Veranstaltungsprogramm

Bei studierendenzentrierten Lehrformaten wie Just-in-Time-Teaching hinterlassen die Lernenden bei der Vor- und Nachbereitung des Unterrichts digitale Spuren im Lernmanagementsystem. Diese sind beispielsweise die erreichten Punkte in Quiz, der Zeitpunkt vom Herunterladen von Lehrmaterialen oder Klicks im Moodle-Kursraum. Mittels Learning Analytics werden die Daten ausgewertet, um mehr über das Lernverhalten und den aktuellen Lernstand der Studierenden zu erfahren. Aus der Literatur und eigenen Voruntersuchungen ist bekannt, dass durch bestimmter Datenspuren - sogenannter Indikatoren - ein geeignetes Feedback an die Lernenden gegeben werden kann, das dazu beiträgt den Studienerfolg zu erhöhen.

In diesem Beitrag geht es um die Entwicklung eines solchen Feedbacktools für Physik-Lehrveranstaltungen an der TH Rosenheim. Die Basis für das Tool bildet ein mit den Daten und Prüfungsleistungen der Vorgängerkohorten der letzten Jahre trainiertes Modell. Aus diesem Modell wird ein digitales Lernfeedback- und Empfehlungstool entwickelt mit dem Ziel die Durchfallraten zu senken.

Um das Feedbacktool an die Bedürfnisse der Studierenden gut anzupassen, wurden deren Vorstellungen zu Feedback in einem Team aus Lehrenden, didaktischen Mitarbeitenden und Studierenden in einem Gaming Prozess (www.empamos.de) und durch Fragebögen detailliert abgefragt und so wichtige Kriterien für ein lernförderliches und unterstützendes Feedback herausgearbeitet. Es zeigte sich, dass oft der Mehrwert von Feedback schwer zu erkennen ist; Studierende glauben zu wissen wo ihre Probleme liegen und möchten nicht noch auf Defizite hingewiesen werden. Deshalb ist ein gutes Framing im Unterricht beim Einsatz von Learning Analytics sehr wichtig.

Schließlich wird das für dieses Vorhaben nötige Datenschutzkonzept zur Anonymisierung und Pseudonymisierung der personenbezogenen Daten vorgestellt.

Mit dem Wechsel aus der Industrie an eine Hochschule für angewandte Wissenschaften in der Schweiz im Jahre 2012 begann der Autor die Lernzuwächse in den von ihm gehaltenen Lehrveranstaltungen regelmäßig zu messen. Es handelt sich dabei um einführende Module zur Physik in den Studiengängen Maschinentechnik, Maschinenverfahrenstechnik, Systemtechnik, Physikalische Technik und Medizinphysik. Als Messinstrument wurde der Force Concept Inventory (FCI) eingesetzt. Aus den Ergebnissen der Studierenden im Vortest zu Beginn und im Nachtest gegen Ende des Semesters wurde der normierte Lernzuwachs bestimmt.

Es waren 495 Studierende in den 13 betrachteten Lehrveranstaltungen eingeschrieben, wovon 396 an den Vortests und 264 an den Nachtests teilnahmen. Dabei konnte ein über alle Kurse gemittelter Lernzuwachs von 36% erzielt werden.

Als aktivierende Lehrmethoden wurden in den ersten 5 Lehrveranstaltungen, die in der Schweiz abgehalten wurden, Peer Instruction (PI) und Tutorials zu ausgewählten Themen eingesetzt. Damit konnte ein gemittelter Lernzuwachs von 42% erzielt werden. Dieser Wert konnte mit 44% nach der Berufung an eine Hochschule in Deutschland im Wintersemester 2016/17 mit den gleichen Lehrmethoden reproduziert werden. Anschließende Messungen der Lernzuwächse im Sommersemester 2017 und Wintersemester 2017/18 ergaben Abfälle der Lernzuwächse auf 28% und 18%.

Die Lehrveranstaltungen wurden daraufhin mit der aktivierenden Lehrmethode des Just-in-Time-Teaching umgestaltet, das ergänzend zum PI und den Tutorials eingesetzt wurde. In den Wintersemestern 2018/19 und 2019/20 wurde eine Wiederanstieg der Lernzuwächse auf 44% bzw. 36% beobachtet.

