TuN - Tutoren-Netzwerk Marburg
Austausch, Feedback- und Coachingmöglichkeiten oder Fortbildungen innerhalb von Peer-to-Peer Strukturen bieten für Tutor*innen, studentische Hilfskräfte und andere Studierende einen wichtigen Mehrwert in Bezug auf die Tätigkeit in der studentischen Lehre. Diese Angebote werden an der Philipps-Universität Marburg bislang nicht gebündelt und in zentral organisierten Strukturen und Settings umgesetzt. Um diese Aspekte aufzugreifen, ist Ziel des Projekts ein Tutor*innen-Netzwerk zu gründen. Netzwerkende bekommen die Gelegenheit sich innerhalb einer digitalen Netzwerk- und Kommunikationstruktur, mit Hilfe von Angeboten wie Peer-Feedback, -Coaching und Fortbildungen auf hochschuldidaktischer Ebene weiterzuentwickeln und damit stetig voneinander und miteinander zu lernen. Sie sind von Beginn an in einer aktiven Rolle und gestalten die Angebote und den Austausch mit. Die Teilhabe am und das Agieren im Netzwerk über die Fächergrenzen hinweg unterstützen maßgeblich die Kompetenzentwicklung Studierender und bereiten auf das Arbeiten in multiprofessionellen Teams der Berufswelt vor. Gleichzeitig tragen die Netzwerkenden die gewonnenen Erfahrungen und neues Wissen in die Fachbereiche der Universität und steigern somit den Wissenstransfer zwischen den Fachbereichen, der Synergien schafft und die Qualität der Lehre verbessert.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Core Practices im Lehramt: digitales Praxislernen
Lehramtsstudierende sollen professionelle Kompetenzen für das Unterrichten entwickeln. Im Studium wird der Kompetenzaufbau jedoch dadurch erschwert, dass das Wissen entlang der Wissenslogiken der einzelnen Disziplinen und Studienbereiche vermittelt wird (Fachwissenschaften, Fachdidaktiken, Bildungswissenschaften) und nicht entlang von Anforderungen des Lehrberufs. Mit dem Projekt CoPra wird ein Wahlpflichtmodul für Lehramtsstudierende an der Ruhr-Universität Bochum unter Einbezug von Studierenden entwickelt, in dem Lehramtsstudierende evidenzbasiertes Wissen zu sog. Core Practices also zu zentralen Lehrhandlungen in wiederkehrenden Unterrichtssituationen erlernen und den Wissenstransfer anhand realer Unterrichtsvideos einüben. Die Auswahl der für das Modul ausgearbeiteten Core Practices orientiert sich an studentischen Lernbedarfen. Das Modul folgt dem Prinzip des Inverse Blended Learning: Das Wissen zu den Core Practices wird in einer Online-Lernumgebung für den individuellen Wissenserwerb u. a. mit Lernvideos aufbereitet und in Präsenzphasen gemeinsam vertieft und anhand von Unterrichtsvideos eingeübt. Die Lernzielerreichung wird in der Online-Lernumgebung mit kompetenzorientierten Aufgaben überprüft, die in interaktive Unterrichtsvideos integriert werden. Die Online-Lernumgebung wird auch über das Modul hinaus mehreren tausend Lehramtsstudierenden zur Selbstnutzung zur Verfügung stehen (z. B. in Praktika), die modularen Inhalte werden zudem als OER disseminiert.
Projekt anzeigen
Förderung fachspezifischen Problemlösens (Physik)
Fast die Hälfte der Studierenden bricht das Physikstudium im Laufe der ersten vier Semester ab. Einer der Gründe ist die hohe Komplexität und Abstraktheit der Inhalte. Mit den Maßnahmen können die Studierenden das benötigte Fachwissen abhängig vom Vorwissen erlernen und so erfolgreicher Studieren. Die Materialien führen sie strukturiert durch den Erwerb fachspezifischer Problemlösefähigkeiten.
Maßnahme anzeigen
KI-unterstützte Programmierung mittels ergebniszentrierter Fehlerklassifikation. Potenziale zur Schaffung neuer Lernräume
Programmierkenntnisse gewinnen in technischen Studiengängen zunehmend an Bedeutung. Jedoch stehen in Programmierübungen häufig zu wenige Tutor:innen zur Verfügung, die die Studierenden beim Lösen der Programmieraufgaben unterstützen. Deshalb wird ein KI-System entwickelt, das die Studierenden jederzeit und individuell beim Lösen der Programmierübungen unterstützt. Im Gegensatz zu klassischen Ansätzen analysiert das KI-System nicht den programmierten Code, sondern fokussiert sich auf die Zwischen- und Endergebnisse (z. B. erzeugte Daten, Plots). Anhand dieser gibt das KI-System Hinweise und Erklärungen, um das selbstständige Arbeiten und kritische Denken ohne Musterlösung zu fördern. Ein erster Prototyp wurde im Rahmen einer Programmierübung eingesetzt und mit positiver Resonanz evaluiert.
Publikation anzeigen