VORSPRUNG IM PROBLEMLÖSEN? - naturwissenschaftliche Modellierungskompetenz

 

Naturwissenschaftliches Modellieren als Expertenkompetenz in der entscheidenden Phase kontextualisierter Problemlöseprozesse

 

Doktorandin: Susanne Digel, DFG-Graduiertenkolleg Unterrichtsprozesse, Universität Koblenz-Landau
Betreuer: Prof. Dr. Alexander Kauertz, Universität Koblenz-Landau

 

Forschungsfokus

Lebensnahe Kontexte haben einen positiven Einfluss auf das Interesse der Schüler(innen) im Physikunterricht (Bennett et al. 2007), jedoch nehmen Schüler(innen) und Lehrkräfte kontextualisierte Problemstellungen als schwieriger wahr (Park und Lee 2004). Tatsächlich werden bei deren Lösung Unterschiede in den Schülerleistungen besonders deutlich (Heller und Hollabaugh 1992). Man könnte dies auf unterschiedliche Niveaus von Fachwissen und Problemlösestrategien zurückführen, jedoch zeigt sich, dass es selbst Schüler(innen) mit angemessenen Problemlösestrategien nicht gelingt, diese in Kontexten geeignet einzusetzen – ein Phänomen das als Produktionsdefizit beschrieben wird (Veenman et al. 2006). Auch das Fachwissen hat nur einen eingeschränkten Effekt, was Löffler und Kauertz (2015) in kontextualisierten Aufgabenstellungen belegen konnten. Gleichzeitig berichten sie von einem signifikanten Einfluss der Nutzung physikalischer Modellelemente auf die Leistung im Problemlöseprozess.

Bisherige Forschungsergebnisse zum Produktionsdefizit liefern mögliche Ursachen und moderierende Variablen (etwa Motivation, Metakognition), die Frage wie es überwunden werden kann bleibt jedoch offen.

Modellierungskompetenz bietet hier eine vielversprechende Perspektive, da Modelle „eine Form flexiblen Wissens verkörpern, um Probleme zu transferieren“[1] (Clement 2000, S. 1042) und die meisten physikspezifischen Probleme durch Modelleinsatz gelöst werden können[2] (vgl. Halloun 2006, S. 217).

Aus dem Grund widmet sich dieses Projekt der Frage wie naturwissenschaftliche Modellierungskompetenz die Problemlösefähigkeit in kontextualisierten Aufgaben fördern kann.

 

Theoretischer Hintergrund

Leisner-Bodenthin (2006) beschreibt naturwissenschaftliche Modellierungskompetenz (Scientific Modeling) als:
1) Metawissen zum Modellieren: Verständnis „wie Modelle genutzt werden, warum sie genutzt werden und was ihre Stärken und Grenzen sind“[3], als Teil von Nature of Science (NoS) (Schwarz et al. 2009, S. 634–635).
2) deklaratives Modellwissen: domänenspezifisches Wissen über Modelle und deren Charakteristika, und
3) praktische Modellierungswissen: zur Anwendung von Modellen (Problemlösen) notwendiges prozedurales Wissen.

Lin et al. (2004) konnten zeigen, dass ein fundiertes Verständnis von Nature of Science, das Metawissen zum Modellieren einschließt, die Leistungen beim konzeptuellen Problemlösen verbessert. Dieser Wirkungszusammenhang erklärt sich durch reduzierten cognitive load (Lin et al. 2013), vielseitigere, flexiblere und präzisere Aktivierung von Wissen (Tsai 1998), häufigere Nutzung kognitiv anspruchsvoller Lernstrategien und einem erhöhten Selbstkonzept (Urhahne und Hopf 2004) bei Schüler(inne)n mit einem fundierten Verständnis von Nature of Science.

Metawissen zum Modellieren wirkt sich nach Schwarz et al. (2009) positiv auf das deklarative und prozedurale Modellwissen aus. Diese sind vor allem für die erste, entscheidende Hürde im Problemlöseprozess bedeutsam – dem Situationsmodell (Leiss et al. 2010). Es stellt die geeignete mentale Repräsentation der Problemstellung und deren Verbindung zur eigenen Wissensstruktur dar. Während das Situationsmodell der Novizen aus Oberflächenelementen des Problems besteht, entwickeln Experten ein konzeptuelles Modell, indem sie geeignete physikalische Schemata (Modelle) aktivieren (Snyder 2000). Diese konzeptuelle Problemanalyse führt zu besserer Leistung im Problemlöseprozess und zur verbesserten Nutzung von Problemlösestrategien (Taasoobshirazi und Carr 2008).

 

Forschungsfragen

Wie wirkt Metawissen zum Modellieren und physikspezifische, praktische Modellierungskompetenz auf das Situationsmodell in kontextualisierten Aufgaben?

Wie kann die physikspezifische, praktische Modellierungskompetenz beschrieben werden?

Welche Strukturmodelle beschreiben die Zusammenhänge zwischen Nature of Science, Scientific Modeling und Scientific Inquiry am besten?

 

Methode und Studiendesign

Zur Erfassung der physikspezifischen, praktischen Modellierungskompetenz wurde ein Instrument auf Basis der von Halloun (2006, S. 179) vorgeschlagenen Taxonomie des Modellwissens entwickelt.

