Strukturanalysen des physikdidaktischen Wissens mithilfe von Machine Learning

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.

---

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.