@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}},
}

@inproceedings{56948,
  abstract     = {{Das Fachdidaktische Wissen (FDW) steht als zentrale Komponente des Professionswissens angehender Lehrkräfte bereits länger im Fokus der fachdidaktischen Forschung. Bisherige Ergebnisse zu möglichen Entwicklungsstufen oder prototypischen Ausprägungen des FDW ermöglichen eine differenzierte Einordnung von Lernenden auf Basis der Bearbeitung erprobter, validierter Testinstrumente. Diese Testinstrumente sind häufig mit offenen Antwortformaten gestaltet und die nachträgliche Schließung solcher Testinstrumente hat sich als nicht unproblematisch in Hinblick auf Validität und Authentizität erwiesen. Um ein automatisiertes reichhaltiges Assessment-System auf Basis der bisherigen Forschungsergebnisse zu entwickeln, können alternativ erprobte offene Testinstrumente in Kombination mit Machine-Learning basierten Auswertungsverfahren genutzt werden. Im Vortrag werden Ergebnisse einer entsprechenden Analyse auf Basis eines vergleichsweise großen (844 Bearbeitungen) Datensatzes präsentiert. Dabei wird ein zweistufiger Assessment Prozess, in dem zunächst die offenen Aufgaben mithilfe eines Sprachmodells bepunktet werden und anschließend aus den Bepunktungen inhaltlich reichhaltiges Feedback erstellt wird, genutzt.}},
  author       = {{Zeller, Jannis and Riese, Josef}},
  booktitle    = {{Entdecken, lehren und forschen im Schülerlabor. GDCP Jahrestagung 2024}},
  keywords     = {{Physikdidaktisches Wissen, Assessment, Machine Learning}},
  location     = {{Bochum}},
  title        = {{{Assessment des physikdidaktischen Wissens mithilfe von Machine Learning}}},
  year         = {{2024}},
}