Trainingsstudie zum Bayesianischen Denken in der Schule (seit 2024)

Projektleitung: Prof. Dr. Andreas Eichler, Prof. Dr. Stefan Krauss, Prof. Dr. Karin Binder, Prof. Dr. Markus Vogel

Mit der Formel von Bayes Hypothesen in unsicheren Situationen bewerten zu können, ist wesentlicher Bestandteil des probabilistischen Denkens, das bereits in der Schule angelegt werden soll. Daher werden in der Mathematikdidaktik seit Jahrzehnten Ansätze zum Verständnis Bayesianischer Situationen (d.h. Situationen, in denen die Formel von Bayes angewendet werden kann) diskutiert. Über Schule hinaus ist die Formel von Bayes für die Wahrscheinlichkeitsrechnung zentral und in vielen Professionen wie Medizin oder Jura sowie im Alltag hoch relevant. Zahlreiche Befunde psychologisch orientierter, aber kaum auf schulisches Lernen bezogene Forschung zeigen allerdings, dass Laien wie Experten häufig scheitern, die Formel von Bayes adäquat einzusetzen. Aufgrund dieser Ergebnisse sind in Psychologie und Mathematikdidaktik Strategien entwickelt worden, um die Kompetenz in Bayesianischen Situationen zu erhöhen. Dazu gehören natürliche Häufigkeiten als Format der statistischen Information, deren Visualisierung sowie gezieltes Training, wobei schulischer Unterricht kaum untersucht wurde. Im vorausgegangenen DFG-Projekt („Trainingsstudie zum Bayesianischen Denken“) wurden die Strategien miteinander verbunden, um Gelingensbedingungen der Förderung Bayesianischen Denkens bei den Professionsgruppen Medizin und Jura abzuleiten, für die Bayesianische Situationen hoch relevant sind. Der vorliegende Folge-Antrag hat das Ziel, die im vorherigen DFG-Projekt entwickelten und systematisch kombinierten Strategien eines psychologisch orientierten Trainings für das schulische Lernen von Schüler*innen des Jahrgangs 11 zu adaptieren, dabei vom Vorgängerprojekt die kontrollierte Instruktion zu übernehmen und in das schulische Lernen zu integrieren. Als Innovation werden dabei die im vorherigen DFG-Projekt fokussierten Aspekte „Calculation“ (Berechnung eines positiv-prädiktiven Werts), die situationsgerechte „Communication“ sowie die „Covariation“ (Wirkung von Parameteränderungen auf den positiv-prädiktiven Wert) als erweitertes Bayesianisches Denken für das schulische Lernen untersucht. Im schulischen Lernen beziehen sich Calculation und Covariation auf das funktionale Denken und Communication auf die Interpretation und Kommunikation einer Modellierung. Um verschiedene Unterrichtsbedingungen zu vergleichen, werden neben zwei Optimalbedingungen mit natürlichen Häufigkeiten zusätzlich auch solche mit den in der Schule üblichen Wahrscheinlichkeiten als Informationsformat implementiert und zwei weitere schulspezifische curriculare Umsetzungen zusätzlich gestaltet. Die Schüler*innen werden im Klassenverband unterrichtet und den verschiedenen Bedingungen zugeteilt, wobei die Instruktionsphasen zwar stark kontrolliert werden, das Projekt aber insgesamt einen Schritt vom stark kontrollierten Experimentaldesign hin auf das schwächer kontrollierte, ökologisch valide Lernen in der Schule macht. 

Weitere Informationen zu diesem und verwandten Forschungsprojekten finden Sie hier: www.bayesianreasoning.de

Komplexe MINT-Themen verstehen: Mit Simulationen Kompetenzen für das 21. Jahrhundert fördern (seit August 2022)

Projektleitung des Teilprojekts siMINT: Prof. Dr. Andreas Eichler, Prof. Dr. Karin Binder

siMINT stellt eine Kooperation aus Biologiedidaktik, Informatikdidaktik und Mathematikdidaktik dar. Hier gelangen Sie zur Projektwebseite: https://www.uni-muenster.de/Biologie.Didaktik/forschung/siMINT.html

