home Ausgabe 13 Arbeiten Sechstklässlerinnen und Sechstklässler mit adaptiven E-Learning-Systemen im Bruchrechenunterricht unterschiedlich?

Arbeiten Sechstklässlerinnen und Sechstklässler mit adaptiven E-Learning-Systemen im Bruchrechenunterricht unterschiedlich?

Artikel als PDF

 

1 Einleitung

In diesem Beitrag stellen wir Adaptivität, Feedback und gestufte Lösungshilfen als Eigenschaften adaptiver E-Learning-Systeme vor, die positive Effekte auf individuelle Lernprozesse haben können. Weiter beschreiben wir das Potenzial von Prozessdaten, die anonym während der Arbeit mit E-Learning-Systemen aufgezeichnet werden können, für die fachdidaktische und erziehungswissenschaftliche Forschung und nutzen diese zur Beantwortung der Frage, ob Sechstklässlerinnen und Sechstklässler unterschiedlich mit einem E-Book im Mathematikunterricht arbeiten. Dabei greifen wir auf Daten von 256 Schülerinnen und Schülern aus dem Projekt ALICE:Bruchrechnen zurück.

 

2 Adaptives Lernen im schulischen Kontext

Mit Heterogenität im Klassenraum angemessen umzugehen – also insbesondere Schülerinnen und Schüler mit unterschiedlichen Lernvoraussetzungen nach ihren persönlichen Bedürfnissen individuell zu fördern – kann als zentrale Herausforderung für Mathematiklehrkräfte bezeichnet werden [1]. Eine Möglichkeit, Lehrkräfte bei dieser Aufgabe zu unterstützen, ist der Einsatz adaptiver E-Learning-Systeme, die durch adäquate Programmierung so gestaltet werden können, dass sie sich an den spezifischen Bedürfnissen von Schülerinnen und Schülern orientieren und individuell angepasste Lerngelegenheiten zur Verfügung stellen können [2]–[4]. In diesem Zusammenhang können adaptive Aufgabenschwierigkeiten und adaptives Feedback sowie gestufte Lösungshilfen als theoretisch fundierte und empirisch bestätigte Eigenschaften von E-Learning-Systemen bezeichnet werden.

Unter Adaptivität wird die automatisierte Veränderung der Parameter eines E-Learning-Systems auf der Basis der Eingabe einer Schülerin oder eines Schülers während des Arbeitens verstanden [5], [6]. Ein gängiges Beispiel hierfür ist etwa die Anpassung des Schwierigkeitsgrades von Aufgaben aufgrund korrekter oder inkorrekter Antworten in den vorhergehenden Aufgaben. Lernpsychologisch liegt einer solchen Adaptivität die Idee zugrunde, leistungsschwächere Schülerinnen und Schüler nicht mit zu schweren Aufgaben zu überfordern und gleichzeitig leistungsstärkeren Schülerinnen und Schülern nicht durch zu einfache Aufgaben keine adäquaten Lerngelegenheiten zu bieten – vgl. Expertise Reversal– und Guidance Fading-Effekt der Cognitive Load Theory [7]–[9].

Adaptivität stellt gemeinsam mit erklärendem Feedback – im Sinne einer automatisierten sofortigen Rückmeldung auf die Bearbeitung einer Aufgabe unter Bezug auf die individuelle Lösung [10] – das Fundament sog. intelligenter Tutorensysteme dar, die sich in unterschiedlichen experimentellen Studien als lernförderlicher als traditioneller Unterricht erwiesen haben [2]–[4]. Feedback dieser Art kann die kognitive Belastung beim Lernen reduzieren [11] und somit Ressourcen für die Entwicklung konzeptuellen Wissens freigeben: Auf der einen Seite können erklärende Rückmeldungen zu falschen Schülerantworten die notwendige Überarbeitung bestehender Fehlkonzepte unterstützen, auf der anderen Seite können vernetzende Rückmeldungen zu richtigen Schülerantworten freie kognitive Kapazitäten adäquat lenken – etwa in Richtung passenden Vorwissens oder weiterführender Fragestellungen – und weiterführende generative Denkprozesse anregen [12].

Zusätzlich können E-Learning-Systeme so gestaltet werden, dass sie Möglichkeiten zum selbstregulierten Lernen geben können. Selbstregulierte Lerngelegenheiten zeichnen sich dadurch aus, dass den Schülerinnen und Schülern Freiräume bei der Wahl ihrer Lernpfade ermöglicht werden. Ein Beispiel hierfür sind etwa abgestufte Lösungshilfen [1], bei denen die Lernenden die Möglichkeit haben, Hilfen zum Lösungsprozess einer Aufgabe mit steigendem Unterstützungsgrad – von einer Verdeutlichung des Problems bis schließlich zum entscheidenden Lösungsgedanken – wahrzunehmen. Lernpsychologisch liegt der Idee abgestufter Lösungshilfen der Gedanke zu Grunde, dass das Arbeiten mit zunächst unvollständigen Lösungen die Lernenden aktiver in den Lernprozess einbinden kann, als die Arbeit mit vollständigen Lösungsbeispielen – vgl. Problem Completion-Effekt der Cognitive Load Theory [7], [13]. Solche selbstregulierten Lerngelegenheiten lassen sich in E-Learning-System als adaptiv in dem Sinn implementieren, dass sie sich automatisch an die spezifische Aufgabe, nicht jedoch an die individuelle Schülerin oder den individuellen Schüler anpassen: So kann die Lernsoftware etwa so programmiert werden, dass spezifische wiederkehrende Problemlösemuster je nach Aufgabentyp in ihre Einzelschritte aufgeteilt und Schritt für Schritt als Lösungshilfen angeboten werden [14].

