---
_id: '59608'
abstract:
- lang: ger
text: Das Fachdidaktische Wissen (FDW) zählt zu den zentralen Elementen des Professionswissens
(angehender) Lehrkräfte und seine Relevanz ist sowohl theoretisch angenommen als
auch empirisch belegt. In der fachdidaktischen Forschung liegt daher bereits seit
längerem ein Fokus auf der Analyse des FDW, wobei mittlerweile vor allem Auswirkungen
auf die Handlungsqualität und auf Lernergebnisse in den Blick genommen werden.
Nach wie vor stellt aber auch die empirisch fundierte inhaltliche Beschreibung
des FDW sowie der Transfer entwickelter FDW-Testverfahren auf Basis von Testinstrumenten
mit offenem Antwortformat in die Ausbildungspraxis ein Forschungsdesiderat dar.
In diesem Dissertationsprojekt werden daher auf Basis eines Datensatzes von 846
Bearbeitungen eines FDW-Testinstruments im Fach Physik (1) projektübergreifende
FDW-Kompetenzniveaus auf Basis von Item-Response-Modellierungen exploriert, (2)
nicht-hierarchische FDW-Kompetenzprofile auf Basis von (probabilistischen) Cluster-
und Textanalysen beschrieben und (3) ein vollständig automatisiertes FDW-Assessment-System
auf Basis von Machine Learning entwickelt. Dabei wurden insbesondere kognitive
Anforderungskategorien als Subskalen des verwendeten Testinstruments betrachtet.
Das Assessment-System wurde dabei auf Basis dieser und weiterer Subskalen sowie
anhand der Zuordnung von Proband:innen zu den Kompetenzprofilen evaluiert und
zeigte sowohl relativ zur Interrater-Übereinstimmung als auch absolut betrachtet
hohe Performanzwerte.
- lang: eng
text: Pedagogical Content Knowledge (PCK) is one of the central elements of the
professional knowledge of (prospective) teachers. Its relevance is theoretically
established and empirically shown multiple times. PCK has therefore been analyzed
continuously in education research, currently with a particular emphasis on its
impact on the quality of teaching and directly on learning outcomes. However,
there is still a lack of detailed empirically backed descriptions of the intricacies
of PCK and of methodologies for translating developed PCK assessment procedures
based on open-ended questionnaires into educational practice. In this dissertation
project, therefore, three objectives are pursued, based on a dataset of 846 responses
to a physics PCK test instrument. First, cross-project PCK competency levels are
explored based on item response modeling. Second, non-hierarchical PCK competency
profiles are described based on (probabilistic) cluster and text analyses. Third,
a fully automated FDW assessment system based on Machine Learning is developed.
In particular, cognitive requirement categories were considered as subscales of
the test instrument used. The assessment system was evaluated based on these and
other subscales, as well as the assignment of respondents to the competency profiles,
and demonstrated high performance values both in relation to inter-rater agreement
and in absolute terms.
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
citation:
ama: Zeller J. Strukturanalysen des physikdidaktischen Wissens mithilfe von Machine
Learning. Universität Paderborn; 2025. doi:10.17619/UNIPB/1-2238
apa: Zeller, J. (2025). Strukturanalysen des physikdidaktischen Wissens mithilfe
von Machine Learning. Universität Paderborn. https://doi.org/10.17619/UNIPB/1-2238
bibtex: '@book{Zeller_2025, title={Strukturanalysen des physikdidaktischen Wissens
mithilfe von Machine Learning}, DOI={10.17619/UNIPB/1-2238},
publisher={Universität Paderborn}, author={Zeller, Jannis}, year={2025} }'
chicago: Zeller, Jannis. Strukturanalysen des physikdidaktischen Wissens mithilfe
von Machine Learning. Universität Paderborn, 2025. https://doi.org/10.17619/UNIPB/1-2238.
ieee: J. Zeller, Strukturanalysen des physikdidaktischen Wissens mithilfe von
Machine Learning. Universität Paderborn, 2025.
mla: Zeller, Jannis. Strukturanalysen des physikdidaktischen Wissens mithilfe
von Machine Learning. Universität Paderborn, 2025, doi:10.17619/UNIPB/1-2238.
short: J. Zeller, Strukturanalysen des physikdidaktischen Wissens mithilfe von Machine
Learning, Universität Paderborn, 2025.
date_created: 2025-04-16T14:01:48Z
date_updated: 2025-04-16T14:03:41Z
department:
- _id: '299'
doi: 10.17619/UNIPB/1-2238
language:
- iso: ger
- iso: eng
publication_status: published
publisher: Universität Paderborn
status: public
title: Strukturanalysen des physikdidaktischen Wissens mithilfe von Machine Learning
type: dissertation
user_id: '99022'
year: '2025'
...
---
_id: '58885'
abstract:
- lang: eng
text: 'There have been several attempts to conceptualize and operationalize pedagogical
content knowledge (PCK) in the context of teachers'' professional competencies.
