Kontrastierungen als effektive Lerngelegenheiten zur ... - IFVLL
Kontrastierungen als effektive Lerngelegenheiten zur ... - IFVLL
Kontrastierungen als effektive Lerngelegenheiten zur ... - IFVLL
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> <strong>Lerngelegenheiten</strong><br />
<strong>zur</strong> Vermittlung von Wissen über Repräsentationsformen<br />
am Beispiel des Graphen einer linearen Funktion<br />
von Diplom-Psychologin<br />
Anja Felbrich<br />
von der Fakultät V - Fachbereich Verkehrs- und Maschinensysteme<br />
der Technischen Universität Berlin<br />
<strong>zur</strong> Erlangung des akademischen Grades<br />
Doktor der Philosophie<br />
-Dr. phil.-<br />
genehmigte Dissertation<br />
Promotionsausschuss:<br />
Vorsitzender:<br />
Gutachter:<br />
Gutachter:<br />
Prof. Dr. Manfred Thüring<br />
Prof. Dr. Dietrich Manzey<br />
Prof. Dr. Elsbeth Stern<br />
Tag der wissenschaftlichen Aussprache: 12. Juli 2005<br />
Berlin 2005<br />
D83
DANKSAGUNG<br />
Diese Arbeit ist während meiner Tätigkeit im ENTERPRISE-Projekt am Max-Planck-Institut<br />
für Bildungsforschung in Berlin entstanden. Allen Mitgliedern des Forschungsbereiches<br />
Erziehungswissenschaften und Bildungssysteme, die mich in den <strong>zur</strong>ückliegenden Jahren<br />
unterstützt und ihre Expertise mit mir geteilt haben, gilt mein herzlicher Dank.<br />
Ganz besonders danke ich natürlich meiner Betreuerin Frau Prof. Dr. Elsbeth Stern, die stets<br />
für meine Vorstellungen und Ideen offen war. Ich danke für ihren fachkundigen Rat und die<br />
konstruktive Hilfestellung in den vergangenen Jahren. Ebenfalls danke ich meinem zweiten<br />
Gutachter, Herrn Prof. Dr. Dietrich Manzey, der sich kurzfristig bereit erklärt hat, diese<br />
Arbeit zu begutachten.<br />
Mein ganz besonderer Dank gilt meinen Mitstreitern im ENTERPRISE-Projekt: Dr. Ilonca<br />
Hardy und Michael Schneider, die mir zu jeder Zeit mit Rat <strong>zur</strong> Seite standen und mir stets<br />
äußerst konstruktive Rückmeldung zu meiner Arbeit gaben. Michael Schneider und Beate<br />
Stadelhofer haben essenziell zum Gelingen dieser Studie beigetragen, <strong>als</strong> Versuchsleiter oder<br />
bei der Erprobung des Trainings sowie der Erstellung des Materi<strong>als</strong>. Auch dafür meinen<br />
herzlichsten Dank! Für ihre kompetente und zuverlässige Unterstützung danke ich den vielen<br />
helfenden Händen, die diese Untersuchung ermöglicht haben – Barbara Diffendaffer, Rainer<br />
Roth, Henrietta Sokolova, Petra Haase, Manuela Meermann und Sylvia Weber.<br />
Ein ganz besonderes Dankeschön geht an Hella Beister und Mareike Kunter, die dazu<br />
beigetragen haben, dass ich mich am Max-Planck-Institut heimisch fühlen konnte. Mein<br />
tiefster Dank gilt jedoch Jochen, der mich in dieser entbehrungsreichen Zeit stets unterstützt,<br />
angefeuert und ertragen hat. Tausend Dank!<br />
i
EINLEITUNG<br />
Immer häufiger werden Graphen und Diagramme in den Medien, der Werbung und anderen<br />
Publikationen genutzt, um komplexe Informationen effizient und vermeintlich einfach zu<br />
präsentieren. Visual Literacy <strong>als</strong> die Fähigkeit visuelle Informationen, Beziehungen und Ideen<br />
in Diagrammen zu verstehen und zu kommunizieren, wird in unserer Informationsgesellschaft<br />
zu einer immer zentraleren Kompetenz, die neben dem Lese- und Zahlenverständnis und der<br />
Fähigkeit sich kompetent auszudrücken eine der grundlegenden Schlüsselkompetenzen<br />
darstellt (Zacks, Levy, Tversky, & Schiano, 2002). Dieses Verständnis von Visual Literacy<br />
<strong>als</strong> einer alltagsrelevanten Schlüsselkompetenz wird auch von der Konzeption der PISA-<br />
Erhebung 2000 gespiegelt, welche Aufgaben, die das Extrahieren von Informationen aus<br />
Diagrammen und Tabellen sowie die Interpretation von Graphen erforderten, in den Test <strong>zur</strong><br />
Lesekompetenz aufnahm (Artelt et al., 2001). Obwohl Graphen und Diagrammen immer<br />
allgegenwärtiger werden, weisen die Forschungsergebnisse zum Verständnis dieser<br />
Repräsentationsformen darauf hin, dass diese keinesfalls eine intuitiv verständliche Form der<br />
Informationsvermittlung darstellten, sondern häufig nur ungenügend verstanden und nicht<br />
effektiv genutzt werden.<br />
Demgegenüber steht die weit verbreitete Nutzung von Graphen und anderen Visualisierungen<br />
in der Wissenschaft. Eine Analyse von wissenschaftlichen Publikationen im Bereich der<br />
Ökologie zeigte, dass auf 10 Seiten durchschnittlich 14 Graphen gezeigt wurden (Roth,<br />
Bowen, & McGinn, 1999). Für die Physik konnte eine fast ebenso häufige Nutzung dieser<br />
Formen für die Übermittlung von Informationen, aber auch <strong>zur</strong> Argumentation gezeigt<br />
werden (Lemke, 1998). Der Gebrauch von Graphen und anderen Visualisierungen im Sinne<br />
von Repräsentations- und Analysewerkzeugen nimmt demnach eine zentrale Stellung in der<br />
Praxis von Wissenschaftlern ein.<br />
Sowohl die kognitive Psychologie <strong>als</strong> auch die Instruktionsforschung haben sich jedoch erst<br />
in den vergangenen zehn Jahren der Frage zugewandt, welches Wissen dazu nötig ist und wie<br />
dieses erworben werden kann. Die hier vorliegende Arbeit untersucht am Beispiel der<br />
Steigung des Graphen einer linearen Funktion einen methodischen Ansatz, wie dieses Wissen<br />
über Repräsentationsformen erworben werden kann.<br />
ii
Die Arbeit ist in einen theoretischen und einen empirischen Teil gegliedert. Im theoretischen<br />
Teil wird zunächst in die Thematik der Repräsentationsformen eingeführt (Kapitel 1). Es<br />
werden visuell-graphische bzw. visuell-räumliche Repräsentationsformen von anderen<br />
Repräsentationssystemen abgegrenzt und der Nutzen dieser Repräsentationsformen <strong>als</strong><br />
Werkzeug für Lernprozesse im Allgemeinen und des Graphen einer linearen Funktion im<br />
Speziellen dargelegt. In Kapitel 2 werden dazu zwei Theorien des Graphenverständnisses<br />
ausgeführt. In Kapitel 3 gebe ich einen ausführlichen Literaturüberblick über die Forschung<br />
zu den Kompetenzen und Defiziten bei der Interpretation und Konstruktion von Graphen<br />
sowie über Ansätze, die dieses Verständnis zu fördern scheinen. Auf der Basis dieser<br />
Erkenntnisse wird abgeleitet, wie Wissen über diese Repräsentationsform erworben werden<br />
sollte. In Kapitel 4 wird auf der Grundlage von psychologischen Theorien ausgearbeitet,<br />
warum <strong>Kontrastierungen</strong> eine wirksame Form des Lernens darstellen können. Insbesondere<br />
wird dabei auf die Befunde zum analogen Denken und den Einsatz von Analogien beim<br />
Lernen Bezug genommen werden. Kapitel 5 liefert eine Argumentation, warum sich die<br />
Methode der Trainingsexperimente gut eignet, um Fragestellungen der Lehr-Lernforschung<br />
zu beantworten. Zu diesem Zweck werden Trainingsexperimente von anderen experimentellen<br />
Designs sowie von Design- oder Teaching-Experimenten abgegrenzt.<br />
Der empirische Teil gliedert sich in drei Kapitel. Bezugnehmend auf die theoretischen<br />
Ausführungen werden im Kapitel 6 drei Arten der Kontrastierung entworfen, die das<br />
Potenzial haben, ein Verständnis der Steigung zu fördern. In Kapitel 7 wird die hier<br />
vorliegende Untersuchung im Hinblick auf ihr Design, die eingesetzten<br />
Untersuchungsinstrumente und die Konzeption des Trainings beschrieben. Die Ergebnisse der<br />
Studie werden in Kapitel 8 dargestellt. Sie zeigen, dass durch ein kurzes Training bereits<br />
Fünftklässler ein grundlegendes Verständnis der Steigung erwerben können. Weiterhin wird<br />
aufgezeigt werden, dass sich insbesondere eine strukturelle Kontrastierung eignet, um Wissen<br />
über die Steigung eines Graphen zu erwerben. Das Potenzial der untersuchten<br />
<strong>Kontrastierungen</strong>, dieses Verständnis des Graphen <strong>als</strong> einer Repräsentationsform zu fördern,<br />
wird abschließend in Kapitel 9 reflektiert.<br />
iii
iv<br />
Inhaltsverzeichnis<br />
1. Das Potenzial von Graphen <strong>als</strong> visuell-graphische Repräsentationsform ...... 1<br />
1.1 Visuell-graphische Repräsentationsformen........................................................ 2<br />
1.1.1 Begriffsabgrenzung und Kategorisierung von Repräsentationssystemen............... 2<br />
1.1.2 Kategorisierung von visuell-graphischen Repräsentationsformen ......................... 5<br />
1.2 Die Bedeutung von visuell-graphischen Repräsentationsformen für den<br />
Wissenserwerb ...................................................................................................... 7<br />
1.2.1 Die Nutzung von vorgegebenen visuellen Repräsentationen ................................ 8<br />
1.2.2 Die Nutzung von visuellen Repräsentationsformen <strong>als</strong> Werkzeug ...................... 11<br />
1.2.3 Einschränkungen der Wirksamkeit von Repräsentationen .................................. 17<br />
1.3 Der Graph einer linearen Funktion <strong>als</strong> Repräsentationsform ....................... 19<br />
1.4 Zusammenfassung .............................................................................................. 22<br />
2. Theoretische Ansätze zum Graphenverständnis ............................................. 23<br />
2.1 Schema-Theorie von Pinker .............................................................................. 24<br />
2.2 Das Structure-Mapping-Modell von Gattis ..................................................... 27<br />
2.3 Zusammenfassung .............................................................................................. 31<br />
3. Kompetenzen und Probleme beim Verständnis von Graphen ...................... 33<br />
3.1 Ablesen und Verständnis von Koordinaten ..................................................... 34<br />
3.2 Interpretation von Graphen mit höheren Anforderungen ............................ 37<br />
3.3 Die Konstruktion von Graphen ......................................................................... 41<br />
3.4 Einflussfaktoren auf die Interpretation und Konstruktion von Graphen..... 44<br />
3.5 Der Erwerb von Wissen über Graphen ............................................................ 46<br />
3.5.1 Der Einsatz von computerbasierten Lernumgebungen ........................................ 48<br />
3.5.2 Graphen <strong>als</strong> Werkzeuge <strong>zur</strong> Problemlösung......................................................... 49<br />
3.6 Zusammenfassung............................................................................................... 51<br />
4. <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit ............................................. 53<br />
4.1 <strong>Kontrastierungen</strong> <strong>als</strong> Variation von Unwesentlichem .................................... 54<br />
4.2 Lernen mit Kontrasten ...................................................................................... 55<br />
4.2.1 Sequenzierung von Aufgaben .............................................................................. 57<br />
4.2.2 Kontrastierende Fälle ........................................................................................... 58<br />
4.3 Analoges Enkodieren und Vergleichen <strong>zur</strong> Beschreibung des Prozesses<br />
des Lernens mit Kontrasten .............................................................................. 59<br />
4.3.1 Die Structure-Mapping-Theorie von Gentner....................................................... 60<br />
4.3.2 Analoges Enkodieren <strong>als</strong> Spezialfall analogen Denkens ..................................... 66<br />
4.3.3 Die Entwicklung des analogen Denkens .............................................................. 70<br />
4.3.4 Instruktionale Nutzung von Vergleichen und Analogien .................................... 72<br />
4.4 Zusammenfassung .............................................................................................. 77
4.5 Lernen mit verschiedenen Kontrasten: Möglichkeiten und<br />
Einschränkungen.................................................................................................77<br />
4.5.1 Kontrastierung innerhalb der Repräsentationsform (struktureller Kontrast) ........80<br />
4.5.2 Kontrastierung des repräsentierten Inhalts (inhaltlicher Kontrast) ......................81<br />
4.5.3 Simultane Kontrastierung des repräsentierten Inhalts und der Zuordnung der<br />
Variablen zu den Achsen (kombinierter Kontrast) ...............................................84<br />
5. Das Trainingsexperiment in der pädagogisch-psychologischen<br />
Lehr-Lernforschung ...........................................................................................87<br />
5.1 Experimentelle Versuchsdesigns .......................................................................87<br />
5.1.1 Dimensionen der Validität einer experimentellen Untersuchung .........................90<br />
5.1.2 Das Labor-Experiment .........................................................................................91<br />
5.1.3 Quasi-experimentelle Feldforschung ....................................................................92<br />
5.2 Das Trainingsexperiment ...................................................................................94<br />
5.2.1 Untersuchungsmethodische Argumente ...............................................................94<br />
5.2.2 Psychologisch-pädagogische Argumente .............................................................96<br />
5.3 Die Rolle der Kontrollgruppen ..........................................................................98<br />
5.4 Design-Experimente ...........................................................................................99<br />
5.4.1 Merkmale von Design-Experimenten .................................................................100<br />
5.4.2 Rolle von Design-Studien in Lehr-Lern-Forschung ...........................................101<br />
5.5 Die Rolle von Trainingsexperimenten in der Lehr-Lernforschung .............103<br />
6. Der Erwerb des Steigungsbegriffs mit Hilfe von drei spezifischen<br />
<strong>Kontrastierungen</strong> ..............................................................................................105<br />
6.1 Schlussfolgerungen aus den theoretischen Ausführungen ...........................105<br />
6.2 Fragestellung und Hypothesen ........................................................................107<br />
6.2.1 Ziel des Trainingsexperiments ...........................................................................107<br />
6.2.2 Fragestellung 1: Allgemeiner Effekt des Trainings ............................................107<br />
6.2.3 Fragestellung 2: Effekt der Kontrastierung ........................................................108<br />
6.2.4 Fragestellung 3: Effekt der speziellen Kontrastierung .......................................108<br />
7. Methode .............................................................................................................109<br />
7.1 Methodische Vorüberlegungen .......................................................................109<br />
7.1.1 Wahl der Altersgruppe ........................................................................................109<br />
7.1.2 Wahl der Trainingsinhalte ..................................................................................110<br />
7.1.3 Wahl der abhängigen Variablen .........................................................................112<br />
7.2 Design der experimentellen Studie ..................................................................116<br />
7.3 Abhängige Variablen: Design und Operationalisierung ...............................117<br />
7.3.1 Interpretation von Graphen im Trainingskontext (Nahtransfer) .........................118<br />
7.3.2 Interpretation der Steigung in neuen Kontexten .................................................120<br />
7.3.3 Erschließen von neuen Bedeutungen der Steigung ............................................123<br />
7.3.4 Kontrollvariable: Leistungstests zum Proportionalen Denken ...........................124<br />
7.3.5 Kontrolltest zum Verständnis des Trainings ......................................................125<br />
7.4 Versuchsablauf .................................................................................................126<br />
v
7.5 Versuchsteilnehmer ......................................................................................... 128<br />
7.5.1 Die Trainingsstichprobe ..................................................................................... 128<br />
7.5.2 Die Baseline-Gruppe .......................................................................................... 128<br />
7.6 Das Training ..................................................................................................... 129<br />
7.6.1 Trainingsrationale .............................................................................................. 129<br />
7.6.2 Vorstudien <strong>zur</strong> Entwicklung des Trainings ........................................................ 131<br />
7.6.3 Aufbau des Trainings ......................................................................................... 132<br />
8. Ergebnisse ......................................................................................................... 139<br />
8.1 Beschreibung der Skalen ................................................................................. 142<br />
8.1.1 Graphinterpretation im Geschwindigkeitskontext (Nahtransfer) ....................... 140<br />
8.1.2 Interpretation von Graphen in Transferkontexten (mit konventioneller und<br />
nicht-konventioneller Achsenzuordnung) .......................................................... 141<br />
8.1.3 Erklären und Erschließen von neuen Bedeutungen der Steigung ...................... 145<br />
8.1.4 Kontrolltest der Trainingsinhalte für den Basis- und Kontrastteil des<br />
Trainings ............................................................................................................ 147<br />
8.1.5 Proportionales Denken ....................................................................................... 147<br />
8.2 Voranalysen <strong>zur</strong> Vergleichbarkeit der Stichproben ..................................... 147<br />
8.2.1 Test der Gleichverteilung der Lernvoraussetzungen für die Trainingsgruppen<br />
und die Baseline-Gruppe ...................................................................... 148<br />
8.2.2 Test der Gleichverteilung der Lernvoraussetzungen für die vier<br />
experimentellen Bedingungen ............................................................................ 153<br />
8.2.3 Kontrollanalysen zum Verständnis der beiden Trainingsteile (Manipulationscheck)<br />
................................................................................................................ 153<br />
8.3 Analyse der abhängigen Variablen ................................................................ 155<br />
8.3.1 Effekte des Trainings ......................................................................................... 157<br />
8.3.2 Effekte der Trainingsbedingungen (<strong>Kontrastierungen</strong>) ..................................... 164<br />
8.3.3 Aufgaben zum Erklären bzw. Erschließen von neuen Bedeutungen<br />
der Steigung ....................................................................................................... 183<br />
8.4 Zusammenfassung der Ergebnisse ................................................................. 190<br />
9. Diskussion ......................................................................................................... 195<br />
9.1 Interpretation der Ergebnisse ......................................................................... 195<br />
9.1.1 Das Training ....................................................................................................... 195<br />
9.1.2 Die Kontraste ..................................................................................................... 197<br />
9.1.3 Variation der repräsentierten Inhalte vs. Variation innerhalb der<br />
Repräsentationsform .......................................................................................... 201<br />
9.1.4 Optimierungsmöglichkeiten für das Training und mögliche Folgestudien ....... 203<br />
9.2 Lernen von und mit anspruchsvollen Repräsentationsformen ................... 204<br />
9.3 Der Einsatz von verschiedenen Kontrasten beim Lernen ............................ 206<br />
Literaturverzeichnis ........................................................................................................... 208<br />
vi
Anhang ...........................................................................................................................230<br />
Anhang I Trainingsmaterial .................................................................................231<br />
Anhang II Testmaterial ..........................................................................................235<br />
II–1 Test zum Proportionalen Denken ...........................................................235<br />
II–2 Nahtransfertest und Misskonzepte ..........................................................237<br />
II–3 Ferntransfertest .......................................................................................243<br />
II–4 Kontrolltests ...........................................................................................253<br />
II–5 Aufgaben zum Erschließen des Steigungsmappings ..............................259<br />
Anhang III Skalenanalysen ......................................................................................263<br />
Anhang IV Voranalysen <strong>zur</strong> Vergleichbarkeit der Stichproben .........................274<br />
IV-I Trainingsgruppen im Vergleich <strong>zur</strong> Baseline-Gruppe ............................274<br />
IV-II Vergleich der Trainingsgruppen untereinander ......................................278<br />
IV-III Kontrollanalyse zum Verständnis der Trainingsteile .............................279<br />
Anhang V Analyse der abhängigen Variablen (Nahtransfer) ............................283<br />
Anhang VI Analyse der abhängigen Variablen (Ferntransfer) ...........................293<br />
VI-I Ferntransfer: Multiple-Choice mit konventionellem Mapping<br />
(Faktor 1) ...............................................................................................293<br />
