Stand der Forschung Bedeutung der Hierarchie von Lerninhalten für Game Based Learning Neururer [email protected] Plentner [email protected]

Stand der Forschung Bedeutung der Hierarchie von Lerninhalten für Game Based

Learning

Neururer Cornelia [email protected] Georg [email protected] Prietl Verena [email protected]

LV: Forschungsmethodik III LV- Leiter: O. Univ.-Prof. Dr. Dietrich Albert04.11.2008

FM3 Stand der Forschung 2

Inhalt

Überblick Game Based Learning

Theoretischer Hintergrund Wissensraumtheorie Methoden zur Erfassung von Wissensstrukturen

Praktische Anwendung ALEKS

Ableitung der Fragestellung


Lehren und Lernen mit Computerspielen (Klimmt, 2004)

Seit den 1970er Jahren haben Computerspiele einen zunehmenden Einfluss auf die Freizeitgestaltung

Mögliche positive Effekt von Computerspielen?



Positive Effekte von Computerspielen

Informell Ohne Intention der SpieleproduzentInnen und

SpielerInnen Ergeben sich beiläufig bei der intensiven Nutzung von

Computerspielen Verbesserung von Bewegungs- und

Wahrnehmungsleistungen



Positive Effekte von Computerspielen

Explizite Intention Beruhen auf der sorgfältigen Gestaltung interaktiver

Lernspiele

Nach Erkenntnissen der Lernpsychologie gestaltet

Game- Based- Learning


Game Based Learning Definition:

„Die Anwendung von bildschirm-, computer- oder internetbasierten Spielen zu Lehr- und Lernzwecken“(e-teaching, 2008)

Lernen in einer virtuellen Umgebung

Motivationsmethoden aus digitalen Unterhaltungsspielen


Kennzeichen „guter Computerspiele“ (Schwan, 2006)

Probleme sind vorstrukturiert

Probleme sollten mit zunehmender Spieldauer und Routine der SpielerInnen komplexer werden

Leichte Probleme Lösungsprinzipien für spätere Aufgaben

Probleme sollten so strukturiert sein, dass sie mit dem bereits erworbenen Wissen gelöst werden können


Kennzeichen „guter Computerspiele“ (Schwan, 2006)

Abgestufte Levels

Probleme werden gelöst Ähnliche Probleme werden so lange geübt, bis

der/die SpielerIn die Lösung beherrscht Danach „Aufstieg“ zu komplexeren Problemen Die Fähigkeiten für leichtere Levels werden in

höheren Levels benötigt


Wissensraumtheorie (KST)

- Entwickelt von Doignon& Falmagne (1985,1999)

Grundidee:- Strukturieren eines Wissensbereichs- Durch Voraussetzungsbeziehungen zwischen

verschiedenen Aufgaben- Eingrenzung der möglichen Wissenszustände- Ökonomische Testung, Vermittlung von Wissen

(Hockemeyer, 2002)


Grundbegriffe

Wissensraum (Knowledge space)

Gekennzeichnet durch Q, Menge an Aufgabenstellungen an die Person Kann gelöst werden oder nicht Z.B. Q = {a, b, c, d, e} n= 5

(Heller et. al, 2006; Stojke, 2002)


Grundbegriffe

Wissenszustand (Knowledge State)

Teilmenge der von den ProbandInnen gelösten Aufgaben

2 n potentielle Wissenszustände (Bei Q = {a, b, c, d, e} 32 Wissenszustände

Nicht alle Wissenszustände möglich Surmise Relation Prerequisite Relation



Grundbegriffe

Surmise-Relations (Vermutungsbeziehungen)

Innerhalb der Menge Q als binäre Relationen ≤ Z. B. a ≤ b… Aufgrund einer richtigen Lösung von b

wird eine richtige Lösung von a vermutet Eigenschaften: Reflexivität, Transivität

Quasiordnung Hasse Diagramm

(Heller et. al, 2006)