A recent and popular model is the Refined Consensus Model (RCM), which proposes
a framework of dispositional competencies (personal PCK—pPCK) that influence more
action-related competencies (enacted PCK—ePCK) and vice versa. However, descriptions
of the internal structure of pPCK and possible knowledge domains that might develop
independently are still limited, being either primarily theoretically motivated
or strictly hierarchical and therefore of limited use, for example, for formative
feedback and further development of the RCM. Meanwhile, a non-hierarchical differentiation
for the ePCK regarding the plan-teach-reflect cycle has emerged. In this study,
we present an exploratory computational approach to investigate pre-service teachers''
pPCK for a similar non-hierarchical structure using a large dataset of responses
to a pPCK questionnaire (N=846). We drew on theoretical foundations and previous
empirical findings to achieve interpretability by integrating this external knowledge
into our analyses using the Computational Grounded Theory (CGT) framework. The
results of a cluster analysis of the pPCK scores indicate the emergence of prototypical
groups, which we refer to as competency profiles: (1) a group with low performance,
(2) a group with relatively advanced competency in using pPCK to create instructional
elements, (3) a group with relatively advanced competency in using pPCK to assess
and analyze described instructional elements, and (4) a group with high performance.
These groups show tendencies for certain language usage, which we analyze using
a structural topic model in a CGT-inspired pattern refinement step. We verify
these patterns by demonstrating the ability of a machine learning model to predict
the competency profile assignments. Finally, we discuss some implications of the
results for the further development of the RCM and their potential usability for
an automated formative assessment.'
article_type: original
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Zeller J, Riese J. Competency Profiles of PCK Using Unsupervised Learning:
What Implications for the Structures of pPCK Emerge From Non-Hierarchical Analyses?
Journal of Research in Science Teaching. Published online 2025. doi:10.1002/tea.70001'
apa: 'Zeller, J., & Riese, J. (2025). Competency Profiles of PCK Using Unsupervised
Learning: What Implications for the Structures of pPCK Emerge From Non-Hierarchical
Analyses? Journal of Research in Science Teaching. https://doi.org/10.1002/tea.70001'
bibtex: '@article{Zeller_Riese_2025, title={Competency Profiles of PCK Using Unsupervised
Learning: What Implications for the Structures of pPCK Emerge From Non-Hierarchical
Analyses?}, DOI={10.1002/tea.70001},
journal={Journal of Research in Science Teaching}, author={Zeller, Jannis and
Riese, Josef}, year={2025} }'
chicago: 'Zeller, Jannis, and Josef Riese. “Competency Profiles of PCK Using Unsupervised
Learning: What Implications for the Structures of PPCK Emerge From Non-Hierarchical
Analyses?” Journal of Research in Science Teaching, 2025. https://doi.org/10.1002/tea.70001.'
ieee: 'J. Zeller and J. Riese, “Competency Profiles of PCK Using Unsupervised Learning:
What Implications for the Structures of pPCK Emerge From Non-Hierarchical Analyses?,”
Journal of Research in Science Teaching, 2025, doi: 10.1002/tea.70001.'
mla: 'Zeller, Jannis, and Josef Riese. “Competency Profiles of PCK Using Unsupervised
Learning: What Implications for the Structures of PPCK Emerge From Non-Hierarchical
Analyses?” Journal of Research in Science Teaching, 2025, doi:10.1002/tea.70001.'
short: J. Zeller, J. Riese, Journal of Research in Science Teaching (2025).
date_created: 2025-03-04T08:08:37Z
date_updated: 2025-03-04T08:08:42Z
department:
- _id: '299'
doi: 10.1002/tea.70001
keyword:
- computational grounded theory
- language analysis
- machine learning
- pedagogical content knowledge
- unsupervised learning
language:
- iso: eng
main_file_link:
- open_access: '1'
url: https://onlinelibrary.wiley.com/doi/epdf/10.1002/tea.70001
oa: '1'
publication: Journal of Research in Science Teaching
publication_identifier:
eissn:
- 1098-2736
issn:
- 0022-4308
publication_status: published
status: public
title: 'Competency Profiles of PCK Using Unsupervised Learning: What Implications
for the Structures of pPCK Emerge From Non-Hierarchical Analyses?'
type: journal_article
user_id: '99022'
year: '2025'
...
---
_id: '59176'
abstract:
- lang: ger
text: Das fachdidaktische Wissen (FDW) stellt eine wichtige Komponente des Professionswissens
von (angehenden) Lehrkräften dar. Es liegen bereits empirische Forschungsergebnisse
zu Einflussfaktoren und zur Entwicklung des FDW sowie zur Bedeutung des FDW als
Ganzem für Professionswissen und Qualität professioneller Handlungen vor. Für
eine detailliertere Forschung zur Zusammenhangsstruktur zwischen FDW und der Performanz
in prototypischen Handlungssituationen sind darüber hinaus differenziertere empirisch
begründete Beschreibungen der inneren Struktur des FDW notwendig. Bisher sind
entsprechende Ansätze allerdings zumeist primär theoretisch-normativ begründet
oder auf hierarchische Betrachtungen beschränkt. Im vorliegenden Beitrag wird
daher ein Ansatz zur nicht-hierarchischen datenbasierten Beschreibung latenter
Kompetenzprofile des FDW orientiert an der Computational Grounded Theory vorgestellt.
