Lernschwierigkeiten frühzeitig erkennen

Im vom Bundesbildungsministerium geförderten Projekt „Learning Progression Analytics – Analyse und Förderung von Lernverläufen zur Entwicklung von Kompetenzen“ hat ein Forschungsteam um Prof. Dr. Knut Neumann, Prof. Dr. Nikol Rummel und Prof. Dr. Hendrik Drachsler untersucht, wie die bei der Bearbeitung digital gestützter Unterrichtseinheiten generierten Produktdaten (wie beispielsweise Schülerantworten) und Prozessdaten (wie beispielsweise Mausbewegungen) automatisch ausgewertet können, um Lernverläufe von Schülerinnen und Schülern zu rekonstruieren. Außerdem interessierten sich die Forschenden dafür, wie unproduktive Lernverläufe und deren Ursachen erkannt werden können und inwieweit darauf aufbauend Lehrkräften Strategien zur Verfügung gestellt werden können, um unproduktive Lernverläufe in produktive zu überführen. Zu diesem Zweck haben sie aus einem vorherigen Projekt vorliegende digitale Unterrichtseinheiten in eine selbst entwickelte Plattform integriert und anschließend mit sieben Lehrkräften und ihren neun Klassen erprobt. Darüber hinaus haben die Forschenden gemeinsam mit Physiklehrkräften ein Dashboard zur Rückmeldung von Informationen über die Lernverläufe der Schülerinnen und Schüler entwickelt. Die Ergebnisse des Verbundprojekts belegen das Potential digitaler Technologien für das adaptive und individualisierte Lehren und Lernen im Schulunterricht und zeigen wie dieses genutzt werden kann.

Das Projekt wurde vom Bundesbildungsministerium im Rahmenprogramm empirische Bildungsforschung gefördert.

Publikationen die aus dem Projekt entstanden sind:

Kubsch, M., Grimm, A., Neumann, K., Drachsler, H. & Rummel, N. (2024). Using Evidence Centered Design to Develop an Automated System for Tracking Students’ Physics Learning in a Digital Learning Environment. In X. Zhai & J. S. Krajcik (Hrsg.), Uses of Artificial Intelligence in STEM Education. Oxford: Oxford University Press.

Karademir, O., Borgards, L., Di Mitri, D., Strauß, S., Kubsch, M., Brobeil, M., Grimm, A., Gombert, S., Rummel, N., Neumann, K., & Drachsler, H. (2024). Following the Impact Chain of the LA Cockpit: An Intervention Study Investigating a Teacher Dashboard’s Effect on Student Learning. Journal of Learning Analytics, 11(2), 215-228. https://doi.org/10.18608/jla.2024.8399

Karademir, O., Di Mitri, D., Schneider, J., Jivet, I., Allmang, J., Kubsch, M., Neumann, K. & Drachsler, H. (2024). I don’t have time! But keep me in the loop: Co-Designing Requirements for a Learning Analytics Cockpit with teachers. Journal of Computer and Assisted Learning. https://onlinelibrary.wiley.com/doi/epdf/10.1111/jcal.12997

Grimm, A., Steegh, A., Kubsch, M., & Neumann, K. (2023). Learning analytics in physics education: Equity-focused decision-making lacks guidance! Journal of Learning Analytics, 10(1), 71-84. https://doi.org/10.18608/jla.2023.7793

Grimm, A., Steegh, A., Colakoglu, J., Kubsch, M., & Neumann, K. (2023). Positioning responsible learning analytics in the context of STEM identities of under-served students. Frontiers in Education, 7, [1082748]. https://doi.org/10.3389/feduc.2022.1082748

Gombert, S., Di Mitri, D., Karademir, O., Kubsch, M., Kolbe, H., Tautz, S., Grimm, A., Bohm, I., Neumann, K., & Drachsler, H. (2022). Coding energy knowledge in constructed responses with explainable NLP models. Journal of Computer Assisted Learning, jcal.12767. https://doi.org/10.1111/jcal.12767.