Guided inquiry learning is effective for gaining scientific reasoning and conceptual understanding in science. Students often struggle with scientific reasoning and self-regulation during inquiry learning. Guidance can be targeted at supporting scientific reasoning and self-regulation. This study investigated the effects of two types of guidance used in prior research – video modeling examples and reflection instruction – on hypothesis and argumentation quality. University students (N = 173) solved two inquiry tasks using two simulations and received instruction in between – video modeling, reflection, video modeling and reflection, and no instruction. The hypothesis and argumentation quality in participants' written explanations is currently coded by two raters. The results from the analysis of the full sample will be presented at the conference.

Inquiry learning actively engages students in experimentation when learning about scientific phenomena. Next to conceptual knowledge, students can also gain scientific reasoning skills by conducting experiments. Two prominent scientific reasoning products that are relevant to inquiry learning are the hypotheses students develop before experimenting and the argumentation in their written explanations after experimenting. Difficulties during inquiry learning can arise from a lack of scientific reasoning or a lack of self-regulation and inquiry learning is only effective when appropriately guided (Lazonder & Harmsen, 2016). Guidance for scientific reasoning and self-regulation was effective for conceptual knowledge acquisition and scientific reasoning products (e.g., Eckhardt et al., 2013; Omarchevska et al., 2022). Omarchevska et al. (2022) showed that video modeling (VM) examples that integrated scientific reasoning and self-regulation instruction were effective in supporting students’ hypothesis and argumentation quality. Eckhardt et al. (2013) showed that either reflection, a fundamental aspect of self-regulation, or data interpretation support was effective in gaining conceptual knowledge.

The present study investigated whether VM examples, reflection support, or a combination of the two is effective for supporting scientific reasoning products, namely hypothesis and argumentation quality. We hypothesized that combined instruction would be better than reflection or VM alone, and both would be better than the control group.

Participants were 173 students (M_age = 24 years) from a German university. The experiment had a 2x2 design with reflection and VM as factors: reflection only (n = 44), reflection + VM (n = 44), VM only (n = 44), no reflection and no VM (control, n = 41).

All participants solved a training task with a simulation about photosynthesis without guidance. This task aimed to familiarize participants with using simulations for inquiry and provide 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., 2022), participants in the reflection conditions were asked to reflect on their inquiry practices (Eckhardt et al., 2013), and participants in the combined condition did both. Then, all participants worked with a simulation about energy conversion and wrote a reflection at the end. In both tasks, participants were given a research question, asked to formulate a hypothesis, collect data using the simulations, and write an explanation.

Hypothesis quality (testability, correctness) and argumentation quality (claim, evidence, reasoning) are currently being coded from these answers by two raters. Data from 40.5% of the sample is already coded (n = 70, Krippendorff’s α = .81) and the analysis of the full sample will be presented at the conference.

Our findings will provide implications for the orchestration of inquiry learning with different types of guidance. In particular, our findings will demonstrate whether video modeling, reflection, or a combination of the two is more effective for supporting scientific reasoning during inquiry learning.

Befunde aus Laborstudien weisen positive Effekte von Erklärvideos mit interaktiven und gamifizierenden Elementen für (nicht-)kognitive Merkmale nach. Weil jedoch speziell die Wirkung von Quizaufgaben in Lernvideos ein Forschungsdesiderat darstellt, wurde in einer Online-Untersuchung anhand von drei Bedingungen verglichen, ob eine Steigerung des Grades an Interaktivität und Gamifizierung den Wissenszuwachs, das Interesse sowie die kognitive Belastung bei Studierenden erhöht. Es ergaben sich keine differenziellen Effekte der Bedingungen auf den Wissenserwerb und das Interesse. Es scheint, als ob dementsprechende Forschungsbefunde aus dem Labor nicht unmittelbar auf den Feldkontext übertragbar sind. Allerdings nahm die extrinsische kognitive Belastung deutlich zu, wenn Nutzende nicht mit dem Medium interagieren konnten, was sich mit Studien zu systemgesteuerten Videoformaten und der Cognitive Load Theory (CTL) deckt.