Dabei wird zunächst mithilfe eines Datensatzes von 846 Bearbeitungen des Physik-FDW-Testinstruments
in überwiegend offenem Antwortformat aus dem Projekt ProfiLe-P+ eine latente Profilanalyse
zur Untersuchung latenter FDW-Profile unter Fokus auf kognitive Anforderungen
als empirisch trennbare Subskalen des FDW durchgeführt. Mithilfe von Topic Modeling
werden anschließend Tendenzen in der Sprachnutzung der FDW-Profile untersucht.
Um die Ergebnisse im Sinne der Computational Grounded Theory durch den Nachweis
latenter Zusammenhänge zwischen den Testantworten der Proband:innen und der FDW-Profil-Zuordnung
zu bestätigen, wird im Anschluss ein Machine-Learning-basiertes System zur automatisierten
Zuordnung von Testbearbeitungen zu den FDW-Profilen erstellt. Es zeigen sich vier
latente Kompetenzprofile mit nicht-hierarchischem Charakter. In einer längsschnittlichen
Betrachtung wird abschließend die Entwicklung von Proband:innen im Kontext dieser
FDW-Profile dargestellt. Die Ergebnisse bieten Ansatzmöglichkeiten zukünftig Untersuchungen
der Zusammenhänge einzelner FDW-Komponenten und beispielsweise gezeigter Handlungsqualität
auf Detailebene zu untersuchen.
article_number: '5'
article_type: original
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: Zeller J, Riese J. Machine-Learning basierte Analyse von latenten Profilen
des physikdidaktischen Wissens Machine-Learning-Based Analysis of Latent Profiles
in Physics PCK. Zeitschrift für Didaktik der Naturwissenschaften. 2025;31.
doi:10.1007/s40573-025-00181-y
apa: Zeller, J., & Riese, J. (2025). Machine-Learning basierte Analyse von latenten
Profilen des physikdidaktischen Wissens Machine-Learning-Based Analysis of Latent
Profiles in Physics PCK. Zeitschrift für Didaktik der Naturwissenschaften,
31, Article 5. https://doi.org/10.1007/s40573-025-00181-y
bibtex: '@article{Zeller_Riese_2025, title={Machine-Learning basierte Analyse von
latenten Profilen des physikdidaktischen Wissens Machine-Learning-Based Analysis
of Latent Profiles in Physics PCK}, volume={31}, DOI={10.1007/s40573-025-00181-y},
number={5}, journal={Zeitschrift für Didaktik der Naturwissenschaften}, publisher={Springer
Science and Business Media LLC}, author={Zeller, Jannis and Riese, Josef}, year={2025}
}'
chicago: Zeller, Jannis, and Josef Riese. “Machine-Learning basierte Analyse von
latenten Profilen des physikdidaktischen Wissens Machine-Learning-Based Analysis
of Latent Profiles in Physics PCK.” Zeitschrift für Didaktik der Naturwissenschaften
31 (2025). https://doi.org/10.1007/s40573-025-00181-y.
ieee: 'J. Zeller and J. Riese, “Machine-Learning basierte Analyse von latenten Profilen
des physikdidaktischen Wissens Machine-Learning-Based Analysis of Latent Profiles
in Physics PCK,” Zeitschrift für Didaktik der Naturwissenschaften, vol.
31, Art. no. 5, 2025, doi: 10.1007/s40573-025-00181-y.'
mla: Zeller, Jannis, and Josef Riese. “Machine-Learning basierte Analyse von latenten
Profilen des physikdidaktischen Wissens Machine-Learning-Based Analysis of Latent
Profiles in Physics PCK.” Zeitschrift für Didaktik der Naturwissenschaften,
vol. 31, 5, Springer Science and Business Media LLC, 2025, doi:10.1007/s40573-025-00181-y.
short: J. Zeller, J. Riese, Zeitschrift für Didaktik der Naturwissenschaften 31
(2025).
date_created: 2025-03-28T03:02:55Z
date_updated: 2025-03-28T03:06:21Z
department:
- _id: '15'
- _id: '299'
doi: 10.1007/s40573-025-00181-y
intvolume: ' 31'
language:
- iso: ger
publication: Zeitschrift für Didaktik der Naturwissenschaften
publication_identifier:
issn:
- 0949-1147
- 2197-988X
publication_status: published
publisher: Springer Science and Business Media LLC
status: public
title: Machine-Learning basierte Analyse von latenten Profilen des physikdidaktischen
Wissens Machine-Learning-Based Analysis of Latent Profiles in Physics PCK
type: journal_article
user_id: '99022'
volume: 31
year: '2025'
...
---
_id: '54960'
abstract:
- lang: ger
text: 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:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Zeller J, Riese J. Fähigkeitsprofile im Physikdidaktischen Wissen mithilfe
von Machine Learning. In: van Vorst H, ed. Frühe naturwissenschaftliche Bildung,
Tagungsband der GDCP Jahrestagung 2023. Gesellschaft für Didaktik der Chemie
und Physik; 2024:122-125.'
apa: Zeller, J., & Riese, J. (2024). Fähigkeitsprofile im Physikdidaktischen
Wissen mithilfe von Machine Learning. In H. van Vorst (Ed.), Frühe naturwissenschaftliche
Bildung, Tagungsband der GDCP Jahrestagung 2023 (pp. 122–125). Gesellschaft
für Didaktik der Chemie und Physik.
bibtex: '@inproceedings{Zeller_Riese_2024, place={Hamburg}, title={Fähigkeitsprofile
im Physikdidaktischen Wissen mithilfe von Machine Learning}, booktitle={Frühe
naturwissenschaftliche Bildung, Tagungsband der GDCP Jahrestagung 2023}, publisher={Gesellschaft
für Didaktik der Chemie und Physik}, author={Zeller, Jannis and Riese, Josef},
editor={van Vorst, Helena}, year={2024}, pages={122–125} }'
chicago: 'Zeller, Jannis, and Josef Riese. “Fähigkeitsprofile im Physikdidaktischen
Wissen mithilfe von Machine Learning.” In Frühe naturwissenschaftliche Bildung,
Tagungsband der GDCP Jahrestagung 2023, edited by Helena van Vorst, 122–25.
