Instruktionsansätze mit Problemlösen vor Instruktion erfordern, dass Lernende Vorwissen zu einem unbekannten Problem aktivieren. Studien deuten darauf hin, dass die Breite dieser Vorwissensaktivierung essentiell ist für die Vorbereitung auf das Lernen. In einer experimentellen Studie variierten wir die Breite der Vorwissensaktivierung durch die Präsentation von fehlerhaften Lösungsansätzen mit einem unterschiedlichen Umfang an Wissenskomponenten. Wir nahmen an, dass eine breitere Vorwissensaktivierung durch die Präsentation von Lösungsansätzen, die über die Ansätze verteilt alle relevanten Wissenskomponenten enthielten, eine bessere Vorbereitung auf das Lernen und somit höheres konzeptuelles Wissen nach der Instruktion ermöglicht als die Präsentation von Lösungsansätzen mit weniger Wissenskomponenten. Entgegen dieser Annahme wurde kein Unterschied zwischen den beiden Bedingungen im konzeptuellen Wissen gefunden.

Vorwissensaktivierung ist ein Lernmechanismus in Instruktionsansätzen mit Problemlösen vor Instruktion (PS-I) (Loibl et al., 2017). In PS-I aktivieren Lernende ihr Vorwissen, indem sie Lösungsansätze zu einem unbekannten Problem entwickeln. Dabei scheint eine breite Vorwissensaktivierung durch das Generieren von Lösungsansätzen, die verschiedene Wissenskomponenten adressieren, mit hohem konzeptuellen Wissen nach der Instruktion einherzugehen (z.B. Kapur, 2012). Um Vorwissen gezielt zu variieren, können Lernenden typische Lösungsansätze präsentiert werden. Die Verarbeitung solcher Lösungsansätze ruft ähnliche Vorwissensaktivierungs- und Lernprozesse hervor wie bei der Generierung eigener Lösungen (Brand et al., 2021; Hartmann et al., 2022). Wir untersuchen, inwiefern die Breite der Vorwissensaktivierung durch die Präsentation eines unterschiedlichen Umfangs an Wissenskomponenten in den Lösungsansätzen, Lernende auf eine nachfolgende Instruktion vorbereitet. Wir nehmen an, dass eine breite Vorwissensaktivierung durch eine Kombination von Lösungsansätzen, die im Einzelnen fehlerhaft oder unvollständig sind, aber verteilt auf die Lösungsansätze die zu lernenden Wissenskomponenten in einem hohen Umfang adressieren, Lernende besser auf eine nachfolgende Instruktion vorbereiten und daher ein höheres konzeptuellen Wissen nach der Instruktion begünstigen, als eine engere Vorwissensaktivierung durch die Kombination von Lösungsansätzen mit einem insgesamt niedrigen Umfang an Wissenskomponenten.

165 Lernende (Alter: M = 16,53; Geschlecht: 62,4% weiblich, 37,6% männlich) wurden zufällig zwei Experimentalgruppen zugeteilt, die die Breite der Vorwissensaktivierung mittels des Umfangs (coverage) der adressierten Wissenskomponenten (high: HC versus low coverage: LC) variierten.

Die Materialien basierten auf vorherigen PS-I-Studien zum Varianzkonzept (Loibl & Rummel, 2014b). Die Lernenden erhielten einen Vorwissenstest, analysierten die Lösungsansätze, gefolgt von der Instruktion und einem konzeptuellen Wissenstest.

Wir entwickelten zwei Lösungssets à fünf fehlerhafter Lösungsansätze. Jeder Lösungsansatz adressierte ein bis zwei von insgesamt vier Wissenskomponenten der kanonischen Lösung. Im high coverage-Set (HC) wurden durch die Lösungsansätze des Sets alle vier Wissenskomponenten abgedeckt; im low coverage-Set (LC) nur zwei von vier Wissenskomponenten. Ein fünfter Lösungsansatz zeigte den Mittelwert, der eine Voraussetzung für die Lösung ist.

Der Effekt der Breite der Vorwissensaktivierung mittels des Umfangs der adressierten Wissenskomponenten auf das konzeptuelle Wissen nach der Instruktion wurde in einer ANCOVA untersucht (Korrelationen der Kovariaten: Vorwissen, r(163) = .19, p = .017, mathematisches Selbstkonzept: r(163) = .41, p < .001, Mathematiknote: r(160) = .47, p < .001). Es wurde kein signifikanter Unterschied im konzeptuellen Wissen gefunden, F(1, 157) = 0.694, p = .406.