Grundbegriffe

Hasse- Diagramm (Vermutungsbeziehung)

Q= {a, b, c, d, e}

(Heller et. al, 2006)


Grundbegriffe

Wissensstruktur (Knowledge Structure)

Gekennzeichnet durch K Menge der Wissenszustände aus Q

Menge aller Aufgabenkombinationen, einschließlich Ø und Q

Beispiel: Q = {a, b, c, d, e} K = {Ø, {a}, {c}, {a, c}, {a, b}, {a, b, c}, {a, b, d}, {a, b, c, d}, {a, b, c, e},

Q} 10 Wissenszustände



Grundbegriffe

Prerequisite- Relations (Voraussetzungsbeziehungen)

„Eine oder mehrere Aufgaben a stellen notwendige Voraussetzungen für die erfolgreiche Bewältigung einer Aufgabe b dar“

Bsp.: 4*3= 3+3+3+3(Stojke, 2002)


Methoden zur Erfassung von Wissensstrukturen

Für effektive Wissensdiagnose, Informationspräsentation und -verwendung

Darbietung der Information in einer Struktur Voraussetzungsbeziehungen

„Welche Information muss ich wissen, bevor ich neue Information verstehen und integrieren kann?“

(Albert & Kaluscha, 1997)


Analyse erhobener Daten

Sammlung der Antworten in einem definierten Wissensbereich von zahlreichen Personen

Struktur: Häufigkeiten von Antwortmuster, A-posteriori Analysen

Beispiel: Villano (1991; zitiert nach Albert & Kaluscha, 1997)

(Albert & Kaluscha, 1997; Dösinger, 1999)


Analyse erhobener Daten

Nachteile Schwer durchführbar bei einer großen Anzahl an

Items Abhängigkeit der resultierenden

Wissensstrukturen von der Stichprobe Technik eignet sich gut, wenn

Leichte Datenerhebung Wissensbereich mit wenigen Items



Analyse von Curricula und Didaktik

Verwendung des Wissens von Didaktiken und Analyse vorhandener Curricula

Reihenfolge, in der Items gelehrt werden Rückschlüsse über prerequisite-relations

Beispiel: Item a wird nach Item b präsentiert a kann keine Voraussetzung für b sein

Keine wissenschaftliche Ausarbeitung



Analyse von Anforderungen Anforderung kann Fähigkeit oder Wissen einiger

Fakten sein Erhebung beispielsweise durch Inhaltsanalysen,

didaktisches Wissen oder Analyse der zugrundeliegenden kognitiven Prozesse

Beispiel: 1+2x3 Addieren natürlicher Zahlen Multiplizieren natürlicher Zahlen Wissen, dass Multiplizieren vor Addieren erfolgt



Kompetenz und Performanz

Erweiterung der Wissensstrukturtheorie durch Korossy (1993, 1997; zitiert nach Dösinger, 1999)

KST: Wissen = Anzahl gelöster bzw. nicht gelöster Aufgaben Korossy: Fähigkeiten, um Aufgaben zu lösen

Kompetenz Fähigkeiten oder Eigenschaften einer Person Ermöglichung der Lösung eines Problems können nicht direkt beobachtet werden



Kompetenz und Performanz

Performanz Verhalten (gegebene Antwort) kann beobachtet werden

Kompetenz- und Performanzstruktur gleiche Eigenschaften wie Wissensstrukturen Vermutungs- und Voraussetzungsbeziehungen



ExpertInnenbefragung

Definierung des zu untersuchenden Wissensbereiches und Identifikation der relevanten Items in diesem Bereich

Determinierung der Beziehung zwischen den Items Unterschiedliches ExpertInnenwissen für den 1. und 2.