Hamburg: Gesellschaft für Didaktik der Chemie und Physik, 2024.'
ieee: J. Zeller and J. Riese, “Fähigkeitsprofile im Physikdidaktischen Wissen mithilfe
von Machine Learning,” in Frühe naturwissenschaftliche Bildung, Tagungsband
der GDCP Jahrestagung 2023, Hamburg, 2024, pp. 122–125.
mla: Zeller, Jannis, and Josef Riese. “Fähigkeitsprofile im Physikdidaktischen Wissen
mithilfe von Machine Learning.” Frühe naturwissenschaftliche Bildung, Tagungsband
der GDCP Jahrestagung 2023, edited by Helena van Vorst, Gesellschaft für Didaktik
der Chemie und Physik, 2024, pp. 122–25.
short: 'J. Zeller, J. Riese, in: H. van Vorst (Ed.), Frühe naturwissenschaftliche
Bildung, Tagungsband der GDCP Jahrestagung 2023, Gesellschaft für Didaktik der
Chemie und Physik, Hamburg, 2024, pp. 122–125.'
conference:
location: Hamburg
name: GDCP Jahrestagung 2023
date_created: 2024-07-01T14:33:40Z
date_updated: 2024-07-03T08:47:31Z
ddc:
- '370'
department:
- _id: '15'
- _id: '299'
editor:
- first_name: Helena
full_name: van Vorst, Helena
last_name: van Vorst
file:
- access_level: closed
content_type: application/pdf
creator: jzeller
date_created: 2024-07-01T14:27:20Z
date_updated: 2024-07-01T14:27:20Z
file_id: '54961'
file_name: Zeller, Riese (2024) Fähigkeitsprofile im Physikdidaktischen Wissen mithilfe
von ML.pdf
file_size: 389778
relation: main_file
success: 1
file_date_updated: 2024-07-01T14:27:20Z
has_accepted_license: '1'
keyword:
- Physikdidaktisches Wissen
- Fähigkeitsprofile
- Machine Learning
language:
- iso: ger
page: 122-125
place: Hamburg
publication: Frühe naturwissenschaftliche Bildung, Tagungsband der GDCP Jahrestagung
2023
publication_status: published
publisher: Gesellschaft für Didaktik der Chemie und Physik
status: public
title: Fähigkeitsprofile im Physikdidaktischen Wissen mithilfe von Machine Learning
type: conference
user_id: '99022'
year: '2024'
...
---
_id: '53567'
abstract:
- lang: eng
text: "ZusammenfassungIn den letzten Jahren wurde
das Professionswissen (angehender) Lehrkräfte intensiv untersucht. Neben Aussagen
zur inneren Struktur liegen auch Ergebnisse über den Zusammenhang zwischen Professionswissen,
Performanz in prototypischen Handlungssituationen sowie Unterrichtserfolg vor.
In diesen Analysen hat sich gezeigt, dass insbesondere dem fachdidaktischen Wissen
eine zentrale Rolle zukommt. Es mangelt bisher jedoch an empirisch fundierten
Beschreibungen von Niveaustufen des fachdidaktischen Wissens. Zwar liegen einzelne
Vorschläge vor, diese sind jedoch entweder empirisch nicht fundiert oder post
hoc generiert, so dass unklar ist, inwieweit die Beschreibung der Ausprägungen
auch außerhalb der jeweiligen Projektkontexte anwendbar ist. Der vorliegende Artikel
stellt eine projektübergreifende Analyse des fachdidaktischen Wissens mithilfe
zweier Ansätze zur Bildung von Niveaustufen vor. Dazu werden Niveaumodelle mit
Daten zum fachdidaktischen Wissen aus zwei Projekten ($$N=427$$\r\n N\r\n
\ =\r\n 427\r\n
\ und $$N=779$$\r\n N\r\n
\ =\r\n 779\r\n
\ ) mithilfe
des Scale-Anchoring-Verfahrens sowie eines regressionsanalytischen Ansatzes auf
Basis eines Modells hierarchischer Komplexität erstellt. Das Scale-Anchoring-Verfahren
liefert Niveaubeschreibungen, die sich zwar bezüglich fachlicher und fachdidaktischer
Inhalte unterschieden, aber Parallelen bezüglich lernpsychologisch interpretierbarer
Operatoren zeigten. Projektübergreifend deuteten die Ergebnisse daraufhin, dass
sich das fachdidaktische Wissen in niedrigen Ausprägungen auf reproduktive Aspekte
beschränkt, in höheren Ausprägungen aber kreative und evaluierende Elemente hinzukommen.