 

3 Prozessdaten für wissenschaftlichen Erkenntnisgewinn nutzen

E-Learning-Systeme als computerbasierte Lernumgebungen bieten die Möglichkeit, anonymisiert Daten über den Arbeits- und Lernprozess von Schülerinnen und Schülern aufzuzeichnen. Diese Daten liegen üblicherweise in Form von Log-Files vor, in denen die Interaktionen der Lernenden mit den E-Learning-Systemen aufgezeichnet werden [14], [15]. Da anhand der geloggten Ereignisse der Arbeitsprozess nachvollzogen werden kann, werden solche Daten daher als Prozessdaten oder Log-Daten bezeichnet. Für die fachdidaktische und erziehungswissenschaftliche Forschung haben Daten dieser Art ein hohes Potential, da sie – im Vergleich zu standardisierten Tests vor oder am Ende einer Lerneinheit – einen Einblick in den Lernprozess und das Lernverhalten von Schülerinnen und Schülern während einer Lerneinheit sowie einen neuartigen Einblick in die Lösungsprozesse von Schülerinnen und Schülern bei der Bearbeitung von Aufgaben bieten [14].

Im Fokus dieses Beitrags stehen zwei unterschiedliche Arten an Maßen, die aus Prozessdaten dieser Art gewonnen werden können: Zählmaße (z. B.: „Wie oft wurden abgestufte Lösungshilfen in Anspruch genommen?“) und Zeitmaße (Time on Task, z. B. „Wie lange wurde eine Aufgabe bearbeitet?“). Eine Herausforderung bei der Arbeit mit Prozessdaten ist die vorhergehende Aufbereitung der Daten, um spezifische Fragen beantworten zu können.

Zeitmaße lassen sich über Zeitstempel der Log-Daten gewinnen, wobei jedoch spezifische Annahmen getroffen werden müssen, die bei der Interpretation der Ergebnisse berücksichtigt werden sollten. So liegt etwa Forschungsarbeiten zu Time on Task die Annahme zugrunde, dass die Schülerin oder der Schüler die gesamte gemessene Zeit – üblicherweise die Zeitdifferenz zwischen Aufgabenstart und Eingabe eines Ergebnisses – mit der Bearbeitung der Aufgabe verbracht hat [16]. Eventuelle Unterbrechungen in der Bearbeitung können in der Regel nicht erfasst werden. Es handelt sich bei solchen Time-on-Task-Werten also stets um Schätzungen – genauer gesagt obere Schranken [14] – der tatsächlichen Bearbeitungszeit.

3.1 Erfassen der Nutzung unterrichtlicher Lernangebote

In der lernpsychologisch orientierten Unterrichtsforschung wird davon ausgegangen, dass Schulunterricht ein gewisses Angebot für Schülerinnen und Schüler bereitstellt, das diese zum Lernen nutzen können, wobei das Zusammenspiel von Angebot und Nutzung von unterschiedlichen Faktoren beeinflusst werden kann [17]. Es wird angenommen, dass eine höhere Nutzung der Lernangebote durch die Lernenden entsprechend zu besseren Lernergebnissen führt, was in unterschiedlichen Studien für den – in diesem Beitrag fokussierten – Bereich der Mathematik gezeigt werden konnte [18]–[20]. Eine Herausforderung für die Unterrichtsforschung stellen dabei nicht-reaktive Messverfahren der Unterrichtsbeteiligung (oder der Angebotsnutzung) dar, d. h. solche Verfahren, die einen Einfluss des Messvorgangs auf das Verhalten der Schülerinnen und Schüler weitgehend ausschließen können und dennoch valide Ergebnisse liefern können.

Die Nutzung von E-Learning-Systemen mit anonymisierter Prozessdatenerfassung stellt hier eine Möglichkeit dar, solche nicht-reaktiven Messungen durchzuführen – etwa unter Rückgriff auf die Verwendung von E-Books [20], [21]. Junco und Clem konnten etwa zeigen, dass ein rein auf quantitativen Prozessdaten (z. B. Zählmaßen und Time on Task) beruhender Nutzungsindex bei der Arbeit mit einem E-Book eine höhere Prognosefähigkeit für Kursresultate aufweist, als das akademische Vorwissen von Studierenden [21]. Reinhold, Strohmaier, Hoch und Reiss konnten zudem zeigen, dass die Hinzunahme von qualitativen Prozessdaten (z. B. Verwendung mathematischer Fachsprache) zusätzlich zu quantitativen Prozessdaten valide Aussagen über die Beteiligung der Schülerinnen und Schüler am Unterrichtsgeschehen erlaubt und eine höhere Beteiligung mit positiven Ergebnissen in Leistungstests in Zusammenhang steht [20]. Valide Messungen der Unterrichtsbeteiligung unter Rückgriff auf während der Arbeit mit E-Books nicht-reaktiv erfasste Prozessdaten erscheinen also möglich.