Entgegen unserer Hypothese hatte die Breite der Vorwissensaktivierung durch Lösungssets unterschiedlichen Umfangs von Wissenskomponenten keinen Effekt auf das konzeptuelle Wissen nach der Instruktion. Vielmehr scheint eine grundlegende Vorwissensaktivierung bereits auf das Lernen vorzubereiten.

Worked examples can support initial skill acquisition. In complex domains, worked examples often show skill application in an “exemplifying domain”. Although learners' focus should remain on the skill, learners need to understand the content knowledge of the exemplifying domain to benefit. We investigated whether using a highly relevant exemplifying domain could help learners acquire both skills and content knowledge simultaneously. We included an exemplifying domain using content knowledge either relevant or irrelevant for course outcomes in a field study. Incorporating relevant content knowledge in worked examples did not hamper learning outcomes compared to using less relevant content. Worked examples can foster both skills and content knowledge when these are highly relevant for learners.

During initial skill acquisition, worked examples are often more effective than problem-solving (Renkl, 2014). Worked examples in complex domains (e.g. argumentation), often use content knowledge to exemplify skill application (Renkl et al., 2009). Such worked examples incorporate both skill and content knowledge. The main focus remains on skill acquisition, while the content knowledge is less relevant, as imposing two learning goals (skills and content knowledge) could increase cognitive load and impede skill acquisition.

However, as content knowledge is already being presented, incorporating exemplifying domains relevant to learners (e.g. for their course outcomes) could make trainings more efficient (Wecker et al., 2016). In previous studies, the exemplifying domain was usually irrelevant for participants (e.g., Hefter et al., 2018). Using an exemplifying domain relevant for learners could mean they invest more effort and can achieve two learning goals simultaneously. We examined whether a relevant exemplifying domain can support simultaneous learning goals (skill and content-knowledge acquisition) compared to an irrelevant exemplifying domain.

We implemented a training to foster three skill components that psychology students need for evidence-based decision-making: epistemic beliefs, multiple document literacy, and argumentative thinking. Participants (N = 234 psychology students) first received learning goals and an introductory text about each skill component. They then received worked examples with either relevant (course-related content knowledge) or irrelevant examples (familiar and simple topics). We measured epistemic beliefs and argumentation skills before and after the training, and cognitive load during the training.

Two within-subjects ANOVAs revealed that scores on argumentations and epistemic beliefs were significantly higher after training than before (all ps≤.013). Between-subjects MANOVAs revealed no significant differences between the relevant and irrelevant conditions for cognitive load, declarative knowledge of skill components and course content, or argumentation quality (all ps≥.096). Bayes factors supported these findings, indicating that the null hypotheses (no differences between conditions) were at least three times more likely.

The training fostered advanced epistemic beliefs and higher quality argumentations. Participants receiving relevant and those receiving irrelevant examples did not differ on cognitive load or knowledge and skills measures, suggesting that students’ skill acquisition was not affected by the exemplifying domain used. Hence, asking students to learn both, skills and content knowledge, does not necessarily impede learning outcomes for either part. This study suggests that relevant content knowledge can be integrated into worked examples and used as additional learning goal for learners without increasing cognitive load or impeding students’ learning outcomes.

Der Erwerb professioneller Kompetenzen als Lehrkraft umfasst die Aneignung von Kategorien, die häufig über das Lernen anhand von Beispielen erfolgt. Wir untersuchten, ob eine gezielte Unterstützung von Generalisierungs- und Diskriminierungsprozessen die in der Forschung gezeigten Nachteile des Generierens eigener Beispiele gegenüber dem Klassifizieren vorgegebener Beispiele ausgleichen kann. N = 56 Studierende in den Bildungswissenschaften notierten Unterschiede und Gemeinsamkeiten der zu lernenden Kategorien und markierten anschließend entweder korrekte Antworten zu vorgegebenen Beispielen oder generierten eigene Beispiele. Trotz gezielter Unterstützung schnitten Studierende, die eigene Beispiele generierten, im unmittelbaren Test bei Leistung und metakognitiver Einschätzung schlechter ab als Studierende, die vorgegebene Beispiele klassifizierten. Vom ausschließlichen Lernen durch die Generierung eigener Beispiele wird daher abgeraten.