VI-II Ferntransfer: Multiple-Choice mit konventionellem und<br />
nichtkonventionellem Mapping (Faktor 1 + 3) ......................................297<br />
VI-III Ferntransfer: Offene Aufgaben (Faktor 2) .............................................301<br />
VI-IV Explorative Analysen zum Vergleich der Aufgabenformate .................308<br />
Anhang VII Analyse der abhängigen Variablen (Erschließen) ..............................313<br />
Anhang VIII Mittelwerte und Standardabweichungen............................................321<br />
vii
viii
Kapitel 1 - Das Potenzial von Graphen<br />
1. Das Potenzial von Graphen <strong>als</strong> visuell-graphische Repräsentationsform<br />
Die wissenschaftliche Grundlagenforschung in den verschiedensten Fachgebieten wie der Linguistik,<br />
der Computational Sciences, der Architektur und der kognitionspsychologisch orientierten, aber auch<br />
der angewandten Psychologie, hat sich in den vergangenen 20 Jahren verstärkt dem Verständnis von<br />
visuellen Repräsentationsformen zugewandt, einerseits weil sich davon Erkenntnisse über die<br />
menschliche Informationsverarbeitung, aber auch für die intelligente und effiziente Nutzung solcher<br />
Formen für den Wissenserwerb und die Lösung von Anwendungsproblemen versprochen werden.<br />
Dieses breite Interesse verschiedenster Wissenschaftstraditionen deutet bereits darauf hin, dass visuellgraphische<br />
Darstellungsformen weitere wichtige Funktionen besitzen, die eine Kenntnis dieser<br />
Repräsentationssysteme grundlegend erscheinen lassen.<br />
So werden Graphen und Diagramme häufig <strong>als</strong> Analysewerkzeuge eingesetzt und dienen somit der<br />
Schaffung und Kreation neuen Wissens. Diesem Verständnis von Graphen <strong>als</strong> einem Analysewerkzeug<br />
ist jedoch das Verständnis der Repräsentationsform selbst sowie ein kompetenter Umgang mit<br />
dieser in verschiedenen Anwendungsbereichen vorgeschaltet. Die Ergebnisse der dritten TIMS-Studie<br />
(Baumert, Bos, & Lehmann, 2000) deuten jedoch darauf hin, dass gerade dieses Verständnis des<br />
Graphen <strong>als</strong> Repräsentationswerkzeug bei deutschen Sekundarstufenschülern am Ende ihrer Schulzeit<br />
nur un<strong>zur</strong>eichend ausgeprägt ist:<br />
Die Beschleunigung eines sich geradlinig bewegenden Objektes kann bestimmt werden<br />
aus:<br />
a) der Steigung des Weg-Zeit-Graphen.<br />
b) der Fläche unter dem Weg-Zeit-Graphen.<br />
c) der Steigung des Geschwindigkeits-Zeit-Graphen.<br />
d) der Fläche unter dem Geschwindigkeits-Zeit-Graphen.<br />
Abbildung 1-1: Aufgabe der TIMS-Studie (Baumert et al., 1999).<br />
Die an dieser Studie teilnehmenden Schüler von Abschlussklassen wurden gefragt, an welchem<br />
Merkmal einer graphischen Darstellung sich die Beschleunigung eines Objektes ablesen lässt (siehe<br />
Abbildung 1-1). Schüler mit einem Grundkurs in Mathematik konnten diese Frage nur mit einer<br />
Wahrscheinlichkeit von 44% richtig beantworten, im internationalen Durchschnitt lag die Lösungswahrscheinlichkeit<br />
bei 65%. Selbst Schüler mit Leistungskurs in Mathematik schnitten nicht wesentlich<br />
besser <strong>als</strong> ihre Mitschüler ab und wählten mit einer Wahrscheinlichkeit von gerade einmal 50%<br />
die richtige Antwortalternative C. Stattdessen wird Antwort A am häufigsten gewählt (Baumert et al.,<br />
1999). Obwohl nicht explizit getestet, kann angenommen werden, dass den Schülern sowohl die<br />
Formel <strong>zur</strong> Berechnung der Beschleunigung <strong>als</strong> auch die mathematische Modellierung der Steigung<br />
aus dem Unterricht zumindest bekannt ist. Dieses Beispiel zeigt, dass der Transfer des mathematischen<br />
Wissens auf einen physikalischen oder anderen naturwissenschaftlichen Kontext häufig nicht<br />
1
Kapitel 1 - Das Potenzial von Graphen<br />
geleistet werden kann, was Lehrer dieser Fächer ebenfalls häufig beklagen. Es scheint, dass die<br />
Schüler kein Wissen über Graphen <strong>als</strong> Repräsentationsformen <strong>zur</strong> Darstellung und Analyse von<br />
inhaltlichen im Gegensatz zu rein mathematisch formulierten Beziehungen erworben haben. Ein<br />
weiteres Itembeispiel der TIMS-Studie zeigt, dass nicht nur die Interpretation sondern auch der aktive<br />
Gebrauch von Repräsentationen <strong>zur</strong> Darstellung inhaltlicher Beziehungen bei deutschen Schülern<br />
un<strong>zur</strong>eichend ist. So konnten nur knapp 19% der Schüler einen Graphen in das Koordinatensystem<br />
einzeichnen, der die Beziehung zwischen dem Alter einer Person und deren Körpergröße für die<br />
Zeitspanne von seiner Geburt bis zu einem Alter von 30 Jahren abbildet. Für Gymnasiasten lag die<br />
Lösungswahrscheinlichkeit bei nur 41%. Wiederum scheint es unplausibel, dass fehlendes inhaltliches<br />
Wissen über die darzustellende Beziehung ursächlich für diese Defizite ist. Stattdessen kann vermutet<br />
werden, dass mangelndes Wissen über Graphen <strong>als</strong> Repräsentationsform und die Prinzipien der<br />
Repräsentation eine Rolle spielen.<br />
In diesem Kapitel soll zunächst geklärt werden, wie visuell-graphische Repräsentationsformen von<br />
anderen Formen abgegrenzt und weiterhin kategorisiert werden können. In einem weiteren Abschnitt<br />
werden Nutzen und Funktionen dieser Repräsentationsformen für den Wissenserwerb und die<br />
Kommunikation von Informationen herausgearbeitet, wobei zwischen einer Interpretation von<br />
vorgegebenen Formen und einer aktiven Nutzung im Sinne des Repräsentierens unterschieden wird.<br />
Abschließend wird der Graph einer linearen Funktion <strong>als</strong> eine solche Repräsentationsform mit ihren<br />
Möglichkeiten und Einschränkungen für die Darstellung von inhaltlichen Beziehungen betrachtet.<br />
1.1 Visuell-graphische Repräsentationsformen<br />
Verschiedene Autoren haben versucht, die verschiedenen Arten und Weisen, welche wir benutzen, um<br />
unseren Gedanken Ausdruck zu verleihen, zu ordnen und zu klassifizieren (z. B. Bertin, 1983; Lohse,<br />
Biolisi, Walker, & Rueter, 1994; Narayanan, 1997). An dieser Stelle werden ausgewählte Klassifikationen<br />
dargestellt, die dazu herangezogen werden können, die Eigenschaften des Graphen einer linearen<br />
Funktion zu beleuchten. Einen Überblick über weitere Klassifikationen und Taxonomien sowie eine<br />
umfassende Meta-Taxonomie gibt Blackwell (2002).<br />
1.1.1 Begriffsabgrenzung und Kategorisierung von Repräsentationssystemen<br />
Neben der gesprochenen Sprache, mathematischen Formeln, dem Alphabet oder anderen Notationssystemen<br />
(wie beispielsweise Noten) stellen Graphen visuell-räumliche Zeichen- oder Repräsentationssysteme<br />
dar, die genutzt werden können um Sachverhalte zu bezeichnen. So nennt Bertin visuellräumliche<br />
Repräsentationen eine „Sprache für die Augen“ mit dem Zweck Informationen zu speichern,<br />
zu verstehen und zu kommunizieren (Bertin, 1983). Alle Repräsentationssysteme beruhen auf<br />
einem gemeinsamen Prinzip: Ein Objekt, eine Tätigkeit oder ein abstrakter Sachverhalt, das Bezeichnete,<br />
wird durch ein Symbol, das Bezeichnende, bezeichnet und damit „re-präsentiert“. Diese Systeme<br />
unterscheidet Bertin einerseits nach ihrer perzeptuellen Struktur in visuelle und auditive Systeme und<br />
2
Kapitel 1 - Das Potenzial von Graphen<br />
andererseits nach der Art der Beziehung zwischen Symbol und Bezeichnetem in mono-, poly- und<br />
pansemische Zeichensysteme.<br />
Monosemisch bezeichnet den Umstand, dass im Fall von Graphiken die Beziehung zwischen Zeichen<br />
und Bezeichnetem eindeutig ist und dem Nutzer vor der Betrachtung bekannt sein muss. Bei einem<br />
monosemischen System können verschiedene Benutzer demnach unter Beachtung der Bezeichnungsregeln,<br />
die im Weiteren <strong>als</strong> Mappings bzw. Mappingregeln bezeichnet werden, prinzipiell zu identischen<br />
Informationen gelangen. Bei polysemischen Systemen dagegen ist die Mappingbeziehung<br />
zwischen Zeichen und Bezeichnetem nicht eindeutig definiert, sondern ist Gegenstand der Interpretationsfreiheit<br />
des Betrachtenden. Die menschliche Sprache stellt ein solches polysemisches System dar,<br />
wobei hier die Nutzung von Wörtern oder Lautverbindungen <strong>zur</strong> Bezeichnung von Dingen und nicht<br />
die Nutzung von Buchstaben <strong>zur</strong> Darstellung von konkreten Lauten gemeint ist. Letzteres stellt<br />
wiederum ein monosemisches System dar, da hier feste Regeln des Mappings existieren. Als Steigerungsform<br />
dieser Systeme definiert Bertin pansemische Systeme, bei denen nicht einmal mehr<br />
bestimmte Bedeutungen nahe liegen müssen. Stattdessen kann alles durch alles bezeichnet werden,<br />
wie beispielsweise in der modernen Kunst.<br />
Bezüglich der zweiten Eigenschaft von Repräsentationssystemen, der perzeptuellen Struktur, können<br />
verschiedene fundamentale Eigenschaften von Zeichensystemen aus der Art ihrer angenommenen<br />
kognitiven Verarbeitung abgeleitet werden. Auditive Systeme, zu denen nach Bertin auch die<br />
geschriebene Sprache, mathematische Symbole und Musik zählen, sind linear und sequenziell<br />
organisiert, d. h. es kann jeweils nur ein Symbol, Laut oder Zeichen zu einem konkreten Zeitpunkt<br />
aufgenommen werden. Auch die jeweils verschriftlichte Version von Sprache und Musik werden <strong>als</strong><br />
auditive Systeme bezeichnet, da sie ebenfalls nur linear verarbeitet werden, obgleich wir diese Zeichen<br />
mit Hilfe unseres visuellen Wahrnehmungsapparates wahrnehmen. Die Verarbeitung von Informationen<br />
aus visuellen Zeichensystemen dagegen findet instanziell und gleichzeitig bzw. parallel statt.<br />
Darüber hinaus stehen in visuellen Systemen drei sensorische Variablen <strong>zur</strong> Verfügung, die <strong>zur</strong><br />
Kodierung von Bedeutung genutzt werden können: Die zwei räumlichen Dimensionen und die<br />
mannigfaltige Variation der eingesetzten Zeichen (Dicke, Größe, Farbe, Muster etc.). Dem auditiven<br />
Repräsentationssystem dagegen stehen nur zwei sensorische Variablen <strong>zur</strong> Verfügung: das Symbol<br />
bzw. das Geräusch selbst und der Verlauf dessen über die Zeit. Nach dieser Klassifikation stellen<br />
Graphiken und Diagramme ein visuell-monosemisches Zeichensystem dar, da ihre Informationsverarbeitung<br />
nicht streng sequenziell verläuft und die Mappingbeziehungen zwischen Symbol und<br />
Bezeichnetem per Konvention definiert sind.<br />
Einerseits spezifiziert diese Klassifikation fundamentale Merkmale <strong>zur</strong> Charakterisierung und<br />
Unterscheidung von Zeichensystemen, andererseits ist sie in ihrer Anwendung auf den Umgang mit<br />
diesen Formen in einigen Punkten zu kritisieren. So kann auf der Grundlage von Befunden zum<br />
Verständnis von Graphiken (siehe Kapitel 3) angezweifelt werden, dass alle Betrachter immer zum<br />
selben Ableseergebnis kommen, dass dieses Zeichensystem <strong>als</strong>o tatsächlich monosemisch mit einer<br />
3
Kapitel 1 - Das Potenzial von Graphen<br />
objektiven, festen Mappingbeziehung zwischen Zeichen und Bezeichnetem ist. Stattdessen scheint der<br />
Einfluss des Interpretierenden und der Kontext der Interpretation weitaus größer zu sein, <strong>als</strong> von<br />
Bertin angenommen (z. B. Winn, 1994). Des Weiteren muss die Gleichzeitigkeit der Wahrnehmung<br />
bei visuellen Zeichensystemen eingeschränkt werden, da Studien mit Blickbewegungsmessungen bei<br />
der Interpretation von Graphen Hinweise auf ausgeprägte Suchprozesse geben (Carpenter & Shah,<br />
1998).<br />
Während Bertin <strong>zur</strong> Beschreibung von Repräsentationssystemen die Art der Verarbeitung und die<br />
Eindeutigkeit der Mappingbeziehung zwischen Bezeichnetem und Symbol <strong>zur</strong> Beschreibung<br />
heranzieht, unterscheidet Karmilloff-Smith (1996) Repräsentationssysteme streng nach dem beteiligten<br />
kognitiven Verarbeitungssystem einerseits in notierbare Darstellungen, wie mathematische<br />
Zeichen, Buchstaben und Noten, Karten, die unter Beteiligung des visuellen Systems verarbeitet<br />
werden, und andererseits in nicht notierbare Repräsentationen, welche im auditiven System verarbeitet<br />
werden, wie beispielsweise Sprache. Schnotz (2001) dagegen limitiert seine Analyse von vornherein<br />
auf die im visuellen Wahrnehmungskanal verarbeiteten Repräsentationssysteme und unterscheidet<br />
Repräsentationen nur nach der Art der Beziehung zwischen Bezeichnetem und Bezeichnenden in<br />
deskriptionale und depiktionale Repräsentationen. Während deskriptionalen Repräsentationsformen<br />
wie mathematischen Symbolen oder Buchstaben eine willkürliche und arbiträre Beziehung zwischen<br />
Bezeichnetem und dem verwendeten Symbol per Konvention zu Grunde liegt, besitzen depiktionale<br />
Repräsentationssysteme strukturelle Eigenschaften, die mit bestimmten Strukturmerkmalen des<br />
Beschriebenen übereinstimmen.<br />
So kann eine deskriptionale Beschreibung eines Gegenstandes und seiner Teile in Form eines Textes<br />
gewisse Ordnungsbeziehungen unspezifiziert lassen, wie z. B. an welcher Stelle bestimmte Teile<br />
angebracht sind. In einer depiktionalen Beschreibung durch ein wie immer geartetes Bild oder eine<br />
schematische Darstellung dagegen muss diese Beziehung spezifiziert werden, wodurch eine grundlegende<br />
strukturelle Eigenschaft des Gegenstandes expliziert wird und somit bewahrt bleibt. Im<br />
Gegensatz zu Bertins Klassifikation in mono- und polysemische Zeichensysteme, liegt der Schnotzschen<br />
Klassifikation demnach nicht die Definiertheit bzw. Variabilität der Mappingbeziehung<br />
(willkürlich vs. fest) zu Grunde, sondern der Erhalt von strukturellen Eigenschaften des Repräsentierten<br />
in der Repräsentation. Insbesondere diese Eigenschaft des Strukturerhalts und die damit verbundene<br />
geringere Expressivität, d. h. Variabilität und Freiheit in der inhaltlichen Deutung der benutzten<br />
Zeichen, visuell-graphischer Repräsentationen im Vergleich zu textbasierten Repräsentationen,<br />
begründen den Vorteil dieser Repräsentationsformen (Stenning & Oberlander, 1995).<br />
Weiterhin lässt sich die Vielzahl visuell-depiktionaler Repräsentationsformen nach der Anzahl der<br />
dabei beanspruchten räumlichen Dimensionen unterteilen in visuell-räumliche Repräsentationen, die<br />
den dreidimensionalen Raum nutzen und visuell-graphische Formen, die nur den graphischen,<br />
zweidimensionalen Raum nutzen. Zur ersten Gruppe gehören alle Formen von konkreten Modellen<br />
wie beispielsweise das Brüsseler Atomium <strong>als</strong> Modell eines Atoms, die Balkenwaage oder die<br />
4
Kapitel 1 - Das Potenzial von Graphen<br />
„Winch“, eine auf Piaget <strong>zur</strong>ückgehende Form der Veranschaulichung von linearen Funktionen. Zur<br />
Gruppe der visuell-graphischen Repräsentationsformen dagegen lassen sich sowohl Graphen,<br />
Diagramme und Tabellen, wie auch Karten und logische Bilder zählen. Während die letzteren beiden<br />
Formen und ihr Einsatz zum Wissenserwerb in den letzten zwei Jahrzehnten intensiv beforscht<br />
wurden, existieren deutlich weniger Arbeiten zu den dreidimensionalen Repräsentationsformen.<br />
Sowohl Bertins Unterteilung in auditive und visuelle bzw. sequenziell und gleichzeitig verarbeitete<br />
Repräsentationen sowie die Unterscheidung in deskriptionale und depiktionale Repräsentationen von<br />
Schnotz erinnern an die Art der Beschreibung der angenommenen internen Repräsentationen von<br />
Wissen in der Kognitionspsychologie. Während die mentale Repräsentation von Wissen lange Zeit vor<br />
allem mit Hilfe von propositionalen Repräsentationen beschrieben wurde, bei denen äußerliche<br />
Gegebenheit mit Hilfe einer unbestimmten mentalen Sprache oder Symbolen im Sinne von deskriptionalen<br />
Repräsentationsformen gespeichert werden, werden mittlerweile auch depiktionale Formen der<br />
mentalen Repräsentation in Form von Vorstellungen, Mentalen Images oder Mentalen Modellen<br />
akzeptiert (Carpenter & Shah, 1998; Gentner, 2002; Johnson-Laird, 1983; Kosslyn, 1994). Befunde<br />
der Hirnforschung deuten darauf hin, dass beide Formen der mentalen Repräsentation vorkommen und<br />
in unterschiedlichen Gebieten des Gehirns repräsentiert und verarbeitet werden (Kosslyn, 1989).<br />
Allerdings konnte für die Verarbeitung von visuellen Darstellungen, wie Graphen und Bildern, keine<br />
ausschließlich parallele Informationsverarbeitung nachgewiesen werden. Stattdessen haben Blickbewegungsstudien<br />
gezeigt, dass die Verarbeitung von Graphiken ebenso wie bei textbasierten Repräsentationen<br />
durch einen rekursiven Prozess der Verarbeitung und Bedeutungskonstruktion beschrieben<br />
werden kann (Bertin, 1983).<br />
1.1.2 Kategorisierung von visuell-graphischen Repräsentationsformen<br />
Um zu klären, was in dieser Arbeit unter einem Graphen verstanden wird und was diesen von einem<br />
Diagramm unterscheidet, werden im Folgenden die Klassifikationen von visuell-graphischen<br />
Repräsentationen von Kosslyn, Bertin und Schnotz vorgestellt.<br />
Kosslyn (1989) unterscheidet die vier Formen visuell-graphischer Repräsentationen: Graphs, Charts,<br />
Diagrams und Maps 1 . Der Begriff Graph in dieser Klassifikation stellt dabei einen Sammelbegriff für<br />
verschiedene Graphenformen dar, die jeweils eine Skalierung besitzen und bei denen größere<br />
Quantitäten mit einer größeren räumlichen Ausprägung dargestellt werden. Dies trifft sowohl auf<br />
Balken- und Linien- aber auch auf Tortendiagramme zu. Charts dagegen beschreiben nach Kosslyn<br />
die interne Struktur bestimmter diskreter Entitäten, wie beispielsweise in einem Flussdiagramm (z. B.<br />
schematische Darstellungen von Abläufen im Arbeitsgedächtnis).<br />
1 Es werden hier die englischen Begrifflichkeiten beibehalten, da den entsprechenden Begriffen in der deutschen<br />
Sprache eine andere Bedeutung zugeordnet wird. So stellt der Begriff Diagramm im deutschen Sprachgebrauch<br />
einen Oberbegriff für Graphen, Säulen- und Tortendiagramme dar, wobei die letzten beiden Begriffe<br />
anders <strong>als</strong> bei Kosslyn im Deutschen nicht <strong>als</strong> Graphen bezeichnet werden.<br />
5
Kapitel 1 - Das Potenzial von Graphen<br />
Im Vergleich dazu sind Diagrams schematische Abbildungen von Dingen, die zum einen symbolischer<br />
und zum anderen weniger abstrakt <strong>als</strong> Charts gehalten sind, wie schematische Darstellungen von<br />
Maschinen, Muskeln oder Ähnlichem. Maps korrespondieren dagegen in nicht-willkürlicher Weise<br />
mit dem Dargestellten. Während die Beziehung zwischen Symbol und Bezeichnetem sowohl bei<br />
Graphs <strong>als</strong> auch bei Charts vor allem auf Konventionen beruht, besitzen Diagrams und Maps eine<br />
natürlichere Symbolik.<br />
Während Kosslyn somit eine Klassifikation nach der Willkürlichkeit der Abbildungsbeziehungen<br />
vornimmt, die unterschiedlich abstrakt oder aber qualitativ bzw. quantitativ ausgeprägt sein kann,<br />
nimmt Bertin (1983) eine eher funktionalistische Klassifikation vor. Dabei werden visuell- graphische<br />
Repräsentationen danach geordnet, auf welche Weise mit Hilfe der Repräsentation Korrespondenzen<br />
zwischen den dargestellten Variablen und ihren Ausprägungen hergestellt werden können. So bieten<br />
Diagrams die Möglichkeit, zwischen allen Werten einer Variable und allen Ausprägungen einer<br />
zweiten Variable Beziehungen herzustellen, wie es z. B. im Kartesischen Koordinatensystem möglich<br />
ist. Networks dagegen erlauben es, zwischen den Werten ein und derselben Variable Korrespondenzen<br />
aufzuzeigen, was in einem Koordinatensystem nicht möglich ist (z. B. alle möglichen Paarungen von<br />
sechs Personen). Von Maps wiederum spricht Bertin, wenn ein Netzwerk in einer geografisch<br />
relevanten Ordnung dargestellt wird. Als vierte und letzte Kategorie führt er Symbole auf, zu denen<br />
sowohl Ziffern und Buchstaben <strong>als</strong> auch einfache Piktogramme (z. B. Verkehrszeichen) gehören,<br />
wobei diese Art der Repräsentation Korrespondenzen nicht unter Nutzung des graphischen Raumes<br />
herstellt, sondern auf der Kenntnis des Betrachtenden über die Art der Mappingbeziehungen zwischen<br />
Symbolen und Bezeichnetem beruht.<br />
Schnotz dagegen ordnet visuell-graphische Repräsentationen nach der Art der Übereinstimmung von<br />
Darzustellendem und Abgebildetem. Diese kann konkret und piktoral sein, wie im Falle von realistischen<br />
Bildern, sie kann auf einer Analogiebeziehung beruhen (Analogiebilder) oder abstrakt sein, wie<br />
bei logischen Bildern (Schnotz, 2001). Unter dem Begriff realistische Bilder werden dabei Abbildungen<br />
zusammen gefasst, bei denen die Darstellung dem Bezeichneten relativ ähnlich ist, wie beispielsweise<br />
Cartoons, Gemälde, Fotografien oder auch Landkarten. Analogiebilder sind ebenfalls<br />
realistische Bilder, die jedoch das Bezeichnete nicht konkret darstellen, sondern mittels einer Analogie<br />
abbilden und bestimmte abstrakte Merkmale verdeutlichen. So werden häufig die Bestandteile des<br />
Blutes, die für die Immunabwehr zuständig sind, mit Hilfe von kleinen „Kämpfern“ dargestellt, um die<br />
abwehrende bzw. angreifende Funktion dieser Teilchen zu verdeutlichen. Logische Bilder dagegen, zu<br />
denen verschiedenste Arten von Diagrammen und Graphiken, wie beispielsweise Struktur- oder<br />
Flussdiagramme, Säulen- und Liniendiagramme aber auch Mindmaps gezählt werden, haben keine<br />
äußerliche Ähnlichkeit mit dem Bezeichneten und die Beziehung zwischen bezeichnetem Sachverhalt<br />
und dem gebrauchten Symbol wird entweder durch Konventionen oder Beschriftungen festgelegt (wie<br />
bei monosemischen Repräsentationssystemen nach Bertin). In diesem Punkt ähneln logische Bilder<br />
den deskriptionalen Repräsentationen. Im Gegensatz zu diesen werden in logischen Bildern jedoch<br />
6
Kapitel 1 - Das Potenzial von Graphen<br />
zusätzlich strukturelle Eigenschaften und Beziehungen durch räumliche Anordnungen beibehalten und<br />
gekennzeichnet.<br />
Nach Schnotz sind Graphen logische Bilder, da sie Sachverhalte abstrakt abbilden, wobei strukturelle<br />
Beziehungen des Abgebildeten deutlich werden. Folgt man der Definition von Kosslyn, ist die<br />
Funktionslinie einer linearen Funktion im Koordinatensystem, die in dieser Arbeit exemplarisch <strong>als</strong><br />
zentraler Bestandteil der Repräsentationsform Graph betrachtet wird, ein Graph und keinesfalls ein<br />
Diagram, während sie in Bertins Terminologie ein Diagram darstellt. Eine weitere Einschränkung<br />
