaben im Multiple-Choice-Format mit Rückmeldung (richtig/falsch). Um einen grundsätzlichen Anreiz zur Bearbeitung der LU zu schaffen, wurde diese in einem Präsenzvorkurs angeboten und dort Daten mit einer Stichprobe von 55 angehenden Studierenden mit Kernfach Physik erhoben. Die Studierenden arbeiteten an zwei Tagen für jeweils ca. 90 Minuten selbstbestimmt in der LU. Hierbei wurden eingegebene Lösungen gespeichert und das Navigationsverhalten in Logdateien protokolliert. Die Bearbeitungsprozesse wurden mittels einer latenten Profilanalyse klassifiziert, die in einem ersten Zugang auf einen Parameter des Prozesses fokussiert: die Bearbeitungsdauer einzelner Instruktionselemente im Verhältnis zur gesamten Bearbeitungsdauer.

Vor der Bearbeitung der LU wurden das Fachwissen im Bereich der Mechanik sowie Dispositionen erhoben, die im Kontext des selbstregulierten Lernens relevant erscheinen (Fähigkeitsselbstkonzept, Selbstwirksamkeit, Selbstwertkontingenz, Zielorientierung, Fachinteresse). In einem Posttest nach der Bearbeitung der LU wurde erneut das Fachwissen erhoben. Die verwendeten Instrumente wurden ausgehend von bestehenden Instrumenten für das Fach Physik adaptiert; eine Prüfung der psychometrischen Kennwerte im Rahmen der Rasch-Modellierung zeigte eine gute Qualität der Messung. Um Unterschiede zwischen Bearbeitungsprozessen bzgl. Dispositionen bzw. Lernzuwachs zu untersuchen, wurde eine einfaktorielle ANOVA durchgeführt.

Erste Ergebnisse

Bei den Studierenden stellt sich ein deutlicher Lernzuwachs zwischen Prä- und Posttest ein (t(54) = 3.574, p < .001, d = 0.48), der auf eine lernwirksame Nutzung der LU hinweist. Die Bearbeitungsprozesse der Studierenden lassen sich vier plausiblen Aktivitätsprofilen zuordnen, wobei sich jedes durch gewisse Hauptaktivitäten auszeichnet: Profil A (50% Instruktionen, 13 Studierende), Profil B (35% Tests und 30% Instruktionen, 29 Studierende), Profil C (40% Übungsaufgaben, 8 Studierende) und Profil D (50% Kurzaufgaben, 5 Studierende). Hierbei konnte ein mittlerer, jedoch nicht signifikanter, Haupteffekt der Profilzugehörigkeit auf den Lernzuwachs beobachtet werden (F(3, 51) = 1.377, p = .260, η² = 0.075). Bezogen auf die Dispositionen liegen mit einer Ausnahme keine Unterschiede zwischen Studierenden unterschiedlicher Aktivitätsprofile vor: Studierende, die überwiegend Instruktionen bearbeiten (Profil A), sind deutlich weniger annäherungsleistungszielorientiert als Studierende, die überwiegend Aufgaben bearbeiten (Profil C, d = -1.08, p = .079 bzw. Profil D, d = -1.12, p = .079). Dies scheint plausibel, da annäherungsleistungszielorientierte Studierende ihre Fähigkeiten demonstrieren und validieren möchten, was sich durch Bearbeiten von Aufgaben eher als durch Lesen von Texten erzielen lässt. Die Ergebnisse werden auf der GEBF 2024 diskutiert.

Mathematisches Modellieren ist eine der Grundkompetenzen des Mathematiklernens (KMK, 2022). Beim mathematischen Modellieren werden Probleme der realen Welt, z. B. des Alltags, mathematisiert, eine mathematische Lösung erarbeitet, welche dann auf die reale Situation übertragen und der gesamte Lösungsprozess validiert wird. Trotz der hohen Relevanz für das gesellschaftliche Leben zeigen Studien, dass Schüler:innen innermathematische Aufgaben gegenüber Modellierungsaufgaben bevorzugen (Krawitz & Schukajlow, 2018).

Die Erwartungs-Wert-Theorie nach Eccles und Wigfield (2020) befasst sich mit der Wirkung des subjektiven Aufgabenwerts. Dieser wird häufig in vier Komponenten unterteilt: der Wert der wahrgenommenen Wichtigkeit, der intrinsische Wert, die Nützlichkeit und die Kosten (Eccles & Wigfield, 2020).