3.2 Geschlechterunterschiede bei der Nutzung von (Bildungs-)Technologie

Jugendliche in Deutschland nutzen Informations- und Kommunikationstechnologie (ICT) sowohl privat als auch in der Schule signifikant seltener als im OECD-Schnitt; zudem berichten in Deutschland fünfzehnjährige Mädchen signifikant niedrigeres Interesse an ICT als gleichaltrige Jungen und fühlen sich weiter weniger kompetent und weniger autonom im Umgang mit ICT [22]. Vor dem Hintergrund dieser auffälligen Geschlechterunterschiede stellt sich die Frage, inwiefern eine Digitalisierung des (Mathematik-)Unterrichts geschlechterabhängige Effekte nach sich ziehen könnte. Hierzu liefert die bisherige Forschungslage keine eindeutigen Ergebnisse. Auf der einen Seite konnten Volman, van Eck, Heemskerk und Kuiper zeigen, dass die Geschlechterunterschiede beim Arbeiten mit ICT im schulischen und außerschulischen Kontext, in Leistungserhebungen nach dem Lernen mit ICT sowie bei Einstellungen zur Nutzung von ICT im Primarbereich vernachlässigbar klein sind [23]. In einer Studie von Aesaert und van Braak zeigten Primarschülerinnen bessere ICT-Kompetenz als Primarschüler [24]. Auf der anderen Seite legte die Studie von Volman et al. offen, dass bezüglich ebendieser Aspekte im Sekundarbereich durchaus Unterschiede zwischen Mädchen und Jungen zu erwarten sind: Mädchen nutzen ICT zu Hause seltener, zeigen weniger Interesse an ICT und berichten niedrigere Selbstkonzepte im Umgang mit ICT [23]. Zudem wiesen Goldhammer, Naumann und Keßel darauf hin, dass sich bezüglich basaler Computerfähigkeiten signifikante Geschlechterunterschiede zeigen und fünfzehnjährige Jungen im Mittel schneller mit Computern arbeiten als gleichaltrige Mädchen [25]. Bezüglich der Arbeit mit E-Learning-Systemen im schulischen Kontext erscheint ein differenzierter Blick auf die Nutzung von computerbasierten Lernangeboten durch Jungen und Mädchen daher angebracht. Insbesondere lassen die Ergebnisse von Reinhold et al. den Schluss zu, dass sich längere Bearbeitungszeiten bei Aufgaben in E-Learning-Systemen bei Mädchen im Vergleich zu Jungen unter anderen durch eine intensivere Auseinandersetzung mit den gestellten Aufgaben interpretieren lassen und Jungen bei der Arbeit mit E-Learning-Systemen tendenziell häufiger abgelenkt sind, als Mädchen [20].

 

4 Die vorliegende Studie

Adaptive E-Learning-Systeme können wirksame Ergänzungen zu traditionellem Unterricht darstellen [4], insbesondere auch im Fach Mathematik [12]. Jedoch lassen bisherigen Untersuchungen vermuten, dass Mädchen und Jungen sowohl im schulischen als auch im außerschulischen Kontext unterschiedlich mit ICT arbeiten, andere Einstellungen zu ICT haben und sich unterschiedlich kompetent im Umgang mit ICT sehen [20], [23], [25]. Diese Unterschiede können im Primarbereich noch als weitgehend vernachlässigbar betrachtet werden, manifestieren sich aber mit Blick auf den Sekundarbereich – und in Deutschland insbesondere im Alter von 15 Jahren [22]. Im Hinblick auf eine Digitalisierung des Schulunterrichts erscheint daher die Frage notwendig, ob auch bei der Nutzung von adaptiven E-Learning-Systemen im schulischen Kontext Geschlechterunterschiede auftreten. Der vorliegende Artikel befasst sich daher konkret mit der Beantwortung der folgenden Forschungsfragen: (1) Nutzen Sechstklässlerinnen und Sechstklässler adaptive E-Learning-Systeme im Mathematikunterricht bei identischen Rahmenbedingungen unterschiedlich? (2) Treten mögliche Geschlechterunterschiede bei der Nutzung von adaptiven E-Learning-Systemen im Mathematikunterricht bei leistungsstärkeren und leistungsschwächeren Lernenden gleichermaßen auf?

 

5 Methode

Zur Beantwortung der Forschungsfragen werden Daten aus dem Projekt ALICE:Bruchrechnen verwendet. Wir fokussieren auf eine Interventionsgruppe, die im Rahmen des Regelunterrichts im Fach Mathematik für 15 Unterrichtsstunden mit einem adaptiven E-Learning-System in Form eines E-Books gearbeitet hat.