macht Macdonald-Ross (1977), der unter einem Graphen lediglich die Linie im Koordinatensystem<br />
versteht. In dieser Arbeit wird der Begriff Graph wie bei diesem letzten Autor nur im Sinne der Linie,<br />
die eine lineare Funktion beschreibt, verstanden. Im Gegensatz dazu wird für die gesamte Darstellung,<br />
d. h. für das Koordinatensystem mit den beiden Achsen inklusive der Graphlinie und den entsprechenden<br />
Beschriftungen und Legenden, der Begriff Graphik benutzt.<br />
1.2 Die Bedeutung von visuell-graphischen Repräsentationsformen für den<br />
Wissenserwerb<br />
Wie bereits in der Einleitung erwähnt, haben sich in den vergangenen 20 Jahren verschiedene<br />
Forschungsrichtungen verstärkt den externen visuellen Repräsentationsformen zugewandt. Warum<br />
aber lohnt die Beschäftigung mit visuellen Repräsentationsformen, insbesondere unter einer pädagogisch-psychologischen<br />
Perspektive? Während sich einerseits von der Erforschung visueller Repräsentationsformen<br />
vor allem Erkenntnisse über die Verarbeitung von Informationen und die Speicherung<br />
von Wissen erhofft werden, wendet sich die pädagogische Psychologie vor allem der Frage zu, wie<br />
Bilder und Diagramme eingesetzt werden können, um Verständnisprozesse zu erleichtern und<br />
Lernprozesse <strong>effektive</strong>r zu gestalten. In diesem Kapitel soll zunächst aus einer theoretischen Perspektive<br />
und anhand von einzelnen empirischen Befunden eruiert werden, welche Eigenschaften visuellgraphische<br />
Repräsentationsformen besitzen, mit denen sich das lernfördernde Potenzial dieser<br />
Repräsentationen begründen lässt. In einem weiteren Abschnitt wird abschließend das besondere<br />
Potenzial von Graphen <strong>als</strong> einer Repräsentationsform diskutiert.<br />
Die pädagogisch-psychologische Forschung hat sich vor allem unter zwei Perspektiven mit der<br />
Funktion von Graphen und Abbildungen <strong>als</strong> externen Repräsentationsformen beschäftigt. Zum einen<br />
wird untersucht, wie vorgegebene Graphiken und Bilder interpretiert werden und ob diese das<br />
Potenzial besitzen, die Verstehens- und Wissenserwerbsprozesse aus Texten und anderen Medien zu<br />
erleichtern (Larkin & Simon, 1987; Levin, Anglin, & Carney, 1987; Mayer, 1993; Mayer & Gallini,<br />
1990; Mayer & Sims, 1994; Schnotz, Picard, & Henninger, 1994). Zum anderen wird das Potenzial<br />
von Repräsentationsformen für Problemlöseprozesse und die gemeinsame Ko-Konstruktion von<br />
Wissen im Diskurs untersucht. Bei dieser Perspektive steht nicht das Verständnis vorgegebener<br />
Formen, sondern deren Konstruktion und Benutzung durch den Lernenden im Mittelpunkt der<br />
7
Kapitel 1 - Das Potenzial von Graphen<br />
Betrachtung (Cox, 1999; Cox & Brna, 1995; Grossen & Carnine, 1990; Lehrer & Schauble, 2000;<br />
Roth et al., 1999; Roth, Lee, & Peebles, 2003).<br />
1.2.1 Die Nutzung von vorgegebenen visuellen Repräsentationen<br />
Levin et al. (1987) und Mayer (1993) spezifizieren fünf grundlegende Funktionen bzw. pädagogische<br />
Intentionen für den Einsatz von visuellen Darstellungen und Illustrationen, die jeweils unterschiedliche<br />
kognitive Funktionen erfordern. Demnach haben Bilder und Diagramme eine dekorative, eine<br />
repräsentationale, eine organisierende, eine interpretierende und/oder eine transformatorische<br />
Funktion, wobei diese Einteilung <strong>als</strong> Taxonomie verstanden werden kann, wobei die höheren<br />
Funktionen einen größeren Mehrwert für den Wissenserwerb beinhalten und die jeweils darunter<br />
stehenden Funktionen mit einschließen.<br />
Werden visuelle Darstellungen in Lehrbüchern <strong>als</strong> Illustrationen eingesetzt, die inhaltlich keine direkte<br />
Beziehung zum Text aufweisen, liegt lediglich eine dekorative Funktion vor. Diese werden vor allem<br />
mit der Intention eingesetzt, die Aufmerksamkeit der Leser bzw. das Interesse am Text zu erhöhen.<br />
Darüber hinaus bieten diese Formen von Abbildungen jedoch keinen Mehrgewinn für den Lernprozess<br />
(Levin et al., 1987). Stattdessen wurde festgestellt, dass schlecht ausgewählte Abbildungen häufig<br />
auch eine den Lernprozess einschränkende Funktion haben können, indem der Lerner mit Detailinformationen<br />
konfrontiert wird, die ihn vom eigentlichen Lerninhalt ablenken bzw. f<strong>als</strong>che Interpretationen<br />
nahe legen (seductive details, z. B. Harp & Mayer, 1998).<br />
Stehen Abbildungen dagegen in einer inhaltlichen Beziehung zum Text bzw. konkretisieren im Text<br />
präsentierte Lerninhalte, liegt eine repräsentationale bzw. eine Abbildfunktion vor. Dies ist beispielsweise<br />
der Fall, wenn <strong>zur</strong> Beschreibung eines Kernkraftwerkes ein Foto eines solchen präsentiert wird.<br />
Wird neben dieser rein visuell darstellenden Funktion die Abbildung auch mit der Intention eingesetzt,<br />
abstrakte Sachverhalte genauer zu spezifizieren bzw. eindeutig zu machen, liegt eine interpretierende<br />
Funktion vor. Eine schematische Darstellung des Blutkreislaufes, die zu einem erklärenden Text<br />
präsentiert wird, erfüllt beispielsweise diese Funktion. Hier wird die von Stenning und Oberlander<br />
(1995) beschriebene Eigenschaft visueller Repräsentation ausgenutzt, Sachverhalte direkter und<br />
weniger expressiv <strong>als</strong> verbale Repräsentationen zu beschreiben.<br />
Eine weitere Funktion liegt in der Organisation von Wissensinhalten, indem Diagramme bereitgestellt<br />
werden, die einen visuellen Überblick über einen Sachverhalt geben, wie z. B. Mindmaps, Venn- und<br />
Strukturdiagramme oder auch Advanced Organizer. In dieser Funktion tragen visuelle Darstellungen<br />
vor allem zu einer Kohärenzbildung bei, indem diese dem Lernenden einen Überblick vermitteln, wie<br />
einzelne Konzepte zueinander in Beziehung stehen. Unter einer aktiven konstruktivistischen Perspektive<br />
des Wissenserwerbs ist auch die den Arbeits- bzw. Problemlöseprozess selbst organisierende<br />
Funktion von selbstkonstruierten, visuellen Repräsentationen zu erwähnen, die dem Lernenden hilft,<br />
den Fortschritt seines Lernprozesses bzw. Problemlösens zu verfolgen.<br />
8
Kapitel 1 - Das Potenzial von Graphen<br />
Weiterhin wird visuellen Repräsentationen eine transformatorische Funktion zugesprochen, indem sie<br />
direkt auf das Erinnern von Informationen einwirken können, wobei sie das Enkodieren, das In-<br />
Beziehung-Setzen und das Abrufen von Informationen erleichtern können. Zum einen stellen sie einen<br />
weiteren sensorischen Kanal für die Enkodierung von Informationen <strong>zur</strong> Verfügung, so dass Informationen<br />
doppelt kodiert und somit leichter erinnert werden können (Paivio, 1978). Des Weiteren können<br />
sie auch beim Abruf von Informationen aus dem Gedächtnis behilflich sein, wenn diese vorher z. B.<br />
nach der Methode der Orte eingeprägt wurde. Bei dieser Mnemotechnik wird ein Ort bzw. ein<br />
visuelles Bild dazu benutzt, einen Sachverhalt zu erinnern, der vorher in einer einprägsamen Weise<br />
mit diesem Ort inhaltlich in Beziehung gesetzt wurde (Anderson, 1995).<br />
Obwohl diese Taxonomie vor allem entwickelt wurde, um den Einsatz von Illustrationen in Lehrbüchern<br />
im Hinblick auf das Verständnis eines Textes zu klassifizieren, stellt sie doch ein hilfreiches<br />
Mittel dar, das Potenzial von visuellen Abbildungen einzuschätzen. So fanden Levin und Kollegen in<br />
ihrer Metaanalyse zum Einsatz von Visualisierungen in Lehrbüchern, dass ca. 50% aller eingesetzten<br />
Abbildungen eine repräsentationale Funktion und ca. 23% eine rein dekorative Funktion aufweisen<br />
und somit keinen informations- oder verarbeitungsbezogenen Vorteil aufweisen. Lediglich 10% der<br />
Abbildungen weisen nach dieser Analyse eine interpretierende und nur 5% eine organisierende<br />
Funktion auf (Levin et al., 1987). Insbesondere die letzten beiden Funktionen von Graphiken und<br />
Abbildungen <strong>als</strong> Anreicherung von Texten wurden einer umfassenden empirischen Prüfung unterzogen.<br />
Dabei können zwei sich komplementierende theoretische Ansätze unterschieden werden.<br />
1.2.1.1 Dual-Coding-Hypothese<br />
Vertreter der Dual-Coding-Hypothese nehmen an, dass Informationen aus Text und Bild in unterschiedlichen<br />
Systemen verarbeitet werden, wobei beide Systeme miteinander verbunden sind und<br />
somit vielfältige Abrufhinweise (retrieval cues) von gespeichertem Wissen bereitstellen. Außerdem<br />
wird für die Verarbeitung von Bildinformationen eine effizientere, parallele Verarbeitung angenommen,<br />
während Informationen aus Texten seriell und hierarchisch organisiert verarbeitet werden<br />
(Paivio, 1990). Neurophysiologische Studien konnten belegen, dass verbale und bildliche Informationen<br />
tatsächlich in unterschiedlichen Gehirnregionen verarbeitet werden (Jonides & Smith, 1997;<br />
Miyake & Shah, 1999). Die zweite Annahme, dass Bildinformationen generell effizienter verarbeitet<br />
werden <strong>als</strong> Textinformationen, konnte jedoch nicht empirisch belegt werden. Stattdessen wurde<br />
gezeigt, dass die Effizienz von bildlichen Darstellungen sowohl von den Merkmalen des Bildes <strong>als</strong><br />
auch des Lernenden abhängt. So zeigten Studien zum Multimedia-Lernen, dass bildliche Informationen<br />
und Textinformationen räumlich und zeitlich miteinander koordiniert dargeboten werden sollten<br />
(Mayer, 1994; Mayer & Anderson, 1992). Mayer und Gallini (1990) fanden, dass insbesondere<br />
Personen mit geringem inhaltlichem Vorwissen von der gleichzeitigen Präsentation einer Graphik oder<br />
eines Diagramms profitierten. Außerdem scheinen visuell-räumliche Fähigkeiten einen Einfluss auf<br />
das Verständnis von Bildern zu haben (Mayer & Sims, 1994). Des Weiteren konnte gezeigt werden,<br />
9
Kapitel 1 - Das Potenzial von Graphen<br />
dass Personen mit hohem Vorwissen Abbildungen anders nutzen <strong>als</strong> Personen mit wenig Vorwissen.<br />
Letztere benötigten ein gewisses Maß an Anweisung durch den Text, um die relevanten Informationen<br />
aus dem Diagramm abzulesen, während Personen mit hohem Vorwissen die Abbildungen nutzten, um<br />
ihr Verständnis des Textes zu überprüfen (O'Donnell, 1993; Winn, Li, & Schill, 1991).<br />
1.2.1.2 Visual-Argument-Hypothese<br />
Die Vertreter des zweiten theoretischen Ansatzes, des visuellen Arguments, gehen dagegen davon aus,<br />
dass graphische Repräsentationen <strong>effektive</strong>r <strong>als</strong> Text sind, da sie aufgrund ihrer visuellen Eigenschaften<br />
weniger kognitive Transformationen bzw. Verarbeitungsprozesse benötigen. So argumentieren<br />
Larkin & Simon (1987), dass Graphen, Diagramme und andere bildliche Darstellungen Informationen<br />
vor allem durch die räumliche Anordnung ihrer Bestandteile kommunizieren. Um sprachliche und<br />
diagrammatische Repräsentationen im Hinblick auf ihre psychologischen Nutzungseigenschaften zu<br />
charakterisieren, prägten sie die Begriffe der informationsbezogenen und verarbeitungsbezogenen<br />
Äquivalenz. So können zwei Repräsentationsformen in Bezug auf die dargestellten Informationen<br />
äquivalent sein, wenn die Informationen der einen Form erschöpfend aus den Informationen der<br />
anderen rekonstruiert werden kann und umgekehrt (informational equivalence) 2 . Sie verdeutlichen<br />
dies am Beispiel eines Flaschenzugsystems, welches sowohl in Form einer diagrammatischen <strong>als</strong> auch<br />
in Form einer textbasierten Repräsentation dargestellt wird.<br />
Das besondere Potenzial von visuellen Repräsentationsformen wird nach Larkin und Simon erst im<br />
Hinblick auf die verarbeitungsbezogene Äquivalenz (computational equivalence) deutlich. Sie<br />
argumentieren, dass diagrammatische und textbasierte Formen der Repräsentation in Bezug auf die<br />
dargestellten Informationen äquivalent sein können, jedoch visuell-graphische Formen in Bezug auf<br />
ihre psychologische Verarbeitung der textbasierten, sprachlichen Form überlegen sind, da in ihnen<br />
Informationen ortspezifisch und nicht wie bei sprachlichen Repräsentationen objektspezifisch kodiert<br />
werden. Bei einer ortspezifischen Kodierung von Informationen werden alle Relationen eines Objektes<br />
am selben Ort kodiert, während diese Relationen in einer objektspezifischen Kodierung über die<br />
gesamte Repräsentation verteilt sind und lediglich durch gemeinsame Bezeichnungen indiziert<br />
werden. So werden im Beispiel des Flaschenzuges die gemeinsamen Relationen in der sprachlichen<br />
Repräsentation über die Bezeichnungen der einzelnen Rollen indiziert, während diese Relationen in<br />
der diagrammatischen Repräsentation durch die räumliche Anordnung der einzelnen Rollen bereits<br />
spezifiziert wird. Diese ortspezifische Kodierung von Merkmalen in diagrammatischen Repräsentationen<br />
führt nach Ansicht von Larkin & Simon <strong>zur</strong> Minimierung von Such- und Wiedererkennungsprozessen<br />
sowie zu einer Erleichterung von Inferenzprozessen durch simultane Verarbeitung. Weiterhin<br />
gehen sie davon aus, dass auch Wahrnehmungs- und Wiedererkennungsprozesse durch diagrammati-<br />
2 Vekiri (2002) weist darauf hin, dass es informationale Äquivalenz nur der Theorie nach im Hinblick auf einen<br />
idealen Informationsverarbeiter oder Betrachter gibt. Stattdessen ist davon auszugehen, dass zwei verschiedene<br />
Betrachter mit unterschiedlichem Vorwissen und Verständnis ein und dieselbe Darstellung unterschiedlich<br />
verarbeiten. Diagramme sind daher nur für geübte Betrachter computational effizient.<br />
10
Kapitel 1 - Das Potenzial von Graphen<br />
sche Repräsentationen erleichtert werden. So kann mit Hilfe der diagrammatischen Darstellung auf<br />
einen Blick erfasst werden, aus wie vielen Rollen das Flaschenzugsystem besteht, während die<br />
textbasierte Repräsentation erst nach der Anzahl der verschiedenen Rollenbezeichnungen durchsucht<br />
werden muss 3 . Diese Annahmen konnten für graphische Organizer und Diagramme empirisch<br />
bestätigt werden (u. a. O'Donnell, 1993; Winn et al., 1991) .<br />
Für den Vergleich verschiedener graphischer Formate wurde gezeigt, dass Graphiken so gestaltet<br />
werden müssen, dass die für eine Aufgabe relevanten Informationen vom Betrachter mit wenig<br />
kognitivem Aufwand herausgefiltert werden kann (Meyer, Kuskin, & Gopher, 2000; Shah & Carpenter,<br />
1995; Shah, Mayer, & Hegarty, 1999; Zacks & Tversky, 1999). Dies ist insbesondere dann<br />
gegeben, wenn die relevanten perzeptuellen Einheiten nach den Gestaltprinzipien Verbundenheit und<br />
Nähe gestaltet werden. So lassen sich aus Graphen, die drei Variablen repräsentieren (wobei je eine<br />
Variable an der X- bzw. Y-Achse abgetragen und die dritte Variable durch verschiedene Linien oder<br />
Symbole bezeichnet wird), X-Y-Trendinformationen leichter ablesen <strong>als</strong> Z-Y-Informationen, da<br />
letztere mentale Vergleiche und Berechnungen benötigen (Shah & Carpenter, 1995).<br />
Die Ergebnisse beider Forschungslinien belegen, dass visuelle Repräsentationen sich eignen,<br />
Wissenserwerbsprozesse aus Texten zu unterstützen, wobei ihre Wirkung sowohl auf eine Unterstützung<br />
von Enkodierungs- und Erinnerungsprozessen <strong>zur</strong>ückgeführt werden kann <strong>als</strong> auch auf die<br />
effizientere Kommunikation von Inhalten aufgrund der räumlichen Anordnung in Graphiken und<br />
Diagrammen. Sie zeigen jedoch auch, dass ihre Wirksamkeit an gewisse Randbedingungen geknüpft<br />
ist, wie die räumliche und zeitliche Integration von Bild und Text, an die Abstimmung der Gestaltung<br />
des Diagramms auf die zu bearbeitende kognitive Aufgabe (Lewandowsky & Behrens, 1999) sowie<br />
vom inhalts- und darstellungsbezogenen Vorwissen des Betrachtenden abhängig ist.<br />
1.2.2 Die Nutzung von visuellen Repräsentationsformen <strong>als</strong> Werkzeug<br />
Neben den Funktionen der Veranschaulichung und Visualisierung von Konzepten aus Texten können<br />
weitere Funktionen von visuell-graphischen Repräsentationen beschrieben werden, die sich auf den<br />
aktiven Gebrauch und die Konstruktion von Repräsentationen durch den Lernenden stützen. Visuelle<br />
(und andere externe) Repräsentationen dienen demnach nicht nur der Präsentation von Information,<br />
sondern können kognitive Aktivitäten auf signifikante Art und Weise beeinflussen. Bei einer aktiven<br />
Nutzung können sie <strong>als</strong> externalisierte Kognitionen aufgefasst werden, die diese einer Betrachtung<br />
durch den Nutzer zugänglich machen, <strong>als</strong> auch weitere Denkprozesse anleiten und ermöglichen<br />
können. Ebenso können Denkprozesse durch externe Repräsentationen eingeschränkt und kanalisiert<br />
werden (Scaife & Rogers, 1996; Zhang, 1997). So unterstützt der Gebrauch von visuell-graphischen<br />
Repräsentationen Problemlöseprozesse sowie den Transfer von Wissen auf andere Inhalte und macht<br />
3 Wobei in diesem Fall <strong>zur</strong> Beantwortung der Frage nicht jede im Text vorhandene Indizierung auch gezählt<br />
werden darf.<br />
11
Kapitel 1 - Das Potenzial von Graphen<br />
abstrakte Inhalte zugänglich. Außerdem können sie <strong>zur</strong> Unterstützung des Konzeptaufbaus von<br />
abstrakten Inhalten und Konzepten <strong>als</strong> auch für den Konzeptwechsel eingesetzt werden.<br />
1.2.2.1 Repräsentationen <strong>als</strong> Vehikel für Transferprozesse<br />
Eine große Erwartung, die sich mit der Nutzung von graphischen Repräsentationen verbindet, ist deren<br />
Nutzung für Problemlöseprozesse bzw. deren Nutzung <strong>als</strong> kognitives Werkzeug, welches den Transfer<br />
von Wissen ermöglichen sollte (Bauer & Johnson-Laird, 1993; Greeno & Hall, 1997; Schwartz, 1993;<br />
Stern, Aprea, & Ebner, 2003; White, 1993). So wurde von Greeno, Smith & Moore (1993) angenommen,<br />
dass Transfer stattfindet, wenn die Handlungsmöglichkeiten bzw. -einschränkungen erkannt<br />
werden, die beiden Handlungssituationen gemeinsam sind, <strong>als</strong>o die invarianten Merkmale beider<br />
Situationen. Wenn die Visualisierung diese strukturell invarianten Merkmale bezeichnet und somit<br />
hilft, diese Merkmale in beiden Situationen zu erkennen, kann ein durch die Repräsentation vermittelter<br />
Transfer, sog. repräsentationaler Transfer, stattfinden. Die Repräsentation hilft in diesem Fall<br />
dabei, die zugrunde liegende Struktur der ersten Situation zu erkennen und in einem weiteren Schritt<br />
die zweite Problemsituation nach diesen strukturellen Merkmalen zu explorieren und zu strukturieren,<br />
so dass die strukturelle Übereinstimmung zwischen beiden Problemen erfasst werden kann.<br />
Werden Probanden jedoch lediglich mit einer vorgefertigten Repräsentation des Quellproblems<br />
konfrontiert, konnten in empirischen Studien keine Hinweise für einen erfolgreichen durch die visuelle<br />
Repräsentation gestützten Lerntransfer gefunden werden. Eine Studie von Novick und Hmelo (1994)<br />
zeigte jedoch, dass die Probanden die vorgegebenen Repräsentationen häufiger bei der Lösung des<br />
zweiten Problems nutzten, je ähnlicher sich beide Probleme in ihren Oberflächenmerkmalen wurden.<br />
Waren sich beide Probleme relativ ähnlich, wurde auch beim zweiten Problem eine entsprechende<br />
Visualisierung gezeichnet. Diese Befunde scheinen zunächst die den Transfer unterstützende Funktion<br />
von visuellen Repräsentationen in Frage zu stellen, weitere Studien zeigten jedoch, dass diese<br />
Wirkung an bestimmte Randbedingungen geknüpft ist.<br />
Greeno und Hall (1997) argumentieren, dass Wissenstransfer durch repräsentationale Aktivitäten<br />
ermöglicht wird. Nur wenn Probleme durch den Lernenden selbst repräsentiert bzw. visualisiert<br />
werden, kann erwartet werden, dass Transfer stattfindet. Eine Studie von Stern, Aprea und Ebner<br />
(2003) bestätigt diese Hypothese. Sie konfrontierten 281 Studenten der Wirtschaftswissenschaften und<br />
Schüler einer wirtschaftlich ausgerichteten Berufsschule mit fortgeschrittenen Texten <strong>zur</strong> betriebswirtschaftlichen<br />
Lagerhaltung. Während eine Gruppe zu dem zu bearbeitenden Text einen Graphen erhielt,<br />
der die im Text dargestellten Beziehungen visualisierte, mussten die Teilnehmer einer zweiten<br />
Versuchsgruppe selbst einen Graphen zu den Sachverhalten im Text zeichnen. In einem anschließenden<br />
Transfertest, der Fragen aus einem anderen Bereich der Finanzmathematik stellte und die durch<br />
die Konstruktion eines Graphen leicht beantwortet werden konnten, schnitten die vorher aktiv<br />
repräsentierenden Personen deutlich besser ab <strong>als</strong> Personen, die lediglich einen Graphen zum Text<br />
12
Kapitel 1 - Das Potenzial von Graphen<br />
präsentiert bekamen. Diese Studie zeigt, dass das Erstellen einer Repräsentation durch den Lernenden<br />
den Transfer dieser Repräsentationsform auf neue Inhaltsgebiete unterstützen kann.<br />
Grossen und Carnine (1990) ließen 25 Schüler mit Lernbehinderung in einer computergestützten<br />
Lernumgebung logische Denkprobleme lösen. Eine Gruppe der Schüler bekam diagrammatische<br />
Lösungen der Probleme im Multiple-Choice-Format präsentiert, während eine zweite Gruppe zunächst<br />
selbst eine graphische Repräsentation des Problems anfertigen sollte, bevor sie eine der diagrammatischen<br />
Lösungsalternativen auswählten. Diese Gruppe zeigte sowohl deutlich größere Lernfortschritte<br />
<strong>als</strong> die Probanden, welche lediglich Repräsentationen auswählten, und konnten außerdem die<br />
Visualisierungen besser auf neue strukturelle verschiedene Probleme übertragen.<br />
Cox (1999) führt diesen positiven Effekt selbstkonstruierter Repräsentationen auf den Selbsterklärungseffekt<br />
<strong>zur</strong>ück (Chi, Bassok, Lewis, Reimann, & Glaser, 1989), da durch die konkrete visuelle<br />
Darstellung eigene mentale Vorstellungen präzisiert und strukturiert werden. Durch die Anforderung<br />
eine visuelle Darstellung anzufertigen, wird die Aufmerksamkeit des Lernenden auf bisher nicht<br />
verstandene bzw. gelöste Unterprobleme oder auf nicht integrierte Informationen gelenkt und eine<br />
Lösung derselben forciert. Außerdem kann vermutet werden, dass aktives Rekonstruieren einer<br />
Problemsituation in einer graphischen Repräsentation die Aufmerksamkeit ebenfalls auf die Merkmale<br />
der Repräsentation und die Mappingbeziehungen zwischen Symbol und Bezeichnetem lenkt. Dadurch<br />
sollte zu vertieftem Wissen über die Repräsentationsformen selbst und ihrer Anwendungsbedingungen<br />
