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
Interdisziplinärer Industrie 4.0 Demonstrator
Industrie 4.0 hat sich als eines der beherrschenden Themen in verschiedenen Studiengängen an der FH Wedel entwickelt. In der Lehre wird diese Entwicklung zunehmend aufgegriffen und Industrie 4.0 Themen in verschiedene Veranstaltungen integriert. Die bis jetzt nach Veranstaltung und Studiengang isolierten Lehrinhalte sollen zusammengebracht werden und den Studierenden im Rahmen von Praxisvorlesungen, Labor- und Projektaufgaben zusätzlich zu den theoretischen Grundlagen einen praktischen Zugang zum Themenbereich Industrie 4.0 gewähren. Dazu möchten wir ein offenes Industrie 4.0 Labor im Stile eines Living Labs einrichten. Zentral ist dabei ein Industrie 4.0 Demonstrator. Der Demonstrator soll verschiedene Technologien implementieren, wie z.B. Sensorik, Mikroprozessortechnik, Netzwerk- und Cloudzugang. Auf Basis dieser Technologien lassen sich dann Industrie 4.0 Konzepte, wie z.B. digitaler Zwilling, cyber-physische Systeme oder Predictive Maintenance erfahren.
Projekt anzeigen
Die App StudiSQ als Lehr- und Lernwerkzeug
Gamification-Strategien können die Lernmotivation nachhaltig steigern. Um diesen positiven Effekt zu nutzen und unter Beachtung datenschutzrelevanter Aspekte in den Hochschulalltag zu integrieren, ist im Rahmen des sachsenweiten Verbundprojektes „Digitalisierung der Hochschulbildung in Sachsen (D2C2)“ die App StudiSQ entstanden, die diesen Ansatz nutzt, indem die App Lehrinhalte als Quiz vermittelt und Gamification-Elemente wie Ranglisten und Abzeichen zur Förderung der Motivation einsetzt. Entwickelt wurde die App durch Studierende im Rahmen des Masterstudiengangs „Medieninformatik und Interaktives Entertainment“ an der Hochschule Mittweida in Zusammenarbeit mit Lehrenden. Im Unterschied zu vergleichbaren auf dem Markt existierenden Apps können die Lehrenden und Studierenden beim Einsatz von StudiSQ sicher gehen, dass keine Daten aus dem Hochschulkontext nach außen gelangen.
Maßnahme anzeigen
Fostering Knowledge Facets of the TPACK Framework
To prepare pre-service teachers for the multiple requirements of their future math teaching within the digital age, they need to develop all facets of knowledge mentioned in the Technological Pedagogical Content Knowledge (TPACK) framework to enhance their digital competences. Research has shown that teachers learn to use technology by designing educational technologies for authentic use while activating and extending their knowledge regarding the interplay of technology, pedagogy, and content. In this study, 58 pre-service primary and secondary teachers from three German universities created and evaluated their own digital mathematical escape games (DIMEG) within a seminar. Since it has scarcely been researched how the design process of DIMEG addresses pre-service teachers’ technological, pedagogical and content knowledge, this study aims to investigate their subjectively reported learnings and challenges. For this, an online-based questionnaire with four open-ended items on their learnings and five open-ended items on the encountered challenges during the design process allowed them to reflect on their knowledge and skill development. All 471 answers were categorized by applying qualitative content analysis. Results indicate most learnings in the pre-service teachers’ pedagogical content knowledge (PCK), technological knowledge (TK), and technological pedagogical content knowledge (TPCK).
Publikation anzeigen