Zeitgemäße Bildung in den MINTFächern zielt auf die Förderung von 21st Century Skills ab, die auf eine kompetente Auseinandersetzung mit fachspezifischen und insbesondere fachübergreifenden Problemen vorbereiten. Beispiele für fachübergreifende Probleme sind z.B. der Klimawandel oder Epidemien, die als große gesellschaftliche Herausforderungen und zentrale Zukunftsfragen durch einen hohen Grad an Komplexität gekennzeichnet sind. In den MINTWissenschaften werden dabei zunehmend computerbasierte Simulationen genutzt, um wissenschaftliche Erkenntnisse über komplexe Szenarien zu gewinnen oder um entsprechende Erkenntnisse angemessen in die Öffentlichkeit zu kommunizieren. Simulationen haben sich so neben Theorie und Experiment als drittes Standbein des wissenschaftlichen Erkenntniswegs etabliert. Vor diesem Hintergrund denkt das Projekt siMINT die fachübergreifende Förderung von Kompetenzen in der MINTBildung mit Simulationen weiter und integriert Modellierungskompetenz, Risikokompetenz und den Umgang mit Unsicherheit als drei zentrale und MINTübergreifende Kompetenzen. Im Vorhaben soll dafür ein MINTübergreifendes Verständnis von Simulationen, Modellkompetenz, Risikokompetenz und Umgang mit Unsicherheit formuliert sowie darauf aufbauend evidenzbasierte LehrLernkonzepte zur interdisziplinären Förderung dieser Kompetenzen aus den Perspektiven von Naturwissenschafts, Mathematik, und Informatikdidaktik entwickelt werden. Das Vorhaben zielt dabei darauf ab, fachübergreifende Standards und Leitlinien für Aufgabenformate zur Förderung von 21st Century Skills mit Simulationen in den MINTFächern zu definieren und zusammen mit Praxispartnern evidenzbasierte Good Practice Beispiele zu gestalten. Akteure der Schulpraxis (z.B. Lehrkräfte, Fachseminarleitungen), der Wissenschaft (z.B. fachwiss. Modellierer) und der Wirtschaft (z.B. Schulbuchverlage) sollen dabei im Sinne des CoDesign Prinzips partizipativ am Vorhaben beteiligt werden, z.B. bei der Identifikation geeigneter MINTKontexte, Entwicklung eines gemeinsamen MINTVerständnisses sowie der zyklischen Erprobung der LehrLernkonzepte. Im Teilprojekt siMINT-Risk wird die Förderung der Risikokompetenz durch Simulation adressiert. 

Weitere Informationen zu diesem und verwandten Forschungsprojekten finden Sie hier: www.bayesianreasoning.de

Typische Fehler bei Bayesianischen Aufgaben (Projektlaufzeit Oktober 2022 bis März 2025)

Projektleitung: Prof. Dr. Karin Binder, Prof. Dr. Andreas Eichler

Die Formel von Bayes ist ein zentrales Modell für die Einschätzung von Situationen unter Unsicherheit. Sie ist von fundamentaler Bedeutung in der Wahrscheinlichkeitstheorie und in vielen Professionen wie etwa der Medizin oder Rechtsprechung. Allerdings gibt es zahlreiche Befunde aus der Kognitionspsychologie und Mathematikdidaktik, die zeigen, dass Lernende wie auch Experten erhebliche Schwierigkeiten bei der Einschätzung Bayesianischer Situationen haben - damit sind Situationen gemeint, in denen die Formel von Bayes angewendet werden kann. Aufgrund der Bedeutung der adäquaten Einschätzung Bayesianischer Situationen gibt es zahlreiche empirische Arbeiten, die mögliche Einflüsse auf die Performanz von Versuchspersonen in Bayesianischen Situationen untersuchen. Performanzsteigernd hat sich dabei insbesondere das Format der statistischen Informationen in einer Bayesianischen Situation als "natürliche Häufigkeiten" ("80 von 100 Personen" statt Wahrscheinlichkeiten "80%") und die Visualisierung der statistischen Informationen erwiesen. Bisher sind Lösungsquoten in Abhängigkeit von der Hilfestellung berichtet worden und zwar 5% ohne Hilfestellung, 25% bei der Verwendung natürlicher Häufigkeiten und 60-75% bei umfassender Hilfestellung mittels einer Visualisierung in Verbindung mit natürlichen Häufigkeiten. Trotz aller Strategien zur Steigerung der Performanz in Bayesianischen Situationen bleibt in allen untersuchten Populationen eine hohe Quote an fehlerhaften Lösungen. Dennoch sind Studien, die Muster fehlerhafter Lösungen untersuchen, bislang sehr selten. Empirisch abgesicherte Erkenntnisse zu Fehlermustern sind jedoch zentral, da sie Bestandteil jedes Lernprozesses sind. Fehler sind zudem wichtig für die Steuerung des Lernens und für erfolgreiches Lernen. Sie sind schließlich für Lernende ein wirksamer Lernstoff im Sinne von "Fehlerwissen". Die wenigen Arbeiten zu Fehlern in Bayesianischen Situationen haben gezeigt, dass bei den Antworten von Versuchspersonen typische Fehlermuster unterschieden werden können. Allerdings haben sich in verschiedenen Studien zum Teil widersprüchliche Ergebnisse gezeigt, die durch unterschiedliche Kontexte in Bayesianischen Situationen, Formate der statistischen Information, Visualisierungen, oder Frageformate bedingt sein könnten. Daher ist das zentrale Anliegen des vorliegenden Projekts, das bestehende Wissen zu Fehlermustern in Bayesianischen Situationen zu systematisieren und zu erweitern. Dazu soll in Bayesianischen Situationen das Format statistischer Informationen (natürliche Häufigkeiten vs. Wahrscheinlichkeiten), die Art einer unterstützenden Visualisierung sowie das Format der Fragestellung erstmals systematisch variiert werden. Die Ergebnisse sollen einen Beitrag für das Verständnis des Konstrukts des Bayesianischen Denkens liefern, die über die reine Messung der Performanz von Versuchspersonen hinausgeht. 

Weitere Informationen zu diesem und verwandten Forschungsprojekten finden Sie hier: www.bayesianreasoning.de