Der Bildungsstatistiker wendet Theorien auf das Lernen in der realen Welt an
Ethan M. McCormick nutzt komplexe Daten, um pädagogische Interventionen zu gestalten.
Befragter:
Interview von:
Ethan M. McCormick entwickelt statistische Methoden, um die Entwicklung von Kindern im Laufe der Zeit zu messen und so gezielte Unterstützung zu ermöglichen. Annie Brookman-Byrne berichtet.
Annie Brookman-Byrne:Was möchten Sie über die Entwicklung von Kindern im Laufe der Zeit verstehen und wie gehen Sie dabei vor?
Ethan McCormick: Die Fähigkeiten, Verhaltensweisen und Erfahrungen eines Kindes entwickeln sich über Tage, Monate und Jahre. Ich möchte verstehen, wie und warum. Viele Theorien zur kindlichen Entwicklung und zum Lernen beschreiben die Entwicklung nichtlinear – wir sprechen von Wachstumsschüben, Plateaus und Wendepunkten. Entwicklung ist auch dynamisch: Erfolge oder Rückschläge von heute prägen die Leistungen und das Engagement der Kinder von morgen.
„Viele Theorien über die Entwicklung und das Lernen von Kindern sind nichtlinear – wir sprechen von Wachstumsschüben, Plateaus und Wendepunkten.“
Meine Arbeit befasst sich mit der Erstellung statistischer Modelle für diese komplexen Prozesse. Mein Ziel ist es, die Entwicklung von Kindern mithilfe komplexer, nichtlinearer Modelle abzuschätzen, kurzfristige Verhaltensmuster von langfristigen Entwicklungstrends zu unterscheiden und individuelle Unterschiede in Entwicklung und Lernen mit späteren Lebensergebnissen in Verbindung zu bringen. Dies ist wichtig, da mangelhafte statistische Modelle nicht nur zu ungenauen Ergebnissen führen, sondern auch irreführende Schlussfolgerungen zur Folge haben können. Mit guten statistischen Modellen können wir erkennen, wann ein Kind eine gezielte Förderung benötigt, um eine wichtige Fähigkeit zu erwerben.
ABB: Was hat Sie dazu bewogen, sich mit diesen Fragen auseinanderzusetzen?
EMC: Zu Beginn meiner Karriere arbeitete ich an angewandten Projekten im Bereich des Lernens und der Entscheidungsfindung von Jugendlichen. Immer wieder stieß die von mir angestrebte Forschung an die Grenzen statistischer Methoden. Wir konnten zwar durchschnittliche Unterschiede beschreiben, hatten aber Schwierigkeiten, individuelle Veränderungen zu untersuchen. Wir wollten beispielsweise wissen, wie sich Feedback heute auf das Lernen morgen auswirkt. Diese Problematik führte mich schließlich zu quantitativen Methoden.
„Wir wollten wissen, wie Feedback heute das Lernen von morgen verändert.“
Ich wollte statistische Modelle entwickeln, die komplex genug waren, um unseren Entwicklungstheorien gerecht zu werden, aber gleichzeitig präzise und zugänglich genug, damit angewandte Forscher sie auch tatsächlich nutzen würden. Ich bewege mich ständig zwischen der Entwicklung statistischer Methoden und deren Anwendung in der Praxis. Beide Seiten bereichern sich gegenseitig. Die praktische Anwendung ist sowohl ein zentraler Bestandteil meiner Forschung als auch ein Element des Mehrwerts, den ich in diesem Forschungsbereich stifte.
ABB: Wie wird Ihre Forschung Kindern helfen?
EMC: Ein Großteil meiner Arbeit konzentriert sich darauf, Forschern und Pädagogen präzisere Instrumente an die Hand zu geben, um Verhalten und Lernen im Alltag – und nicht im Labor – zu messen. Die Fülle an Daten, die für Entscheidungen und Interventionen zur Verfügung stehen, ist so rasant gewachsen, dass die Methoden zur Zusammenfassung und Prognose nicht mithalten konnten.