5.1 Stichprobe

Insgesamt nahmen 112 Schülerinnen und 144 Schüler (N = 256) der sechsten Jahrgangstufe an der Studie teil. Dabei wurden 151 Gymnasiastinnen und Gymnasiasten (sechs Klassen) aus Bayern und 105 Schülerinnen und Schüler aus bayerischen Mittelschulen (ehemals „Hauptschule“; ebenfalls sechs Klassen) untersucht. Aufgrund des dreigliedrigen Schulsystems in Bayern kann die erste Kohorte als tendenziell leistungsstärker, die zweite Kohorte als tendenziell leistungsschwächer aufgefasst werden. Die Teilnahme an den Studien war für alle Beteiligten freiwillig und erfolgte nur nach schriftlicher Einverständniserklärung. Die Klassen wurden für den Interventionszeitraum von der Forschungsgruppe mit Geräten (iPads) ausgestattet.

5.2 ALICE:Bruchrechnen

Für die Untersuchungen wurde ein E-Book zur Nutzung auf Tablet-PCs entwickelt. Das E-Book ist für den Einsatz im Mathematikunterricht konzipiert und behandelt inhaltlich die Einführung der Bruchzahlen; die Entwicklung des E-Books berücksichtigte Erkenntnisse aus der Mathematikdidaktik sowie der Instruktionspsychologie [12]. Neben der inhaltlichen Ausarbeitung des zu vermittelnden Lernstoffs nutzt das E-Book die Möglichkeiten des Mediums Tablet, um den Lerninhalt interaktiv und adaptiv auszugestalten und gleichzeitig als Forschungsinstrument zu fungieren [14].

Fachdidaktisch motivierte Interaktivität findet sich im E-Book in 90 eigens entwickelten, direkt ins E-Book eingebundenen Webseiten wieder, sog. Widgets. Die Widgets sind teils digital umgesetzte Hands-on Aktivitäten – z. B. das Zerschneiden und Verteilen von Pizza – oder andere veränderbare Diagramme, die der Exploration neuer Inhalte dienen – z. B. das animierte Überführen von Kreis- oder Rechteckdiagrammen in eine Zahlenstrahldarstellung. Der größere Teil der Widgets sind interaktive Aufgaben, in denen konkrete Aufgabenstellungen von den Lernenden bearbeitet und vom Widget korrigiert werden. Dazu zählen sowohl Aufgaben zur Darstellung von Bruchzahlen in ikonischer Repräsentation als auch Aufgaben, in denen arithmetische Basisfertigkeiten notwendig sind und in denen die Eingabe der Zahlenantwort handschriftlich erfolgt.

Die interaktiven Aufgaben arbeiten adaptiv bezüglich der Aufgabenschwierigkeiten, d. h. die Schwierigkeit einer Einzelaufgabe wird abhängig von den Antworten auf die vorhergehenden Aufgaben automatisch angepasst. Dazu sind in den Widgets Schwierigkeitsniveaus definiert. So ist bspw. eine Aufgabe zum Bestimmen des Anteils bei gegebenem Bruchteil und Ganzem (z. B. „Wie viel ist 2/3 von 6?“) so gestuft, dass im ersten Niveau nur Stammbrüche behandelt werden und anschließend beliebige echte Brüche. Die Einzelaufgaben werden in Gruppen – sog. Sets – aus einer Schwierigkeitsstufe generiert. Sind alle Einzelaufgaben des Sets bearbeitet, entscheidet die interaktive Aufgabe anhand der Lösungsrate im Set, ob das Aufgabenniveau für das nächste Set erhöht wird. Um Flüchtigkeitsfehler aufzufangen ist dazu keine 100%ige Lösungsrate nötig. Das derzeitig bearbeitete Set und die jeweils erreichte Schwierigkeitsstufe wird im E-Book gespeichert, so dass bei jedem Öffnen der interaktiven Aufgaben dort weitergearbeitet werden kann, wo während der letzten Sitzung aufgehört wurde. Die Nutzerin oder der Nutzer ist jederzeit in der Lage, ihren bzw. seinen Fortschritt in der Aufgabe zurückzusetzen. Abgesehen davon können die Aufgaben von außen nicht adaptiert werden. Die Adaptivität ist bewusst nicht aufgabenübergreifend implementiert – das Erreichen einer höheren Schwierigkeitsstufe in einer interaktiven Aufgabe führt nicht dazu, dass Einzelaufgaben einer anderen ebenfalls schwieriger werden, da sich die Aufgaben oftmals auf unterschiedliche Aspekte des Bruchzahlkonzepts beziehen und zunächst der Einführung und anschließend erst der Übung dienen.

Die durch die Adaptivität der Übungsaufgaben unterstütze Individualisierung der Lernprozesse wird durch automatisches, adaptives Feedback und gestufte Lösungshilfen weiter gefördert. Das Feedback bezieht sich dabei stets korrektiv auf die gegebene Antwort, ohne sie persönlich zu werten. In den meisten Fällen wird das Feedback durch einen Repräsentationswechsel unterstützt und beinhaltet Erklärungen. In einer Auswahl von interaktiven Aufgaben stehen abgestufte Lösungshilfen zur Unterstützung selbstregulierten Lernens zur Verfügung. Sie stehen in drei Unterstützungsgraden zur Verfügung und können vom Lernenden jederzeit während der Bearbeitung aufgerufen werden. Dabei steht es Nutzerinnen und Nutzern frei, welchen Grad an Unterstützung sie vom System anfordern. Die Lösungshilfen werden vom jeweiligen Widget an die aktuelle Einzelaufgabe automatisch angepasst.