führen, was die zukünftige Anwendung dieser Formen bei neuen Problemstellungen erleichtern und<br />
unterstützen sollte.<br />
Eine Studie von Schwartz (1993) stützt diese Vermutung. Er explorierte die Fähigkeit von Schülern<br />
der siebten, neunten und zehnten Klassenstufe komplexe Informationen mit Hilfe von Visualisierungen<br />
zu strukturieren. Ebenso wurde die Fragestellung untersucht, ob solche Visualisierungsstrategien<br />
durch Instruktion erlernbar sind, so dass diese spontan auf ein Transferproblem angewendet werden<br />
können. Es zeigte sich, dass Schüler, die an einem Treatment teilnahmen, in welchem die Nutzung von<br />
Pfaddiagrammen geübt wurde, häufiger Pfaddiagramme bei Transferproblemen konstruieren <strong>als</strong><br />
Schüler, welche ein alternatives Treatment erhielten. Letztere konstruierten stattdessen andere<br />
Visualisierungen, jedoch kaum Pfaddiagramme. Demnach scheinen die Schüler Wissen über die<br />
Repräsentation Pfaddiagramm erworben zu haben, was sie in die Lage versetzte, zukünftige Anwendungssituationen<br />
zu erkennen und die Repräsentation <strong>zur</strong> Lösung neuer Probleme anzuwenden.<br />
Zusammenfassend kann festgehalten werden, dass durch externe visuelle Repräsentationen gestützte<br />
Problemlöseprozesse den Transfer von Wissen auf neue Inhaltsgebiete fördern, wenn das Erstellen der<br />
Repräsentationen zu einer tieferen und umfassenderen Auseinandersetzung mit den zu lernenden<br />
Inhalten bzw. deren kognitiver Verarbeitung führt.<br />
13
Kapitel 1 - Das Potenzial von Graphen<br />
1.2.2.2 Repräsentationen <strong>als</strong> Werkzeuge für den Konzeptaufbau und Konzeptwechsel<br />
In einem engen Zusammenhang mit der Funktion von visuellen Repräsentationen, Situationen nach<br />
den zugrunde liegenden Merkmalen zu strukturieren, steht ihre Nutzung <strong>als</strong> Werkzeug für den Aufbau<br />
insbesondere von mathematischen Konzepten <strong>als</strong> auch für den Konzeptwechsel (conceptual change;<br />
z. B. (Vosnaidou, 1999). Hier wird angenommen, dass visuelle Repräsentationen die kognitiven<br />
Aktivitäten und Konstruktionen von Wissen entscheidend beeinflussen können.<br />
So nutzten sowohl Hardy (2002) <strong>als</strong> auch Koerber (2003) externe Repräsentationsformen wie den<br />
Graphen einer linearen Funktion und die Balkenwaage, um den Konzeptwechsel bzw. eine Erweiterung<br />
des Verständnisses bei Grundschulkindern anzustoßen. Möller und Mitarbeiter (Möller, Jonen,<br />
Hardy, & Stern, 2002) untersuchten, wie gut Viertklässler mit Hilfe von verschiedenen Repräsentationen<br />
(der Balkenwaage, Dichtematrix und einer numerischen Repräsentation) ein Verständnis der<br />
Dichte entwickelten. Die einzelnen Repräsentationen wurden dazu genutzt vorherzusagen, ob ein<br />
bestimmter Materialwürfel im Wasser untergeht oder schwimmt. Die Repräsentationsformen sollten<br />
dabei den Kindern helfen, ihre Aufmerksamkeit auf die Beziehung zwischen den Größen Volumen<br />
und Gewicht des Materialwürfels zu fokussieren und andere das Phänomen aus ihrer Sicht erklärende<br />
Größen, wie beispielsweise das Material des Würfels, in den Hintergrund treten zu lassen. Die<br />
Repräsentationen halfen somit die Situation angemessener zu strukturieren und die Relevanz der<br />
beiden Größen Gewicht und Volumen für die Fragestellung zu erhöhen, so dass diese Größen auch in<br />
der Situation von den Kindern deutlicher wahrgenommen werden. Es zeigte sich, dass Kinder, die mit<br />
der Dichtematrix bzw. der Balkenwaage arbeiteten, ein tieferes Verständnis der Dichte erwarben und<br />
mehr Fehlkonzepte abbauten <strong>als</strong> Kinder, die mit der rein numerischen Repräsentation arbeiteten.<br />
In der Studie von Koerber (2003) wurden die Balkenwaage und der Graph einer linearen Funktion<br />
genutzt, um zu überprüfen, ob zwei Getränkemischungen nach demselben Mischungsverhältnis<br />
hergestellt wurden, d. h. ob ihre Zutaten in einem proportionalen Verhältnis zueinander stehen.<br />
Sowohl an den beiden Enden der Balkenwaage <strong>als</strong> auch an den Achsen des Koordinatensystems wurde<br />
dazu jeweils eine der beiden Mischungszutaten abgetragen (siehe Abbildung 1-2).<br />
8<br />
Gläser Orangensaft<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
1 2 3 4 5 6 7 8<br />
G läser Z itro n en saft<br />
Abbildung 1-2: Einsatz der Balkenwaage und des Graphen <strong>zur</strong> Repräsentation von proportionalen<br />
Verhältnissen.<br />
14
Kapitel 1 - Das Potenzial von Graphen<br />
Um zwei Mischungsverhältnisse mit Hilfe der Balkenwaage zu vergleichen, mussten dazu zunächst<br />
die beiden Zutaten einer Mischung an den jeweiligen Enden der Waage aufgesteckt 4 und die Waage<br />
mit Hilfe des beweglichen Drehpunktes ausbalanciert werden. Die Zutaten der zweiten Mischung<br />
wurden dann ebenfalls auf die Balkenwaage aufgesteckt. Blieb die Waage im Gleichgewicht, lagen<br />
zueinander proportionale Mischungsverhältnisse vor, während dies bei einem Ungleichgewicht der<br />
Waage nicht der Fall war. Bei einer Repräsentation der Mischungen im Koordinatensystem lagen die<br />
Punkte, die für einzelne Mischungen abgetragen wurden, für zueinander proportionalen Mischungen<br />
auf einer geraden Linie. Beide Repräsentationen machten das abstrakte mathematische Konzept der<br />
Proportionalität explizit und gaben den Kindern die Möglichkeit, ihre noch un<strong>zur</strong>eichenden mathematischen<br />
Vorstellungen (hier die Vorstellung, dass proportionale Verhältnisse durch Addition anstatt<br />
Multiplikation hergestellt werden können, das additive Misskonzept) zu überprüfen und neue<br />
angemessenere Strategien der Lösung zu entwickeln. Leider wurde in dieser Studie kein Kontrolltraining<br />
ohne eine Repräsentationsform untersucht, sondern lediglich eine untrainierte Baseline-Gruppe<br />
zum Vergleich herangezogen, so dass der spezifische Effekt der Repräsentation auf das Lernen im<br />
Vergleich zu einer Auseinandersetzung mit den Inhalten ohne Repräsentation nicht abgeschätzt<br />
werden kann. Der Vergleich mit der Baseline-Gruppe zeigte allerdings, dass Kinder, die am Training<br />
teilnahmen, deutlich von diesem profitierten.<br />
Beide Studien zeigen jedoch auch, dass nicht jede Repräsentation das gleiche Potenzial besitzt, diese<br />
Verständnis- und Umstrukturierungsprozesse anzustoßen, sondern sich bestimmte Formen aufgrund<br />
ihrer strukturellen Merkmale besser eignen. So zeigte sich in der Studie von Hardy (2002) die<br />
Balkenwaage den beiden anderen Formen überlegen, da diese neben dem Verständnis der Dichte auch<br />
das proportionale Verständnis der Kinder unterstützte, während in der Studie von Koerber (2003) nur<br />
für kurzfristige Lerneffekte eine Überlegenheit der Balkenwaage gegenüber den beiden Repräsentationen<br />
im Koordinatensystem gefunden werden konnte. Eine weitere Erhebung nach einem Jahr zeigte<br />
jedoch, dass Kinder, die im Training mit dem abstrakten Graphen gearbeitet hatten, ein höheres<br />
proportionales Wissen zeigten <strong>als</strong> die der anderen beiden Gruppen.<br />
Unter Bezug auf eine handlungstheoretische Perspektive können diese unterschiedlichen Potenziale<br />
von visuellen Repräsentationsformen <strong>als</strong> repräsentationaler Bias einer Form beschrieben werden.<br />
Suthers (1999) charakterisiert Repräsentationssysteme in Anlehnung an Greeno, Smith und Moore<br />
(1993) nach ihren Eigenschaften, die bestimmte Handlungen ermöglichen bzw. einschränken. Diese<br />
werden Salienzen und Restriktionen genannt und bilden gemeinsam den repräsentationalen Bias einer<br />
Form. Suthers bezieht sich dabei auf das Framework von Collins & Ferguson (1993), die die Funktion<br />
von Repräsentationsformen auf zwei grundlegende Mechanismen <strong>zur</strong>ückführen.<br />
4 Dabei wurde die jeweilige Anzahl der Gläser mit farbigen Schrauben repräsentiert.<br />
15
Kapitel 1 - Das Potenzial von Graphen<br />
Einerseits reduziert der Gebrauch von Repräsentationsformen den Raum für die Informationssuche, da<br />
die jeweils wichtigsten Aussagen durch die visuelle Repräsentation lokalisiert werden und sich damit<br />
die perzeptuelle Salienz dieser Informationen erhöht. Diese Steigerung der Salienz geht jedoch auch<br />
mit einer Einschränkung der möglichen Handlungen einher, da nur noch gewisse Handlungen nahe<br />
liegen. 5 Toth (2000) expliziert dies am Beispiel einer Tabelle: Schülern im Physikunterricht wird <strong>zur</strong><br />
Beobachtung eines Experimentes eine Tabelle <strong>zur</strong> Verfügung gestellt, in der bereits vier wichtige<br />
Variablen eingetragen sind. Diese Tabelle erhöht somit die Salienz dieser kritischen Variablen für die<br />
Schüler während der Beobachtung des Experimentes, gleichzeitig schränkt sie ihre Handlungen jedoch<br />
auch ein, da andere Merkmale der experimentellen Situationen jetzt weniger Aufmerksamkeit auf sich<br />
ziehen sollten.<br />
Der zweite von Ferguson und Collins beschriebene Mechanismus, auf denen die Funktion von<br />
Repräsentationsformen ruht, besteht darin, dass sie vorher nicht sichtbare Informationen sichtbar<br />
machen, indem sie diese Informationen in der Repräsentation wahrnehmbar machen. Sie erhöhen<br />
somit die Salienz gewisser Aussagen und machen gezielt Handlungen möglich, wie in dem Beispiel<br />
von Toth die gezielte Beobachtung der vorgegebenen Variablen. Die Schüler werden durch die leeren<br />
Zellen der Tabelle geradezu aufgefordert, diese mit Werten zu füllen. In einer empirischen Studie<br />
konnte diese Autorin zeigen, dass Schüler, die mit der tabellarischen Repräsentation arbeiteten, besser<br />
eine Strategie des Experimentierens lernten, <strong>als</strong> Schüler, die eigenständig Repräsentationen zu ihren<br />
Beobachtungen anfertigten. Diese Art der Wahrnehmungslenkung wird von Toth in Anlehnung an<br />
Vygotsky (1981) <strong>als</strong> representational scaffolding bezeichnet. Repräsentationen können demnach den<br />
Lernprozess in eine bestimmte Richtung lenken, die sowohl durch die Eigenschaften der Repräsentation<br />
<strong>als</strong> auch die jeweilige Passung auf den Lernstoff bestimmt wird. Der repräsentationale Bias der<br />
Tabelle in dem gegebenen Beispiel kann somit <strong>als</strong> ein Herausheben bestimmter wichtiger Variablen<br />
und dem In-den-Hintergrund-Treten-Lassen von anderen situationalen Variablen und Aktivitäten<br />
beschrieben werden.<br />
Diese einschränkenden sowie Verständnisprozesse fördernde Merkmale untersuchte Hardy am<br />
Beispiel der TIMSS-Video-Daten (Hardy, 2001). Obwohl der Einsatz von Visualisierungen im<br />
Unterricht in der vorliegenden Stichprobe eher selten war, konnten Unterrichtssituationen identifiziert<br />
werden, die entweder hoch- oder niedrigstrukturierte visuelle Repräsentationen benutzten. Eine<br />
Analyse der Kommunikationsprozesse in den entsprechenden Stunden ergab, dass der Gebrauch der<br />
Repräsentationsform durch den Kontext der allgemeinen Fragestellung zwar bereits eingeschränkt<br />
war, dass darüber hinaus hochstrukturierte Repräsentationen vor allem die prozedurale Anwendung<br />
bzw. Demonstration von Lösungsmethoden förderten, während bei gering strukturierten Repräsentationen<br />
im Diskursprozess mehr konzeptuelle Verknüpfungen geäußert wurden. Es scheint, dass<br />
hochstrukturierte Repräsentationen die Aufmerksamkeit der Schüler eher darauf lenken, wie diese zu<br />
5 Diese Konzeption stellt im Wesentlichen eine Anwendung der von Larkin und Simon postulierten Prozesse aus<br />
handlungstheoretischer Sicht dar.<br />
16
Kapitel 1 - Das Potenzial von Graphen<br />
verstehen sind, während gering strukturierte Repräsentationen Raum für eigene Sinngebungen durch<br />
die Schüler geben.<br />
Aus den Studien von Toth, Koerber und Hardy wird deutlich, dass sich visuelle Repräsentationen<br />
eignen, die kognitiven Aktivitäten der Schüler im Unterricht zu stimulieren und die Unterrichtssituation<br />
im Hinblick auf die zu lernenden Konzepte vorzustrukturieren. Weiterhin ist es grundlegend für<br />
konstruktivistische Lernprozesse, dass Schüler Möglichkeiten besitzen, ihre Denkprozesse und ihr<br />
Verständnis zu externalisieren und damit kommunizier- und verhandelbar zu machen (Cobb, Yackel,<br />
& McClain, 2000; Greeno & Hall, 1997). Visualisierungen bieten dabei einen gemeinsamen Referenzrahmen,<br />
indem sie Phänomene und abstrakte Konzepte bezeichnen und explizieren, für die noch keine<br />
von den Schülern geteilte Sprache existiert, und können somit den Verlauf des Diskurses auf bedeutsame<br />
Weise beeinflussen (Hardy, 2001; Roth & McGinn, 1998; Schwartz, 1995).<br />
Da externe Repräsentationsformen Denkprozesse und das bestehende Verständnis eines Konzeptes<br />
explizieren, was sich zum Beispiel in der Wahl einer bestimmten Repräsentationsform im Vergleich<br />
zu einer anderen ausdrücken kann, bietet sie dem Lehrer auch die Möglichkeit Verständnisprobleme<br />
zu identifizieren, so dass Visualisierungen ein wichtiges diagnostisches Instrument sowie ein Fenster<br />
zum Lernprozess darstellen (Novick, 2001). Gleichzeitig bieten sie die Möglichkeiten <strong>zur</strong> Individualisierung<br />
und Förderung insbesondere von Schülern, die Probleme mit formalen Ansätzen des Lernens<br />
haben (Hardy, 2001; Lesh & Doerr, 2000). Weiterhin werden durch das aktive Aushandeln von<br />
Symbolbedeutungen metakognitive Aktivitäten sowie die Planung von Lösungsprozeduren angeregt<br />
(Toth, Suthers, & Lesgold, 2002).<br />
1.2.3 Einschränkungen der Wirksamkeit von Repräsentationen<br />
Bisher wurden vor allem die für das Lernen förderlichen Funktionen von externen Repräsentationsformen<br />
beleuchtet. Die Eigenschaften von Repräsentationsformen, <strong>Lerngelegenheiten</strong> sowohl<br />
inhaltlich <strong>als</strong> auch diskursiv zu strukturieren und zu kanalisieren, birgt jedoch auch Gefahren, wenn<br />
der Gebrauch dieser Formen nicht genau auf das Lernziel abgestimmt ist.<br />
So vergleicht Schütte (2004) zwei verschiedene Repräsentationen von Zahlen im Hinblick auf ihr<br />
Potenzial, den Aufbau flexibler Rechenoperationen im Zehnerraum zu unterstützen. Die häufig<br />
benutzte Zahlenkette, bei der jede Zahl mit einer Perle repräsentiert und alle fünf Zahlen mit einer<br />
anderen Farbe gekennzeichnet werden, unterstützt Kinder bei der Addition und Subtraktion, da diese<br />
Operationen leicht durch manuelles Abzählen der Perlen ausgeübt werden können. Grundlage für ein<br />
flexibles Verständnis dieser Rechenoperationen im Zehnerraum ist es jedoch, dass die verschiedenen<br />
Beziehungen zwischen Zahlen erkannt werden (beispielsweise, dass 5 + 5 aber auch 6 + 4 und 2 + 8<br />
jeweils 10 ergeben). Dieses Verständnis wird durch die räumliche Darstellung der Zahlen im 10-er<br />
Feld unterstützt (siehe Abbildung 1-3). Diese Darstellungsform unterstützt die visuelle Gliederung des<br />
Zahlenraumes – es kann quasi „gesehen“ werden, dass 5+ 2 = 7 ist und außerdem die Ergänzung zu 10<br />
durch die Zahl 3 erfolgt. Obwohl bisher nicht empirisch geprüft, kann angenommen werden, dass<br />
17
Kapitel 1 - Das Potenzial von Graphen<br />
Kinder, die mit dem Zehnerfeld arbeiten, ein flexibleres Verständnis von Rechenoperationen und<br />
Zahlen erwerben <strong>als</strong> Kinder, die mit der Perlenkette arbeiten.<br />
Abbildung 1-3: Das strukturierte Zehnerfeld nach Schütte (2004).<br />
Einen unangemessenen, den Lernprozess einschränkenden Fall der Anwendung einer visuellgraphischen<br />
Repräsentation eines mathematischen Problems schildert auch eine Studie von De Bock<br />
und Mitarbeitern (De Bock, Verschaffel, & Janssens, 1998; De Bock, Verschaffel, Janssens, Van<br />
Dooren, & Claes, 2003). Die Autoren präsentierten ihren Versuchspersonen mathematische Problemlöseaufgaben,<br />
denen eine nicht-proportionale Beziehung zwischen Fläche und Volumen zugrunde lag<br />
(siehe Abbildung 1-4). Zum Erstaunen der Autoren unterstützte dabei eine graphische Repräsentation<br />
des Problems die Problemlösung und in diesem Fall das Überwinden des linearen Misskonzeptes 6<br />
nicht. Stattdessen zeigten die Probanden, die durch das Treatment aufgefordert wurden, eine vorgegebene<br />
graphische Repräsentation zu kopieren, sogar deutlich schlechtere Leistungen <strong>als</strong> Schüler einer<br />
Vergleichsgruppe, die ohne eine graphische Repräsentation lernten. Betrachtet man die gewählte<br />
Repräsentation des Problems, sind diese Befunde jedoch nicht erstaunlich: Diese stellte nämlich eine<br />
rein illustrierende Form der Repräsentation dar, die lediglich aus einem Quadrat mit einer bestimmten<br />
Seitenlänge bestand. Diese Repräsentation des Problems erlaubt keinen Erkenntnisgewinn in Bezug<br />
auf das zugrunde liegende Verständnisproblem, der nicht-proportionalen Beziehung zwischen<br />
Seitenlänge des Quadrats und der Fläche. Im Hinblick auf das spezifische Problem der Schüler ist<br />
diese Repräsentation demnach ungeeignet. Es ist zu vermuten, dass eine graphische Repräsentation der<br />
Beziehung zwischen Fläche und Seitenlänge, z. B. in Form eines Graphen oder auch in Form einer<br />
Tabelle, dagegen die Schülerlösungen positiv beeinflussen kann.<br />
In der Welt der Liliputaner sind alle Längen 12 Mal kleiner <strong>als</strong> in unserer Welt, der Welt<br />
von Gulliver.<br />
Gullivers Taschentuch hat eine Größe von 1296 cm 2 . Wie groß ist die Fläche eines liliputanischen<br />
Taschentuchs?<br />
Abbildung 1-4: Problemlöse-Aufgabe von De Bock et al. (1998, 2003).<br />
6 Bei diesem Misskonzept werden Problemsituationen durch proportionale bzw. lineare Beziehungen modelliert,<br />
obwohl nicht-lineare Zusammenhänge der Situation zugrundeliegen.<br />
18
Kapitel 1 - Das Potenzial von Graphen<br />
Diese Beispiele verdeutlichen, dass die Analyse der Funktion einer Repräsentation immer im Hinblick<br />
auf ein bestimmtes Lern- oder Kommunikationsziel erfolgen muss und nicht bestimmte Formen<br />
anderen per se überlegen sind. Im folgenden Abschnitt wird vor diesem Hintergrund das Potenzial von<br />
Graphen und ihrer spezifischen Nutzungsmöglichkeiten und Einschränkungen betrachtet.<br />
1.3 Der Graph einer linearen Funktion <strong>als</strong> Repräsentationsform<br />
Der Graph bzw. die Steigung einer linearen Funktion, der in dieser Arbeit exemplarisch für andere<br />
Repräsentationsformen betrachtet werden soll, nimmt eine wichtige Position unter den Repräsentationsformen<br />
ein. Seine besonderen funktionellen Möglichkeiten und Einschränkungen sollen in diesem<br />
Abschnitt noch einmal aufgezeigt und zusammengefasst werden.<br />
Zum einen bieten die beiden Achsen des Koordinatensystems die Möglichkeit, zwei numerische<br />
Größen zeitgleich in ein und derselben Abbildung darzustellen. Die spezielle räumliche Anordnung<br />
der Achsen erlaubt es außerdem, zwei intervallskalierte Variablen zueinander in Beziehung zu setzen.<br />
Auf diese Weise lassen sich die Zusammenhänge und Beziehungen zwischen beiden Variablen<br />
darstellen und erschließen. Wird <strong>als</strong> eine der beiden Variablen die Größe Zeit dargestellt, lassen sich<br />
sogar dynamische Zusammenhänge und Prozessverläufe im Sinne kontinuierlicher Veränderungen<br />
abbilden (Roth & McGinn, 1998). Dies ist mit graphischen Repräsentationen, bei denen nur eine<br />
intervallskalierte Variable abgetragen werden kann, wie beispielsweise in einem Torten- oder<br />
Balkendiagramm, nicht möglich. Zusätzlich bietet diese Art der Darstellung einen Zugang zu einer<br />
mathematischen Modellierung der entsprechenden Zusammenhänge, da die graphische Repräsentation<br />
einen konkreten Hinweis darauf geben kann, welche Art von mathematischer Beziehung (lineare,<br />
quadratische, exponentielle Funktion) für die repräsentierte Situation vorliegt.<br />
Da konkrete Wertepaare, die einen bestimmten Sachverhalt beschreiben, lediglich durch Punkte in<br />
einer räumlichen Anordnung, dem Koordinatensystem, dargestellt werden, können Graphen <strong>als</strong><br />
abstrakte und hochgradig abstrahierende Repräsentationen gekennzeichnet werden, worin auch ihre<br />
vielseitige Verwendbarkeit begründet liegt. Die Ausdrucksmächtigkeit bzw. Expressivität von<br />
Graphen ist demnach sehr hoch (Stenning & Oberlander, 1995).<br />
19
Kapitel 1 - Das Potenzial von Graphen<br />
Benötigte<br />
Zeit in<br />
Sek.<br />
Zurückgelegte<br />
Distanz<br />
in Metern<br />
Objekt A Objekt B<br />
0 0,00 0,0<br />
1 4,50 8,25<br />
2 9,00 16,50<br />
3 13,50 24,75<br />
4 18,00 33,00<br />
5 22,50 37,25<br />
6 27,00 41,50<br />
7 31,50 45,75<br />
8 36,00 50,00<br />
Zurückgelegte Distanz<br />
in Metern<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
Objekt A<br />
Objekt B<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Zeit in Sekunden<br />
Abbildung 1-5: Repräsentation der Bewegung von zwei unterschiedlich schnellen Objekten in einer tabellarischen<br />
und einer graphischen Repräsentation.<br />
Im Vergleich zu Tabellen oder Balkendiagrammen fokussieren Graphen den Betrachter auf Zusammenhänge<br />
höherer Ordnung, da die Aufmerksamkeit des Betrachters unwillkürlich auf die Gestalt und<br />
Anordnung der Datenpunkte im Raum gelenkt wird. Am Beispiel einer Graphik und einer Tabelle mit<br />
Messwerten 7 soll dies verdeutlicht werden.<br />
In Abbildung 1-5 ist eine Wertetabelle mit den Messwerten für die <strong>zur</strong>ückgelegt Distanz, die benötigte<br />
Zeit von zwei sich bewegenden Objekten sowie die entsprechende Repräsentation dieser in einem<br />
Koordinatensystem dargestellt. Beide Formen sind auf der Basis der präsentierten Informationen für<br />
den geübten Graphenleser äquivalent, unterscheiden sich jedoch im Hinblick auf ihre Verarbeitungseffizienz<br />
deutlich 8 . Während aus der tabellarischen Repräsentation einzelne Wertepaare genauer<br />
abgelesen werden können, lassen sich verallgemeinernde Aussagen über den Verlauf der Geschwindigkeit<br />
oder die maximal <strong>zur</strong>ückgelegte Distanz einfacher mit Hilfe der graphischen Repräsentation<br />
treffen. Ebenso sollten die Beziehungen zwischen den beiden Messreihen, die durch die Lage der<br />
beiden Graphlinien zueinander repräsentiert wurden, leichter entdeckt und erinnert werden, da sie <strong>als</strong><br />
visuelles Muster erinnert werden können. Weiterhin kann aus der tabellarischen Repräsentation<br />
anhand der ersten Messwerte zwar geschlussfolgert werden, dass sich Objekt B schneller <strong>als</strong> Objekt A<br />