Obgleich ein didaktischer Mehrwert bei der Rezeption von Erklärvideos häufig postuliert wird, verbleiben Betrachtende zumeist in einem passiv-rezeptiven Lernzustand, was eine tiefergehende Auseinandersetzung mit den Inhalten erschwert (Chi & Wylie, 2014). Der Einsatz interaktiver Elemente in Lernvideos kann eine solche Vertiefung begünstigen (Findeisen et al., 2019). Eine Erweiterung mittels Quizaufgaben und Storytelling-Elementen wirkt sich gegebenenfalls noch positiver auf kognitive (Wissenserwerb) und nicht-kognitive Faktoren (Extrinsische kognitive Belastung, Interesse) aus, weil dadurch Interaktivität mit dem ebenfalls lernförderlichen Konzept der Gamifizierung (Sailer, 2016) kombiniert wird. Die Studie kam der Aufforderung von Weinert et al. (2021) nach, wonach Forschungsbedarf in der Gestaltung von Quizaufgaben in Lernvideos sowie deren Wirkung besteht.

Deshalb nahmen N=109 Studierende (M_Alter =22.06, SD_Alter=3.33) aus 18 Studiengängen (M_Fachsemester=3.50, SD_Fachsemester=2.50) an einer Online-Untersuchung teil und sahen sich ein Online-Lernvideo zu multimedialem Lernen an. Die Probanden wurden randomisiert einer von drei Bedingungen zugewiesen: Video ohne Interaktion/ohne Gamifizierung, Video mit Interaktion/ohne Gamifizierung (Start/Stopp/Zeitsprünge auf Zeitleiste) und Video mit Interaktion/Gamifizierung (Start/Stopp/Zeitsprünge auf Zeitleiste, Storytelling/Quiz-Aufgaben mit H5P). Vor und nach dem Video wurden das deklarative Wissen und das Transferwissen mittels Multiple-Choice-Fragen erfasst. Die Erhebung des subjektiven Wissens, α_Pretest=.86, α_Posttest=.91, und des Interesses, α_Pretest=.88, α_Posttest=.94, erfolgte durch Likertskalen. Ein Nachtest maß zudem die extrinsische kognitive Belastung, α=.79.

Es ergaben sich keine bedeutsamen Interaktionseffekte mit dem jeweiligen Videoformat, alle Fs(2,106)<0.561, n.s.. Vom Pre- zum Posttest waren allerdings signifikante Zuwächse auf das deklarative, F(1,106)=46.10, p<.001, η_p²=.30, und das subjektive Wissen, F(1,106)=438.00, p<.001, η_p²=.81, sowie das Transferwissen, F(1,106)=7.72, p=.006, η_p²=.07, erkennbar. Die Betrachtenden des Videos ohne Interaktion und ohne Gamifizierung zeigten zudem eine signifikant höhere extrinsische kognitive Belastung als Lernende der Videobedingung mit Interaktionen und ohne Gamifizierung, p=0.016, sowie jener mit Interaktion und Gamifizierung, p<0.001, F(2,106)=10.48, p<.001, η_p²=.17. Auf das Interesse konnten keine Interaktionseffekte, F(2,106)=1.25, n.s., und kein Haupteffekt, F(1,106)=2.50, n.s., ausgemacht werden.

In der Studie war ein Anstieg der extrinsischen kognitiven Belastung zu verzeichnen, wenn das Video keine spielerischen Elemente enthielt und systemgesteuert dargeboten wurde. Dies deckt sich mit der CLT (Paas et al., 2004) und daran angelehnten Forschungsbefunden (Spanjers et al., 2012). Jedoch wirkten sich weder Interaktivität noch Gamifizierung auf den Wissenszuwachs und das Interesse aus. Dies widerspricht den Annahmen des ICAP-Modells zur Wirkung qualitativ hochwertiger Lernaktivitäten (Chi & Wylie, 2014), reiht sich aber in das von Feldstudien gezeichnete Bild uneindeutiger Forschungsergebnisse ein (Findeisen et al., 2019; Merkt et al., 2011). Signifikante Resultate aus Laborstudien lassen sich offenbar nicht ohne Weiteres auch im Feld nachweisen (Lachner et al., 2020).

Augmented Reality (AR) ist eine innovative Art der Kombination virtueller und physischer Elemente. Vielversprechend ist hierbei die visuelle Positionierung virtueller Lehrinformationen in einem relevanten physischen Kontext, deren Einfluss auf Lernverhalten, -prozesse und -ergebnisse in einer explorativen Studie untersucht wurde. Hierzu wurden virtuelle Informationen zu einheimischen Pflanzen entweder an der entsprechenden physischen Pflanze in der Natur verankert oder getrennt in der Nähe positioniert. In Interviews mit 18 Teilnehmenden zeigte sich, dass Lernende bei einer verankerten Präsentation nah an den Pflanzen diese mehr beachteten und mit dem virtuellen Material verglichen, sich mehr von dem Material umgeben fühlten, und motivierter waren. Die Studie liefert erste Einblicke in potenziell positive Effekte der Positionierung virtueller Informationen in AR in der Nähe entsprechender physischer Objekte.

