Verknüpfung von maschinellem Lernen mit Next Generation Science Standards

Lei Liu

Managing Senior Research Scientist

11. Mai 2021

Die Next Generation Science Standards (NGSS)^® fordern multidimensionales Lernen, das die Integration wissenschaftlicher Praktiken mit dem konzeptionellen Verständnis von Kernideen betont, um die Schüler besser auf die heutige Welt vorzubereiten. Der wichtigste Aspekt bei der Umsetzung von NGSS im Klassenzimmer ist der Schwerpunkt auf multidimensionalem naturwissenschaftlichem Lernen und einer ansprechenden Lehrpraxis , die die Schüler unterstützt. Während die Schüler das tägliche Leben meistern, entwickeln sie auf natürliche Weise intuitives Wissen und Denkmuster, die ihr Lernen einschließlich des naturwissenschaftlichen Lernens prägen. Während Schüler diese Erfahrungen machen, ist es ebenso wichtig, dass Lehrkräfte in der Lage sind, die schriftlichen Antworten der Schüler, die durch diese Erfahrungen geprägt sind, zu interpretieren. Ein Ergebnis dieses Bedarfs ist eine kürzlich von der National Science Foundation geförderte Studie "Student Reasoning Patterns in Next Generation Science Standards Assessment" (SPIN-NGSS), die ich gemeinsam mit meinen ETS-Kollegen leite und automatisierte Werkzeuge entwickeln soll. Diese Werkzeuge sollen Lehrern helfen, Daten aus auf diese Standards abgestimmten Bewertungen zu interpretieren, um Denkmuster der Schüler aufzudecken und dabei bestimmte Schwächen im Denken der Schüler widerzuspiegeln.

Aufbauend auf dem, was die Studierenden in den Unterricht mitbringen

Schüler bringen vielfältige Ideen, Denkfähigkeiten und Lebenserfahrungen in den Unterricht ein. Wenn es darum geht, die Welt der Wissenschaft zu verstehen, könnten frühkindliche Erfahrungen dazu geführt haben, dass Kinder kausale Denkfähigkeiten entwickeln, die sie breit anwenden. Auf den alltäglichen Erfahrungen der Schüler aufzubauen, kann eine effektive Möglichkeit sein, bestehende Ideen und Denkstrategien auszubauen, die Kinder entwickelt haben. Die Denkmuster der Schüler spiegeln eine Vielfalt intuitiver Ideen wider und können als Sprungbrett zu einem anspruchsvollen wissenschaftlichen Verständnis betrachtet werden. Manchmal bringen Schüler jedoch Ideen in den Unterricht, die der Lehrer für ungenau hält, und werden später mit genauen Konzepten unterrichtet. Diese Ersatzstrategie kann dazu führen, dass Schüler Schulwissen auswendig lernen, aber auf ihre Missverständnisse zurückgreifen, wenn sie wissenschaftliche Phänomene erklären sollen.

Denkmuster der Schüler im naturwissenschaftlichen Lernen und Prüfungen der nächsten Generation

Die Forschung hat unterschiedliche "Argumentationsstile" von Wissenschaftlern identifiziert, die die drei vom NGSS geforderten Wissensdimensionen umfassen, nämlich: die disziplinären Kernideen (DCIs), wissenschaftliche und technische Praktiken (SEPs) und Crosscutting-Konzepte (CCCs). Es gibt weniger Dokumentation der Denkmuster der Schüler im multidimensionalen Lernen. Mit mehr NGSS-orientierten Bewertungen gibt es Möglichkeiten, zu charakteristischen Merkmalen des studentischen Denkens zu forschen.

Im Rahmen unseres Förderprojekts haben meine ETS-Kollegen und ich bestehende, NGSS-orientierte Bewertungsdaten verwendet, um typische Denkmuster der Schüler zu identifizieren. Zum Beispiel stellten wir bei der Erklärung eines naturwissenschaftlichen Konzepts fest, dass sich einige Schüler nur darauf konzentrierten, Beobachtungen und Daten zu beschreiben, während andere nur wissenschaftliche Prinzipien ohne Bezug auf Daten oder Beweise bereitstellten. Schließlich stellten wir fest, dass einige Schüler versuchten, sowohl Daten als auch wissenschaftliche Prinzipien in ihr Denken zu integrieren. Die Diagnose dieser Denkmuster ist hilfreich, um personalisiertes Feedback zu generieren, um Lücken im Denkvermögen der Schüler zu schließen. In naturwissenschaftlichen Klassen benötigen Lehrkräfte Hilfe, um Denkmuster der Schüler zu identifizieren.

Automatisierte Diagnose von Denkmustern der Schüler

Um Lehrkräften besser auf die Denkweisen der Schüler aufmerksam zu machen, hat unser Team Machine-Learning-Modelle entwickelt, um die Diagnose von Denkmustern der Schüler basierend auf Schlüsselmerkmalen der NGSS-Dimensionen zu automatisieren. Diese Modelle liefern sowohl ein Denkmuster-Label als auch Belege in den mit dem Muster assoziierten Schülerantworten. Im Rahmen dieses Prozesses kodierten Inhaltsexperten zunächst eine Reihe von Schülerantworten. Anschließend nutzten Experten für natürliche Sprachverarbeitung (NLP) die menschlichen Codes, um Computer zu trainieren und automatisierte Modelle zu entwickeln. Ein zweistufiger Klassifizierungsansatz wurde angewandt. Die Klassifikation der ersten Phase identifiziert Teile der Antworten, die mit den NGSS-Dimensionen zusammenhängen. Der zweite Klassifizierer klassifiziert automatisch ganze Antworten mit einem Denkmuster. Das Team validiert weiterhin unsere Modelle und entwickelt ein automatisiertes Feedback-Tool zur Unterstützung des multidimensionalen Lernens in naturwissenschaftlichen Klassen. SPIN-NGSS schließt die Lücke bei der Diagnose von Schülerdenkmustern, indem maschinelles Lernen mit NGSS-Lernen verknüpft wird. Die Produkte von SPIN-NGSS haben das Potenzial, den Einsatz von naturwissenschaftlichen Prüfungen durch Lehrkräfte zu verbessern, um das Lernen der Schüler durch individuelles und unmittelbares Feedback zu erleichtern.

Lei Liu ist Managing Senior Research Scientist bei ETS und Hauptverantwortlicher des SPIN-NGSS NSF-Stipendiums. Co-PIs des SPIN-NGSS-Förderprojekts sind Dante Cisterna (Associate Research Developer, ETS), Aoife Cahill (Managing Senior Research Scientist, ETS) und Matthew Johnson (Principal Research Director, ETS).

Sehen Sie sich das Video des Projektteams an, das ihre Erfolge hervorhebt und das auf der STEM for All Video Showcase 2021 gezeigt wird.

Dieses Material basiert auf Arbeiten, die von der National Science Foundation unter Grant #2000492 unterstützt werden. Alle Meinungen, Erkenntnisse, Schlussfolgerungen oder Empfehlungen, die in diesem Material geäußert werden, sind die der Autor(en) und spiegeln nicht notwendigerweise die Ansichten der National Science Foundation wider.