Digitale Mathematik-, Statistik- u. Physikaufgaben
Die Aufgaben sind durch Moodle und STACK umgesetzt und bieten zufallsbedingte Varianten, Feedback und automatische Auswertung. Dadurch können Studierende im Selbststudium unterstützt werden, also selbstän-dig eine Vielzahl von Übungsaufgaben bearbeiten und ihre Fertigkeiten und Kenntnisse prüfen. Zudem kön-nen Dozierende Online-Tests gestalten, um den Lernstand der Studierenden effizient zu prüfen.
Kategorien
Beschreibung
Herausforderung
Für viele Studierende in Ingenieurs- u. Informatikstudiengängen stellen Mathematik, Statistik und Physik eine Herausforderung dar. Zusätzlich zur Vorlesung sollten diese Studierenden deshalb regelmäßig üben, wozu sich jedoch nicht alle Studierende selbst motivieren können. Zudem werden Inhalte der Vorlesung oft nur gehört aber nicht wirklich in der erforderlichen Tiefe verstanden. Dozierende haben dabei leider zu wenig Ressourcen, um jedem einzelnen Studierenden regelmäßig ein Feedback zu geben
Herangehensweise
Um die Studierenden zu regelmäßigem Üben zu animieren, wurden digitale Aufgaben entwickelt, die die Studierenden in regelmäßigen Abständen bearbeiten müssen bzw. sollten. Durch erfolgreiches Bearbeiten der Aufgaben erhalten unsere Studierenden momentan einen Bonus zur Klausur – andere Motivationsanreize sind natürlich denkbar.
Nach der Bearbeitung der Aufgaben erhalten die Studierenden direkt ein automatisches Feedback. Damit können sie ihren Lern- bzw. Kenntnisstand selbst einschätzen und die Dozierenden erhalten einen effizienten Überblick über den Stand der Studierendengruppe.
Bei den Aufgaben handelt es sich größtenteils um Übungsaufgaben zum Erlernen und Trainieren der Rechenfertigkeiten, aber auch um Verständnisaufgaben zu den Lehrinhalten. Die Übungsaufgaben sind in verschieden zufallsabhängigen Varianten implementiert, so dass die Aufgaben sich einerseits zum mehrfachen Üben eignen und andererseits für Online-Tests eingesetzt werden können.
Zusammenhang
Die Aufgaben wurden im Rahmen des Teilprojekts „Digitale Übungsaufgaben mit individualisiertem Feedback“ seit dem Wintersemester 2022/23 in den Grundlagenvorlesungen in Mathematik, Statistik und Physik in allen Bachelorstudiengängen der Fakultät IT erprobt.
Voraussetzung
Unsere digitalen Aufgaben sind überwiegend* mit dem Plugin STACK umgesetzt, welches für die Lernplattformen Moodle und Ilias verfügbar ist. Daher ist der Einsatz einer dieser Lernplattformen Voraussetzung zur Nut-zung oder zur Entwicklung von STACK-Aufgaben.
Kenntnisse zur Implementierung von STACK-Aufgaben konnten sich anhand von STACK-Dokumentation angeeignet werden, z.B.
https://github.com/maths/moodle-qtype_stack/blob/master/doc/en/Developer/index.md
Für Aufgaben mit etwas komplizierterem Aufbau (z.B. graphische Elemente oder eine anspruchsvollere GUI) waren teilweise JSXGraph- und JavaScript-Kenntnisse hilfreich.
*Ein kleiner Teil unserer Aufgaben ist direkt mit den Moodle-Standard-Fragetypen umgesetzt.
Eignung
Es fanden mehrere Studierendenevaluationen zum Einsatz der digitalen Aufgaben statt. Neben Feedback zur Umsetzung, wurden unsere Konzepte von den Studierenden gelobt und als sinnvoll eingeschätzt.
Die Studierenden gaben an, besonders von den regelmäßig angesetzten Tests (fünf Tests mit je ca. sieben bis zwölf Aufgaben im Laufe eines Semesters) profitiert zu haben, da diese sie motiviert hatten, sich schon während des laufenden Semesters (und nicht erst kurz vor der Klausur) mit den Vorlesungsinhalten intensiver auseinander zu setzen. Außerdem schätzten sie die angebotenen unbewerteten Verständnis-Quizzes, mit welchen das Verständnis im Nachgang einer Lerneinheit geprüft werden kann. Sie gaben an, dass diese Quiz-zes ihnen Sicherheit gegeben haben.