Das Modell hierarchischer Komplexität zeigte sich nur für einen der Datensätze
als geeignet, um ein Niveaumodell abzuleiten und konnte daher für projektübergreifende
Analysen nicht weiter genutzt werden. Nichtsdestotrotz lieferte die projektübergreifende
Analyse mithilfe des Scale-Anchoring-Verfahrens kontextunabhängige Beschreibungen
von Ausprägungen des fachdidaktischen Wissens und ermöglicht so erste Schritte
in Richtung eines empirisch fundierten, inhaltlich reichhaltigen Assessments,
welches über eine Einordnung mittels eines Scores hinaus geht."
alternative_title:
- 'Cross-project empirical and criteria-oriented analysis of pre-service physics teachers’
pedagogical content knowledge: What content structures emerge in the context of
different models?'
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Dustin
full_name: Schiering, Dustin
last_name: Schiering
- first_name: Christoph
full_name: Kulgemeyer, Christoph
last_name: Kulgemeyer
- first_name: Knut
full_name: Neumann, Knut
last_name: Neumann
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
- first_name: Stefan
full_name: Sorge, Stefan
last_name: Sorge
citation:
ama: 'Zeller J, Schiering D, Kulgemeyer C, Neumann K, Riese J, Sorge S. Empirisch-kriterienorientierte
Analyse des fachdidaktischen Wissens angehender Physiklehrkräfte: Welche inhaltlichen
Strukturen zeigen sich über unterschiedliche Projekte hinweg? Unterrichtswissenschaft.
Published online 2024. doi:10.1007/s42010-024-00200-w'
apa: 'Zeller, J., Schiering, D., Kulgemeyer, C., Neumann, K., Riese, J., & Sorge,
S. (2024). Empirisch-kriterienorientierte Analyse des fachdidaktischen Wissens
angehender Physiklehrkräfte: Welche inhaltlichen Strukturen zeigen sich über unterschiedliche
Projekte hinweg? Unterrichtswissenschaft. https://doi.org/10.1007/s42010-024-00200-w'
bibtex: '@article{Zeller_Schiering_Kulgemeyer_Neumann_Riese_Sorge_2024, title={Empirisch-kriterienorientierte
Analyse des fachdidaktischen Wissens angehender Physiklehrkräfte: Welche inhaltlichen
Strukturen zeigen sich über unterschiedliche Projekte hinweg?}, DOI={10.1007/s42010-024-00200-w},
journal={Unterrichtswissenschaft}, publisher={Springer Science and Business Media
LLC}, author={Zeller, Jannis and Schiering, Dustin and Kulgemeyer, Christoph and
Neumann, Knut and Riese, Josef and Sorge, Stefan}, year={2024} }'
chicago: 'Zeller, Jannis, Dustin Schiering, Christoph Kulgemeyer, Knut Neumann,
Josef Riese, and Stefan Sorge. “Empirisch-kriterienorientierte Analyse des fachdidaktischen
Wissens angehender Physiklehrkräfte: Welche inhaltlichen Strukturen zeigen sich
über unterschiedliche Projekte hinweg?” Unterrichtswissenschaft, 2024.
https://doi.org/10.1007/s42010-024-00200-w.'
ieee: 'J. Zeller, D. Schiering, C. Kulgemeyer, K. Neumann, J. Riese, and S. Sorge,
“Empirisch-kriterienorientierte Analyse des fachdidaktischen Wissens angehender
Physiklehrkräfte: Welche inhaltlichen Strukturen zeigen sich über unterschiedliche
Projekte hinweg?,” Unterrichtswissenschaft, 2024, doi: 10.1007/s42010-024-00200-w.'
mla: 'Zeller, Jannis, et al. “Empirisch-kriterienorientierte Analyse des fachdidaktischen
Wissens angehender Physiklehrkräfte: Welche inhaltlichen Strukturen zeigen sich
über unterschiedliche Projekte hinweg?” Unterrichtswissenschaft, Springer
Science and Business Media LLC, 2024, doi:10.1007/s42010-024-00200-w.'
short: J. Zeller, D. Schiering, C. Kulgemeyer, K. Neumann, J. Riese, S. Sorge, Unterrichtswissenschaft
(2024).
date_created: 2024-04-18T10:28:15Z
date_updated: 2024-08-19T12:44:06Z
department:
- _id: '299'
doi: 10.1007/s42010-024-00200-w
keyword:
- Education
language:
- iso: ger
publication: Unterrichtswissenschaft
publication_identifier:
issn:
- 0340-4099
- 2520-873X
publication_status: published
publisher: Springer Science and Business Media LLC
status: public
title: 'Empirisch-kriterienorientierte Analyse des fachdidaktischen Wissens angehender
Physiklehrkräfte: Welche inhaltlichen Strukturen zeigen sich über unterschiedliche
Projekte hinweg?'
type: journal_article
user_id: '99022'
year: '2024'
...