bewegte. Dass Objekt B im zweiten Abschnitt jedoch genauso schnell wie Objekt A war, wird nur aus<br />
der graphischen Repräsentation sofort deutlich. Aus der tabellarischen Repräsentation müsste dies erst<br />
mühevoll errechnet werden. In der graphischen Repräsentation lassen sich außerdem weitere hypothetische<br />
Messwerte mit Hilfe der Graphlinie leichter interpolieren. Graphen bieten im Vergleich zu<br />
Tabellen vor allem die Möglichkeit, von den konkreten Gegebenheiten zu abstrahieren, so dass<br />
7 Tabellen weisen ein gewisses Maß an Strukturerhalt sowie räumlicher Nutzung für die Darstellung auf,<br />
weshalb sie hier <strong>als</strong> visuell-räumliche Repräsentationsform aufgefasst werden. Zieht man jedoch die Einsichten<br />
Bertins <strong>zur</strong> Klassifikation von Repräsentationen heran, stellt eine Tabelle keine visuelle Repräsentationsform<br />
dar, sondern eine auditive, da sie auf eine lineare Art und Weise verarbeitet wird.<br />
8 So ist Wainer (1992) der Ansicht: „Getting information from a table is like getting sunlight from a cucumber“.<br />
20
Kapitel 1 - Das Potenzial von Graphen<br />
strukturelle Zusammenhänge sichtbar werden. Allerdings sind Einzelinformationen aus Graphen<br />
weniger genau ablesbar <strong>als</strong> aus Tabellen.<br />
Im Hinblick auf Problemlöseprozesse ist der Graph ein geeignetes Werkzeug <strong>zur</strong> Exploration von<br />
unbekannten Situationen und funktionalen Zusammenhängen in neuen Inhaltsbereichen. Sind<br />
beispielsweise die zentralen Merkmale des Graphen, wie der Achsenabschnitt der Y-Achse und die<br />
Steigung, dem Lernenden aus dem Bereich Geschwindigkeit bekannt, wobei die Steigung in einem<br />
Weg-Zeit-Graphen die Geschwindigkeit und der Y-Achsenabschnitt einen Vorsprung einer Person<br />
repräsentiert, können in einem neuen Kontext gezielt die Bedeutungen dieser graphischen Merkmale<br />
exploriert werden.<br />
Angewandt auf ein Gewichts-Volumen-Diagramm wird dadurch deutlich, dass die Steigung des<br />
Graphen die Dichte repräsentiert, während sich der Achsenabschnitt des Graphen auf keine inhaltliche<br />
Größe mappen lässt. Stattdessen kann die fehlende Entsprechung des Achsenabschnitts in diesem<br />
Kontext evident machen, dass Gewicht ohne Volumen nicht existiert, ebenso wenig wie Volumen<br />
ohne Gewicht. Um diese Bezüge herstellen zu können, wie es auch <strong>zur</strong> Lösung der Aufgabe aus der<br />
TIMSS-Untersuchung nötig ist, die in der Einleitung dieses Kapitels vorgestellt wurde, muss<br />
grundlegendes Wissen über die Repräsentationsform vorhanden sein.<br />
Katja kauft sich ein Handy. Ihr werden unterschiedliche Tarife angeboten:<br />
Normaltarif N: Monatsgrundpreis 10,95 €, Gesprächskosten pro Minute 0,15 €,<br />
sekundengenaue Abrechnung<br />
Spezialtarif S: Monatsgrundpreis 0 €, Gesprächskosten pro Minute 0,39 €,<br />
sekundengenaue Abrechnung<br />
a) Wie teuer ist ein Gespräch im Spezialtarif S, das zwei Minuten und 30 Sekunden dauert?<br />
b) Welcher der folgenden Graphen zeigt den Normaltarif N? Begründe deine Entscheidung.<br />
Abbildung 1-6: Aufgabenstellung aus den vorläufigen Standards der Kultusministerkonferenz für die 9.<br />
Klassenstufe (2004).<br />
Das heißt, die einzelnen visuellen Bestandteile und ihre potenziellen inhaltlichen Bedeutungen müssen<br />
dem Betrachter bekannt sein. So muss dieser verstanden haben, dass die Steigung des Graphen eine<br />
Integration der beiden an den Achsen dargestellten Größen darstellt, während der Achsenabschnitt<br />
(auf der X- oder Y-Achse) eine davon unabhängig variierende Basisrate oder –menge darstellt.<br />
21
Kapitel 1 - Das Potenzial von Graphen<br />
Ist dieses Wissen von Graphen <strong>als</strong> Werkzeug vorhanden, sollten sich Aufgaben, wie die in Abbildung<br />
1-6 dargestellte, blitzschnell durch eine graphische Repräsentation des Problems anstatt durch eine<br />
aufwändige mathematische Modellierung lösen lassen. 9<br />
1.4 Zusammenfassung<br />
Die Intention dieses Abschnittes war es, visuell-graphische Repräsentationsformen zu definieren und<br />
zu kategorisieren. Dabei wurden visuell-graphische Repräsentationen unter Bezug auf verschiedene<br />
theoretische Konzeptionen charakterisiert sowie von anderen Repräsentations- oder Zeichensystemen<br />
abgegrenzt. Weiterhin wurde ausgeführt, welche Funktionen visuelle Repräsentationen für den Erwerb<br />
von Wissen und die Gestaltung von Wissenserwerbsprozessen erfüllen können. Diese Funktionen<br />
konnten vor allem auf die inhaltliche und diskursive Strukturierung von Problemsituationen, Texten<br />
und Wissenserwerbsprozessen durch die visuelle Repräsentationsform <strong>zur</strong>ückgeführt werden. Es<br />
wurde ausgeführt, dass der Vorteil von vorgegebenen visuellen Darstellungen für das Verständnis von<br />
instruktionalen Texten sowohl von der Gestaltung der Repräsentation und des Textes <strong>als</strong> auch vom<br />
Vorwissen des Lernenden sowie der Passung von Abbildung und Instruktionsziel abhängt. Für die<br />
vermittelnde Funktion von Repräsentationen bei Transfer von Wissen und Problemlösungen scheint<br />
vor allem das Repräsentieren von Inhalten durch den Lernenden eine zentrale Rolle zu spielen.<br />
Abschließend wurde der Graph einer linearen Funktion <strong>als</strong> eine zentrale visuell-graphische Repräsentationsform<br />
gekennzeichnet. Im nächsten Kapitel werden dazu zwei Theorien des Graphenverständnisses<br />
dargestellt, die <strong>zur</strong> Beschreibung des notwendigen Wissens über Graphen herangezogen werden<br />
können. In Kapitel 3 wird eine Bestandsaufnahme der empirischen Befunde zum Graphenverständnis<br />
sowie von Ansätzen <strong>zur</strong> Vermittlung dieses Wissens vorgenommen.<br />
9 In diesem Beispiel repräsentiert der Achsenabschnitt den Monatsgrundpreis und die Steigung des Graphen die<br />
Kosten pro Minute.<br />
22
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
2. Theoretische Ansätze zum Graphenverständnis<br />
Wie wir Graphen verstehen und welche Prozesse beteiligt sind, darüber existiert keine einheitliche<br />
Theorie. Es gibt lediglich verschiedene theoretische Ansätze und Modelle, die bislang jedoch noch<br />
nicht in eine übergreifende Theorie integriert wurden. Diese theoretischen Ansätze unterscheiden sich<br />
darin, welche Art der internen Wissensrepräsentation und Wissensverarbeitung angenommen wird.<br />
Während eine Klasse von Modellen rein propositionale Repräsentationen und in Folge dessen auch<br />
propositionale Prozesse der Wissensverarbeitung annimmt (Freedman & Shah, 2002; Lohse, 1993;<br />
Pinker, 1990), gehen andere Modelle auch von visuell-räumlichen Prozessen, sog. spatial reasoning,<br />
und Repräsentationen aus, die räumlichen Transformationen wie beispielsweise mentaler Rotation<br />
eine wichtige Rolle zuschreiben (Pisan, 1995; Simkin & Hastie, 1987) 10 . Ein weiteres Unterscheidungsmerkmal<br />
der theoretischen Modelle besteht darin, inwieweit sie davon ausgehen, dass bei der<br />
Interpretation und Informationsextraktion Wissen über den repräsentierten Inhalt beteiligt ist. So<br />
gehen Freedman und Shah (2002) in Anlehnung an das Modell des Textverstehens von Kintsch<br />
(Kintsch & Van Dijk, 1978) von einer Beteiligung von Wissen über den Inhaltsbereich bei der<br />
Erstellung der Gesamtrepräsentation aus. Das Modell von Pinker (1990) dagegen vernachlässigt diese<br />
Komponente. Das Modell von Gattis (2002) nimmt auf der Basis der Strukturmapping-Theorie des<br />
Analogen Denkens (Gentner, 1983) ebenfalls inhaltliches Wissen an.<br />
Weitere Theorien, die im Umfeld des Graph-Designs angesiedelt sind, analysieren, wie Graphen<br />
gestaltet sein müssen, damit sie von unserem kognitiven System effizient und fehlerfrei verarbeitet<br />
werden können (z. B. Bertin, 1983; Kosslyn, 1989). Allerdings liegt dabei der Fokus der Betrachtung<br />
nicht auf den Prozessen der Informationsverarbeitung selbst. Da die vorliegende Arbeit nicht das Ziel<br />
verfolgt, verschiedene Modelle bzw. Theorien des Graphenverständnisses gegeneinander zu testen,<br />
sollen hier lediglich zwei Modelle exemplarisch vorgestellt werden, die einen Beschreibungsansatz für<br />
die Schwierigkeiten der Interpretation von Graphen liefern. Diese sind das Modell von Pinker (1990)<br />
und das Modell von Gattis (2002).<br />
Sowohl die Theorie von Pinker <strong>als</strong> auch das Modell von Gattis basieren auf schematheoretischen<br />
Annahmen (Mandler, 1984). Danach ist relevantes Wissen in Schemata in einer strukturierten Art und<br />
Weise gespeichert und kann bei Bedarf abgerufen werden. Hierbei werden das Symbol und seine<br />
inhaltliche Bedeutung zunächst getrennt betrachtet und entweder durch Schemata oder Strukturmapping-Prozesse<br />
zueinander in Beziehung gestellt. Für jedes Modell wird herausgearbeitet, was sich<br />
daraus für den Erwerb von Wissen über graphische Repräsentationsformen schlussfolgern lässt.<br />
10 Diese Unterscheidung bezieht sich nur auf die so genannten späten Prozesse der Informationsverarbeitung,<br />
nachdem bereits eine abstrakte interne Repräsentation des visuellen Inputs gebildet wurde. Bei früheren<br />
Stufen der Verarbeitung sind räumliche Prozesse aufgrund der visuell-räumlichen Beschaffenheit des Stimulusmateri<strong>als</strong><br />
natürlich beteiligt.<br />
23
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
2.1. Schema-Theorie von Pinker<br />
Die Schematheorie zum Diagrammverständnis von Pinker (1990) bezieht sich vor allem auf zwei<br />
kognitionspsychologische Theorien: die Wahrnehmungstheorie von Marr (1982) und die Schematheorie<br />
von Mandler (1984). Nach der Schematheorie ist das Wissen über Diagramme im Diagrammschema<br />
gespeichert. Hier ist spezifiziert, anhand welcher physikalischen Dimensionen für einen jeweiligen<br />
Diagrammtyp Aussagen über bestimmte Variablen gemacht werden können. So können im Balkendiagramm<br />
Informationen anhand der Höhe der Balken getroffen werden und nicht auf der Basis der<br />
Farbgebung oder der Abstände zwischen den Balken. Demnach spezifiziert das Balkendiagrammschema,<br />
dass der höchste Wert in einem Balkendiagramm anhand des höchsten Balkens abgelesen<br />
werden kann. Das Schema erkennt <strong>als</strong>o, welche Art von Graph gerade vorliegt, so dass neben dem<br />
allgemeinen Diagrammschema spezielle Schemata für unterschiedliche Diagrammtypen postuliert<br />
werden. Außerdem helfen sie dem Betrachter zu identifizieren, welche Merkmale bei der zu beantwortenden<br />
Frage und dem vorliegenden Graphentyp von Bedeutung sind. Damit haben sie ebenfalls eine<br />
wahrnehmungsleitende Funktion.<br />
Bevor dieses Schema jedoch instanziiert werden kann, wird zunächst durch einen Verarbeitungsprozess<br />
das visuelle Feld bzw. dessen Abbildung auf der Netzhaut in eine propositionale Repräsentation<br />
des Bildes, die visuelle Beschreibung (visual description), transformiert, die im Arbeitsgedächtnis<br />
gespeichert wird (siehe Prozessdiagramm in Abbildung 2-1). Dieser Prozess wird oft <strong>als</strong> einfacher<br />
Mustererkennungsprozess (pattern recognition) beschrieben und ist durch die internen Voreinstellungen<br />
und Limitationen unseres kognitiven Systems eingeschränkt. Gleichfalls wird der Verlauf dieses<br />
Prozesses stark durch die Merkmale des Diagramms beeinflusst, wie zum Beispiel seine Komplexität<br />
oder die Gruppierung der einzelnen Bestandteile. So ist aus wahrnehmungspsychologischen Experimenten<br />
<strong>zur</strong> Mustererkennung bekannt, dass bestimmte Merkmale, wie Farbe, Schattierung und die<br />
Länge von Linien, sog. visual primitives, sofort kodiert werden, während andere Merkmale, wie<br />
geometrische Formen, Flächen oder die Krümmung von Kurven, eine geringere Wahrscheinlichkeit<br />
haben, durch diese Mustererkennungsprozesse enkodiert zu werden und erst durch weitere serielle<br />
Scanning-Prozesse spezifiziert werden (Lohse, 1997). Pinker zufolge kann die spontane Enkodierwahrscheinlichkeit<br />
von zunächst nicht spontan enkodierten visuellen Merkmalen jedoch durch Übung<br />
erhöht und schließlich auch automatisiert werden.<br />
24
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Early<br />
Visual<br />
Processes<br />
Visual<br />
Encoding<br />
Processes<br />
Message<br />
Assembly<br />
Conceptual<br />
Message<br />
Recognition<br />
Visual<br />
Array<br />
Visual<br />
Description<br />
Match<br />
Instantiated<br />
Schema<br />
Inferential<br />
Processes<br />
Graph<br />
Schema<br />
Interrogation<br />
Conceptual<br />
Question<br />
Encoding<br />
Perception<br />
Working Memory<br />
Long-Term Memory<br />
Abbildung 2-1: Schematisches Modell der Verarbeitung von Informationen bei der Interpretation von Graphen<br />
nach Pinker (adaptiert von Lohse, 1997).<br />
Auf der Grundlage dieser internen propositionalen Repräsentation des Diagramms wird über Matchingprozesse<br />
aus dem Langzeitgedächtnis das spezielle Diagrammschema ausgewählt, auf welches<br />
die visuelle Beschreibung am besten passt. Dieses Schema speichert die jeweiligen relevanten<br />
Eigenschaften eines Diagrammtyps sowie die prototypischen Ausprägungen dieser Merkmale (sog.<br />
Defaultwerte). Während die Defaultwerte benötigt werden, um einen bestimmten Graphentypen zu<br />
erkennen, spezifizieren die Leerstellen (sog. slots), welche Ausprägungen dieser Merkmale in der zu<br />
interpretierenden Graphik gegeben sind. Das Graphenschema wird dadurch mit den Informationen aus<br />
der visuellen Beschreibung angereichert (z. B. Länge des Balkens = 5). Dieses stellt wiederum die<br />
Datengrundlage dar, auf deren Basis die interpretationsrelevanten Fragen beantwortet werden. Dies<br />
wird durch die konzeptuellen Fragen (conceptual messages) geleistet, die das instanziierte Graphenschema<br />
abfragen und dann die konzeptuellen Antworten (conceptual answers) generieren. Können die<br />
benötigten Informationen nicht direkt aus dem Schema ausgelesen werden, leitet das Graphenschema<br />
weitere Abfrage- und Inferenzprozesse an (Lohse, 1997).<br />
Wie aus Abbildung 2-1 ersichtlich, arbeiten vier grundlegende Prozesse auf der Basis der propositionalen<br />
Repräsentation:<br />
• ein Matchingprozess, mit dessen Hilfe festgestellt wird, welcher Diagrammtyp vorliegt<br />
• ein Message-Assembly–Prozess, der <strong>zur</strong> Zusammensetzung bzw. Übersetzung der Bildinformationen<br />
in die konzeptuellen Aussagen führt<br />
• ein Inferenzprozess, der auf der Basis der konzeptuellen Frage identifiziert, welche graphischen<br />
Merkmale betrachtet werden müssen<br />
• ein weiterer Abfrageprozess (interrogation process), bei dem die Merkmale der graphischen<br />
Darstellung ausgelesen werden, die vorher durch den Inferenzprozess identifiziert wurden.<br />
Wird beispielsweise zu einem Weg-Zeit-Graphen die Frage gestellt, welches von zwei Autos zum<br />
Zeitpunkt nach 5 Minuten den weitesten Weg <strong>zur</strong>ückgelegt hat, wird zunächst die visuelle Szene<br />
kodiert und auf das Graphenschema für Liniengraphen gematcht. Dieses wird mit den Werten aus der<br />
25
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Graphik für die im Schema spezifizierten Merkmale angereichert, so dass beispielsweise die Leerstelle<br />
für das Merkmal „höchste Ausprägung der Y-Variable“ mit dem dafür vorliegenden Wert aus der<br />
Graphik aufgefüllt wird. Weiterhin wird die Bezeichnung der Y-Variablen durch die Achsenbeschriftung<br />
damit in Beziehung gesetzt. Für weitere im Graphenschema gespeicherte Merkmale, wie<br />
beispielsweise die höchste Ausprägung der X-Variable oder den Schnittpunkt des Graphen mit einer<br />
der Achsen werden die entsprechenden Werte vom Schema ebenfalls ausgelesen und gespeichert. Um<br />
die gestellte Frage zu beantworten, werden nun die entsprechenden Werte für das Merkmal „höchste<br />
Ausprägung für Weg“ aus dem Graphenschema abgelesen. So kann die konzeptuelle Antwort<br />
bereitgestellt werden, die abschließend in eine sprachliche Aussage umgewandelt wird.<br />
Wird dagegen für ein Weg-Zeit-Graphen nach der Geschwindigkeit der beiden Autos oder deren<br />
Verhältnis zueinander gefragt, kann diese Information zunächst nicht aus dem Graphenschema<br />
ausgelesen werden, da Geschwindigkeit nicht explizit in der Graphik indiziert ist. Stattdessen muss die<br />
gesuchte Information nach diesem Modell über Inferenzprozesse konstruiert werden. In diesem Fall<br />
müssten dazu die im Graphenschema vorhandenen Informationen über den <strong>zur</strong>ückgelegten Weg und<br />
die benötigte Zeit miteinander in Beziehung gesetzt werden. Pinker räumt jedoch ein, dass diese<br />
Inferenzprozesse durch Übung automatisiert werden können, so dass die Steigung der Graphen<br />
ebenfalls spontan enkodiert wird. Allerdings lässt er offen, wie dieses Merkmal mit seiner inhaltlichen<br />
Interpretation in Beziehung gebracht werden kann, da inhaltliches Wissen in seinem Modell keine<br />
Rolle spielt. Eine Antwort auf diese Frage gibt das Structure-Mapping-Modell von Gattis, welches im<br />
Abschnitt 2.2 beleuchtet wird.<br />
Empirische Belege für eine Existenz von Graphenschemata lassen sich aus den Ergebnissen einer<br />
Studie von Tversky und Schiano (1989) ableiten. In diesem Experiment wurden Versuchspersonen<br />
Linien unter zwei Bedingungen präsentiert: mit dem Hinweis, dass es sich dabei um Karten oder<br />
Graphen handele. Es zeigte sich, dass aus der Erinnerung der Versuchspersonen gezeichneten Linien<br />
in der Graphbedingung signifikant häufiger einer 45-Grad-Linie ähnelten. Dies wurde von den<br />
Autoren <strong>als</strong> ein Beleg für ein Graphenschema mit einem entsprechenden Defaultwert interpretiert.<br />
Weitere Hinweise auf eine schemabasierte Repräsentation von Wissen über Graphen und andere<br />
Diagramme im Vergleich zu einer rein beispielbasierten Repräsentation liefert eine Serie von Studien<br />
von Novick, Hurley und Francis (1999). Obwohl einige computationale Modellierungen vorliegen, die<br />
auf dem Modell von Pinker aufbauen (siehe Lohse, 1997), ist dieses Modell empirisch wenig<br />
abgesichert. Eine Modellierung des Pinker-Modells von Trickett und Mitarbeitern zeigte zudem, dass<br />
dieses Modell nur Interpretationen von relativ einfachen Graphen und weniger von komplexen<br />
Diagrammen erklären konnte. Es kann vermutet werden, dass dies vor allem auf das Fehlen von<br />
inhaltlichem Wissen im Modell <strong>zur</strong>ückzuführen ist, welches für die Interpretation von komplexen<br />
Graphen bedeutsam ist (Freedman & Shah, 2002; Trickett, Ratwani, & Trafton, under review).<br />
Auch wenn Pinker einige Aussagen zum Erwerb von Fertigkeiten bei der Interpretation von Graphen<br />
anführt, lassen sich aus diesem Modell wenig konkrete Aussagen für die Gestaltung von Instruktionen<br />
26
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
ableiten. So sollen sich die speziellen Schemata aus dem allgemeineren Schema entwickeln. Die<br />
Effizienz eines Graphenlesers bestimmt sich nach dieser Theorie aus dem Vorhandensein von<br />
spezifischen Mappings, in dessen Schemata und der spontanen visuellen Enkodierwahrscheinlichkeit<br />
der einzelnen visuellen Merkmale. Einerseits kann <strong>als</strong>o die Enkodierwahrscheinlichkeit von Merkmalen<br />
durch Übung erhöht werden, andererseits kann das Schema mit spezifischen Mappings angereichert<br />
werden. Pinker sieht dafür folgende Möglichkeiten: Durch explizite Instruktion werden<br />
spezifischen Mappings (z. B. Steigung = integrierte Variable) gelehrt, wobei er jedoch das Transferpotenzial<br />
selbst <strong>als</strong> gering einschätzt. Es kann aber auch ein „visuelles Parsing“ des Graphen trainiert<br />
werden, d. h. wie der Graph am günstigsten zu lesen und einzuteilen ist. Außerdem können durch<br />
Übung die Enkodierprozesse automatisiert werden, so dass auch die Enkodierwahrscheinlichkeit von<br />
bestimmten visuellen Merkmalen erhöht wird. Die wichtigste Komponente scheint ihm jedoch die<br />
Erfahrung im Plotten von Graphen zu sein, wobei in diesem Fall Mappings über Kovariationen im<br />
Stimulusmaterial durch Induktion und Deduktion gelernt werden können. Unklar bleibt jedoch, wie<br />
fehlerhafte Schemata korrigiert oder ergänzt werden sollen, da jede Interpretation von Graphen diese<br />
Schemata wieder aktivieren sollte. Die im nächsten Kapitel erörterten Fehlvorstellungen von Schülern<br />
legen nahe, dass bei der Interpretation von Graphen auch inhaltliches Wissen eine Rolle spielt,<br />
welches im Pinkermodell jedoch nicht integriert wurde.<br />
2.2 Das Structure-Mapping-Modell von Gattis<br />
Während Pinker nicht davon ausgeht, dass Inhaltswissen über den im Graphen dargestellten Inhaltsbereich<br />
bei der Interpretation eine Rolle spielt, räumt Gattis dieser Komponente eine wesentliche<br />
Funktion ein (Gattis, 2001, 2002; Gattis & Holyoak, 1996). Ihrer Ansicht nach wird bei der Grapheninterpretation<br />
ein Graphenschema mit einem Inhaltsschema in Beziehung gesetzt bzw. es werden<br />
beide aufeinander gemappt. Der Prozess dieses Mappings soll dabei automatisch nach dem Strukturmapping-Prozess<br />
von Gentner (1983; Gentner & Markman, 1997) ablaufen. Da das Modell von<br />
Gentner im Detail in Kapitel 4.3.1 besprochen wird, soll an dieser Stelle nur ein Abriss gegeben<br />
werden.<br />
Gentners Theorie der Strukturabbildung bei analogen Denkprozessen geht davon aus, dass Repräsentationen<br />
verschiedener, in sich strukturierter Inhaltsgebiete nach drei Prinzipien zueinander in Beziehung<br />
gesetzt werden. Dabei wird sowohl die Strukturinformation bewahrt, so dass Elemente höherer<br />
Ordnung nur auf Elemente von ebenfalls hoher Ordnung gemappt (Prinzip der Eins-zu-eins-<br />
Mappings) und inhaltlich ähnliche Relationen zwischen Elementen höherer und geringerer Ordnung<br />
zueinander in Beziehung gesetzt werden können (Prinzip der parallelen Konnektivität). Als letztes<br />
Prinzip werden bevorzugt Systeme von Informationen aufeinander gemappt, die möglichst viele<br />
Übereinstimmungen in den einzelnen Elementen <strong>als</strong> auch in den Relationen zwischen den Elementen<br />
aufweisen (Prinzip der Systematizität).<br />
27
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Übertragen auf die Interpretation von Graphen nimmt Gattis an, dass zum einen die Anzahl und die<br />
Strukturierung der einzelnen Elemente im Graph und dem dargestellten Inhaltsbereich und zum<br />