5.3 Prozessdaten

Die Datenerhebung erfolgte anonym und automatisch während der Arbeit der Schülerinnen und Schüler mit den interaktiven Aufgaben im E-Book. Die Aufgaben des E-Books waren im Vorfeld so programmiert worden, dass sie für jede Aufgabenbearbeitung folgendes loggten: Charakteristika der Aufgabe (in Visualisierungsaufgaben z. B. der zu markierende Bruch), Eingabe (z. B. tatsächlich markierter Bruch) sowie deren Korrektheit und die Bearbeitungszeit. Zusätzlich wurden in Aufgaben mit abgestuften Lösungshilfen der Abruf dieser aufgezeichnet. Daten aus der Arbeit mit dem E-Book außerhalb der interaktiven Aufgaben wurden aufgrund technischer Limitationen der Plattform nicht erfasst.

Durch unterrichtliche Begebenheiten – bspw. Unterbrechung der Arbeit mit dem System durch die Lehrkraft, Pausen, Stundenwechsel – kann es zu erhöhten gemessenen Time on Task-Werten kommen. Für den Umgang mit diesen Ausreißern existieren unterschiedliche Verfahren, von denen keines als optimal einzustufen ist. Zudem beeinflusst die Wahl des Verfahrens die Ergebnisse der mit den Prozessdaten durchgeführten statistischen Analysen [26].

Die Aufbereitung der Daten, die hier betrachtet werden, folgt in diesem Aspekt dem Verfahren aus [16] und [14]: als Ausreißer gelten Werte, die mehr als zwei Standardabweichungen über dem Durchschnitt des jeweiligen Widgets innerhalb der jeweiligen Stichprobe liegen. Sie werden für die Analyse durch diese Schwelle ersetzt (und nicht ausgeschlossen). Zusätzlich werden Antworten mit einer Bearbeitungszeit von weniger als einer halben Sekunde vor der Auswertung entfernt. Insgesamt wurden etwa 13% ersetzt oder ausgeschlossen; die Analyse greift auf 168025 Datenpunkte zurück (Gymnasium: 99415 Datenpunkte, Mittelschule: 68610 Datenpunkte). Die statistische Auswertung erfolgt in R. Zur Prüfung von Geschlechterunterschieden werden Welch-korrigierte t-Tests verwendet.

 

6 Ergebnisse

Zur Beantwortung der Forschungsfrage (1) werden die Mittelwerte von Schülerinnen und Schülern in Bezug auf die Gesamtzahl der bearbeiteten Aufgaben, ihre gesamte Time on Task sowie den Anteil aufgerufener abgestufter Lösungshilfen miteinander vergleichen. Zur Beantwortung der Forschungsfrage (2) werden die Analysen für tendenziell leistungsstärkere Lernende (Gymnasium) und tendenziell leistungsschwächere Lernende (Mittelschule) getrennt berichtet und anschließend qualitativ verglichen.

6.1 Geschlechterunterschiede

Forschungsfrage (1) fokussiert auf unterschiedliche Nutzung adaptiver E-Learning-Systeme im Mathematikunterricht durch Sechstklässlerinnen im Vergleich mit Sechstklässlern. Wir gehen davon aus, dass signifikante Unterschiede bei der Anzahl der bearbeiteten Aufgaben, bei der gesamten Time on Task sowie im Anteil aufgerufener Lösungshilfen – bei identischen Rahmenbedingungen (d. h. während des Regelunterrichts) – als Indikator für eine geschlechterspezifisch-unterschiedliche Nutzung gewertet werden können.

Im Mittel bearbeiteten Schülerinnen und Schüler aus den Gymnasialklassen in der Studie 658 Einzelaufgaben (SD = 241) aus 67 Widgets, wobei Schülerinnen im Mittel mehr Aufgaben bearbeiteten (M = 672, SD = 270), als Schüler (M = 648, SD = 219). Ein Welch-korrigierter t-Test offenbarte keinen signifikanten Geschlechterunterschied, t(115,77) = 0,58, p = 0,56. Von der Interventionszeit verwandten die Schülerinnen und Schüler im Mittel 123 Minuten (SD = 46) auf die Lösung von Aufgaben. Hier ließ sich bei Schülerinnen ein höherer Wert (M = 137, SD = 52) beobachten als bei Schülern (M = 113, SD = 39). Dieser Unterschied ist signifikant, t(108,11) = 2,99, p < 0,01, d = 0,50. Gymnasiastinnen und Gymnasiasten riefen im Mittel zu 21,0% aller Bearbeitungen von Aufgaben mit Lösungshilfen eine solche auf (SD = 28,5). Hierbei war kein Geschlechterunterschied zwischen Mädchen (M = 20,5%; SD = 29,0) und Jungen (M = 21,5%; SD = 28,4) festzustellen, t(132,08) = −0,21, p = 0,83.