In Augmented Reality (AR) können virtuelle und physische Elemente innerhalb einer Ansicht kombiniert und integriert dargestellt werden. Hieraus ergeben sich neue Möglichkeiten der Umsetzung von Lernmaterial, wobei unter anderem das Potential für die Anreicherung authentischer physischer Umgebungen, die nicht verändert werden können oder sollen, hervorgehoben werden kann. In einer Lernsituation in der Natur kann hierbei zum Beispiel die Umwelt der Lernenden durch zusätzliche, für diesen Zweck entworfene virtuelle Informationen, ergänzt werden um spezifische Lernziele zu erreichen. Diese gezielte Einbettung virtueller Informationen in eine dazugehörige physische Umgebung beschreibt die AR-spezifische Eigenschaft Kontextualität (s. Krüger, Buchholz, & Bodemer, 2019). Hierbei kann die Platzierung innerhalb eines echtweltlichen Kontexts eine Rolle für die authentische Erfahrung, den Spaß und das Lernen spielen (Bower et al., 2014; Harley et al., 2016; Kamarainen et al., 2013) und sowohl Immersion als auch Motivation beeinflusst werden und im Gegenzug Lernprozesse beeinflussen (Georgiou & Kyza, 2021; Sylaiou et al., 2010; Weerasinghe et al., 2022). Während die Einbettung in einen passenden physischen Kontext somit Einfluss auf lernrelevante Variablen haben kann, ist die Rolle der genauen Platzierung der Informationen noch nicht bekannt. Um zu untersuchen welchen Einfluss die Positionierung virtueller Informationen in einer AR-Anwendung in der Natur hat, führten wir eine explorative Studie mit qualitativem Fokus durch. N = 18 Teilnehmende nutzen eine Tablet-basierte AR-Anwendung zum Marker-basierten Abrufen von Informationen zu einheimischen Pflanzen in der Umgebung. Hierbei waren die Marker entweder direkt an den entsprechenden Pflanzen verankert (nah), oder etwas davon entfernt mit einem Hinweis auf die umgebenden entsprechenden Pflanzen (fern) angebracht. Durch Interviews wurde der Einfluss dieser Positionierung auf das Erleben und Verhalten in der Lernsituation untersucht. Es zeigte sich, dass die Nähe der Platzierung einen Einfluss auf das Lernverhalten hatte. Die meisten Personen in der nahen Bedingung betrachteten die physischen Pflanzen und verglichen sie mit dem virtuellen Material, wobei fast alle Personen in der fernen Bedingung nur auf das Tablet schauten. Des Weiteren fühlten sich mehr Personen in der nahen Bedingung von den Informationen umgeben und vom Setup motiviert. Die Ergebnisse weisen auf eine implizite bottom-up oder reizgesteuerte Aufmerksamkeitslenkung (siehe Egeth & Yantis, 1997) durch die Nähe zu den Pflanzen hin. Dies kann nützlich sein für Lernsituationen in denen virtuelle und physische Elemente zu einem kohärenten mentalen Modell integriert werden sollen. Auch scheinen Immersionserleben und Motivation positiv beeinflusst zu werden, was wiederum einen positiven Lerneffekt unterstützen kann. Mehr Forschung in diesem Bereich ist nötig und kann auf dieser Studie aufbauen.

Seit den 90er Jahren wird Augmented Reality (AR) in Bildungskontexten erforscht, aber erst seit Mitte der 2010er Jahre liegt eine substanzielle Anzahl von empirischen Studien zur Wirksamkeit von AR beim Lernen vor. Metaanalysen deuten auf positive Effekte von AR hin, aber die aggregierten Effektgrößen sind heterogen. In unsere Second-Order-Metaanalyse gingen 21 Effektstärken aus 19 First-Order-Metaanalysen ein. Dabei zeigte sich ein moderater Effekt zugunsten von AR auf Lernergebnisse (g=0.64, p<.001), der weder durch Disziplin, Bildungslevel noch Art des Lernergebnisses moderiert wird. AR hat demnach das Potenzial, Bildungsprozesse gewinnbringend zu ergänzen. Allerdings ist die derzeitige Limitierung auf Media-Comparison-Studien (AR vs. Non-AR) zu bemängeln. Zunehmend ist jedoch zu beobachten, dass die Optimierung von AR-Bedingungen und die Erforschung von Lernprozessen in AR fokussiert wird.