Mein Ziel ist es, die Arbeit in Bereichen voranzutreiben, die sich direkt auf das Lernen und das allgemeine Wohlbefinden von Kindern auswirken. Beispielsweise versuche ich, Anzeichen für Lernschwierigkeiten bei Kindern zu identifizieren, um Lehrmaterialien gezielt einsetzen zu können. Außerdem prognostiziere ich negative Ereignisse, die gefährdete Jugendliche betreffen, um diese möglicherweise im Vorfeld zu verhindern. Darüber hinaus arbeite ich daran, frühe Risikofaktoren für langfristige Entwicklungsstörungen bei Kindern zu erkennen, um frühzeitig Unterstützung anbieten zu können. All diese Aufgaben erfordern höchste fachliche Sorgfalt und Validierung, um sicherzustellen, dass Entscheidungen zielgerichtet, gerecht und zeitnah getroffen werden.
ABB: Können Sie ein Beispiel dafür nennen, wie diese Arbeit Pädagogen helfen kann?
EMC: Eine der wichtigsten Erkenntnisse aus der Anwendung dieser dynamischen Lernmodelle ist die Bedeutung von Verhaltensvariabilität, nicht nur der durchschnittlichen Gesamtleistung. Betrachten wir die Profile zweier Schüler: einer, der konstant 75–85 % erreicht, und einer, dessen Werte zwischen 65 und 95 % schwanken. Meine und die Arbeit anderer Forscher legen nahe, dass diese beiden Lern- und Leistungsprofile im Laufe der Zeit unterschiedliche Unterstützung durch Lehrkräfte benötigen, um langfristig erfolgreich zu sein. Bei Schülern mit variablerem Lernverhalten kann es besonders schwierig sein, regelmäßige Leistungsschwankungen von potenziellen langfristigen Herausforderungen zu unterscheiden. Die Entwicklung zusätzlicher Instrumente, die Lehrkräften helfen, diese beiden Muster zu differenzieren, ist daher ein wichtiges Ziel zukünftiger Forschung.
ABB: Welche Ideen möchten Sie als Nächstes am liebsten umsetzen?
EMC: Die alltäglichen Erfahrungen von Kindern in Bezug auf Lernen, Stress und Schlaf beeinflussen ihre langfristige Entwicklung. Ich entwickle Modelle, die Daten aus App-basierten Lerntagebüchern mit Daten zur langfristigen Entwicklung verknüpfen. Dadurch können wir unterschiedliche Zeiträume überbrücken und untersuchen, wie kurzfristige Dynamiken zusammenwirken, um nachhaltige Veränderungen zu bewirken. Es gibt viele spannende und herausfordernde Probleme zu lösen, damit diese Modelle die Komplexität der Daten erfassen können.
„Die alltäglichen Erfahrungen von Kindern in Bezug auf Lernen, Stress und Schlaf beeinflussen ihr langfristiges Wachstum.“
Ich freue mich darauf, gemeinsam mit meinen Partnern die Chancengleichheit bei Bildungs- und psychologischen Beurteilungen zu verbessern. Kulturelle, persönliche und schulische Erfahrungen beeinflussen, wie Lernende mit Beurteilungen umgehen. Wir entwickeln Modelle, die Vorurteile aufgrund individueller Erfahrungen abbauen. Diese Modelle zielen darauf ab, diese Informationen einzubeziehen, anstatt sie lediglich zu kontrollieren oder zu ignorieren. Dadurch werden Entscheidungen fairer und besser auf die Bedürfnisse unterschiedlicher Lernender zugeschnitten sein.
Fußnoten
Ethan M. McCormick entwickelt und wendet neue quantitative Methoden an, insbesondere Längsschnitt-, Zeitreihen- und psychometrische Modelle, um zu verstehen, wie Lernen und Entwicklung im Laufe der Zeit verlaufen. Seine Arbeit konzentriert sich auf interpretierbare und reproduzierbare Veränderungsmodelle, die angewandte Forscher nutzen können, um theoriegeleitete Fragestellungen zu beantworten. Jüngste Veröffentlichungen führen lineare Schätzungen mit nichtlinearer Inferenz ein, klären, wann und wie „Veränderung“ modelliert werden kann, und bieten fundierte Instrumente zur Vorhersage langfristiger Ergebnisse des Wachstums. Ethan verbindet Methodenentwicklung mit Open-Source-Software, Tutorials und Workshops, um diese Instrumente Lehrkräften, Klinikern und Forschern zugänglich zu machen, die mit Kindern und Jugendlichen arbeiten. Ethan ist ein 2024–2026 Jacobs Foundation Wissenschaftlicher Mitarbeiter.
Ethans Website und Ethan auf Google Scholar.
Dieses Interview wurde zur besseren Verständlichkeit bearbeitet.
