Projektbeteiligte: Fabian Kieser und Peter Wulff (Physik und ihre Didaktik, Pädagogische Hochschule Heidelberg)

Machine Learning (ML) konnte in zahlreichen wissenschaftlichen und industriellen/wirtschaftlichen Anwendungen Performance-Benchmarks bezwingen. ML ist eine Form des induktiven Lernens aus Daten, um Probleme zu lösen. Viel Aufmerksamkeit bekamen dabei Leistungssteigerungen im Bereich von Spielen wie Go, StarCraft, Schach oder Jeopardy. In all diesen Spielen sind Maschinen mitunter drastisch besser als Menschen. Auch wissenschaftliche Anwendungen wie Protein-Faltung oder mathematische Beweisführung standen im Fokus der Aufmerksamkeit. Andererseits ist es so, dass häufig nicht klar ist wie die Algorithmen zu Entscheidungen kommen, womit ethische Probleme verknüpft sind. Verzerrte Datensätze können so zum Training von ML-Modellen führen, die bspw. als Geschlechterstereotype in Entscheidungen präferieren und damit verstetigen können.

Im Bereich der Naturwissenschaftsdidaktik müssen damit Potentiale und Herausforderungen gezielt untersucht werden, um besser zu verstehen, auf welche Weise ML dazu genutzt werden kann, die naturwissenschaftsdidaktische Forschung zu befördern.

Analyse von Reflexionstexten: In einer Kooperation mit der Universität Potsdam (Prof. Andreas Borowski, Lukas Mientus und Anna Nowak) beschäftigen wir uns mit der computerbasierten Analysen von Reflexionstexten angehender Physiklehrkräfte (*). Diese Kooperation konnten wir mittlerweile ausweiten und arbeiten ebenso mit dem IPN Kiel (Dr. Marcus Kubsch sowie Dr. Stefan Sorge) zusammen. Wir überprüfen dabei, inwieweit ML-Modelle zu Reflexionen standortübergreifend eingesetzt werden können. Ziel ist es, die Auswertung dieser Texte zu automatisieren und die inhaltliche Analyse mit Hilfe von ML-Verfahren zu vertiefen.

Auswertung von Problemlösestrategien: Das physikalische Problemlösen stellt eine wichtige übergreifende Kompetenz dar, um in der Physik erfolgreich zu sein. Zur Erfassung der Problemlösekompetenz haben sich offene Antwortformate als geeignet erwiesen. Diese ermöglichen den Teilnehmenden in besonderer Weise ihre eigenen Problemlösestrategien anzuwenden. Fabian Kieser untersucht (**) in Kooperation mit der Computerlinguistik der Universität Potsdam (Prof. Manfred Stede, Xiaoyu Bai) inwieweit NLP-Methoden dabei helfen, Problemlösestrategien erfassen und Rückschlüsse auf die Problemlösekompetenz zu ziehen.

(*) Wulff, P., Buschhüter, D., Nowak, A., Westphal, A., Becker, L., Robalino, H. et al. (2020). Computer-Based Classification of Preservice Physics Teachers’ Written Reflections. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-020-09865-1

(**) Poster (PDF; ca. 0,4 MB) auf der DPG-Frühjahrstagung.