@inproceedings{54960,
  abstract     = {{Das Fachdidaktische Wissen (FDW) wird als zentrale Komponente des Professionswissens von Lehrkräften bereits lange intensiv untersucht. Bislang liegen Ergebnisse zu Zusammenhängen des FDW mit anderen Professionswissensbereichen, zur Performanz in prototypischen Handlungssituationen und erste datengestützte inhaltlich-hierarchische Analysen auf Basis von Item Response Modellen (IRT-Modellen) vor. Im Zusammenhang mit einem projektübergreifend durchgeführten Vergleich entsprechender IRT-Modelle haben sich jedoch Limitationen bei der Vereinbarkeit und der inhaltlichen Reichhaltigkeit entsprechender Ergebnisse gezeigt, wie im Beitrag vorgestellt wird . Daher werden Analysemethoden aus dem Bereich des Machine Learning (unsupervised) vorgeschlagen, welche im Gegensatz zu IRT-Modellen auch nicht-hierarchische inhaltliche Strukturen aufdecken können. Es werden Ergebnisse entsprechender Clusteranalysen sowie Analysepläne zur Unterstützung dieser auf Basis der authentischen Sprachproduktionen von Proband:innen mithilfe von Natural Language Processing vorgestellt.}},
  author       = {{Zeller, Jannis and Riese, Josef}},
  booktitle    = {{Frühe naturwissenschaftliche Bildung, Tagungsband der GDCP Jahrestagung 2023}},
  editor       = {{van Vorst, Helena}},
  keywords     = {{Physikdidaktisches Wissen, Fähigkeitsprofile, Machine Learning}},
  location     = {{Hamburg}},
  pages        = {{122--125}},
  publisher    = {{Gesellschaft für Didaktik der Chemie und Physik}},
  title        = {{{Fähigkeitsprofile im Physikdidaktischen Wissen mithilfe von Machine Learning}}},
  year         = {{2024}},
}