Theoretischer Hintergrund: Lehrkräfte können Kerntätigkeiten des Unterrichtens nur dann effektiv ausführen, wenn sie Situationen verlässlich kategorisieren können. Um Lernende adäquat zu motivieren, muss beispielsweise zunächst die Motivationsausprägung der Lernenden eingeordnet werden. In der Regel werden Kategorien anhand von Beispielen gelernt. Insbesondere das Lernen relationaler Kategorien, die im Gegensatz zu merkmalsbasierten Kategorien nicht anhand oberflächlicher Kennzeichen erkannt werden können, bedarf einer gezielten Beispielgestaltung.

Fragestellung: Die Forschung weist darauf hin, dass das Klassifizieren vorgegebener Beispiele effektiver für das Kategorienlernen als das Generieren eigener Beispiele ist. Wir untersuchten, ob Generieren ebenso effektiv sein kann wie Klassifizieren, wenn dabei Generalisierungs- und Diskriminierungsprozesse gezielt unterstützt werden. Zudem analysierten wir Auswirkungen auf metakognitive Urteile bezüglich des Lernerfolgs.

Methode: N = 56 Studierende in den Bildungswissenschaften lernten die unterschiedlichen Kategorien der Motivationsregulation im Rahmen der Selbstbestimmungstheorie. Hierzu erhielten sie eine Einführung und ein Beispiel für jede Regulationsart. Zu jeder Regulationsart sollten Gemeinsamkeiten innerhalb dieser Kategorie und Unterschiede zu benachbarten Kategorien notiert werden. Danach klassifizierte eine Experimentalgruppe vorgegebene Beispiele, indem zu einem Fallbeispiel zu mehreren Aspekten korrekte Antworten markiert wurden. Die andere Experimentalgruppe generierte anhand von Prompts zu denselben Aspekten eigene Beispiele. Die Testphase umfasste offene und geschlossene Fragen. Vor, während und nach der Testphase wurden metakognitive Urteile erfasst. Nach zwei Wochen folgte ein Retentions- und Transfertest.

Ergebnisse: Trotz gezielter Unterstützung der Generalisierungs- und Diskriminierungsprozesse schnitten Studierende, die beim Lernen vorgegebene Beispiele klassifizierten, signifikant besser ab als Studierende, die beim Lernen eigene Beispiele generierten, t(54) = 2.59, p = .013, d = 0.69. Nach zwei Wochen war dieser Unterschied jedoch nicht mehr festzustellen, t(48) = −0.42, p = .678, d = −0.12. Analog dazu neigten Studierende, die Beispiele generierten, signifikant eher zu einer Überschätzung der eigenen Leistung als Studierende, die vorgegebene Beispiele kategorisierten – nach zwei Wochen war dies wiederum nicht festzustellen. Kontraintuitiv, aber die Ergebnisse vorheriger Studien bestätigend, hatten Studierende, die eigene Beispiele generierten, in der Testphase insbesondere Schwierigkeiten bei der Beantwortung offener Fragen, während sie bei geschlossenen Fragen nach zwei Wochen sogar deskriptiv besser abschnitten als Studierende, die im geschlossenen Antwortformat lernten.

Diskussion und Implikation für Theorie und Praxis: Die Ergebnisse bestätigen die Effektivität des Klassifizierens vorgegebener Beispiele für das Lernen relationaler Kategorien. Obwohl das Generieren eigener Beispiele als generative Tätigkeit naheliegend ist, kann es beim initialen Lernen relationaler Kategorien zu Defiziten in Lernerfolg und metakognitiver Selbsteinschätzung führen. Von der ausschließlichen Nutzung von Aufgaben zum Generieren eigener Beispiele ist daher im Hinblick auf Lerneffektivität und -effizienz abzuraten.

Lernen im Physikunterricht verfolgt zwei wichtige Ziele: Erstens sollen Schüler*innen Lerninhalte verstehen, um entsprechendes Wissen auf neue Probleme anzuwenden. Zweitens erfordern kumulativ angelegte Curricula den Abruf erworbenen Wissens nach längeren Zeitintervallen, um darauf aufbauend komplexere Inhalte zu erlernen. Diese Studie untersucht, inwiefern ein auf Abrufübung angelegtes Lernarrangement durch generative Lernaktivitäten (z. B. Selbsterklärungen) – konstruktiver Abruf – zum Erreichen beider beiträgt. Schüler*innen (11. Klasse; N = 122) bearbeiteten in einer Multimedia-Lernumgebung Aufgaben mit Abrufanforderungen. Je nach Bedingung werden Lernende zudem aufgefordert, Selbsterklärungen (generatives Lernen) oder Beschreibungen zu geben. In der Selbsterklärungs-Bedingung zeigt sich ein stärkerer Lernzuwachs nach einer Woche, der sich nach ersten Analysen nach acht Wochen abschwächt. Konstruktiver Abruf stellt somit eine Möglichkeit dar, Anforderungen schulischen Lernens zu begegnen.