---
_id: '56948'
abstract:
- lang: ger
text: 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:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Zeller J, Riese J. Assessment des physikdidaktischen Wissens mithilfe von
Machine Learning. In: Entdecken, lehren und forschen im Schülerlabor. GDCP
Jahrestagung 2024.'
apa: Zeller, J., & Riese, J. (n.d.). Assessment des physikdidaktischen Wissens
mithilfe von Machine Learning. Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024. Entdecken, lehren und forschen im Schülerlabor. GDCP
Jahrestagung 2024, Bochum.
bibtex: '@inproceedings{Zeller_Riese, title={Assessment des physikdidaktischen Wissens
mithilfe von Machine Learning}, booktitle={Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024}, author={Zeller, Jannis and Riese, Josef} }'
chicago: Zeller, Jannis, and Josef Riese. “Assessment des physikdidaktischen Wissens
mithilfe von Machine Learning.” In Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024, n.d.
ieee: J. Zeller and J. Riese, “Assessment des physikdidaktischen Wissens mithilfe
von Machine Learning,” presented at the Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024, Bochum.
mla: Zeller, Jannis, and Josef Riese. “Assessment des physikdidaktischen Wissens
mithilfe von Machine Learning.” Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024.
short: 'J. Zeller, J. Riese, in: Entdecken, lehren und forschen im Schülerlabor.
GDCP Jahrestagung 2024, n.d.'
conference:
end_date: 2024-09-12
location: Bochum
name: Entdecken, lehren und forschen im Schülerlabor. GDCP Jahrestagung 2024
start_date: 2024-09-09
date_created: 2024-11-08T07:39:57Z
date_updated: 2024-11-08T07:40:44Z
ddc:
- '370'
department:
- _id: '15'
- _id: '299'
file:
- access_level: closed
content_type: application/pdf
creator: jzeller
date_created: 2024-11-08T07:39:37Z
date_updated: 2024-11-08T07:39:37Z
file_id: '56949'
file_name: Tagungsbandbeitrag-Jannis-Zeller-GDCP2024_preprint.pdf
file_size: 622347
relation: main_file
success: 1
file_date_updated: 2024-11-08T07:39:37Z
keyword:
- Physikdidaktisches Wissen
- Assessment
- Machine Learning
language:
- iso: ger
publication: Entdecken, lehren und forschen im Schülerlabor. GDCP Jahrestagung 2024
publication_status: inpress
status: public
title: Assessment des physikdidaktischen Wissens mithilfe von Machine Learning
type: conference
user_id: '99022'
year: '2024'
...
---
_id: '45567'
author:
- first_name: David
full_name: Buschütter, David
last_name: Buschütter
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Stefan
full_name: Oltmanns, Stefan
last_name: Oltmanns
- first_name: Andreas
full_name: Borowski, Andreas
last_name: Borowski
- first_name: Christoph
full_name: Kulgemeyer, Christoph
id: '84533'
last_name: Kulgemeyer
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
- first_name: Christoph
full_name: Vogelsang, Christoph
id: '4245'
last_name: Vogelsang
orcid: 0000-0002-5804-1855
citation:
ama: 'Buschütter D, Zeller J, Oltmanns S, et al. Forschungsdatenmanagement erleichtern
durch relationale Datenbanken: Ein Datenmodell für naturwissenschaftsdidaktische
Forschung. In: van Vorst H, ed. Lernen, Lehren und Forschen in einer digital
geprägten Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in
Aachen 2022. ; 2023:861-864.'
apa: Buschütter, D., Zeller, J., Oltmanns, S., Borowski, A., Kulgemeyer, C., Riese,
J., & Vogelsang, C. (2023). Forschungsdatenmanagement erleichtern durch relationale
Datenbanken: Ein Datenmodell für naturwissenschaftsdidaktische Forschung. In
H. van Vorst (Ed.), Lernen, Lehren und Forschen in einer digital geprägten
Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022
(pp. 861–864).
bibtex: '@inproceedings{Buschütter_Zeller_Oltmanns_Borowski_Kulgemeyer_Riese_Vogelsang_2023,
title={Forschungsdatenmanagement erleichtern durch relationale Datenbanken: Ein
Datenmodell für naturwissenschaftsdidaktische Forschung}, booktitle={Lernen, Lehren
und Forschen in einer digital geprägten Welt Gesellschaft für Didaktik der Chemie
und Physik Jahrestagung in Aachen 2022}, author={Buschütter, David and Zeller,
Jannis and Oltmanns, Stefan and Borowski, Andreas and Kulgemeyer, Christoph and
Riese, Josef and Vogelsang, Christoph}, editor={van Vorst, Helena}, year={2023},
pages={861–864} }'
chicago: Buschütter, David, Jannis Zeller, Stefan Oltmanns, Andreas Borowski, Christoph
Kulgemeyer, Josef Riese, and Christoph Vogelsang. “Forschungsdatenmanagement erleichtern
durch relationale Datenbanken: Ein Datenmodell für naturwissenschaftsdidaktische
Forschung.” In Lernen, Lehren und Forschen in einer digital geprägten Welt
Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022,
edited by Helena van Vorst, 861–64, 2023.
ieee: D. Buschütter et al., “Forschungsdatenmanagement erleichtern durch
relationale Datenbanken: Ein Datenmodell für naturwissenschaftsdidaktische Forschung,”
in Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022, 2023, pp.