Vorgehen/Schritte
Der Einsatz der digitalen Aufgaben kann sehr vielfältig sein. Folgende Szenarien wären beispielsweise vorstellbar:
1. Bereitstellung der Aufgaben als freiwillige Übungsaufgaben für die Studierenden.
2. Bündeln der Aufgaben zu mehreren bewerteten Tests während des Semesters, z.B. fünf Tests pro Semester. Diese Tests können auf unterschiedlichste Art und Weise angelegt werden, z.B.
… verpflichtend oder freiwillig,
… mit oder ohne Anreiz (z.B. Teil der Klausurleistung bzw. Klausurbonus bei erfolgreichen Tests),
… als verpflichtende Laborleistung oder Klausurvoraussetzung oder ohne jegliche Verpflichtung,
… Tests auf Zeit oder in „Heimarbeit“ in größerem zeitlichen Rahmen,
… Tests mit allen Hilfsmitteln oder eingeschränkten Hilfsmitteln.
3. Einsatz der Aufgaben innerhalb der Lehrveranstaltung zur interaktiven Beteiligung der Studierenden und Just-in-Time-Lernstands-Abfrage für die Dozierenden
4. Einsatz begleitend zu klassischen Vorlesungen oder im Rahmen von Inverted-Classroom-Lehrveranstaltung oder in digitalen Lernumgebungen, wie dem matlas aus Teilprojekt 1.
Hinweise
Effekte
Zur Anwendung der Aufgaben:
Aufgaben zur freiwilligen Bearbeitung werden nur von wenigen Studierenden genutzt. Daher sind Anreizsysteme oder Verbindlichkeiten sinnvoll.
Es ist zu beachten, dass die Aufgaben mittlerweile größtenteils relativ gut durch KI gelöst werden können. Wenn die Lösung der Aufgaben einen Beitrag zur Klausurleistung darstellen sollen, dann sollte die Verwendung von KI verhindert werden, z.B. durch Tests unter Aufsicht oder zumindest erschwert werden, z.B. durch ein Zeitlimit.
Zur Entwicklungsphase während der Projektlaufzeit:
Gute Mitarbeitende in den MINT-Fächern zu finden und auf einer befristeten Stelle (ggf. noch Teilzeit) zu halten, ist sehr schwer. Nicht besetzte Stellen verzögern dann natürlich den Projektfortschritt.
Learnings
* Ein frühzeitiges Feedback der Zielgruppe (Studierende) ist wichtig. Das Herunterbrechen des Projek-tes in viele kleine in sich abgeschlossene Einheiten erwies sich als sinnvoll, um frühzeitig erste Einheiten in der Praxis einzusetzen, zu evaluieren und Erkenntnisse in die Entwicklung weiterer Einhei-ten einfließen lassen zu können.
* Es ist schwer, gute oder auch nur geeignete Mitarbeitende in den MINT-Fächern zu finden.
* Die Mitarbeit von Studierenden erfordert viel Einarbeitungszeit und Koordinationsaufwand, bringt aber auch wertvolle Ideen und Sichtweisen mit ein.
* Es ist wichtiger, eine große Bandbreite an verschiedensten Aufgaben zu entwickeln, als die Möglichkeiten des differenzierten Feedbacks von STACK für potenzielle Fehlerfälle auszureizen (Rückmeldebäume nicht zu detailliert gestalten).
* Komplex gestaltete Aufgaben, z.B. mit JavaScript- oder JSXGraph-Elementen, sind problemanfällig bei Moodle-Updates.
Empfehlung
Die Stellen für die Teilprojekt-Mitarbeitenden sollten sehr frühzeitig ausgeschrieben werden.