Theoretischer Hintergrund

Lernen in der Physik verfolgt zwei zentrale instruktionale Ziele: Zum einen ist das Verständnis des Lerninhalts eine Voraussetzung, um erworbenes Wissen zum Problemlösen zu nutzen (Roelle et al., 2022). Eine Möglichkeit, Verständnis und Wissenstransfer zu fördern, ist die Anregung generativer Lernaktivitäten wie (prinzipienbasierte) Selbsterklärungen, was im Vergleich zur Wiederholung des Stoffes eine elaboriertere Verarbeitung bewirkt (Renkl & Eitel, 2019). Zu beachten ist, dass im Physikunterricht Lerninhalte vielfach aufeinander aufbauen (kumulatives Curriculum). Insofern stellt erworbenes Wissen oft eine Grundlage für den Erwerb nachfolgenden und komplexeren Wissens dar. Schüler*innen müssen daher zuvor erworbenes Wissen nach längeren Zeitintervallen erinnern, um ihr Wissen erweitern zu können. Eine Unterstützungsmöglichkeit für die Wissenskonsolidierung sind Abrufübungen, z. B. durch Aufgaben, die den Abruf relevanter Inhalte aus dem Gedächtnis erfordern (Pan & Rickard, 2018). In dieser Studie wird untersucht, inwieweit ein auf Abrufübung angelegtes Lernarrangement kombiniert mit generativen Lernaktivitäten (z. B. Selbsterklärungen) – d. h. konstruktiver Abruf (Hinze et al., 2013) – langfristiges Lernen komplexer physikalischer Inhalte fördert.

Methode

Schüler*innen (11. Klasse; N = 122) bearbeiteten im Rahmen regulären Physikunterrichts eine multimediale Lernumgebung zum Thema Mechanik (lineare Bewegungen) unter hohen Abrufanforderungen (Closed-Book; Rummer et al., 2019). Die Schüler*innen wurden dabei randomisiert einer von zwei Bedingungen zugeteilt: Selbsterklärungs-Aufforderungen (generative Lernaktivität) vs. Beschreibungs-Aufforderungen (Wiederholung).

Die Studie fand zu drei Messzeitpunkten statt: (1) Demographische Daten, Prätest sowie Bearbeitung der Lernumgebung; (2) eine Woche verzögerter Posttest (Faktenabruf, Verständnis); (3) acht Wochen verzögerter Posttest und Erfassung der Vorbereitung auf zukünftiges Lernen. Die Erfassung zukünftigen Lernens umfasst eine thematisch auf der ersten Lernumgebung aufbauende multimediale Instruktion zu Kreisbewegungen. Als Voraussetzungen für erfolgreichen konstruktiven Abruf wird die Aufgabenleistung in der ersten Lernumgebung hinsichtlich Selbsterklärungsqualität und Abruferfolg kodiert.

Diese Studie wurde präregistriert (https://aspredicted.org/F34_RC7).

Ergebnisse

Die Auswertung des Prä- und Posttests erfolgt unter Berücksichtigung der Item Response Theorie. Eine ANOVA mit 2 wiederholten Messungen (Prätest und Posttest nach einer Woche) zeigt neben einem generellen Lernzuwachs aller Schüler*innen, F(1,118) = 6.437, p = .012, η² = .051, einen stärkeren Zuwachs durch Selbsterklärungen verglichen mit Beschreibungen, F(1,118) = 4.189, p = .043, η² = .034. Erste Analysen weisen darauf hin, dass sich der letztgenannte Effekt beim Posttest nach 8 Wochen abschwächt.

Diskussion

Die Ergebnisse zeigen, dass konstruktiver Abruf das Lernen komplexer physikalischer Inhalte fördert. Vor dem Hintergrund eines kumulativen Curriculums könnte die Kombination aus generativem Lernen und Abrufüben eine wichtige Komponente des Wissensaufbaus im Physikunterricht darstellen. In zukünftigen Studien wird zusätzlich die Abrufanforderung (Closed-Book vs. Open-Book) variiert.