anderen die Relationen zwischen den einzelnen Elementen übereinstimmen. So stellt die Geschwindigkeit<br />
ein Verhältnis aus <strong>zur</strong>ückgelegtem Weg und dafür benötigter Zeit dar, während die Steigung<br />
des Graphen ebenfalls <strong>als</strong> ein Verhältnis von Höhe und Weite des Graphen aufgefasst werden kann, so<br />
dass der <strong>zur</strong>ückgelegte Weg auf das Graphenmerkmal Höhe, die benötigte Zeit auf das Merkmal<br />
Weite und die Geschwindigkeit auf das Merkmal Steigung gemappt werden kann (siehe Abbildung<br />
2-2). Die Länge des Graphen lässt sich zwar mit Hilfe des Satzes des Pythagoras aus der gegebenen<br />
Höhe und Weite des Graphen berechnen. Für die dadurch spezifizierte Relation zwischen den drei<br />
Graphenvariablen (Länge 2 = Höhe 2 + Weite 2 ), sollte es jedoch keine korrespondierende Relation im<br />
System der inhaltlichen Variablen geben. Daher sollte das Merkmal Länge nicht in das Mapping mit<br />
einbezogen werden. Ausgehend von den Befunden zum slope-mapping-constraint geht Gattis davon<br />
aus, dass dieses Mapping von graphischen auf inhaltliche Merkmale spontan und automatisiert abläuft,<br />
d. h. durch den Strukturmappingprozess (bzw. die structure mapping engine in Gentners Terminologie)<br />
werden die einander entsprechenden Elemente automatisch aufeinander gemappt.<br />
Steigung<br />
Geschwindigkeit<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
Höhe<br />
Weite<br />
Weg<br />
Zeit<br />
Abbildung 2-2: Strukturmapping von inhaltlichem Schema und Graphenschema nach Gattis (2001).<br />
Um ihre Annahmen zu belegen, brachte Gattis (2002) Kindern, die bisher keine Erfahrungen mit<br />
Graphen gemacht hatten, bei die Variablen Zeit und Distanz auf die Achsen des Koordinatensystems<br />
zu mappen, entweder in konventioneller Richtung mit einer größeren Distanz am oberen Ende der Y-<br />
Achse oder aber in umgekehrter Richtung mit der größeren Distanz am unteren Ende. Wurden die<br />
Kinder anschließend danach gefragt, welcher von zwei Graphen die größere Geschwindigkeit<br />
repräsentiert, orientierten sie ihre Antwort nicht an der Höhe der Graphen (denn bei dem nichtkonventionellem<br />
Mapping ist der höhere Graph auch der weniger steile), sondern an der Steigung der<br />
Graphen. Dies wurde von Gattis <strong>als</strong> Beleg dafür gewertet, dass im Umgang mit Graphen noch<br />
unerfahrene Kinder bereits Mappings nach der zugrundeliegenden Struktur vornehmen, in diesem<br />
28
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Falle <strong>als</strong>o die konzeptuelle Relation Geschwindigkeit, die sich aus Weg und Zeit zusammensetzt, auf<br />
die räumliche Relation Steigung mappen, welche ebenfalls die Integration von Werten aus der<br />
vertikalen und horizontalen Dimension darstellt. Wie eine Studie von Koerber und Stern (1999) jedoch<br />
belegen konnte, ist es wahrscheinlicher, dass die Kinder sich eher an dem Oberflächenmerkmal Länge<br />
der Graphlinie orientierten. In der Studie von Gattis war die Länge des Graphen mit Steigung<br />
konfundiert, d. h. eine größere Steigung war immer mit einem längeren Graphen assoziiert. Koerber<br />
konnte zeigen, dass Kinder bis zu einem Alter von ungefähr 10 Jahren überzufällig häufig den<br />
längeren Graphen anstelle des steileren wählten, während Kinder über 10 Jahren sich nach einem<br />
Zufallsmuster für eines der beiden Merkmale entschieden. Dies kann so interpretiert werden, dass sich<br />
die Kinder der Unangemessenheit der Längenstrategie zunehmend bewusst wurden, jedoch noch keine<br />
andere zum Erfolg führende Strategie parat hatten. Andererseits kann aus diesen Befunden jedoch<br />
auch geschlussfolgert werden, dass Zehnjährige bzw. noch jüngere Kinder das Steigungsmapping,<br />
wonach Informationen über die Rate der Veränderung anhand der Steigung abgelesen werden können,<br />
noch nicht entwickelt haben.<br />
Obwohl demnach nicht empirisch nachgewiesen wurde, dass unser kognitives System spontan und<br />
automatisch Mappings von räumlichen auf inhaltliche Variablen nach dem Prinzip des Strukturmappings<br />
vornimmt, macht Gattis (2001) Annahmen über die Art solcher Mappings, die Menschen<br />
bevorzugt vornehmen, die <strong>zur</strong> Charakterisierung der Fehlvorstellung herangezogen werden können<br />
und daher an dieser Stelle beleuchtet werden sollen. Unter den Mappings, die ein Betrachter vornehmen<br />
muss, kann man zunächst zweierlei verstehen. Erstens die Zuordnung von konzeptuellen<br />
Variablen auf die verschiedenen Dimensionen des Graphen, <strong>als</strong>o die horizontale und vertikale Achse,<br />
und zweitens die Zuordnung von einzelnen Merkmalen des Graphen, wie Schnittpunkt, Steigung oder<br />
Achsenabschnitt, zu bestimmten Konzepten der Inhaltsdomäne, bei einem Weg-Zeit-Graphen<br />
dementsprechend Treffpunkt, Geschwindigkeit und Vorsprung, wobei das zweite Mapping eine<br />
direkte Folge des ersten darstellt. Tversky und Mitarbeiter (Tversky, Kugelmass, & Winter, 1991)<br />
konnten in einer interkulturellen Studie zeigen, dass es für diese erste Art von Mappings starke<br />
Präferenzen gibt, die durch unsere kulturellen Erfahrungen geprägt sind. So mappen Kinder des<br />
arabischen Kulturkreises nach Erwerb der Schriftsprache die inhaltliche Variable Zeit auf die vertikale<br />
Dimension von unten nach oben, während Kinder westlicher Prägung eine horizontale Links-Rechts-<br />
Orientierung bevorzugten, welche offensichtlich die Richtung des Schreibens in beiden Kulturen<br />
widerspiegelt.<br />
Nach Gattis gibt es vier Einschränkungen, denen unser kognitives System unterliegt und die den<br />
Prozess dieser Mappings von räumlichen auf konzeptuelle Variablen beeinflussen: Ikonizität,<br />
Assoziationen, Polaritäten und strukturelle Ähnlichkeit. Jede dieser Einschränkungen führt zu einer<br />
bestimmten Klasse von Mappings, die durch eine bestimmte Art der Ähnlichkeit zwischen beiden<br />
Variablen und dem Grad an Abstraktion des Mappings gekennzeichnet ist. Ikonizität bezeichnet<br />
hierbei die Tendenz, Oberflächenmerkmale <strong>zur</strong> Beschreibung heranzuziehen, wobei das räumliche<br />
29
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Mapping gewisse perzeptuelle Merkmale der Situation oder des Objekts beibehält. Beispiele hierfür<br />
sind sowohl Zeichnungen <strong>als</strong> auch Karten und ikonische Symbole.<br />
Ein Mapping nach Assoziationen ist weniger durch visuelle Ähnlichkeit <strong>als</strong> durch einen gewissen Grad<br />
an Abstraktion gekennzeichnet. Symbol und Objekt sind durch semantische Assoziationen miteinander<br />
verbunden (z. B. das altägyptische Zeichen für kühl, das eine Abbildung von Wasser, das aus einer<br />
Vase gegossen wird, darstellt). Auch die meisten Mappings von konzeptuellen Variablen auf die<br />
Koordinatenachsen fallen in diese Kategorie. Tversky et al. (1991) fanden sowohl für Erwachsene <strong>als</strong><br />
auch für Kinder eine starke Präferenz Mengen, <strong>als</strong>o Quantitäten, entlang der vertikalen Dimension<br />
abzutragen, wobei in Übereinstimmung mit ihrer gedachten räumlichen Ausdehnung größere Mengen<br />
auch weiter oben auf der Y-Achse platziert wurden. Diese Art von Mapping basiert <strong>als</strong>o auf einer<br />
bereits aus Erfahrung bekannten Paarung von Eigenschaften und Objekten.<br />
Ein Mapping nach Polarität dagegen orientiert sich an der zugrundeliegenden Ordnung der perzeptuellen<br />
und konzeptuellen Merkmale. Aus linguistischer Sicht gibt es eine asymmetrische Polarität der<br />
semantischen Dimensionen, wobei ein Ende der Dimension bezeichnet (marked) und das andere<br />
unbezeichnet (unmarked) ist. Das unbezeichnete Ende, meistens mit einer positiven Konnotation,<br />
bezeichnet dabei die Dimension (z. B. gut - Güte), während das unbezeichnete Ende nur in Relation zu<br />
dem unbezeichneten Ende verstanden wird („schlecht“ <strong>als</strong> Gegenpol zu „gut“ auf der Dimension<br />
„Güte“). Verschiedene Autoren haben argumentiert, dass diese asymmetrische Polarität der linguistischen<br />
Struktur in der ebenfalls asymmetrischen Struktur des wahrgenommenen Raumes 11 fest<br />
verwurzelt ist (Lakoff & Johnson, 1980; Tversky et al., 1991), so dass sich auch abstrakte Mappings<br />
an dieser Raumstruktur und nicht nur an gelernten Assoziationen oder ikonischen Abbildungsbeziehungen<br />
orientieren.<br />
Als letzte und abstrakteste Form der Mappings postuliert Gattis Mappings basierend auf der Ähnlichkeit<br />
von Verhältnisstrukturen. Demnach werden Elemente auf Elemente gemappt, Relationen mit<br />
Relationen und Beziehungen höherer Ordnung ebenfalls mit Beziehungen höherer Ordnung in<br />
Übereinstimmung gebracht, wie es in Gentners Strukturmapping-Theorie der Analogiebildung<br />
angenommen wird. Obwohl die Darstellung von Informationen im Graphen Konventionen unterliegt,<br />
gibt es demnach Voreinstellungen unseres kognitiven Systems, welche es bei der Erstellung von<br />
Graphen zu beachten gilt, die aber auch unsere Fähigkeiten, Informationen aus Graphen zu gewinnen,<br />
fundamental einschränken können. Es kann angenommen werden, dass sich die Konventionen des<br />
Zeichnens von Graphen im Einklang mit diesen Einschränkungen der Wahrnehmung entwickelt<br />
haben, um die Informationsverarbeitung zu erleichtern.<br />
Wie schon bei Pinkers Theorie lassen sich auf der Basis des Modells von Gattis kaum Aussagen über<br />
den Erwerb neuer Mappings machen. Dass die von ihr postulierten Mappings auf der Basis von<br />
11 Von den drei räumlichen Ebenen links-rechts, oben-unten und vorn-hinten haben die letzten beiden ebenfalls<br />
eine asymmetrische Natur, die experimentell nachgewiesen werden konnte (D. Bryant, Tversky, & Franklin,<br />
1992).<br />
30
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
Verhältnisstrukturen nicht automatisch gezogen werden, sondern erst erlernt werden müssen, konnte<br />
die Studie von Koerber (1999) zeigen. Dass Mappings dennoch hochautomatisiert ablaufen können,<br />
zeigen die Studien von Gattis und Holyoak (1996) zum slope-mapping-constraint. Diese Autoren<br />
konnten zeigen, dass die Genauigkeit des Ablesens von Rateninformationen aus dem Graphen stieg,<br />
wenn die abhängige Variable auf der Y-Achse, <strong>als</strong>o gemäß der Konvention, abgetragen wurde. In<br />
diesem Fall kann ein steilerer Graph mit einer größeren Rate assoziiert werden. Andere Faktoren, wie<br />
das Ziel der Interpretation oder ob das Mapping der abhängigen Variablen auf die Y-Achse den damit<br />
assoziierten natürlichen Gegebenheiten entsprach (d. h. ob geographische Höhe nach oben oder unten<br />
abgetragen wurde), hatten dagegen keinen signifikanten Einfluss auf die Interpretation der Steigungsinformationen,<br />
so lange die steilere Steigung jeweils mit einer höheren Rate assoziiert war.<br />
2.3 Zusammenfassung<br />
Die beiden vorgestellten Theorien beleuchten unterschiedliche Aspekte des Wissens über Graphen.<br />
Das Modell von Pinker lässt sich lediglich auf das Ablesen von Informationen anwenden, die explizit<br />
im Graphen repräsentiert und durch die Achsenbeschriftungen oder Legenden indiziert sind. In diesem<br />
Modell ist es besonders wichtig, dass der Betrachter in seinem Graphenschema gespeichert hat,<br />
anhand welcher visuell-graphischen Merkmale er Aussagen über den dargestellten Inhaltsbereich<br />
treffen kann. Fällt beispielsweise bei der Betrachtung von zwei Graphen nicht auf, dass diese eine<br />
unterschiedliche Steigung haben, wird der Interpretierende diesem Merkmal auch keine Bedeutung<br />
beimessen. Allerdings kann mit dem Modell von Pinker nur schlecht erklärt werden, wie die Steigung<br />
eines Graphen interpretiert wird, da die inhaltliche Bedeutung dieser Information nicht im Graphen<br />
expliziert ist, sondern erschlossen werden muss. Aus der Anwendung von Graphen ist klar, dass dies<br />
nicht immer über die von ihm ausgeführten Inferenzprozesse geschehen muss, sondern auch durch<br />
einen schnelleren „Mappingprozess“ möglich sein muss.<br />
Das Modell von Gattis scheint diese Lücke zu schließen. Gattis nimmt an, dass relationales Wissen<br />
über den dargestellten Inhaltsbereich spontan <strong>zur</strong> Interpretation des Graphen herangezogen wird und<br />
inhaltliche Merkmale der dargestellten Situation systematisch auf Merkmale des Graphen gemappt<br />
werden. Diese Mappings von inhaltlichen auf graphische Merkmale stellen die Verbindung zwischen<br />
beiden Dimension her und ermöglichen eine schnelle, effiziente und wenig Ressourcen verbrauchende<br />
Informationsverarbeitung. Dass diese Mappings ohne spezifisches Wissen funktionieren und automatisiert<br />
vorgenommen werden, konnte von Gattis jedoch nicht nachgewiesen werden. Ihre Überlegungen<br />
legen zudem nahe, dass diese Mappings nicht willkürlich gezogen werden, sondern gewissen<br />
Einschränkungen und Prinzipien unterworfen sind.<br />
Demnach reicht es für den kompetenten Umgang mit Graphen nicht aus, lediglich über Mappings von<br />
Merkmalen des Graphen auf bestimmte inhaltliche Variablen zu verfügen. Stattdessen muss auch<br />
Wissen darüber erworben werden, wie diese Mappings zustande kommen, welchen Einschränkungen<br />
sie unterliegen und wie diese für neue Inhaltsgebiete konstruiert bzw. erschlossen werden können. Aus<br />
31
Kapitel 2 - Theoretische Ansätze zum Graphenverständnis<br />
den beiden hier dargestellten Theorien lassen sich jedoch nur wenig konkrete Aussagen ableiten, die<br />
zum Erwerb von flexiblen Mappings herangezogen werden können. Auf der Grundlage der Überlegungen<br />
von Gattis zum Strukturmapping von inhaltlichem Schema auf das Graphenschema kann<br />
immerhin abgeleitet werden, dass Wissen über Graphen im Zusammenhang mit Inhalten unterrichtet<br />
werden sollte, da diese Inhalte bei der Interpretation unterstützend wirken können, auch wenn ein<br />
automatisierter spontaner Mappingprozess empirisch bisher nicht nachgewiesen werden konnte.<br />
32
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
3. Kompetenzen und Probleme beim Verständnis von Graphen<br />
Obwohl Graphen solche guten Denk- und Kommunikationswerkzeuge darstellen, werden sie spontan<br />
relativ selten <strong>zur</strong> Problemlösung genutzt, auch wenn das Problem dies nahe legt (Cox & Brna, 1995;<br />
Rode & Stern, 1999; Stern, Rode, Zhu, & Fang, 2001) 12 . Dass Graphen intuitiv verstanden und die<br />
darin dargestellten Informationen vom Leser sofort erfasst werden, wie häufig vorausgesetzt wird,<br />
kann jedoch auf der Basis von empirischen Studien angezweifelt werden. Stattdessen zeichnet sich für<br />
die Interpretation und Konstruktion von Graphen ein klares Bild von frühen Kompetenzen und<br />
späteren Defiziten ab, die in diesem Abschnitt dargestellt werden. Dafür scheint ist es sinnvoll,<br />
zwischen verschiedenen Anforderungen bei der Interpretation von Graphen zu unterscheiden. In der<br />
Literatur existieren verschiedene Konzeptionen von Aufgaben, die sich größtenteils überlappen,<br />
jedoch unterschiedliche Terminologien benutzen (Curcio, 1987; Wainer, 1992). Dabei werden in der<br />
Regel drei Stufen der Interpretation unterschieden, für die unterschiedliche Kompetenzen sichtbar<br />
werden.<br />
Auf der niedrigsten Stufe der Interpretation von Graphen (read data) müssen nur einfache Informationen,<br />
d. h. konkrete Datenpunkte, auf dem Graphen identifiziert und in einen verbalen Code übersetzt<br />
werden. Grundlegend für ein Verständnis von Graphen ist das Verständnis von Koordinaten bzw. des<br />
Kartesischen Systems, welches für andere Formen von graphischen Repräsentationen, wie beispielsweise<br />
dem Balken oder Tortendiagramm, nicht nötig ist. Auf der zweiten Anforderungsstufe (read<br />
between data) wird vom Graphenleser verlangt, dass er verschiedene Datenpunkte miteinander in<br />
Beziehung setzt, über sie interpoliert und Beziehungen zwischen den abgetragenen Variablen erkennt.<br />
So wird das Erschließen von Informationen anhand der unterschiedlichen Steigung von zwei Graphen<br />
oder aus deren Maxima <strong>als</strong> Anforderungen der zweiten Stufe betrachtet.<br />
Auf der höchsten Stufe werden Informationen spezifiziert, die über die konkrete Datenlage des<br />
Graphen hinausgehen (read beyond data). Aktivitäten auf diesem Level sind das Generieren von<br />
Hypothesen über die dargestellten Daten, Extrapolieren über den dargestellten Datenbereich hinaus<br />
und die Analyse von Beziehungen, die implizit in der Aufgabe enthalten sind, wie z. B. der Vergleich<br />
von Trends oder mehreren Graphen. Während auf den ersten beiden Stufen ein gewisses Wissen über<br />
die Konventionen und die Syntax der Repräsentationsform nötig ist, muss bei der letzten Stufe das<br />
Wissen über den Kontext oder die Situation hinzugenommen werden, da der Graphenleser hier vor<br />
allem über seine Hypothesen und „Meinungen“ in Bezug zum dargestellten Sachverhalt Auskunft<br />
geben muss (Friel, Curcio, & Bright, 2001). Diese Klassifikation von Anforderungen ähnelt dem<br />
Modell des Textverständnisses von Kintsch, bei welchem erst die Konstruktion eines Situationsmodells<br />
auf der höchsten Stufe ein Zuhilfenehmen von Vorwissen erfordert (Freedman & Shah, 2002).<br />
12 Eine vergleichend angelegte Untersuchung von Stern, Rode, Zhu und Fang (2001), untersuchte chinesische<br />
und deutsche Neuntklässer in ihrem Gebrauch von Visualisierungen <strong>zur</strong> Repräsentation von mathematischen<br />
Textaufgaben. Es zeigte sich, dass die chinesischen Schüler eine stärkere Tendenz <strong>zur</strong> Nutzung solcher<br />
visuell-graphischen Denkwerkzeuge zeigen <strong>als</strong> die deutschen Schüler.<br />
33
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Auf der Basis der dargestellten Theorien kann jedoch angezweifelt werden, dass sich Aufgaben der<br />
zweiten Stufe völlig ohne die Zuhilfenahme von Wissen über den dargestellten Inhalt, nur auf der<br />
Basis der im Graphen dargestellten Informationen lösen lassen. Stattdessen ist davon auszugehen, dass<br />
auch das Interpretieren von Steigungen inhaltliches Wissen erfordert. Aus diesem Grunde werden in<br />
der folgenden Darstellung Kompetenzen und Defizite zum einen im Hinblick auf ein reines Ablesen<br />
von Koordinaten (Kapitel 3.2) und zum anderen auf die darüber hinausgehende Interpretation (Kapitel<br />
3.3) sowie die Konstruktion von Graphen (Kapitel 3.4) betrachtet. Weiterhin werden die identifizierten<br />
Schwierigkeiten jeweils unter Bezugnahme auf die im Kapitel 2 dargestellten Graphentheorien<br />
reflektiert. Anschließend werden Faktoren, die die Interpretation von Graphen beeinflussen (Kapitel<br />
3.5), <strong>als</strong> auch instruktionale Ansätze <strong>zur</strong> Vermittlung von Wissen über Graphen (Kapitel 3.6)<br />
vorgestellt.<br />
3.1. Ablesen und Verständnis von Koordinaten<br />
Die Befundlage, ab welchem Alter Kinder Koordinaten verstehen und nutzen können, ist auf den<br />
ersten Blick nicht eindeutig, da verschiedene Studien zu unterschiedlichen Ergebnissen kommen.<br />
Während Piaget annahm, dass Kinder erst mit Erreichen der formal-operatorischen Stufe kognitiver<br />
Entwicklung (mit 11 bzw. 12 Jahren) das kartesische System verstehen können (Piaget & Inhelder,<br />
1956; Piaget, Inhelder, & Szeminska, 1960), zeigten Bryant und Somerville (1986; Somerville &<br />
Bryant, 1985), dass bereits Vorschulkinder korrekt Punkte aus dem Koordinatensystem ablesen<br />
können. Eine weitere Studie von Blades & Spencer (1989) legt ebenfalls nahe, dass 6-Jährige<br />
Gitterlinien und Koordinatenangaben zum Auffinden von Punkten nutzen können. Eine nähere<br />
Betrachtung der in der jeweiligen Studie eingesetzten Testaufgaben lässt jedoch qualitative Unterschiede<br />
in der Art der Anforderungen der Aufgaben an die Kinder deutlich werden, die unterschiedliche<br />
Teilfertigkeiten beinhalten und welche die Unterschiede in den gefundenen Altersstufen erklären<br />
können.<br />
Bei der von Piaget et al. (1956/60) eingesetzten Aufgabe wurde den Kindern ein Quadrat präsentiert,<br />
in dem zwei identische Flächen markiert waren, wovon eine mit einem Punkt versehen war. Die<br />
Aufgabe bestand darin, in der zweiten Fläche an der entsprechenden Stelle <strong>zur</strong> ersten Fläche einen<br />
Punkt einzuzeichnen. Dabei standen den Probanden jedoch kein Koordinatensystem oder Gitterlinien<br />
<strong>zur</strong> Verfügung, an welchen sie sich orientieren konnten. Stattdessen erwartete Piaget, dass die Kinder<br />
zu den Begrenzungslinien parallele Linien mit einem Lineal selbst erzeugen, d. h. den Abstand des<br />
Punktes von der Begrenzung vermessen und auf die zweite Fläche übertragen. Die Aufgabe erfordert<br />
<strong>als</strong>o einerseits, dass die Probanden ein Konzept des Messens von Distanzen besitzen und andererseits<br />
die Messlinien so anlegten, dass diese jeweils die kürzeste Distanz <strong>zur</strong> Begrenzungs- oder Bezugslinie<br />
darstellen, die durch die Umrandung der Zeichenfläche gegeben ist. Dass diese Anforderungen relativ<br />
abstrakte Betrachtungen erfordern und von Kindern unter 9 Jahren spontan nicht bewältigt werden, ist<br />
daher nicht erstaunlich. Eine qualitativ ausgerichtete Studie von Aberg-Bengtsson (1999) legt nahe,<br />
34
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
dass das Messen von Distanzen tatsächlich eine konzeptuelle Hürde bei der Konstruktion und<br />
Interpretation von Graphen darzustellen scheint, die von Grundschülern nicht spontan gemeistert wird.<br />
Im Gegensatz dazu benutzten Somerville und Bryant (1985) eine kartenähnliche Aufgabe, die keine<br />
Messung der Distanzen zu einer Bezugslinie erforderte. Sie präsentierten ihren Versuchskindern eine<br />
quadratische Fläche, auf der verschiedene Punkte verzeichnet und an deren Begrenzung farbige<br />
Stöckchen im Sinne eines Koordinatengitters ausgelegt waren (siehe Abbildung 3-1). Aufgabe der<br />
Kinder war es, die Punkte der Fläche zu identifizieren, auf denen sich jeweils zwei der farbigen Stöcke<br />
treffen würden, wenn diese länger wären. Damit testeten die Autoren die Fähigkeiten der Kinder,<br />
vorgegebene Linien zu extrapolieren und deren Schnittpunkt mental zu bestimmen. Die Ergebnisse<br />
zeigten, dass 4- bis 5-Jährige diese Aufgabe relativ gut beherrschten, während 6-jährige Kinder auch<br />
bei nicht im rechten Winkel zueinander angeordneten Stöckchen (d. h. einem schrägen Koordinatengitter)<br />
und weniger regelmäßig angeordneten Punkten die Aufgaben nahezu perfekt lösten.<br />
