• Zurück zur Startseite
• Lernen & Bildung

Neugestaltung der Leistungsbeurteilung für heterogene Lerngruppen

Veröffentlicht am: 19 September 2018

Dieser Artikel ist älter als 5 Jahre

Artikel Lernen & Bildung Gesellschaft Technologie Fähigkeiten des 21. Jahrhunderts Bildungstechnologie Individuelle Unterschiede STENGEL Technologie und Gesellschaft Lernvariabilität

chrstphre, flickr.com, CC-BY 2.0

Autorin

Jodi Asbell-Clarke

Leitender Wissenschaftler, TERC

Stellen Sie sich vor, Sie beantragen einen Führerschein im Ausland. Die Formulare sind in einem Ihnen unbekannten Alphabet verfasst und die Verkehrszeichen sind Ihnen fremd. Obwohl Sie ein erfahrener Fahrer sind, werden Sie aufgrund der Wörter und Symbole im Fahrtest wahrscheinlich Ihren Führerschein nicht erhalten.

So fühlt sich Schule für viele Schüler an. Schüler, die die komplexen Wahrscheinlichkeitsrechnungen und Statistiken beherrschen, die für beliebte Spiele wie Pokémon und Magic nötig sind , aber in Mathe durchfallen. Schüler, die vielleicht nicht gut lesen oder schreiben können, aber ein Auto auseinandernehmen und wieder zusammenbauen können. Oder wunderschöne 3D-Animationen erstellen, Musikvideos produzieren oder ein Spiel programmieren. Diese Schüler sind nicht leistungsschwach; sie lernen und leisten einfach auf eine Weise, die in akademischen Tests nicht erfasst wird.

Viele Lernende besitzen unentdeckte Talente, die nicht gefördert und genutzt werden. Lernende mit kognitiven Besonderheiten wie ADHS, Legasthenie oder Autismus können diese Schwierigkeiten überwinden, wenn ihre eigenen Ziele im Vordergrund stehen. Interessenorientiertes Lernen ist für alle Lernenden von Vorteil, aber besonders wichtig für diejenigen mit Problemen in den exekutiven Funktionen.

Schüler mit Schwierigkeiten in der Selbstregulation und Impulskontrolle können sich bei Projekten, die ihnen Freude bereiten, oft besser konzentrieren und ruhig bleiben, weil sie die Arbeit selbst fesselt. Wer Probleme mit Aufgaben wie Planung, dem Entschlüsseln von Wörtern und Symbolen sowie dem Merken von Arbeitsabläufen hat, gibt nicht auf und kann sogar hervorragende Leistungen erbringen, wenn er von seinen eigenen Leidenschaften motiviert wird.

„Interessenorientiertes Lernen ist für alle Lernenden gut, aber besonders wichtig für diejenigen, die Probleme mit den exekutiven Funktionen haben.“

Lernende mit kognitiven Besonderheiten bringen oft einzigartige Stärken mit, wie Kreativität, divergentes Denken, kollaborative Problemlösungskompetenz oder extreme Gründlichkeit. Dieses Stärkenmodell kognitiver Unterschiede ist Branchen, die diese vielfältigen Kompetenzen in ihren Belegschaften benötigen, deutlich geworden. Programme wie das von Microsoft… Autismus-Einstellungsprogramm haben den Weg geebnet, um Ressourcen zu erschließen, die zuvor als „lernbehindert“ galten.

Wie messen Forscher also diese kognitiven Ressourcen? Wie können Pädagogen sie nutzen, um individualisiertes Lernen für unterschiedliche Lerntypen zu ermöglichen? Diese Bemühungen erfordern die Beurteilung impliziten Wissens – Wissens, das Lernende zwar nicht in Worten in einem Test ausdrücken können, aber durch ihr alltägliches Verhalten demonstrieren.

Der Chemiker und Philosoph Michael Polanyi schrieb in 1966„Wir wissen mehr, als wir aussprechen können.“ Er argumentierte, dass implizites Wissen – das, was wir wissen, aber nicht aussprechen können – die Grundlage allen Lernens bildet. Forscher untersuchen, wie Organisationen kollektives implizites Wissen aufbauen und wie Fließbandarbeiter implizite Fähigkeiten für höhere Effizienz erwerben. Die Anwendung impliziten Lernens im Bildungsbereich stellt die Forschung jedoch vor Herausforderungen.

„Wie können Pädagogen kognitive Ressourcen nutzen, um individualisiertes Lernen für unterschiedliche Lerntypen zu ermöglichen?“

Pädagogen benötigen Nachweise über explizites Wissen – Wissen, das in einem Test, meist schriftlich, zum Ausdruck kommt. Leider erfassen solche Tests, selbst solche zur Überprüfung kognitiver Fähigkeiten, in der Regel nicht das Alltagswissen und die Alltagsfertigkeiten der Lernenden.

Letztes Jahr besuchte ich eine Forschungskonferenz Informationen zu Legasthenie, MINT und Lernschwierigkeiten, die von der US-amerikanischen National Science Foundation und dem Institute of Educational Sciences veranstaltet werden, finden Sie hier. Es gibt vielversprechende Fördermaßnahmen für junge Mathematiklerner mit Legasthenie und Dyskalkulie (z. B. …). Fuchs & FuchsSie verwenden jedoch häufig komplexe Textaufgaben für Vor- und Nachtests, um deren Wirksamkeit zu untersuchen. In diesem Fall stellt die Leistungsbeurteilung eine Hürde für die Lernenden dar, die sie erreichen wollen.