Tipps
* sehr frühzeitige Stellenausschreibung nach Mitarbeitenden
* direkte Einbindung von Studierenden in das Projekt durch studentische Hilfskräfte, Studien- und Ab-schlussarbeiten
* regelmäßige Evaluation durch die Zielgruppe
* bei der Entwicklung der Aufgaben eine möglichst große Bandbreite an Aufgaben abdecken
* bei der Gestaltung einzelner Aufgaben durch Zufallskomponenten unterschiedliche Aufgabenvariante erzeugen, die nicht nur in den Zahlenwerten variieren, sondern auch im Typ der Aufgabe
Methoden
Empfohlen
Kontakt
Das könnte Sie auch interessieren
Leiborientierte Hochschullehre
Leiborientierte Hochschullehre in der Sozialen ArbeitZiel des Projektes ist es, Hochschullehre hinsichtlich einer Bildung für nachhaltige Entwicklung (UNESCO 2021) weiterzuentwickeln und dabei ein innovatives Lehr-Lern-Konzept zur Betonung leiblicher Aspekte einer BNE zu erarbeiten und zu evaluieren. Dabei sollen mehrere Übungsrepertoirs entwickelt werden, die es Hochschullehrenden niedrigschwellig erlauben, unter anderem eine leiborientierte Entwicklung von Gestaltungskompetenz (de Haan 2008) und Naturverbundenheit (in Anlehnung an Geng et al 2015) in ihren Lehrveranstaltungen zu realisieren auch in digitalen Formaten.Ausgangspunkt für den Fokus auf das leibliche Erleben in enger wechselseitiger Verbindung mit diskursiven Elementen zur Förderung von Reflexion und Transfer sind Theoriebezüge verschiedener Fachdiskurse, wie die Leibphänomenologie Mearleau-Pontys (1966) und darauf aufbauende Überlegungen, der Experiential Learning Cycle von Kolb und Kolb (2018) sowie verschiedene Lern- und Reflexionsmodelle aus der Erlebnispädagogik.In dem Projekt soll nicht nur eine konzeptionelle Fundierung von leiborientierter Hochschullehre im Sinne einer Bildung für nachhaltige Entwicklung erfolgen, sondern auch empirisch ausgelotet werden, unter welchen Bedingungen sich Studierende auf eine solche im Rahmen des Studiums der Sozialen Arbeit einlassen. In einem hierzu ausgerichteten Seminar wird das Projektthema zusätzlich gemeinsam mit Studierenden als Ideengeber:innen bearbeitet.
Projekt anzeigen
Fallstudienkurs Controlling Analytics Challenge
Studierende werden in die Programmiersprache R eingeführt und lernen anhand von Lernvideos und praktischen Übungen in einer Cloud-Umgebung Grundlagen und vertiefende Inhalte von Data Analytics mit Controlling-Bezug, etwa zur Regression oder Klassifikation. Die selbstständige Bearbeitung praxisnaher Fallstudien wird durch Online-Coachings begleitet. Ein entweder studentisches oder KI-gestütztes Peer Review ermöglicht den Studierenden eine Qualitätsverbesserung und simuliert zugleich den Begutachtungsprozess wissenschaftlicher Veröffentlichungen. Abschließend erstellen die Studierenden Präsentationen zu ihren Fallstudien und reichen diese als Video ein. Eine Jury aus Kursbetreuern und Unternehmensvertretern als Kooperationspartner wählen daraus die drei besten Teams aus, die in einer Abschlussveranstaltung in einem Wettbewerbsformat ihre Lösungen vorstellen und verteidigen. Die Jury zeichnet daraus unter Einbezug eines Studierenden-Votings die überzeugendste Lösung mit einem Preis aus.
Maßnahme anzeigen
Schmitz, Sigrid (2026): Es ist doch schon alles da! Gender in MINT & More.
Was hat Gender mit Biologie, Chemie, Mathematik, Informatik oder Physik zu tun? Antworten darauf gaben wir am 18. Dezember 2025 beim Wissenschaftstag #4Gender Studies mit unseren Lehrunterstützungen aus Gendering MINT didaktisch-digital bei einem Lunch Talk im „Netzwerk Gute Lehre“ in Kooperation mit dem bologna.lab der HU Berlin. In: GenderBlog, Zentrm für transdisziplinäre GeschlechterStudien, HU Berlin, 12.02.2026
Publikation anzeigen