In einer zusätzlichen Studie erweiterten die Autoren die Aufgabe dahingehend, dass anstatt von<br />
Punkten auf einer Fläche jetzt eine Linie <strong>zur</strong> Identifikation des Schnittpunktes eingesetzt und die<br />
farbigen Markierungen durch Tiercharaktere ersetzt wurden. Dabei wurden zusätzlich die Aufgaben<br />
auf zwei Schwierigkeitsstufen variiert: Die Kinder sollten einerseits mental jeweils eine einfache<br />
Extrapolation durchführen und bestimmen, wo auf der Linie ein Tier A plaziert werden muss, wenn<br />
Tier B an einer bestimmten Stelle der Achse steht, damit sie sich an der Linie treffen (die Bewegung<br />
der Tiere unterlag der Einschränkung, dass diese sich nur geradeaus vorwärts bewegen konnten).<br />
Andererseits sollten sie bestimmen, an welcher Stelle der Achse ein Tier B stehen muss, damit es das<br />
auf der Graphlinie platzierte Tier A trifft. Diese Bedingung entspricht der Fähigkeit, einen bestimmten<br />
X- oder Y-Wert auf der Achse zu finden bzw. zu einem beliebigen Punkt auf der Graphlinie einen<br />
Wert an einer der Achsen abzulesen (Bryant & Somerville, 1986).<br />
?<br />
?<br />
Tier A<br />
Tier A<br />
Abbildung 3-1: Schematische Darstellung der beiden Versuchsanordnungen von Somerville und Bryant (1985)<br />
sowie Bryant & Somerville (1986).<br />
35
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Weiterhin konstruierten die Autoren eine Bedingung, die auf eine den Kindern verständliche Weise<br />
das Ablesen von Werten von der Graphlinie in Abhängigkeit von einem gegebenen Wert simulierte.<br />
Für diese Aufgabe wurde Tier A auf einer Achse platziert und das Kind sollte bestimmen, wo auf der<br />
zweiten Achse Tier B stehen muss, damit beide Tiere sich auf der Graphlinie treffen können. Diese<br />
Aufgabe erforderte somit eine doppelte Extrapolation. Die Ergebnisse zeigen, dass die Extrapolationsleistung<br />
von 6 <strong>als</strong> auch 9 Jahre alten Kindern gut ausgeprägt ist und es zudem keinen Unterschied<br />
macht, ob die Kinder zwei oder nur eine Extrapolation durchführen mussten. Die Autoren schlussfolgerten,<br />
dass bereits 6-Jährige die räumlichen Relationen verstehen, die für einen Umgang mit Graphen<br />
notwendig sind.<br />
Während Bryant und Somerville auf der Grundlage ihrer Ergebnisse schlussfolgern, dass bereits 6-<br />
Jährige die grundlegensten Anforderungen von Graphenaufgaben, nämlich das Ablesen von Werten<br />
der Graphenlinien, meistern können, kritisieren Blades und Spencer (1989), dass eine tatsächliche<br />
Identifikation der gesuchten Koordinaten bei diesen Aufgaben nicht nötig war. Diesen Autoren<br />
zufolge wird dadurch der erste Schritt einer Koordinatenaufgabe eliminiert, nämlich das Identifizieren<br />
bzw. Benennen der Koordinaten selbst, wodurch die Aufgabe selbst ohne Referenz zu den Achsen<br />
nicht umkehrbar ist. Daher präsentierten sie ihren Versuchspersonen regelmäßige Layouts von 3 x 3<br />
bzw. 4 x 4 verdeckten Fotos (mit und ohne verbindende Gitterlinien) und baten die Kinder entweder<br />
die Koordinaten zu einzelnen Fotos zu finden oder ein bestimmtes Foto nach vorgegebenen Koordinaten<br />
aufzudecken (siehe Abbildung 3-2). Da Kindern dieser Altersstufe Zahlen und Buchstaben noch<br />
nicht geläufig sind, wurden die Koordinaten mit geometrischen Formen und Farben bezeichnet. Die<br />
Ergebnisse zeigten, dass bereits viele 4-Jährige Gitterlinien benutzen können, um Punkte zu identifizieren<br />
und dass die große Mehrheit der Versuchskinder diese Anforderungen ab einem Alter von 6<br />
Jahren meisterten, wobei es keine Rolle spielte, ob die Displays Gitterlinien enthielten oder nicht.<br />
Abbildung 3-2: Schematische Darstellung der Versuchsanordnung von Blades & Spencer (1989).<br />
Während demnach die von Bryant & Somerville eingesetzten Aufgaben eher die visuell-räumlichen<br />
Anforderungen des Ablesens von Punkten aus Graphen bzw. dem Koordinatensystem im Blickpunkt<br />
36
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
hatten, benutzten Blades & Spencer eine Aufgabe, welche stärker auf das Benutzen des Koordinatensystems<br />
selbst fokussierte, nämlich das Identifizieren und Benennen von Punkten in einer räumlichen<br />
Anordnung mit Zahlen und Buchstaben. Beide Studien kommen zu dem Schluss, dass bereits 6-jährige<br />
Kinder diese grundlegenden Anforderungen von Koordinatensystemen meistern können. Treten<br />
weitere Anforderungen hinzu, wie das Messen von Distanzen und Errichten von parallelen Linien,<br />
sind Kinder dazu erst ungefähr ab dem 10. Lebensjahr fähig.<br />
Die dargestellten Studien belegen, dass die Anforderungen der untersten Stufe der Grapheninterpretation<br />
intuitiv von den meisten Kindern gemeistert werden können, ohne dass sie eine systematische<br />
Instruktion über Graphen erhalten hätten. Wainer spekuliert sogar, dass die Fähigkeit explizite<br />
Information aus Graphen abzulesen eventuell angeboren ist und betont, dass die meisten Testitems, die<br />
Graphikalität erfassen, häufig nur diese Stufe des Verständnisses abbilden (Wainer, 1992). Seiner<br />
Ansicht nach wird die Schwierigkeit oder steigende Komplexität bei den meisten Tests nur durch<br />
Variation der Fragestellung und Verkomplizierung der Sprache erreicht, nicht aber durch wirklich<br />
andere Anforderungen im Sinne der verschiedenen Stufen.<br />
3.2 Interpretation von Graphen mit höheren Anforderungen<br />
Anforderungen, die über ein reines Ablesen von Informationen hinaus gehen, scheinen den meisten<br />
Schülern, aber auch Erwachsenen bereits Schwierigkeiten zu bereiten (Leinhardt, Zaslavsky, & Stein,<br />
1990; Shah & Hoeffner, 2002). Stattdessen offenbaren Studien zum Graphenverständnis, dass bei der<br />
Interpretation von Graphen häufig so genannte „Misskonzepte“ auftreten, die auf ein un<strong>zur</strong>eichendes<br />
konzeptuelles Wissen über Graphen hindeuten. Die meisten der im Folgenden dargestellten Ergebnisse<br />
beziehen sich auf Mittelstufenschüler, da für den Grundschulbereich nur wenige Studien zum<br />
Verständnis von Graphen und Diagrammen vorliegen, wobei ein Großteil der Arbeiten eher qualitativ<br />
beschreibend ausgerichtet waren.<br />
Sehr häufig wird der Graph <strong>als</strong> ein ikonisches Abbild einer Situation verstanden und nicht <strong>als</strong> eine<br />
abstrakte Repräsentation (graph-as-picture-Fehler Bell & Janvier, 1981; Berg & Phillips, 1994;<br />
Janvier, 1981; Kerslake, 1981; Linn, Layman, & Nachmias, 1987; McDermott, Rosenquist, & van<br />
Zee, 1987; Preece, 1983). Werden beispielsweise Personen gefragt, welche der Graphen in Abbildung<br />
3-3 eine Reise darstellen können, wird dies für alle drei Graphiken bejaht, obwohl nach Graph a) ein<br />
Reisender Weg <strong>zur</strong>ücklegt, ohne dass Zeit vergeht und nach Graph b) die Zeit rückwärts laufen würde.<br />
Studien, bei denen Personen ihre Wahl erklären sollen, verdeutlichen, dass die Graphen mit einer<br />
Abbildung des Weges verwechselt werden, <strong>als</strong>o im Sinne von Karten interpretiert werden (Bell, 1987;<br />
Kerslake, 1981).<br />
37
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
A<br />
B<br />
C<br />
Entfernung<br />
Entfernung<br />
Entfernung<br />
Zeit<br />
Zeit<br />
Zeit<br />
Abbildung 3-3: Beispielgraph zum graph-as-picture-Fehler (adaptiert von Kerslake, 1981).<br />
Ein weiteres Beispiel für diese bildhafte Art der Interpretation liefern die Befunde <strong>zur</strong> Aufgabe in<br />
Abbildung 3-4: Hier sollten die Versuchspersonen aus dem Geschwindigkeits-Zeit-Graphen rekonstruieren,<br />
auf welcher Rennstrecke das entsprechende Auto gefahren sein muss. Um diese Aufgabe<br />
korrekt zu lösen, muss inhaltliches (Alltags-)Wissen über das Verhalten eines Autos herangezogen<br />
werden. So muss das Auto die Geschwindigkeit drosseln, wenn es eine Kurve durchfährt und diese<br />
Reduktion der Geschwindigkeit ist umso stärker, je spitzer die Kurve ist. Die Ergebnisse der PISA-<br />
2000-Studie zeigten, dass 36% der 15-jährigen Schüler im internationalen Durchschnitt diese Aufgabe<br />
lösen konnten, während dies in Deutschland nur 28% der 15-Jährigen gelang (OECD, 2001). Diese<br />
Art der bildlichen Fehlinterpretation konnte sowohl bei Schülern <strong>als</strong> auch bei Studenten nachgewiesen<br />
werden (Berg & Phillips, 1994).<br />
Auf welcher Rennstrecke fuhr der Wagen?<br />
Abbildung 3-4: Beispielgraph zum graph-as-picture-Fehler (adaptiert von Janvier, 1981).<br />
Ein weiterer verbreiteter Fehler zeigt sich bei Aufgaben, bei denen Rateninformationen anhand der<br />
Steigung des Graphen inferiert werden müssen. Werden Personen gefragt, welche der in Abbildung<br />
3-5 dargestellten Personen nach einer Stunde eine größere Geschwindigkeit haben, wird häufig der<br />
Graph mit der höchsten absoluten Ausprägung (Graph von Anna) gewählt anstelle des Graphen mit<br />
der größten Steigung. Steigung und Höhe bzw. Maxima des Graphen werden verwechselt oder<br />
konfundiert (Bell & Janvier, 1981; Brasell, 1987; Janvier, 1981; Thornton & Sokoloff, 1990).<br />
38
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Abbildung 3-5: Beispielgraph zum Fehler „Verwechslung von Steigung und Höhe“.<br />
Erstaunlicherweise zeigt eine Studie von Stump (1999), dass ein Viertel der von ihr untersuchten<br />
Mathematiklehrer und Lehramtsstudenten diesen Interpretationsfehler ebenfalls machten. In ihrer<br />
Analyse des Verständnisses der Steigung zeigt Stump, dass die Lehrer in ihrer Stichprobe das Konzept<br />
der Steigung vor allem <strong>als</strong> geometrisches oder algebraisches Verhältnis (vertikale Veränderung<br />
gegenüber horizontaler Veränderung bzw. Veränderung in der Y-Variable geteilt durch Veränderung<br />
der X-Variable) oder anhand der physikalischen Eigenschaft „Steilheit“ definierten. Lediglich die<br />
Hälfte der Lehramtsstudenten und nur ein Drittel der berufstätigen Lehrer charakterisierten dagegen<br />
die Steigung auch nach funktionellen Gesichtspunkten <strong>als</strong> Rate der Veränderung von zwei Variablen.<br />
Auch wenn nicht davon ausgegangen werden kann, dass diese Ergebnisse repräsentativ für alle<br />
Lehrkräfte sind 13 , zeigt sie doch, dass ein funktionales Verständnis der Steigung ein nicht immer<br />
präsenter Aspekt ist.<br />
Bezüglich der Ursache dieser Fehlinterpretationen wurden verschiedene Erklärungen hervorgebracht.<br />
Einerseits kann argumentiert werden, dass die in den Graphen dargestellten kinematischen Situationen<br />
die Versuchspersonen im ganz besonderen Maße dazu verleiten, die Graphen in einer bildlichen Art<br />
und Weise zu interpretieren, da Reise und Geschwindigkeit ebenso wie die Nutzung des zweidimensionalen<br />
Raumes oft mit Karten assoziiert werden (Brasell, 1987; Murphy, 1999). Andererseits wird<br />
angeführt, dass es bei solchen kinematischen Problemstellungen auch häufig zu einer Verwechslung<br />
von Distanz und Geschwindigkeit auf der konzeptuellen Ebene kommt, ohne dass eine graphische<br />
Darstellung gegeben ist (McDermott et al., 1987). Bisher liegen jedoch keine Studien vor, die<br />
inhaltliches Wissen über kinematische Phänomene und die Interpretation von Geschwindigkeitsgraphen<br />
getrennt isoliert betrachten.<br />
13 Insbesondere da US-amerikanische Lehrer in der Regel eine weniger fundierte mathematische Ausbildung<br />
erhalten <strong>als</strong> deutsche Mathematiklehrer. In dieser Studie hatten nur 8 der 21 befragten Lehrer entweder einen<br />
Masterabschluss in Mathematik oder in Mathematikdidaktik.<br />
39
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Nach der Schematheorie von Pinker können die Misskonzepte von Schulkindern bei der Interpretation<br />
von Graphen auf die mangelnde Erfahrung im Umgang mit Graphen, die geringe spontane Enkodierspezifität<br />
von bestimmten Merkmalen und anfänglich nicht vorhandene Mappings im Graphenschema<br />
<strong>zur</strong>ückgeführt werden. Denkbar ist aber auch, dass Schüler (wie auch Erwachsene) f<strong>als</strong>che<br />
Mappings besitzen, die sie aus dem Umgang mit Graphen erworben haben. Diese dürfen entweder<br />
nicht mehr aktiviert werden oder müssen durch angemessenere ersetzt oder ergänzt werden. Für die<br />
Fehlinterpretation des „graph-as-picture“-Fehlers beispielweise kann angenommen werden, dass ein<br />
f<strong>als</strong>ches Schema, nämlich das Karten-Schema, bei der Interpretation angewendet wird. Bei der<br />
Verwechslung von Höhe und Steigung scheinen f<strong>als</strong>che Mappings von konzeptueller Variable bzw.<br />
Frage auf die Merkmale des Graphen vorzuliegen.<br />
Nach dem Modell von Gattis müssen Mappings auf einem möglichst abstrakten Niveau verfügbar<br />
sein, um Graphen effizient lesen zu können. Die im Fall des graph-<strong>als</strong>-picture-Fehlers vom Leser<br />
vorgenommenen Mappings können demnach <strong>als</strong> ikonische oder assoziative Mappings im Vergleich zu<br />
einem Mapping nach Verhältnisstrukturen bezeichnet werden. Der Graphenleser kann sich nicht von<br />
seinen natürlichen Assoziationen und Oberflächenmappings lösen und wird in seiner Interpretation des<br />
Graphen durch diese eingeschränkt. Clement (1989) unterscheidet zusätzlich zwei Arten von<br />
Mappings, die auf perzeptueller Ähnlichkeit basieren:<br />
• Merkm<strong>als</strong>-Korrespondenz-Fehler, die auf dem Mapping von einzelnen Merkmalen der Situation<br />
und auf einzelne Merkmale des Graphen basieren (wie beispielsweise der Schnittpunkt<br />
zweier Graphen und der Ort an dem sich zwei Autos treffen) und<br />
• Globale-Korrespondenz-Fehler, bei denen die gesamte Gestalt des Graphen auf eine visuelle<br />
ähnliche Situation übertragen wird (wie bei den Situationen in Abbildung 3-3).<br />
In beiden Fällen gelingt es jedoch nicht, der abstrakten Natur des Graphen Rechnung zu tragen. Für<br />
die Verwechslung von Steigung und Höhe ist anzunehmen, dass für die Geschwindigkeitsvariable ein<br />
f<strong>als</strong>ches Mapping von konzeptueller Variable auf die Y-Achse vorgenommen wird.<br />
Methodische Einwände gegen die Befunde äußern Berg & Smith (1994). Diese Autoren prüften, ob<br />
sich die beschriebenen Fehlvorstellungen sowohl bei Aufgaben mit offenem Antwortformat, bei der<br />
die Versuchsperson ihre Interpretation notieren sollte, <strong>als</strong> auch bei Aufgaben im Multiple-Choice-<br />
Format zeigten, bei denen unter einer gewissen Anzahl an bereits vorgegebenen Antworten ausgewählt<br />
werden musste. Es konnte gezeigt werden, dass die graph-as-picture-Fehler bei Mittelstufenschülern<br />
signifikant häufiger bei Aufgaben im Multiple-Choice-Format auftraten <strong>als</strong> im offenen<br />
Antwortformat. Allerdings zeigte sich auch für das offene Format in 25% der Fälle eine Antwort im<br />
Sinne einer rein ikonischen Interpretation des Graphen (im Vergleich zu ca. 45% der Fälle im<br />
geschlossenen Format). Diese Fehlinterpretation kann demnach nicht allein auf das geschlossene<br />
Antwortformat <strong>zur</strong>ückgeführt werden. Stattdessen scheint es eine oberflächliche Antworthaltung zu<br />
verstärken, wobei der Graph nicht analytisch betrachtet wird.<br />
40
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Obwohl unklar ist, worauf die Schwierigkeiten bei der Interpretation von Graphen <strong>zur</strong>ückzuführen<br />
sind, zeigen die Befunde, dass zum einen Graphen nicht immer analytisch betrachtet werden und zum<br />
anderen grundsätzliches Wissen über die Merkmale des Graphen und deren mögliche inhaltliche<br />
Bedeutung nicht vorhanden ist. Insbesondere in Bezug auf das Verständnis der Steigung ist ein<br />
deutliches Defizit festzustellen (Verwechslung von Höhe und Steigung). Die Steigung wird dabei<br />
nicht <strong>als</strong> Rate der Veränderung verstanden, ein Verständnis welches jedoch kritisch für eine flexible<br />
Anwendung des Graphen <strong>als</strong> Repräsentationswerkzeug ist.<br />
3.3 Die Konstruktion von Graphen<br />
Im Gegensatz zu der Vielzahl von Studien, welche die Interpretation von vorgegebenen Graphen<br />
untersuchten, beleuchten nur wenige Studien die aktive Konstruktion von Graphen und anderen<br />
Diagrammformen zu Repräsentationszwecken. Mevarech & Kramarski (1997) zeigen die konzeptuellen<br />
Probleme auf, die unerfahrene Kinder im Umgang mit diesen abstrakten Repräsentationsformen<br />
haben. Diese Autoren gaben Sechstklässlern verbale Beschreibungen, mit denen sie aus eigener<br />
Erfahrung gut vertraut waren, wie „Je länger ich lerne, desto besser wird meine Leistung in Mathematik“.<br />
Die Schüler sollten Statements dieser Art in einen Graphen übersetzen. Ein weit verbreiteter<br />
Fehler war, dass Kinder den Raum, der durch die beiden Achsen des Koordinatensystems aufgespannt<br />
wird, nicht nutzten um die Informationen darzustellen, sondern Werte direkt an beiden Achsen<br />
abtrugen und diese durch eine Linie verbanden (siehe Abbildung 3-6).<br />
Abbildung 3-6: Beispiel für die fehlende Raumnutzung bei der Darstellung von Graphen im Koordinatensystem<br />
(adaptiert von Mevarech & Kramarski, 1997).<br />
Neben der fehlenden Raumnutzung fehlt demnach die Einsicht, dass der Graph nicht bloß ein<br />
zeichnerisches Verbindungselement zwischen zwei Punkten ist, sondern viele weitere Wertepaare<br />
spezifiziert, auf die die dargestellte Beziehung zutrifft. Während der Raum zwischen den Achsen alle<br />
möglichen Kombinationen von (Mess-) Werten beider Variablen darstellt, definiert der Graph, welche<br />
dieser möglichen Werte tatsächlich durch die bestehende Beziehung „belegt“ sind. Die Graphlinie ist<br />
41
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
damit nicht nur einfaches Verbindungselement, sondern trägt selbst Bedeutung, da sie sich aus<br />
unendlich vielen Messpunkten zusammensetzt. Dieses mangelnde Verständnis wird auch bei Studien<br />
<strong>zur</strong> Interpretation von Graphen deutlich. Obwohl es leichter fällt, Informationen zweiter Ordnung aus<br />
Liniengraphen <strong>als</strong> aus Säulendiagrammen abzulesen, kehrt sich diese Beziehung bei Ableseanforderungen<br />
der ersten Stufe um (Wainer, 1980). Dies scheint zunächst paradox, da Liniengraphen durch<br />
die Koordination von Werten zweier Variablen und die abstraktere Darstellung von Größen <strong>als</strong> Punkte<br />
im Raum ein schwierigeres Graphenformat darstellen sollten. Betrachtet man jedoch, welche<br />
Anforderung das Ablesen von einzelnen Punkten von einer Graphlinie an den Betrachter stellt,<br />
scheinen die Befunde plausibel: Während bei Säulendiagrammen bei der Interpretation auf der<br />
untersten Komplexitätsebene auf visuell-räumliche Entitäten (Säulen, Teile von Kreisen) <strong>zur</strong>ückgegriffen<br />
werden muss, kann bei Liniengraphen die Graphlinie nicht <strong>als</strong> eine Einheit betrachtet werden,<br />
sondern es muss ein bestimmter Punkt auf dieser graphischen Entität abgelesen werden. Das Verständnis<br />
der Graphlinie <strong>als</strong> einer Ansammlung von einzelnen Punkten, die durch eine Linie beschrieben<br />
werden können, scheinen Kinder dieser Altersstufe jedoch nicht spontan zu entwickeln und selbst<br />
Elftklässler scheinen Schwierigkeiten mit dieser Konzeption der Graphlinie zu haben (Kerslake,<br />
1981).<br />
Eine weitere Fehlvorstellung der Kinder, die bei der Konstruktion von Graphen bei der Aufgabe<br />
Mevarech und Kramarski in Erscheinung trat, war das Bestreben der Kinder, die linear ansteigende<br />
Form des Graphen zu bewahren. Abbildung 3-7 zeigt zwei dieser Versuche. Im ersten Graph konnte<br />
die ansteigende Form des Graphen für eine konstante Beziehung durch eine Beschriftung der Y-Achse<br />
mit immer demselben Zahlenwert erreicht werden. Beim zweiten Graphen wurde eine U-förmige<br />
Beziehung durch konkrete Zahlenwerte im Raum dargestellt. Diese Vorstellungen zeigen deutlich,<br />
dass die zweidimensionale Anordnung von Variablen im Koordinatensystem zwar bereits von jungen<br />
Kindern verstanden werden kann, sofern diese vorgegeben und von der Aufgabe angeleitet werden.<br />
Eine spontane aktive Nutzung der Zweidimensionalität des Koordinatensystems scheint damit jedoch<br />
nicht verbunden zu sein.<br />
Abbildung 3-7: Fehlvorstellung über Linearität des Graphen (adaptiert von Mevarech & Kramarski, 1997).<br />
42
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
In einer anschließenden mehrstündigen Lerneinheit über die Konventionen des Umgangs mit Graphen<br />
lernten die Kinder zwar, den Raum zwischen den Achsen zu nutzen, während die anderen Fehler<br />
allerdings relativ robust schienen (Mevarech & Kramarsky, 1997).<br />
Eine weitere qualitative Studie von Aberg-Bengtsson (1999), welche Konstruktion und Entwicklung<br />
von Graphen und anderen Diagrammen aus einer semiotischen Perspektive betrachtet, zeigt weiterhin,<br />
welche Grundfertigkeiten bzw. Einsichten für ein Verständnis von Graphen im zweidimensionalen<br />
Koordinatensystem notwendig sind. Die Autorin untersuchte die graphischen Produktionen von 12<br />
Kindern im Alter von 7 bis 10 Jahren, um verschiedene Arten des Verständnisses und Gebrauchs von<br />
graphischen Symbolen zu identifizieren. Dazu wertete sie Transkripte und Zeichnungen der Kinder<br />
aus einer mehrstündigen Unterrichtseinheit <strong>zur</strong> Repräsentation von Daten in Graphen und Diagrammen<br />
aus, in deren Verlauf die Konstruktionen und das Verständnis der Kinder mehrfach gezielt<br />
hinterfragt und exploriert wurden. In Bezug auf ein Verständnis von Liniengraphen konnten dabei vier<br />
unterschiedliche Konzeptualisierungen der Kinder identifiziert werden, die sich gegenseitig einschließen<br />
und somit in eine Rangfolge von angemessen zu am wenigsten angemessen gebracht werden<br />
konnten.<br />
Die zwei am wenigsten entwickelten Konzeptionen der Kinder korrespondieren mit der fehlenden<br />
Raumnutzung bei Mevarech & Kramarski, wonach die Kinder einzelne Punkte auf den Achsen <strong>als</strong><br />
zueinander in Beziehung stehend auffassen, sie jedoch nicht <strong>als</strong> Koordinaten verstehen und im Raum<br />
zwischen den Achsen abtragen. Die Kinder nutzten dabei zwei Strategien, die Messpunkte der beiden<br />
Achsen miteinander in Beziehung zu setzen. Entweder wurden die Messpunkte wie bei Mevarech &<br />
Kramarski nur auf den Achsen abgetragen und jeweils miteinander verbunden, oder aber die Punkte<br />
wurden zwar im Raum zwischen den Achsen abgetragen, aber nicht <strong>als</strong> durch die Achsenwerte<br />