Seit den 90er Jahren wird die Verwendung von Augmented Reality (AR) in Bildungskontexten erforscht (Bajura et al., 1992). Allerdings wurde erst seit Mitte der 2010er Jahre eine substanzielle Menge empirischer Studien zur Wirksamkeit von AR beim Lernen veröffentlicht. Die jährliche Anzahl der Originalarbeiten hat seitdem deutlich zugenommen. Infolgedessen aggregieren mittlerweile viele (systematische) Reviews und Metaanalysen die Ergebnisse der Primärstudien zu Auswirkungen von AR auf das Lernen. Obwohl die Metaanalysen insgesamt auf einen positiven Effekt von AR und dessen lernförderliches Potenzial hindeuten, weisen die aggregierten Effektgrößen ein gewisses Maß an Heterogenität auf. Eine solche Heterogenität ist bei Metaanalysen nicht ungewöhnlich und kann auf Sampling-Fehler-Variabilität sowie Stichproben- und Publikationsbias zurückzuführen sein. Um zuverlässigere Erkenntnisse über die Auswirkungen von AR im Bildungskontext zu erhalten, wurde in dieser Studie eine Second-Order-Metaanalyse durchgeführt.

Die Studie schließt Meta-Analysen ein, die folgenden Inklusionskriterien genügen: 1. Volltext in Englisch, 2. Peer Review, 3. Untersuchung der Wirksamkeit von AR in Bildungskontexten, 4. Primärstudien mit experimentellen oder quasi-experimentellen Untersuchungsdesigns, inklusive Kontrollbedingungen ohne AR, 5. Auflistung aller Primärstudien und 6. Bereitstellung notwendiger Daten zur Berechnung der Second-Order-Metaanalyse. Die systematische Suche wurde in acht Literaturdatenbanken durchgeführt: ERIC, Web of Science, Scopus, IEEE Xplore, ACM, Google Scholar, Science Direct und Taylor & Francis. Der Suchterm dafür setzte sich aus drei Begriffskategorien zusammen: Begriffe für 1. AR, 2. Bildung und 3. Metaanalyse, die mithilfe Boole‘scher Operatoren kombiniert wurden. Die systematische Suche führte zu 2264 Treffern (nach Deduplikation), die durch ein schrittweises Titel-Abstract-Screening auf 52 Artikel reduziert wurden, für die ein doppeltes Volltext-Screening durchgeführt wurde. 19 Artikel entsprachen den Inklusionskriterien. Daraus resultierten 21 Effektstärken aus First-Order-Metaanalysen, die in eine Second-order Metaanalyse eingingen. Die Daten wurden von zwei Personen doppelt aus den Texten extrahiert und codiert. Für die Artikel wurde außerdem sowohl ein doppeltes Qualitätsrating (Shea et al., 2017) als auch eine Overlapanalyse durchgeführt, bei der überprüft wurde, wie hoch der Anteil überlappender Primästudien ist.

In die Second-Order-Metaanalyse flossen Effekte aus insgesamt 273 Forschungsartikeln ein, wobei es einen Overlap von 40% gab. Die Primärstudien wurden zwischen 2000 und 2022 publiziert. Die Second-Order Metaanalyse (REM) ergab einen moderaten Effekt zugunsten von AR im Vergleich zu Non-AR auf Lernergebnisse (g=0.64, p<.001; 95% CI [0.36,0.92]). Interessanterweise wurde dieser Effekt weder durch die Disziplin noch durch das Bildungslevel oder die Art des Lernergebnisses (kognitiv, affektiv, behavioral) moderiert. Darüber hinaus zeigte sich in der Studie, dass die Qualität der First-Order Metaanalysen größtenteils sehr gut war. Allerdings wurde in den meisten Fällen keine Überprüfung der methodischen Qualität der Primärstudien berichtet. Die qualitative Synthese ergab, dass die First-Order Metaanalysen zwar in ihren Datengrundlagen deutlich überlappen, jedoch sehr unterschiedliche Aspekte wie Moderatoren oder Subgruppen analysieren.

Zusammenfassend lässt sich festhalten, dass AR in vielen unterschiedlichen Kontexten erfolgreich Bildungsprozesse ergänzen kann. Kritisch zu sehen ist die Limitierung auf Media-Comparison-Studien (Buchner et al., 2023). Bei Primärstudien ist allerdings bereits ein zunehmender Fokus auf die Optimierung von AR-Bedingungen und die Erforschung von Lernprozessen in AR zu verzeichnen.