Die mittlere Anzahl an Aufgabenbearbeitungen betrug in den Mittelschulstichprobe 653 (SD = 283). Im Gegensatz zur Gymnasialstichprobe bearbeiteten Mittelschulschülerinnen im Mittel weniger Aufgaben (M = 642; SD = 243) als Mittelschulschüler (M = 664; SD = 315). Es liegt hier jedoch kein signifikanter Unterschied vor, t(101,44) = -0,40, p = 0,69. Die mittlere gesamte Time on Task lag an den Mittelschulen bei 117 Minuten (SD = 56). Auch hier arbeiteten Schülerinnen im Schnitt länger (M = 125; SD = 52) als ihre Mitschüler (M = 109; SD = 59). Der Unterschied ist nicht signifikant, t(102,97) = 1,46, p = 0,15. Die relative Häufigkeit der Aufrufe von abgestuften Lösungshilfen lag mit 37,8% (SD = 43,4) über der am Gymnasium. Auch hier zeigte sich keine signifikanter Geschlechterunterschied zwischen Mädchen (M = 45,1%; SD = 56,7) und Jungen (M = 31,5%; SD = 26,2), t(64,00) = 1,54, p = 0,13.

Die Ergebnisse deuten an, dass keine nennenswerten Geschlechterunterschiede bei der Nutzung der Lernangebote im E-Book bestanden.

6.2 Unterschiede zwischen leistungsstarken und leistungsschwachen Lernenden

Forschungsfragen (2) adressiert Unterschiede in der Nutzung des E-Books zwischen leistungsstarken und leistungsschwachen Schülerinnen und Schülern. Da die Operationalisierung durch unterschiedliche Schultypen des dreigliedrigen Schulsystems erfolgte, werden die Vergleiche nur qualitativ auf der Basis der im vorhergehenden Abschnitt berichteten Kennwerte durchgeführt. Durch die weitgehend standardisierten Rahmenbedingungen für den Unterricht in der Interventionsstudie erwarteten wir keine auffälligen Unterschiede in der Anzahl der bearbeiteten Aufgaben oder der gesamten Time on Task. Jedoch kann erwartet werden, dass leistungsschwächere Schülerinnen und Schüler eher auf abgestufte Lösungshilfen zurückgreifen müssen, als leistungsstärkere Lernende, um etwaige Lerndefizite auszugleichen.

Die Ergebnisse erscheinen passend zu diesen Annahmen: Die mittlere Anzahl der während der Intervention bearbeiteten Aufgaben sowie die gesamte Time on Task erscheinen an beiden Schultypen vergleichbar. Auffällig ist jedoch der Unterschied im Anteil der aufgerufenen Lösungshilfen zwischen Lernenden am Gymnasium und an der Mittelschule. Mittelschülerinnen und Mittelschüler greifen deutlich häufiger auf selbstregulierte Lösungshilfen zurück, als Gymnasiastinnen und Gymnasiasten. Die Ergebnisse im Vergleich zwischen den Schularten sind in Abbildung 1 nochmals zusammengefasst.

 

Abbildung 1: Unterschiede zwischen Mädchen und Jungen am Gymnasium und an der Mitteschule in der Nutzung adaptiver E-Learning-Systeme. Time on Task = Gesamte Time on Task (in Minuten); Aufgabenbearbeitungen = Gesamtzahl der bearbeiteten Aufgaben; Abgestufte Lösungshilfen = Anteil der aufgerufenen Lösungshilfen in Aufgaben, in denen diese zur Verfügung standen. Fehlerbalken entsprechen ±1 SE.

 

7 Diskussion

Die lernförderliche Wirkung adaptiver E-Learning-Systeme konnte in unterschiedlichen experimentellen Studien bestätigt werden [2]–[4]. Bisher ist jedoch weitgehend unklar, inwiefern Schülerinnen und Schüler unterschiedlichen Geschlechts und unterschiedlichen Leistungsniveaus mit Eigenschaften adaptiver E-Learning-Systeme umgehen. Diese Frage erscheint insbesondere deshalb notwendig, weil fünfzehnjährige Mädchen und Jungen in Deutschland unterschiedliches Nutzungsverhalten im Umgang mit ICT angeben [22]. Dieser Artikel schließt an diese Forschungslücke an. Die Ergebnisse der durchgeführten Studie lassen den Schluss zu, dass individuell unterschiedliches Nutzungsverhalten von E-Learning-Systemen im Regelunterricht – also bei durch eine Lehrkraft vorgegebenen weitgehend identischen Rahmenbedingungen – eher nicht vom Geschlecht abhängt, sondern vielmehr leistungsbedingte individuelle Unterschiede das Nutzen von Lernangeboten beeinflussen: Es zeigten sich lediglich am Gymnasium und bei der gesamten Time on Task signifikante Geschlechterunterschiede und die verwendeten Maße weisen allesamt relativ hohe Streuungen auf.

