Äpfel und Birnen: Was unterscheidet lernschwache Schüler?
Big Data und maschinelles Lernen werden Interventionen erleichtern, die auf die Lernschwierigkeiten einzelner Kinder abzielen.
Autorin
In jeder Schulklasse gibt es mehrere Kinder, die Lernschwierigkeiten haben. Sie können Probleme in bestimmten Bereichen haben, zum Beispiel im Lesen und Rechnen. Oder sie haben allgemeine Schwierigkeiten, sich Dinge zu merken oder im Unterricht aufzupassen. Sind diese Schwierigkeiten schwerwiegend, kann das Kind durch den ambulanten Kinder- und Jugendpsychiatrischen Dienst eine Diagnose erhalten. Zu den häufigsten Diagnosen gehören Legasthenie und Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS).
Die Diagnose bestimmt die Unterstützung, die das Kind erhält. Beispielsweise intensive Förderung bei Legasthenie oder Medikamente bei ADHS. Allerdings ist die Diagnose in vielen Fällen nicht spezifisch für die Schwierigkeiten des einzelnen Kindes. Dies erschwert die Suche nach der optimalen Behandlungsmethode. So kann ein Kind mit ADHS neben der eigentlichen Aufmerksamkeitsstörung oder Hyperaktivität auch Leseschwierigkeiten haben. Diese Leseschwierigkeiten lassen sich möglicherweise nicht durch ADHS-Interventionen beheben.
Selbst innerhalb scheinbar homogener Diagnosegruppen gibt es Unterschiede. So kann beispielsweise ein Kind mit ADHS Schwierigkeiten haben, stillzusitzen, während ein anderes Kind tagträumt. Beide Verhaltensweisen erfordern möglicherweise unterschiedliche Interventionen. Das aktuelle Diagnosesystem basiert auf dem Konsens von Expertengremien. Alternativ versuche ich, eine datengestützte Gruppierung von Verhaltensproblemen zu entwickeln.
Dafür nutze ich zwei aktuelle Forschungserfolge: Big Data und maschinelles Lernen. Big Data bedeutet, dass mittlerweile Datensätze zu Verhaltensproblemen von Hunderten bis Tausenden von Kindern vorliegen. Um diese Daten auszuwerten, setze ich maschinelles Lernen ein.
Maschinelles Lernen umfasst statistische Verfahren, die Muster in komplexen Daten erkennen können. Nehmen wir beispielsweise die Gruppierung von Äpfeln und Orangen. Maschinelles Lernen würde Merkmale ignorieren, die beiden gemeinsam sind, wie etwa Rundheit oder Größe. Stattdessen würde es Gruppen anhand sehr unterschiedlicher Merkmale wie Farbe oder Textur bilden. Wichtig ist, dass dies nicht von einem Programmierer abhängt, der entscheidet, welche Gruppen gebildet oder welche Merkmale verwendet werden. Vielmehr ergibt sich dies aus den Daten selbst.
In einer aktuellen StudieMeine Kollegen und ich nutzten diesen Ansatz, um Subtypen von lernschwachen Kindern zu identifizieren. Die Ergebnisse zeigten drei Gruppen mit unterschiedlichen Verhaltensproblemen. Eine Gruppe hatte Schwierigkeiten mit Aggression und Beziehungen zu Gleichaltrigen. Eine andere Gruppe hatte Probleme mit dem Lernen, beispielsweise mit Lesen, Schreiben oder Rechnen. Wieder eine andere Gruppe hatte Probleme mit Hyperaktivität und Unaufmerksamkeit.
„Wir können Big Data und maschinelles Lernen nutzen, um Untergruppen von Verhaltensproblemen zu identifizieren.“
Diese Gruppen ähnelten den traditionellen Diagnosekategorien Verhaltensstörung, spezifische Lernschwierigkeiten und ADHS. Kinder mit derselben Diagnose wurden jedoch nicht immer in dieselbe Gruppe eingeteilt. Beispielsweise befanden sich zwar mehr Kinder mit einer ADHS-Diagnose in der Gruppe mit Hyperaktivität/Aufmerksamkeitsstörung, aber ein großer Anteil wurde der Gruppe mit Lern- oder Verhaltensproblemen zugeordnet.
Die Ergebnisse dieser Studie zeigen, dass wir mithilfe von Big Data und maschinellem Lernen Untergruppen von Verhaltensproblemen identifizieren können. Diese Gruppen überschneiden sich nicht und sind bei allen Kindern sehr konsistent. Dank dieser konsistenten Gruppierung müssen wir nicht länger Äpfel mit Birnen vergleichen. Stattdessen kann sich die Forschung auf genau diese Gruppen konzentrieren. Dies erleichtert die Untersuchung der Ursachen spezifischer Verhaltensprobleme bei Kindern. Darüber hinaus ermöglicht die konsistente und spezifische Gruppierung die Entwicklung gezielter Interventionen für die Probleme einzelner Kinder.
Autorin
Fußnoten
Der Zweck der halbjährlich IMBES Konferenz Ziel ist die Förderung interkultureller Kooperationen in Biologie, Pädagogik sowie Kognitions- und Entwicklungspsychologie. Wir möchten den Wissensstand und den Dialog zwischen diesen Disziplinen verbessern, Ressourcen für Wissenschaftler, Praktiker, politische Entscheidungsträger und die Öffentlichkeit entwickeln und bereitstellen sowie nützliche Informationen, Forschungsrichtungen und vielversprechende pädagogische Ansätze identifizieren. Die Konferenz 2018 fand in Los Angeles, Kalifornien, statt.
Der Autor dieses Blogbeitrags, Joe Bathelt, war einer der Referenten auf der Konferenz.