Formatives Assessment auf Basis von maschinellem Lernen
Eine Studie über automatisiertes Feedback zu Concept Maps aus dem Bereich Mechanik
Seiten
Formatives Assessment hat sich als effektive Methode zur Unterstützung des Lehrens und Lernens erwiesen. Allerdings werden formative Assessments in der Praxis häufig durch die Größe der Lerngruppen sowie zeitlichen Aufwand erschwert. Vor diesem Hintergrund wurde mithilfe maschinellen Lernens eine automatische Auswertung von Concept Maps für ein formatives Assessment entwickelt und evaluiert.
In einer ersten Studie wurde eine vorstrukturierte Concept Map zum Thema Mechanik entwickelt und von 230 Lernenden der 11. Jahrgangsstufe bearbeitet. Die Propositionen der bearbeiteten Concept Maps ( emph N = 3322) wurden anschließend von zwei menschlichen Experten anhand eines vierstufigen Bewertungsschemas bewertet. Basierend auf den Propositionen und den Bewertungen wurden mehrere Machine-Learning-Modelle zur automatischen Auswertung der Propositionen entwickelt, die eine hohe Übereinstimmung mit den menschlichen Bewertungen aufwiesen.
In der Folge wurde ein Feedback-Tool entwickelt, welches Lehrkräften und Lernenden automatische Rückmeldungen bereitstellt. Die Integration des Tools in den Physikunterricht wurde in einer zweiten Studie untersucht. Dabei zeigte sich, dass Lehrkräfte die Vorteile der automatischen Auswertung erkennen, das volle Potenzial jedoch noch nicht ausschöpfen.
Die Ergebnisse verdeutlichen das Potenzial von Machine-Learning-Systemen im Bildungsbereich und heben die Notwendigkeit einer engeren Zusammenarbeit zwischen Informatik, Fachdidaktik und Lehrkräften hervor.
In einer ersten Studie wurde eine vorstrukturierte Concept Map zum Thema Mechanik entwickelt und von 230 Lernenden der 11. Jahrgangsstufe bearbeitet. Die Propositionen der bearbeiteten Concept Maps ( emph N = 3322) wurden anschließend von zwei menschlichen Experten anhand eines vierstufigen Bewertungsschemas bewertet. Basierend auf den Propositionen und den Bewertungen wurden mehrere Machine-Learning-Modelle zur automatischen Auswertung der Propositionen entwickelt, die eine hohe Übereinstimmung mit den menschlichen Bewertungen aufwiesen.
In der Folge wurde ein Feedback-Tool entwickelt, welches Lehrkräften und Lernenden automatische Rückmeldungen bereitstellt. Die Integration des Tools in den Physikunterricht wurde in einer zweiten Studie untersucht. Dabei zeigte sich, dass Lehrkräfte die Vorteile der automatischen Auswertung erkennen, das volle Potenzial jedoch noch nicht ausschöpfen.
Die Ergebnisse verdeutlichen das Potenzial von Machine-Learning-Systemen im Bildungsbereich und heben die Notwendigkeit einer engeren Zusammenarbeit zwischen Informatik, Fachdidaktik und Lehrkräften hervor.
| Erscheinungsdatum | 31.08.2024 |
|---|---|
| Reihe/Serie | Studien zum Physik- und Chemielernen ; 378 |
| Sprache | deutsch |
| Maße | 145 x 210 mm |
| Einbandart | Paperback |
| Themenwelt | Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik |
| Naturwissenschaften | |
| Schlagworte | Automatische Auswertung • Feedback • Formatives Assessment • Künstliche Intelligenz • machine learning |
| ISBN-10 | 3-8325-5842-X / 383255842X |
| ISBN-13 | 978-3-8325-5842-0 / 9783832558420 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Eine praxisorientierte Einführung
Buch | Softcover (2025)
Springer Vieweg (Verlag)
CHF 53,15
Buch | Softcover (2025)
Reclam, Philipp (Verlag)
CHF 11,20
die materielle Wahrheit hinter den neuen Datenimperien
Buch | Hardcover (2024)
C.H.Beck (Verlag)
CHF 44,75