Eine gute implizite Lernstandserhebung misst Wissen, das sich auf natürliche Weise durch Aktivitäten zeigt, anstatt durch einen Test. Das ist schwierig, aber glücklicherweise ist der Zeitpunkt ideal, um diese Herausforderung jetzt anzugehen.

Data-Mining hilft dabei, besser zu erfassen, was Lernende tatsächlich wissen.

Lernende verbringen immer mehr Zeit in digitalen Umgebungen. Viele nutzen dafür digitale Spiele . Ein gut gestaltetes Lernspiel motiviert die Spieler, sich das Wissen und die Fähigkeiten anzueignen, die für den Spielfortschritt notwendig sind. Es liefert zudem Belege dafür, dass die Spieler das Wissen und die Fähigkeiten erlernt haben, und kann somit als implizite Lernerfolgskontrolle dienen.

„Ein gut konzipiertes Lernspiel liefert Beweise dafür, dass die Spieler das Wissen und die Fähigkeiten erlernt haben, und kann somit als implizite Lernbewertung dienen.“

Spielbasierte, implizite Lernbewertungsmethoden nutzen die Zeit, die Lernende in Computerspielen verbringen, in Kombination mit modernsten maschinellen Lernverfahren, die Data-Mining-Tools einsetzen, um Lernerfolge zu erkennen. Durch die Protokollierung der Aktivitäten in digitalen Spielen können Forschende jeden Zug eines Spielers sowie das entsprechende Spielfeedback nachverfolgen und jeden Datensatz mit einem Zeitstempel und einer anonymen Spieler-ID versehen.

Mithilfe spezialisierter Werkzeuge, wie zum Beispiel EdGE bei TERC's spielbasierte Lerndatenarchitektur DataArcadeDigitale Protokolldaten werden als simulierte Videowiedergabe des Spielverlaufs einer Person visualisiert. Dieses Wiedergabetool ermöglicht die effiziente und ortsunabhängige Kennzeichnung gängiger Spielstrategien. Abbildung 1 zeigt ein Beispiel für die Kennzeichnung von Hinweisen auf algorithmisches Denken durch Forscher im Logikrätselspiel „…“. Zoombinis.

Für jedes untersuchte Spiel analysiert unser Forschungsteam Wiedergabevideos von einer Vielzahl von Spielern und einigt sich darauf, welche Merkmale potenzielles Lernen belegen. Anschließend entwickeln wir Modelle des maschinellen Lernens, um diese Belege automatisch und in großem Umfang zu erkennen. Diese skalierbare, implizite Lernbewertung eröffnet neue Möglichkeiten für inklusives Lehren und Lernen.

Jüngste Studien benutzt DataArcade und Data-Mining zur Entwicklung automatisierter Detektoren für implizites naturwissenschaftliches Lernen in einem Physikspiel namens Impulse. Diese Arbeit Die Studie zeigte, dass sich das explizite naturwissenschaftliche Lernen der Schüler verbessert, wenn Lehrkräfte spielbasiertes Lernen mit dem Unterrichtsinhalt verknüpfen. Wenn ein Schüler im Spiel mehr Kraft aufwendet, um schwere als leichte Teilchen zu bewegen, kann die Lehrkraft beispielsweise sagen: „Ich möchte dir erzählen, was Sir Isaac Newton dazu gesagt hat.“

„Wenn Lehrkräfte spielbasiertes Lernen mit dem Unterrichtsinhalt verknüpfen, verbessert sich das explizite naturwissenschaftliche Lernen der Schüler.“

Indem wir mithilfe von Data-Mining das tatsächliche Verhalten von Lernenden analysieren, anstatt uns nur auf ihre Äußerungen zu konzentrieren, können wir ihr tatsächliches Wissen besser erfassen. Automatisierte Detektoren erkennen, wann einzelne Lernende einen entscheidenden Aha-Moment erleben oder Schwierigkeiten haben. Der Einsatz dieser Methoden in Lernumgebungen, in denen Lernende sich durch Beharrlichkeit komplexen Problemlösungen widmen, ermöglicht es, eine vielfältige Lerngruppe zu erreichen.

Lehrkräfte können diese Informationen nicht nur für differenziertes Lernen nutzen, sondern auch Entwickler können Lernerfahrungen gestalten, die sich an die Stärken und Schwächen jedes einzelnen Lernenden anpassen. Beispielsweise können Informationen aus impliziten Lernstandserhebungen in Echtzeit in ein Spielerlebnis einfließen, um das Lernen basierend auf dem Verhalten jedes Lernenden zu individualisieren.

Implizite Lernbewertungsverfahren beschränken sich nicht auf Spiele. Jede digitale Umgebung, in der die Aktivitäten der Lernenden nachverfolgt werden können, bietet die Grundlage für eine Lernbewertung. Einführende Programmierumgebungen, wie zum Beispiel … Schutz vor or App Inventor Aus dem MIT könnten reichhaltige Testumgebungen entstehen, in denen implizites Lernen gemessen wird.

„Wenn man dorthin geht, wo gelernt wird, und mithilfe von Werkzeugen einen Blick hinter die Kulissen wirft, werden sich wahrscheinlich allerlei kognitive Ressourcen offenbaren, deren wir uns vorher nie bewusst waren.“

Wenn man dorthin geht, wo gelernt wird, und mithilfe von Werkzeugen genauer hinsieht, lassen sich wahrscheinlich allerlei kognitive Ressourcen entdecken, die uns bisher verborgen geblieben sind. Stellen Sie sich vor, was passiert, wenn jede Lehrkraft sehen kann, was jede Lernende wirklich weiß.