Für ersteres erscheinen zwei Interpretationsmöglichkeiten schlüssig: Entweder setzten sich die Sechstklässlerinnen tiefer mit den bearbeiteten Aufgaben auseinander, oder sie benötigen generell mehr Zeit für die Arbeit mit E-Learning-Systemen. Vorhergehende empirische Befunde stützen beide Interpretationen [20], [25], sodass erst die Analyse von Prozessdaten in Verbindung mit traditionellen Leistungsmessungen hier abschließende Antworten liefern können.

Die hohe Streuung in den betrachteten Maßen – insbesondere im Zusammenhang mit Aufrufen abgestufter Lösungshilfen – deutet auf maßgebliche individuelle Unterschiede bei der Verwendung selbstregulierter Lernhilfen hin und kann somit als Validierung für die technische Umsetzung und den Einsatz des verwendeten E-Books im Regelunterricht betrachtet werden: Ziel war ein adäquater Umgang mit Heterogenität im Klassenraum – eine hohe Streuung bei der Verwendung selbstregulierter Lernhilfen zwischen den Schülerinnen und Schülern der Stichprobe erscheint daher gerade wünschenswert.

Offen bleibt die Frage, welche individuellen Charakteristika leistungsstarker und leistungsschwacher Schülerinnen und Schüler das Nutzungsverhalten im Umgang mit adaptiven E-Learning-Systemen moderieren. Weiterführende Forschung könnte auf den Einfluss allgemeiner kognitiver Fertigkeiten, inhaltsspezifischen Vorwissen sowie affektiver Personenmerkmale fokussieren. In diesem Zusammenhang kann die Nutzung von nicht-reaktiv erhobenen Prozessdaten in Verbindung mit Leistungsmaßen und Selbsteinschätzungsbögen neue Perspektiven für die fachdidaktische Forschung eröffnen.

 

Beide Autoren haben gleichermaßen zu dieser Arbeit beigetragen.

 

Danksagung

Das Forschungsprojekt ALICE:Bruchrechnen wurde von der Heinz Nixdorf Stiftung unter dem Namen “Lernen mit dem Tablet-PC: Eine Einführung in das Bruchrechnen für Klasse 6” gefördert (Fördernummer: 12502). Am Projekt beteiligt waren Stefan Hoch, Dr. Frank Reinhold, Bernhard Werner, Prof. Jürgen Richter-Gebert und Prof. Kristina Reiss. Die Durchführung der Interventionen wurde vom Bayerischen Staatsministerium für Bildung und Kultus, Wissenschaft und Kunst für Gymnasien im Schuljahr 2016/2017 unter dem Geschäftszeichen X.7-BO5106/141/8 und dem Staatlichen Schulamt München für Mittelschulen im Schuljahr 2017/2018 unter dem Geschäftszeichen SchRIII/Erh106/1 genehmigt. Wir bedanken aus uns bei allen Lehrkräften sowie Schülerinnen und Schülern, die an der Studie teilgenommen haben.

 

Literatur

[1] K. Reiss und C. Hammer, Grundlagen der Mathematikdidaktik: Eine Einführung für den Unterricht in der Sekundarstufe. Basel: Birkhäuser, 2013.

[2] S. Steenbergen-Hu und H. Cooper, „A meta-analysis of the effectiveness of intelligent tutoring systems on college students’ academic learning.“, Journal of Educational Psychology, Bd. 106, Nr. 2, S. 331–347, 2014.

[3] S. Steenbergen-Hu und H. Cooper, „A meta-analysis of the effectiveness of intelligent tutoring systems on K–12 students’ mathematical learning.“, Journal of Educational Psychology, Bd. 105, Nr. 4, S. 970–987, 2013.

[4] D. Hillmayr, F. Reinhold, L. Ziernwald, und K. Reiss, Digitale Medien im mathematisch-naturwissenschaftlichen Unterricht der Sekundarstufe: Einsatzmöglichkeiten, Umsetzung und Wirksamkeit. Münster: Waxmann, 2017.

[5] D. Leutner, „Adaptivität und Adaptierbarkeit multimedialer Lehr- und Informationssysteme“, in Information und Lernen mit Multimedia und Internet: Lehrbuch für Studium und Praxis, 3. Aufl., L. J. Issing und P. Klimsa, Hrsg. Weinheim: Beltz, 2002, S. 115–126.

[6] D. Leutner, „Instructional design principles for adaptivity in open learning environments.“, in Curriculum, plans, and processes in instructional design. International perspectives., N. M. Seel und S. Dijkstra, Hrsg. Mahwah, N.J. [u.a.]: Erlbaum, 2004, S. 289–308.

[7] F. Paas und J. Sweller, „Implications of Cognitive Load Theory for Multimedia Learning“, in The Cambridge Handbook of Multimedia Learning, 2. Aufl., R. E. Mayer, Hrsg. New York: Cambridge University Press, 2014, S. 27–42.

[8] S. Kalyuga, „Expertise Reversal Effect and Its Implications for Learner-Tailored Instruction“, Educational Psychology Review, Bd. 19, Nr. 4, S. 509–539, 2007.

[9] R. Salden, V. Aleven, A. Renkl, und R. Schwonke, „Worked Examples and Tutored Problem Solving: Redundant or Synergistic Forms of Support?“, Topics in Cognitive Science, Bd. 1, Nr. 1, S. 203–213, 2009.