Schritt notwendig Beispiel Mathematik



ExpertInnenbefragung

Keine komplette Liste der Voraussetzungsbeziehungen durch ExpertenInnen möglich, daher

Erhebung von surmise-realtions zwischen Aufgaben

„Wenn eine Person die Aufgabe x falsch gelöst hat, ist es dann praktisch sicher, dass sie auch die Aufgabe y falsch

gelöst hat?“ (Dösinger, 1999)



Praktische Anwendung

Beispiel aus dem Bereich des E- Learnings

ALEKS (Assessment and LEarning in Knowledge Spaces)

Adaptives Lernsystem basierend auf der Wissensraumtheorie

Aufgaben werden an den Wissenszustand des/der Lernenden angepasst

(http://www.aleks.com)


Ableitung der Fragestellung

Hierarchie des Wissens Voraussetzungen für spätere Anforderungen

werden in früheren Lernstadien erworben Umsetzung in verschiedenen E- Learning

Programmen (z. B. ALEKS) Überprüfung von Wissensstrukturen


Fragestellung

Kann auch bei spielbasierten Lernprogrammen eine hierarchische Struktur von Lerninhalten nachgewiesen werden?

Gibt es einen Unterschied zwischen spielbasierten Lernprogrammen mit und ohne hierarchischer Struktur von Lerninhalten bezüglich der Anzahl richtig gelöster Aufgaben?


Verständnisfragen

Frage 1

Was ist ein Wissenszustand, was eine Wissensstruktur?


Verständnisfragen

Frage 2:Graphische Veranschaulichung einer Vermutungsbeziehung in einem Hasse-Diagramm

Welche möglichen Wissenszustände (Wissensstruktur) ergeben (ergibt) sich?


Literatur

Albert, D. & Kaluscha, R. (1997). Adapting Knowledge Structures in Dynamic Domains. In C. Herzog (Ed.), Beiträge zum Achten Arbeitstreffen der GI–Fachgruppe 1.1.5/7.0.1 ``Intelligente Lehr–/Lernsysteme'', September 1997, Duisburg, Germany [Contributions of the 8th Workshop of the GI SIG „Intelligent Tutoring Systems''] (pp. 89–100). TU München.

Dösinger, G. (1999). Empirische Untersuchung der Voraussetzungen des Rechnens im Vorschulalter unter Anwendung der Wissensraumtheorie. Unveröffentlichte Diplomarbeit, Karl-Franzens-Universität-Graz.

Heller, J., Steiner, C., Hockemeyer, C., Albert, D. (2006). Competence-based knowledge structures for personalised learning. International Journal on E-Learning, 5(1), 75-88.

Hockemeyer, C. (2002). A Comparison of Non–Deterministic Procedures for the Adaptive Assessment of Knowledge. Psychologische Beiträge, 44, 495–503.

Hockemeyer, C. (2003). Competence Based Adaptive E-Learning in Dynamic Domains. In F. W. Hesse & Y. Tamura (Eds.), The Joint Workshop of Cognition and Learning through Media–Communication for Advanced E-Learning (JWCL) (pp. 79–82). Berlin.

Klimmt, C., Computer- und Videospiele. In: R. Mangold, P. Vorderer & G. Bente (Eds.), Lehrbuch der Medienpsychologie. – Göttingen: Hogrefe (2004).

Stojke, C. (2002). Eine empirische Überprüfung von Strukturen im Bereich der kognitiven Stile und Lernstile mit Methoden der Wissensraumtheorie. Unveröffentlichte Diplomarbeit, Karl-Franzens-Universität-Graz.


Literatur Schwan, S. (2006). Computerspiele in der Hochschullehre.

http://www.e-teaching.org/didaktik/konzeption/methoden/lernspiele/game_based_learning/gamebasedlearning.pdf

[Stand: 02.11.2008] http://www.e-teaching.org/didaktik/konzeption/methoden/lernspiele/game_based_learning

[Stand: 02.11.2008] http://www.aleks.com [Stand: 02.11.2008]

Documents

Stand der Forschung Bedeutung der Hierarchie von Lerninhalten für Game Based Learning Neururer [email protected] Plentner [email protected]