861–864.
mla: Buschütter, David, et al. “Forschungsdatenmanagement erleichtern durch relationale
Datenbanken: Ein Datenmodell für naturwissenschaftsdidaktische Forschung.” Lernen,
Lehren und Forschen in einer digital geprägten Welt Gesellschaft für Didaktik
der Chemie und Physik Jahrestagung in Aachen 2022, edited by Helena van Vorst,
2023, pp. 861–64.
short: 'D. Buschütter, J. Zeller, S. Oltmanns, A. Borowski, C. Kulgemeyer, J. Riese,
C. Vogelsang, in: H. van Vorst (Ed.), Lernen, Lehren und Forschen in einer digital
geprägten Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in
Aachen 2022, 2023, pp. 861–864.'
date_created: 2023-06-10T12:59:06Z
date_updated: 2024-07-03T15:10:52Z
department:
- _id: '299'
editor:
- first_name: Helena
full_name: van Vorst, Helena
last_name: van Vorst
language:
- iso: ger
page: 861-864
publication: Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022
status: public
title: 'Forschungsdatenmanagement erleichtern durch relationale Datenbanken: Ein
Datenmodell für naturwissenschaftsdidaktische Forschung'
type: conference
user_id: '429'
year: '2023'
...
---
_id: '45565'
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Zeller J, Riese J. Datenbasierte Fähigkeitsprofile im Physikdidaktischen Wissen.
In: van Vorst H, ed. Lernen, Lehren und Forschen in einer digital geprägten
Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022.
; 2023:786-789.'
apa: Zeller, J., & Riese, J. (2023). Datenbasierte Fähigkeitsprofile im Physikdidaktischen
Wissen. In H. van Vorst (Ed.), Lernen, Lehren und Forschen in einer digital
geprägten Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in
Aachen 2022 (pp. 786–789).
bibtex: '@inproceedings{Zeller_Riese_2023, title={Datenbasierte Fähigkeitsprofile
im Physikdidaktischen Wissen}, booktitle={Lernen, Lehren und Forschen in einer
digital geprägten Welt Gesellschaft für Didaktik der Chemie und Physik Jahrestagung
in Aachen 2022}, author={Zeller, Jannis and Riese, Josef}, editor={van Vorst,
Helena}, year={2023}, pages={786–789} }'
chicago: Zeller, Jannis, and Josef Riese. “Datenbasierte Fähigkeitsprofile im Physikdidaktischen
Wissen.” In Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022, edited by
Helena van Vorst, 786–89, 2023.
ieee: J. Zeller and J. Riese, “Datenbasierte Fähigkeitsprofile im Physikdidaktischen
Wissen,” in Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022, 2023, pp.
786–789.
mla: Zeller, Jannis, and Josef Riese. “Datenbasierte Fähigkeitsprofile im Physikdidaktischen
Wissen.” Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022, edited by
Helena van Vorst, 2023, pp. 786–89.
short: 'J. Zeller, J. Riese, in: H. van Vorst (Ed.), Lernen, Lehren und Forschen
in einer digital geprägten Welt Gesellschaft für Didaktik der Chemie und Physik
Jahrestagung in Aachen 2022, 2023, pp. 786–789.'
date_created: 2023-06-10T12:44:37Z
date_updated: 2024-07-04T07:35:17Z
department:
- _id: '299'
editor:
- first_name: Helena
full_name: van Vorst, Helena
last_name: van Vorst
language:
- iso: ger
page: 786-789
publication: Lernen, Lehren und Forschen in einer digital geprägten Welt Gesellschaft
für Didaktik der Chemie und Physik Jahrestagung in Aachen 2022
status: public
title: Datenbasierte Fähigkeitsprofile im Physikdidaktischen Wissen
type: conference
user_id: '429'
year: '2023'
...
---
_id: '45446'
author:
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Melanie
full_name: Jordans, Melanie
id: '99324'
last_name: Jordans
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Zeller J, Jordans M, Riese J. Ansätze zur Ermittlung von Kompetenzniveaus
im Fachdidaktischen Wissen. In: Habig S, van Vorst H, eds. Unsicherheit als
Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für Didaktik
der Chemie und Physik. Online Jahrestagung 2021. Vol 42. ; 2022:768-771.'
apa: Zeller, J., Jordans, M., & Riese, J. (2022). Ansätze zur Ermittlung von
Kompetenzniveaus im Fachdidaktischen Wissen. In S. Habig & H. van Vorst (Eds.),
Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Online Jahrestagung 2021
(Vol. 42, pp. 768–771).
bibtex: '@inproceedings{Zeller_Jordans_Riese_2022, title={Ansätze zur Ermittlung
von Kompetenzniveaus im Fachdidaktischen Wissen}, volume={42}, booktitle={Unsicherheit
als Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für
Didaktik der Chemie und Physik. Online Jahrestagung 2021}, author={Zeller, Jannis
and Jordans, Melanie and Riese, Josef}, editor={Habig, Sebastian and van Vorst,
Helena}, year={2022}, pages={768–771} }'
chicago: Zeller, Jannis, Melanie Jordans, and Josef Riese. “Ansätze zur Ermittlung
von Kompetenzniveaus im Fachdidaktischen Wissen.” In Unsicherheit als Element
von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für Didaktik der
Chemie und Physik. Online Jahrestagung 2021, edited by Sebastian Habig and
Helena van Vorst, 42:768–71, 2022.