[10] J. Hattie und H. Timperley, „The Power of Feedback“, Review of educational research, Bd. 77, Nr. 1, S. 81–112, 2007.

[11] R. Moreno, „Decreasing Cognitive Load for Novice Students: Effects of Explanatory versus Corrective Feedback in Discovery-Based Multimedia“, Instructional Science, Bd. 32, Nr. 1/2, S. 99–113, 2004.

[12] F. Reinhold, Wirksamkeit von Tablet-PCs bei der Entwicklung des Bruchzahlbegriffs aus mathematikdidaktischer und psychologischer Perspektive: Eine empirische Studie in Jahrgangsstufe 6. Wiesbaden: Springer, 2019.

[13] F. Paas, „Training strategies for attaining transfer of problem-solving skill in statistics: A cognitive-load approach.“, Journal of Educational Psychology, Bd. 84, Nr. 4, S. 429–434, 1992.

[14] S. Hoch, F. Reinhold, B. Werner, J. Richter-Gebert, und K. Reiss, „Design and research potential of interactive textbooks: the case of fractions“, ZDM, Bd. 50, Nr. 5, S. 839–848, Sep. 2018.

[15] F. Goldhammer, J. Naumann, H. Rölke, A. Stelter, und K. Tóth, „Relating Product Data to Process Data from Computer-Based Competency Assessment“, in Competence Assessment in Education, D. Leutner, J. Fleischer, J. Grünkorn, und E. Klieme, Hrsg. Cham: Springer International Publishing, 2017, S. 407–425.

[16] F. Goldhammer, J. Naumann, A. Stelter, K. Tóth, H. Rölke, und E. Klieme, „The time on task effect in reading and problem solving is moderated by task difficulty and skill: Insights from a computer-based large-scale assessment.“, Journal of Educational Psychology, Bd. 106, Nr. 3, S. 608–626, 2014.

[17] T. Seidel, „Angebots-Nutzungs-Modelle in der Unterrichtspsychologie. Integration von Struktur- und Prozessparadigma“, Zeitschrift für Pädagogik, Bd. 60, Nr. 6, S. 850–866, 2014.

[18] A. Barkatsas, K. Kasimatis, und V. Gialamas, „Learning secondary mathematics with technology: Exploring the complex interrelationship between students’ attitudes, engagement, gender and achievement“, Computers & Education, Bd. 52, Nr. 3, S. 562–570, Apr. 2009.

[19] K. Singh, M. Granville, und S. Dika, „Mathematics and Science Achievement: Effects of Motivation, Interest, and Academic Engagement“, The Journal of Educational Research, Bd. 95, Nr. 6, S. 323–332, Juli 2002.

[20] F. Reinhold, A. Strohmaier, S. Hoch, und K. Reiss, Investigating students’ engagement during mathematics instruction: analyzing interactive textbook work while learning fractions. akzeptiert.

[21] R. Junco und C. Clem, „Predicting course outcomes with digital textbook usage data“, The Internet and Higher Education, Bd. 27, S. 54–63, Okt. 2015.

[22] C. Sälzer und K. Reiss, „PISA 2015 – die aktuelle Studie“, in PISA 2015: Eine Studie zwischen Kontinuität und Innovation, K. Reiss, C. Sälzer, A. Schiepe-Tiska, E. Klieme, und O. Köller, Hrsg. Münster: Waxmann, 2016, S. 13–44.

[23] M. Volman, E. Vaneck, I. Heemskerk, und E. Kuiper, „New technologies, new differences. Gender and ethnic differences in pupils’ use of ICT in primary and secondary education“, Computers & Education, Bd. 45, Nr. 1, S. 35–55, Aug. 2005.

[24] K. Aesaert und J. van Braak, „Gender and socioeconomic related differences in performance based ICT competences“, Computers & Education, Bd. 84, S. 8–25, Mai 2015.

[25] F. Goldhammer, J. Naumann, und Y. Keßel, „Assessing Individual Differences in Basic Computer Skills: Psychometric Characteristics of an Interactive Performance Measure“, European Journal of Psychological Assessment, Bd. 29, Nr. 4, S. 263–275, Jan. 2013.

[26] V. Kovanović, D. Gašević, S. Dawson, S. Joksimović, R. S. Baker, und M. Hatala, „Does time-on-task estimation matter? Implications for the validity of learning analytics findings“, Journal of Learning Analytics, Bd. 2, Nr. 3, S. 81–110, 2015.

 

Stefan Hoch

Stefan Hoch

Stefan Hoch (M.Sc.) hat an der Technischen Universität München Mathematik studiert und arbeitet als wissenschaftlicher Mitarbeiter am Heinz Nixdorf-Stiftungslehrstuhl für Didaktik der Mathematik der TUM School of Education.

Frank Reinhold

Frank Reinhold

Frank Reinhold (Dr. phil.) ist Gymnasiallehrer mit der Fächerverbindung Mathematik und Physik. Er arbeitet als PostDoc am Heinz Nixdorf-Stiftungslehrstuhl für Didaktik der Mathematik der TUM School of Education.