Im Wintersemester 2020/21 und 2021/22 wurde bei gleichbleibendem Einsatz der Lernmethoden ein Rückgang auf 28% bzw. 27% beobachtet, der sich mit 27% im Wintersemester 2022/23 fortsetzte.

Die beobachteten Lernzuwächse werden mit den in der Literatur publizierten Werten und deren Rahmenbedingung verglichen und diskutiert. Die in der Schweiz erzielten Lernzuwächse werden mit jenen in Deutschland in Beziehung gesetzt und Einflussfaktoren werden analysiert.

Mögliche Ursachen für die zuletzt beobachteten Rückgänge der Lernzuwächse während der Corona-Pandemie werden erörtert.

Wer kennt diese Situation (nicht)? Wir haben uns für unsere Veranstaltung ein didaktisches Konzept überlegt, das den Studierenden helfen soll, sich aktiv mit dem Lehrstoff auseinander zu setzen. Aber die Studierenden wollen sich lieber berieseln lassen und nicht selbst denken! Was tun? Im in diesem Beitrag vorgestellten Beispiel wird zur Vorbereitung auf die Lektionen ein Skript zur Verfügung gestellt, dass allerdings nicht vollständig ist, sondern als Lückentext. Die Lücken und Leitfragen sollen mit vorgegebenen Lerneinheiten ausgefüllt bzw. beantwortet werden; Fragen und Vertiefung des Lernstoffs erfolgen in der Vorlesung. Das ausgefüllte Skript darf außerdem in der Klausur als Hilfsmittel verwendet werden. Was ist das Ergebnis? Zwar haben fast alle Studierenden das Skript in der Klausur dabei. Aber kaum jemand hat die Lücken ausgefüllt oder die Leitfragen beantwortet. Was ist da zu tun? Wie können wir den Studierenden kommunizieren, dass unsere Lehr-Lern-Konzepte ihren Studienerfolg unterstützen können - wenn sie selbst etwas tun? Wie können wir eine Generation YouTube motivieren, ihren eigenen Verstand zu gebrauchen? Vor allem in den oft als schwer und unanschaulich empfundenden MINT-Fächern? Diskutieren wir darüber!

Studierende bringen häufig Vorstellungen über physikalisch-technische Mechanismen mit, die sie auf Basis ihrer Vorerfahrungen konstruiert haben. Diese Vorstellungen können fehlerhaft oder unvollständig sein und werden auch als „intuitive Konzepte“ oder „Fehlkonzepte“ bezeichnet. Das gängige Physik-Lehrmaterial erweist sich als nicht ausreichend effektiv, um diese Fehlkonzepte aufzulösen und durch ein funktionales Konzeptverständnis zu ersetzen.

Um das Konzeptverständnis der Newtonschen Mechanik quantitativ zu erfassen, verwenden wir das „Force Concept Inventory“ (FCI). Dieses weltweit etablierte Diagnosetool besteht aus 30 Single Choice Fragen aus den Bereichen Kinematik, Dynamik und Kräften. Zu jeder Frage stehen neben der richtigen Antwort vier falsche Optionen (Distraktoren) zur Wahl, die in vielen Fällen bekannte Fehlkonzepte adressieren. Der Test wird an der TH Rosenheim jeweils zu Beginn und Ende eines Physik-Moduls von Ingenieurstudierenden durchgeführt. Aus der Detailanalyse der Daten lässt sich bestimmen, in welchem Maße Fehlkonzepte z.B. zum zweiten oder dritten Newtonschen Axiom im Zeitraum des ersten Studienjahres durch das richtige Konzeptverständnis abgelöst werden.

Unsere fragen- und themenspezifische Analyse der Vor- und Nachtests erstreckt sich über einen Zeitraum von neun Jahren. Im Laufe dieser Zeit wurden Lehrmaterial und Aktivitäten in den Lehrveranstaltungen unter Berücksichtigung der vorherrschenden Fehlkonzepte weiterentwickelt. Zwischen diesen Veränderungen in der Lehre und dem Erwerb des richtigen Konzeptverständnisses lässt sich eine Korrelation erkennen.