In der Pilotierung (Novizen: 9. Klassen, Experten: Bachelor-Seminare) werden zur Validierung das konzeptuelle Vorwissen (“FCI”, Hestenes et al. 1992), das Verständnis von Scientific Inquiry und Nature of Science („SUSSI“, Liang et al. 2009) und das Metawissen zum Modellieren („SUMS“, Treagust et al. 2002) erfasst. Die Effekte von kognitiven Fähigkeiten, Interesse, Motivation, Selbstwirksamkeit und Selbstkonzept werden kontrolliert.

Die Methoden „problem posing“, „kognitive Wissenslandkarten“ und „Probleme kategorisieren“ werden zur Erfassung des Situationsmodells erprobt und adaptiert, um in der Hauptstudie (Anfang 2017, 9. Klassen) die Zusammenhänge von Scientific Modeling, Nature of Science und Scientific Inquiry in ihrem Effekt auf kontextualisiertes Problemlösen zu untersuchen.

 

Literaturverzeichnis

Bennett, Judith; Lubben, Fred; Hogarth, Sylvia (2007): Bringing science to life. A synthesis of the research evidence on the effects of context-based and STS approaches to science teaching. In: Sci. Ed. 91 (3), S. 347–370.

Clement, John (2000): Model based learning as a key research area for science education. In: International Journal of Science Education 22 (9), S. 1041–1053.

Halloun, Ibrahim (2006): Modeling Theory in Science Education. Dordrecht: Springer (Science & technology education library, 24).

Heller, Patricia; Hollabaugh, Mark (1992): Teaching problem solving through cooperative grouping. Part 2: Designing problems and structuring groups. In: American journal of physics 60 (7), S. 637–644.

Hestenes, David; Wells, Malcolm; Swackhamer, Gregg (1992): Force concept inventory. In: Phys. Teach. 30 (3), S. 141.

Leisner-Bodenthin, Antje (2006): Zur Entwicklung von Modellkompetenz im Physikunterricht. In: Zeitschrift für Didaktik der Naturwissenschaften 12, S. 91–109.

Leiss, Dominik; Schukajlow, Stanislaw; Blum, Werner; Messner, Rudolf; Pekrun, Reinhard (2010): The Role of the Situation Model in Mathematical Modelling—Task Analyses, Student Competencies, and Teacher Interventions. In: Journal für Mathematik-Didaktik 31 (1), S. 119–141.

Liang, Ling; Chen, Sufen; Chen, Xian; Kaya, Osman; Adams, April; Macklin, Monica; Ebenezer, Jazlin (2009): Preservice teachers' views about nature of scientific knowledge development: An international collaborative study. In: International Journal of Science and Mathematics Education 7, S. 987–1012.

Lin, Huann-Shyang; Chiu, Houn-Lin; Chou, Ching-Yang (2004): Student understanding of the nature of science and their problem-solving strategies. In: International Journal of Science Education 26 (1), S. 101–112.

Lin, Tzung-Jin; Deng, Feng; Chai, Ching Sing; Tsai, Chin-Chung (2013): High school students’ scientific epistemological beliefs, motivation in learning science, and their relationships: A comparative study within the Chinese culture. In: International Journal of Educational Development 33 (1), S. 37–47.

Löffler, Patrick; Kauertz, Alexander (2015): Modellanwendung in kontextualisierten Problemlöseaufgaben. In: Sascha Bernholt (Hg.): Heterogenität und Diversität - Vielfalt der Voraussetzungen im naturwissenschaftlichen Unterricht. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung in Bremen 2014.

Park, Jongwon; Lee, Limook (2004): Analysing cognitive or non‐cognitive factors involved in the process of physics problem‐solving in an everyday context. In: International Journal of Science Education 26 (13), S. 1577–1595.

Schwarz, Christina V.; Reiser, Brian J.; Davis, Elizabeth A.; Kenyon, Lisa; Achér, Andres; Fortus, David et al. (2009): Developing a learning progression for scientific modeling. Making scientific modeling accessible and meaningful for learners. In: J. Res. Sci. Teach. 46 (6), S. 632–654.

Snyder, Jennifer L. (2000): An investigation of the knowledge structures of experts, intermediates and novices in physics. In: International Journal of Science Education 22 (9), S. 979–992.

Taasoobshirazi, Gita; Carr, Martha (2008): A review and critique of context-based physics instruction and assessment. In: Educational Research Review 3 (2), S. 155–167.

Treagust, David; Chittleborough, Gail; Mamiala, Thapelo (2002): Students' understanding of the role of scientific models in learning science. In: International Journal of Science Education 24 (4), S. 357–368. DOI: 10.1080/09500690110066485 .

Tsai, Chin‐Chung (1998): An analysis of Taiwanese eighth graders’ science achievement, scientific epistemoiogical beliefs and cognitive structure outcomes after learning basic atomic theory. In: International Journal of Science Education 20 (4), S. 413–425.

Urhahne, Detlef; Hopf, Martin (2004): Epistemologische Überzeugungen in den Naturwissenschaften und ihre Zusammenhänge mit Motivation, Selbstkonzept und Lernstrategien. In: Zeitschrift für Didaktik der Naturwissenschaften 10, S. 71–87.

Veenman, Marcel; van Hout-Wolters, Bernadette; Afflerbach, Peter (2006): Metacognition and learning: conceptual and methodological considerations. In: Metacognition and Learning 1 (1), S. 3–14.



[1] “embody a form of flexible knowledge that can be applied to transfer problems”

[2] “most physics problems are solved by constructing or selecting a model”

[3] “how models are used, why they are used, and what their strengths and limitations are”