Den subjektiven Aufgabenwert von Modellierungsaufgaben durch den Einsatz von selbständig durchgeführten Experimenten zu steigern, steht im Fokus dieses Beitrags. Beumann (2016) zeigt in einer explorativen Studie, dass Experimente verknüpft mit Modellierungsaufgaben das situationale Interesse steigern können. Ganter (2013) begründet die Vorteile des Experimentierens in Verbindung mit Modellierungsaufgaben damit, dass authentische Erlebnisse Realitätsbezüge ermöglichen.

Bisher ist jedoch noch unklar, welche Komponenten des subjektiven Aufgabenwerts mit der Einbettung von Experimenten gesteigert werden können:

Inwiefern unterscheidet sich der subjektive Aufgabenwert bei Modellierungsaufgaben mit Experiment im Vergleich zu Modellierungsaufgaben ohne Experiment?

Zur Beantwortung dieser Frage wurde ein Interventions-Kontrollgruppen-Design entwickelt. Die Interventionsbedingung „Modellierungsaufgabe mit Experiment“ soll mit zwei Kontrollbedingungen verglichen werden: „Modellierungsaufgabe mit realen Daten“ und „Modellierungsaufgabe mit geglätteten Daten“. Somit wird untersucht, ob bereits reale Daten authentische Erlebnisse ermöglichen und diese aufgrund des Reliabilitätsbezugs mit einem Unterschied im subjektiven Aufgabenwert einhergehen. Die Modellierungsaufgabe behandelt den Bierschaumzerfall von Malzbier, der mit einer Exponentialfunktion modelliert werden kann. Insgesamt nahmen 190 Schüler:innen aus neun Klassen an dieser Studie teil – n = 95 Interventionsgruppe Experimente, n = 39 Kontrollgruppe 1 reale Daten und n = 56 Kontrollgruppe 2 geglättete Daten. Die Bedingungen wurden klassenweise randomisiert. Die Schüler:innen bearbeiteten im Zeitfenster von 90 Minuten zunächst paarweise eine Modellierungsaufgabe, die sich in den drei Bedingungen nur darin unterschied, ob ein Experiment durchgeführt und mit welchen konkreten Daten modelliert wurde. Im Anschluss wurde mittels Fragebogen der subjektive Aufgabenwert erfasst. Für die vier Komponenten wurden erprobte, leicht angepasste Skalen à vier Items verwendet (sechs-stufige Likert-Skala von 1 = trifft nicht zu bis 6 = trifft zu), z.B. „Die Aufgabe hat mich erschöpft“ für die Skala Kosten (Dietrich et al., 2019, Cronbachs α > .79).

Zur Analyse der Daten wurde eine MANOVA mit Bonferroni-korrigierten post-hoc Tests in SPSS 29 durchgeführt. Die Ergebnisse zeigen einen signifikanten Unterschied bezüglich der Bedingung (Wilks-Lambda = 0.85, F(8, 368) = 3,767, p < .001, η² = .076). Für den „Intrinsischen Wert“ ergibt sich ein signifikanter Unterschied mit mittlerem Effekt (p < .05, Cohen’s d = 0.508) zwischen den Bedingungen Experiment und geglätteten Daten, zugunsten der Aufgabe mit Experiment. Für den Wert der „Kosten“ wird ein signifikanter Unterschied zwischen den Bedingungen Experiment und realen Daten mit knapp mittlerem Effekt (p < .05, Cohens’ d=0.491) angezeigt. Dieser Effekt wirkt sich in höherer Bewertung der „Kosten“ bei der Aufgabe mit realen Daten aus. Alle anderen paarweisen Vergleiche waren nicht signifikant.

Erwartungskonform aufgrund der Ergebnisse von Beumann (2016) zeigt sich, dass Schüler:innen mehr Freude bei der Bearbeitung von Modellierungsaufgaben mit Experiment berichteten als bei Modellierungsaufgaben mit geglätteten Daten. Bemerkenswert ist jedoch, dass die empfundenen Kosten bei den Modellierungsaufgaben mit realen Daten höher waren als bei der Modellierungsaufgabe mit dem selbstdurchzuführenden Experiment.

Die Ergebnisse dieser Studie sind limitiert, da auf Klassenebene randomisiert wurde und die Stichprobe relativ klein ist. Die Ergebnisse sind ein erster Schritt zu verstehen, wie Modellierungsaufgaben mit Experimenten den subjektiven Aufgabenwert positiv beeinflussen können.