ieee: J. Zeller, M. Jordans, and J. Riese, “Ansätze zur Ermittlung von Kompetenzniveaus
im Fachdidaktischen Wissen,” in Unsicherheit als Element von naturwissenschaftsbezogenen
Bildungsprozessen. Gesellschaft für Didaktik der Chemie und Physik. Online Jahrestagung
2021, 2022, vol. 42, pp. 768–771.
mla: Zeller, Jannis, et al. “Ansätze zur Ermittlung von Kompetenzniveaus im Fachdidaktischen
Wissen.” Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Online Jahrestagung 2021,
edited by Sebastian Habig and Helena van Vorst, vol. 42, 2022, pp. 768–71.
short: 'J. Zeller, M. Jordans, J. Riese, in: S. Habig, H. van Vorst (Eds.), Unsicherheit
als Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für
Didaktik der Chemie und Physik. Online Jahrestagung 2021, 2022, pp. 768–771.'
date_created: 2023-06-02T14:41:12Z
date_updated: 2024-07-11T07:52:18Z
department:
- _id: '299'
editor:
- first_name: Sebastian
full_name: Habig, Sebastian
last_name: Habig
- first_name: Helena
full_name: van Vorst, Helena
last_name: van Vorst
intvolume: ' 42'
language:
- iso: ger
page: 768-771
publication: Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Online Jahrestagung 2021
status: public
title: Ansätze zur Ermittlung von Kompetenzniveaus im Fachdidaktischen Wissen
type: conference
user_id: '99022'
volume: 42
year: '2022'
...
---
_id: '48634'
author:
- first_name: Melanie
full_name: Jordans, Melanie
id: '99324'
last_name: Jordans
- first_name: Jannis
full_name: Zeller, Jannis
id: '99022'
last_name: Zeller
orcid: 0000-0002-1834-5520
- first_name: Rike Isabel
full_name: Große-Heilmann, Rike Isabel
id: '99511'
last_name: Große-Heilmann
orcid: 0000-0001-8713-3014
- first_name: Josef
full_name: Riese, Josef
id: '429'
last_name: Riese
orcid: 0000-0003-2927-2619
citation:
ama: 'Jordans M, Zeller J, Große-Heilmann RI, Riese J. Weiterentwicklung eines physikdidaktischen
Tests zum Online-Assessment. In: Habig S, van Vorst H, eds. Unsicherheit als
Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für Didaktik
der Chemie und Physik. Jahrestagung virtuell 2021. ; 2022:764-767.'
apa: Jordans, M., Zeller, J., Große-Heilmann, R. I., & Riese, J. (2022). Weiterentwicklung
eines physikdidaktischen Tests zum Online-Assessment. In S. Habig & H. van
Vorst (Eds.), Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Jahrestagung virtuell 2021
(pp. 764–767).
bibtex: '@inproceedings{Jordans_Zeller_Große-Heilmann_Riese_2022, title={Weiterentwicklung
eines physikdidaktischen Tests zum Online-Assessment}, booktitle={Unsicherheit
als Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für
Didaktik der Chemie und Physik. Jahrestagung virtuell 2021}, author={Jordans,
Melanie and Zeller, Jannis and Große-Heilmann, Rike Isabel and Riese, Josef},
editor={Habig, Sebastian and van Vorst, Helena}, year={2022}, pages={764–767}
}'
chicago: Jordans, Melanie, Jannis Zeller, Rike Isabel Große-Heilmann, and Josef
Riese. “Weiterentwicklung eines physikdidaktischen Tests zum Online-Assessment.”
In Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Jahrestagung virtuell 2021,
edited by Sebastian Habig and Helena van Vorst, 764–67, 2022.
ieee: M. Jordans, J. Zeller, R. I. Große-Heilmann, and J. Riese, “Weiterentwicklung
eines physikdidaktischen Tests zum Online-Assessment,” in Unsicherheit als
Element von naturwissenschaftsbezogenen Bildungsprozessen. Gesellschaft für Didaktik
der Chemie und Physik. Jahrestagung virtuell 2021, 2022, pp. 764–767.
mla: Jordans, Melanie, et al. “Weiterentwicklung eines physikdidaktischen Tests
zum Online-Assessment.” Unsicherheit als Element von naturwissenschaftsbezogenen
Bildungsprozessen. Gesellschaft für Didaktik der Chemie und Physik. Jahrestagung
virtuell 2021, edited by Sebastian Habig and Helena van Vorst, 2022, pp. 764–67.
short: 'M. Jordans, J. Zeller, R.I. Große-Heilmann, J. Riese, in: S. Habig, H. van
Vorst (Eds.), Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Jahrestagung virtuell 2021, 2022,
pp. 764–767.'
date_created: 2023-11-06T17:15:23Z
date_updated: 2024-07-11T07:53:52Z
department:
- _id: '299'
editor:
- first_name: Sebastian
full_name: Habig, Sebastian
last_name: Habig
- first_name: Helena
full_name: van Vorst, Helena
last_name: van Vorst
language:
- iso: ger
page: 764-767
publication: Unsicherheit als Element von naturwissenschaftsbezogenen Bildungsprozessen.
Gesellschaft für Didaktik der Chemie und Physik. Jahrestagung virtuell 2021
status: public
title: Weiterentwicklung eines physikdidaktischen Tests zum Online-Assessment
type: conference
user_id: '99022'
year: '2022'
...