bestimmt aufgefasst. Stattdessen wurden die Punkte durch Bezugslinien mit den Achsen verbunden,<br />
um die einzelnen numerischen Werte zu identifizieren. Diese Bezugslinien der Kinder orientieren sich<br />
dabei nicht immer am Koordinatengitter, sondern wurden den graphischen Gegebenheiten der<br />
erstellten Graphik angepasst, beispielsweise um Schriftzüge herum angelegt.<br />
Auf der nächsten Entwicklungsstufe wurde das in der zweiten Konzeption noch fehlende Verständnis<br />
des lotrechten bzw. rechtwinkligen Bezuges der einzelnen Punkte zu den Achsenwerten bereits<br />
entwickelt. Die Punkte auf der Graphlinie stellen dabei für die Kinder geordnete Kategorien dar, die<br />
rechtwinklig mit den Achsen korrespondieren. Allerdings werden hierbei nur tatsächlich eingezeichnete<br />
Punkte <strong>als</strong> ablesbar betrachtet und die Graphlinie wird lediglich <strong>als</strong> Verbindung zwischen diesen<br />
Punkten angesehen. Diese un<strong>zur</strong>eichende Vorstellung ist bei der dritten identifizierten Konzeption der<br />
Kinder nicht mehr vorhanden. Hier werden die Punkte auf dem Graphen <strong>als</strong> messbare Distanzen zu<br />
den Achsen aufgefasst, wodurch jeder beliebige Punkt des zweidimensionalen Raumes und der<br />
Graphlinie eine Bedeutung erhält. Da die Zielstellung der Studie lediglich eine Beschreibung und<br />
Typisierung des Verständnisses von Kindern war, gibt die Studie leider keine Auskunft darüber, ob<br />
43
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
dieses fortgeschrittene Verständnis lediglich bei den älteren Kindern der Stichprobe gefunden wurde<br />
oder bereits sehr junge Kinder dieses Verständnis im Laufe der Unterrichtseinheit entwickeln können.<br />
Dass die Repräsentation einer vorgegebenen Beziehung in einem Graphen auch noch für Sekundarstufenschüler<br />
schwierig ist, zeigen die Lösungswahrscheinlichkeiten zu einer Aufgabe aus TIMSS.<br />
Hierbei sollten die Schüler einen Graphen in ein Koordinatensystem zeichnen, der die Beziehung<br />
zwischen der Körpergröße einer Person und ihrem Alter von der Geburt bis zum Alter von 30 Jahren<br />
zeigt. Die Lösungswahrscheinlichkeit für deutsche Schüler lag dabei bei knapp 20%, in der gymnasialen<br />
Oberstufe bei 40% (Baumert et al., 1999).<br />
3.4 Einflussfaktoren auf die Interpretation und Konstruktion von Graphen<br />
Studien aus verschiedenen Theorierichtungen haben Faktoren identifiziert, die einen Einfluss auf die<br />
Interpretation und den Umgang mit Graphen haben. Während die Analyse der Fehler bei der Interpretation<br />
von Graphen bereits zeigt, dass die Art der Aufgabe einen deutlichen Einfluss auf die Interpretationsleistung<br />
hat, identifizieren Shah und Hoffner (Shah, 2002; Shah & Hoeffner, 2002) drei weitere<br />
Faktoren: die visuellen Merkmale des Graphen sowie das graphbezogene und das inhaltsbezogene<br />
Vorwissen des Betrachtenden.<br />
Studien zum Graphen-Design haben untersucht, unter welchen Gestaltungsbedingungen Informationen<br />
aus Graphen am effizientesten abgelesen werden können. Dabei wurden die verschiedensten Gestaltungsfaktoren<br />
untersucht wie die Dimensionalität der Graphik (zwei- oder dreidimensionale Darstellungen),<br />
Animation von Graphiken, das Vorhandensein von Legenden und perzeptuelle Merkmale wie<br />
Farbe und Gruppierung von Graphen oder Balken. An dieser Stelle sollen jedoch nur zwei Befunde<br />
berichtet werden, die für die Gestaltung von Graphen <strong>zur</strong> Vermittlung von Informationen besonders<br />
relevant erscheinen. So konnte gezeigt werden, dass die Darstellung von Daten in Liniendiagrammen<br />
anstatt in Balkendiagrammen die Wahrnehmung von Trends durch den Betrachter unterstützt.<br />
Balkendiagramme dagegen unterstützen diskrete Vergleiche (Carswell & Wickens, 1987; Shah et al.,<br />
1999; Zacks & Tversky, 1999). Allerdings kann dieser bevorzugte Fokus auf die Trendinformation<br />
auch zu unvollständigen Interpretationen führen, wenn die dargestellten Daten komplex sind (Shah &<br />
Carpenter, 1995). Diese Ergebnisse unterstützen die Annahme, dass verschiedene Repräsentationsformen<br />
unterschiedliche Möglichkeiten und Einschränkungen bzw. einen repräsentationalen Bias<br />
besitzen.<br />
Shah, Mayer und Hegarty (1999) zeigten Mittelstufenschülern Graphiken aus Geschichtslehrbüchern,<br />
die von den Autoren hinsichtlich des Erkennens von Trends nach den gefundenen Gestaltungsprinzipien<br />
optimiert wurden. Es zeigte sich, dass die Zahl der Schüler, welche mit diesen verbesserten<br />
Graphendarstellungen die gesuchten Trendinformationen identifizieren konnte, signifikant anstieg.<br />
Dass unsere Erwartungen über die Bedeutung einer Darstellung unsere Wahrnehmung beeinflussen, ist<br />
aus der Gestaltpsychologie bekannt. Die bereits vorgestellten Studien von Schiano und Tversky (1992;<br />
44
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Tversky & Schiano, 1989) zeigen, dass Versuchspersonen offensichtlich abstraktes Wissen über<br />
Graphen gespeichert hatten, welche ihre Erinnerung von vorher präsentierten Linien signifikant<br />
beeinflusst. Auch die Ergebnisse von Gattis und Holyoak zum slope-mapping-constraint können in<br />
dieser Richtung interpretiert werden. Da Kinder Rateninformation nicht automatisch mit der Steigung<br />
assoziieren (Koerber, 1999), kann vermutet werden, dass dieser Effekt auf das (implizite) Wissen von<br />
Personen über Graphen <strong>zur</strong>ückzuführen ist.<br />
Einer Studie von Shah und Carpenter (1995) zufolge zeigte sich jedoch kein Vorteil bei Personen, die<br />
sehr gut mit der Interpretation von Graphen und Daten vertraut waren, im Vergleich zu Unerfahrenen.<br />
Allerdings benutzten diese Autoren sehr komplexe graphische Abbildungen, bei denen die Versuchspersonen<br />
Beziehungen aus dem Graphen erschließen sollten, die nicht explizit durch graphische<br />
Merkmale abgebildet wurden, sondern durch den Vergleich von mehreren Steigungen und Datenpunkten<br />
erst erschlossen werden mussten. Für diese komplexen Inferenzen konnte kein Effekt der Expertise<br />
beobachtet werden. Allerdings konnte diese Serie von Studien belegen, dass inhaltliches Wissen die<br />
Interpretation von Graphen signifikant beeinflusst. Es zeigt sich, dass häufiger Fehler bei der<br />
Interpretation unterliefen, wenn das inhaltliche Vorwissen bzw. die Erwartungen der Versuchspersonen<br />
mit den im Graphen dargestellten Informationen nicht konsistent war. Während diese Studie auf<br />
ein oberflächliches Lesen des Graphen hindeutet, zeigte die Studie von Stern, Aprea und Ebner<br />
(2003), dass Benutzer mit hohem Vorwissen von einer aktiven Auseinandersetzung mit Graphen mehr<br />
profitierten <strong>als</strong> Betrachter mit wenig Vorwissen. Außerdem konnte gezeigt werden, dass Betrachter bei<br />
bekannten Beziehungen häufiger Trendinformationen erkannten <strong>als</strong> bei Inhalten, welche ihnen<br />
unvertraut waren (Shah & Shellhammer, 1999).<br />
Andere Autoren haben argumentiert, dass die Fähigkeit Graphen zu interpretieren von der allgemeinen<br />
kognitiven Entwicklung abhängt, so dass die Entwicklung der logischen Denkfähigkeit den zentralen<br />
begrenzenden Faktor darstellt (Aberg-Bengtsson & Ottosson, 2003; Adams & Shrum, 1990; Berg &<br />
Phillips, 1994; Macdonald-Ross, 1977; Wavering, 1989). Diese Erkenntnisse wurden jedoch vorwiegend<br />
aus Korrelationsstudien abgeleitet, bei denen jedoch sowohl die logische Denkfähigkeit <strong>als</strong> auch<br />
die Fähigkeit Graphen zu interpretieren mit dem Alter der Teilnehmer und der Instruktionserfahrung<br />
in der Schule korreliert waren (Barclay, 1985; Padilla, McKenzie, & Shaw, 1986). So kann angenommen<br />
werden, dass ältere Kinder ebenfalls mehr Erfahrung im Umgang mit Graphen besitzen <strong>als</strong><br />
jüngere. Studien, welche die Kompetenzen im Umgang mit Graphen unter einer sozialkonstruktivistischen<br />
Perspektive betrachteten, postulieren, dass diese Fähigkeiten sich nur entwickeln,<br />
wenn Kinder die Möglichkeit haben an Aktivitäten teilzunehmen, die die Interpretation und Konstruktion<br />
von Graphen <strong>als</strong> authentische Praxis ermöglichen (Roth & McGinn, 1997). So wiesen Achtklässler,<br />
die an solchen repräsentationalen Aktivitäten teilnahmen, deutlich höhere Kompetenzen im<br />
Umgang mit Graphen auf <strong>als</strong> eine Stichprobe von Lehrern (Roth & Bowen, 1994). Nach dieser Sicht<br />
sind die beobachteten Defizite und Fehlkonzepte im Umgang mit Graphen auf die Unerfahrenheit von<br />
Kindern mit diesen repräsentationalen Aktivitäten <strong>zur</strong>ückzuführen und nicht auf mangelnde kognitive<br />
45
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Voraussetzungen. Weitere Fallstudien, die eine aktive Auseinandersetzung mit Graphen ermöglichten,<br />
unterstützen diese Argumentation und zeigen, dass mit entsprechender Erfahrung und geeigneter<br />
instruktionaler Unterstützung (z. B. durch Computerlernumgebungen) bereits Grundschüler in der<br />
Lage sind, Graphen auf einem hohem Niveau zu interpretieren und zu konstruieren (Ainley, Nardi, &<br />
Pratt, 2000; Ainley, Pratt, & Nardi, 2001; Phillips, 1997).<br />
Eine weitere qualitative Studie von Roth zeigte außerdem, dass es keine allgemeine oder generalisierte<br />
Expertise im Umgang mit graphischen Repräsentationen gibt. Roth ließ Wissenschaftler Graphen<br />
interpretieren, die sie entweder selbst angefertigt hatten oder von anderen Wissenschaftlern stammten.<br />
Waren die Wissenschaftler mit dem dargestellten Inhaltsgebiet nicht vertraut, mussten auch diese<br />
mühsame Inferenzprozesse ausführen, um die Bedeutung der Graphen zu erschließen. Dabei zeigten<br />
einige der Wissenschaftler sogar Fehlinterpretationen, die denen der Kinder ähnelten (Roth & Bowen,<br />
2003). Auf der Basis der vorliegenden Studien kann der Schluss gezogen werden, dass die Fähigkeit<br />
eines Individuums Graphen zu interpretieren und zu benutzen weniger von dessen kognitiven<br />
Fähigkeiten <strong>als</strong> von seinem graphen- sowie inhaltsbezogenen Vorwissen abhängt.<br />
3.5 Der Erwerb von Wissen über Graphen<br />
In der pädagogischen Psychologie hat sich mittlerweile die Einsicht durchgesetzt, dass Wissen<br />
weniger durch ein passives Aufnehmen und Einüben von mehr oder weniger perfekt dargebotenen<br />
Inhalten erworben wird, sondern in einem aktiven und selbstgesteuerten Prozess vom Lernenden selbst<br />
konstruiert werden muss (z. B. Gerstenmaier & Mandl, 1995; Greeno, Collins, & Resnick, 1996). In<br />
diesem Konstruktionsprozess muss der Lernende zudem Gelegenheit haben, sich mit seinem Vorwissen<br />
und seinen Vorannahmen über den Lerngegenstand auseinanderzusetzen, so dass eine Verknüpfung<br />
mit seinem bisherigen Wissen oder - bei mit den neuen Wissensbeständen nicht kompatiblen<br />
Auffassungen - eine Umstrukturierung des Wissens erfolgen kann (Cobb, 1994; Cobb & Bowers,<br />
1999; Reinmann-Rothmeier & Mandl, 2001). Dass solche konstruktivistischen Lernprozesse tatsächlich<br />
zu einem höheren Lernerfolg führen, belegt eine Untersuchung von Staub und Stern (2002) für die<br />
Grundschule. Hier konnte nachgewiesen werden, dass Klassen von Lehrern mit einer konstruktivistischen<br />
Grundauffassung nach einem Schuljahr einen größeren Leistungszuwachs bei anspruchsvollen<br />
Textaufgaben aufwiesen <strong>als</strong> Klassen, deren Lehrer eine eher rezeptive Einstellung zum Lernen<br />
zeigten. Auch aus der TIMSS-Untersuchung der Mittelstufe lassen sich weitere Belege für die<br />
Wirksamkeit konstruktivistischer Lernsettings ableiten. Die Ergebnisse der in diesem Rahmen<br />
durchgeführten Videostudie zeigte, dass in Deutschland und den USA eher vom Lehrer stark<br />
angeleiteter Unterricht vorherrscht, während die Unterrichtsgestaltung in Japan eher mit konstruktivistischen<br />
Auffassungen konform geht. Hier erhielten die Schüler Gelegenheit, sich aktiv und selbständig<br />
mit komplexen mathematischen Problemen auseinanderzusetzen, anstatt vom Lehrer demonstrierte<br />
und „kleingearbeitete“ Prinzipien in einer Vielzahl von Übungen anzuwenden und einzuüben.<br />
Japanische Schüler zeigten im internationalen Vergleich, aber auch im Vergleich zu den deutschen<br />
46
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
und amerikanischen Schülern, deutlich höhere Leistungen in ihren mathematischen Fertigkeiten<br />
(Baumert et al., 1997; Kawanaka, Stigler, & Hiebert, 1999; Klieme & Bos, 2000).<br />
Angesichts der frühen Kompetenzen kartesische Koordinatensysteme zu verstehen und der späteren<br />
Probleme bei der Interpretation und Nutzung von Graphen stellt sich die Frage, wie Wissen über diese<br />
Repräsentationsformen erworben werden kann. In ihrem Überblicksartikel identifizierten Leinhardt<br />
und Mitarbeiter (1990) vor allem zwei Strategien, wie dieses Wissen über Graphen im schulischen<br />
Kontext traditionell vermittelt wird. Der erste Ansatz führt über den mathematischen Begriff der<br />
linearen Funktion zu Graphen <strong>als</strong> deren Visualisierung, während der zweite Ansatz eher aus dem<br />
naturwissenschaftlichen Bereich stammt, wobei Graphen genutzt werden, um Daten zu plotten und in<br />
einem weiteren Schritt Beziehungen zwischen den abgetragenen Variablen zu erkennen. Vor allem im<br />
Mathematikunterricht ist die Interpretation und Konstruktion von Graphen in anwendungsorientierten<br />
Kontexten oft ein Stiefkind, da auf Seiten der Lehrer angenommen wird, dass Schüler den Gebrauch<br />
dieser Repräsentationsformen in den anderen naturwissenschaftlichen Fächern sowie Sozialkunde<br />
lernen. Lehrer dieser Fächer wiederum setzen Wissen über die Interpretation von Graphen häufig<br />
heraus und thematisieren die Bezüge zwischen dem Inhalt und seiner graphischen Repräsentation<br />
selten. Dass jedoch im Mathematikunterricht erworbenes Wissen über Funktionen und deren graphischer<br />
Darstellung im Koordinatensystem nicht spontan auf andere Inhaltsgebiete übertragen werden<br />
kann, zeigt das Aufgabenbeispiel aus der TIMSS-Untersuchung, welches in der Einleitung zum ersten<br />
Kapitel bereits vorgestellt wurde.<br />
Forschungsarbeiten, die sich aus einer konstruktivistischen Perspektive mit dem Erwerb von Kompetenzen<br />
im Umgang mit Graphen befassten, bemängeln daher an diesen herkömmlichen Instruktionsstrategien,<br />
dass die Idee des Modellierens bzw. Abbildens von Realität mittels der verschiedenen<br />
Repräsentationen nicht den Ausgangspunkt der Aktivität bildet, sondern vorgegebene Datenpunkte zu<br />
plotten eine isolierte Praxis darstellt, die nicht in inhaltlich bedeutungsvolle Bezüge eingebettet ist<br />
(Cobb et al., 2000). Diese Autoren vertreten die Auffassung, dass externe graphische Repräsentationen<br />
Werkzeuge darstellen, die nur im Kontext ihrer Anwendung und in der aktiven Auseinandersetzung<br />
mit ihnen verstanden werden können und dass die zugrunde liegenden Prinzipien der Repräsentation<br />
vom Lernenden selbst erkannt bzw. entwickelt werden müssen und nicht direkt vermittelbar sind<br />
(Greeno & Hall, 1997; Meira, 1998; Nemirovsky & Noble, 1997; Papert, 1996).<br />
In diesem Abschnitt werden Studien vorgestellt, die den Erwerb von Wissen über Graphen in solchen<br />
konstruktivistischen Lernsettings untersuchen bzw. beschreiben. Dabei werden zwei Forschungsansätze<br />
betrachtet, zum einen Arbeiten, die den Einsatz von computerbasierten Lernumgebungen für den<br />
Erwerb von Wissen über Graphen favorisieren und zum anderen Arbeiten, die das Explorieren eines<br />
inhaltlichen Problems und die Funktion von Graphen <strong>als</strong> Werkzeuge <strong>zur</strong> Problemlösung <strong>als</strong> zentral<br />
ansehen.<br />
47
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
3.5.1 Der Einsatz von computerbasierten Lernumgebungen<br />
An der herkömmlichen Instruktion von Graphen wurde bemängelt, dass sich diese dem Phänomen<br />
Graphen nur über Strategien näherte, bei denen Graphen über konkrete Punkte oder Wertepaare aus<br />
Tabellen erstellt werden. Es wurde angenommen, dass dieses Vorgehen eher eine globale <strong>als</strong> eine<br />
lokale Betrachtungsweise des Graphen fördert und somit <strong>als</strong> ursächlich für die fehlenden Kompetenzen<br />
von Schülern angenommen werden kann. Der Einsatz von computergestützen Lernumgebungen<br />
sollte dieses Defizit beheben und die Lernenden von der mühsamen Aktivität des Plottens von Daten<br />
befreien. Diese Lernumgebungen, sog. microcomputer-based laboratories (MBL), bestehen in der<br />
Regel aus einem an den Computer angeschlossenen Messsensor, der Informationen über Temperatur,<br />
Bewegung oder andere physikalische Größen aufzeichnet. Die so gewonnenen Daten können dabei<br />
simultan im Computer in Graphen und Tabellen dargestellt werden. 14<br />
Eine Vielzahl von vor allem didaktisch angelegten Studien scheint für die Wirksamkeit von solchen<br />
computergestützten Lernsettings im Vergleich zu einem paper-and-pencil-basierten Unterricht für den<br />
Erwerb von Wissen über Graphen zu sprechen (Adams & Shrum, 1990; Barclay, 1985; Beichner,<br />
1990; Linn et al., 1987; Mokros & Tinker, 1987; Thornton & Sokoloff, 1990). Allerdings sind nur<br />
wenige dieser Studien experimentell gut kontrolliert. Wenn eine Kontrollgruppe untersucht wird, ist<br />
häufig nicht klar, ob diese sich lediglich in dem Faktor Computernutzung von der Experimentalgruppe<br />
unterscheidet oder ob nicht weitere Faktoren, wie beispielsweise die Länge der Instruktion oder Art<br />
der Aufgabenstellung, mit diesem Faktor konfundiert sind. Des Weiteren verzichten die meisten dieser<br />
Studien auf eine signifikanzstatistische Absicherung der Ergebnisse.<br />
So ist unklar, auf welche Merkmale des Computereinsatzes diese Effekte <strong>zur</strong>ückzuführen sind.<br />
Mokros identifiziert vier potenzielle Faktoren, die <strong>zur</strong> Wirksamkeit beigetragen haben könnten.<br />
Einerseits werden die Schüler von der mühsamen Aufgabe des Plottens von Datenpunkten und<br />
Graphen befreit, wodurch Ereignisse direkt und unmittelbar mit ihrer graphischen Repräsentation<br />
assoziiert werden. Andererseits nimmt er an, dass MBL-Umgebungen verschiedene Modalitäten der<br />
kognitiven Verarbeitung ansprechen, was durch die multiple Kodierung von visuellen und kinästhetischen<br />
Eindrücken zu einem besseren Behalten der Informationen führt (Mokros & Tinker, 1987).<br />
Linn, Layman & Nachmias (1987) vermuten dagegen, dass durch die zeitgleiche Darstellung der<br />
Graphen während des Experimentes graphische Abbildungen weniger <strong>als</strong> statische Bilder betrachtet,<br />
sondern eher <strong>als</strong> dynamische Beziehungen erkannt werden können. Außerdem bieten diese Lernsettings<br />
den Schülern die Möglichkeit, ihre Hypothesen bezüglich der beobachteten Phänomene aber<br />
auch der Funktionsweise des Graphen selbst zu testen, indem sie selbst Veränderungen am Experiment<br />
14 Neben diesen naturwissenschaftlich orientierten Computerlernumgebungen existieren auch Programme, die<br />
sich aus rein mathematischer Perspektive den graphischen Repräsentationen von Funktionen widmen. Auf<br />
diese wird hier jedoch nicht eingegangen, da in dieser Arbeit der Repräsentationsaspekt von Graphen und<br />
nicht das Verständnis von Funktionen im Fokus der Betrachtung steht. Der interessierte Leser sei jedoch<br />
insbesondere auf die Monographie von Romberg, Fennema und Carpenter (1993) verwiesen.<br />
48
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
vornehmen und deren Effekt am und auf den Graphen beobachten (Thornton & Sokoloff, 1990).<br />
Außerdem könnten motivationale Effekte <strong>als</strong> Erklärung für eine Leistungssteigerung herangezogen<br />
werden.<br />
Bisher wurden lediglich die Echtzeit-Kopplung von Experiment und graphischer Darstellung sowie<br />
die Rolle der kinästhetischen Erfahrung einer empirischen Testung unterzogen. Es zeigt sich, dass<br />
wenn die Erstellung des Graphen um nur 20-30 Sekunden verzögert wird, keine positiven Effekte der<br />
computergestützen Lernumgebung im Vergleich zu einer herkömmlichen feststellbar waren (Brasell,<br />
1987). Dies wurde vor allem auf die zusätzliche Belastung des Kurzzeitgedächtnisses durch die<br />
fehlende simultane Graphenerstellung <strong>zur</strong>ückgeführt. Es kann jedoch auch vermutet werden, dass ein<br />
simultan erstellter Graph eine stark wahrnehmungsleitende bzw. -strukturierende Funktion besitzt, was<br />
wiederum das Verständnis und die Erinnerung der physikalischen Situation unterstützen sollte.<br />
Beichner (1990) testete, ob das kinästhetische Feedback, welches herkömmliche MBL-Umgebungen<br />
dem Lernenden bieten, eine notwendige Bedingung für das Lernen darstellt. Daher ersetzte er die<br />
Manipulation des Experiments durch die Schüler durch einen Videofilm des Experiments, der mit<br />
einer simultanen graphischen Darstellung verknüpft war. Es zeigte sich, dass für diese Form der<br />
Instruktion kein Vorteil gegenüber einer paper-and-pencil-basierten Instruktion gefunden werden<br />
konnte. Er schlussfolgerte, dass sowohl das Sehen <strong>als</strong> auch das Fühlen der experimentellen Situation<br />
eine bedeutsame Komponente von MBL-Umgebungen darstellt. Es kann jedoch auch angenommen<br />
werden, dass nicht nur die zusätzliche kinästhetische Informationsverarbeitung eine zentrale Rolle<br />
spielt, sondern die Möglichkeit, interaktiv in den Ablauf des Experiments einzugreifen und dabei<br />
gezielt Hypothesen über das Phänomen und die Beziehungen zwischen diesem und der graphischen<br />
Darstellung zu testen, den Lernenden hilft, ein Verständnis des Inhaltes sowie der graphischen<br />
Repräsentation zu erwerben. Bisher existieren jedoch keine Studien, welche die Kontrolle über das<br />
Experiment auf Seiten der Schüler <strong>als</strong> auch die Rolle des körperlichen Feedbacks getrennt voneinander<br />
betrachten.<br />
3.5.2 Graphen <strong>als</strong> Werkzeuge <strong>zur</strong> Problemlösung<br />
Im Gegensatz zu den soeben dargestellten Gesamtevaluationen von Computer-Lernumgebungen,<br />
welche die einzelnen Prozesse der Bedeutungskonstruktion von Schülern im Umgang mit diesen<br />
Systemen unbeachtet lassen, haben sich einige Autoren vor allem mit der Beschreibung dieser<br />
Konstruktionen befasst. Bei diesen Arbeiten steht insbesondere der Prozess des Modellierens von<br />
realen Gegebenheiten durch die graphische Repräsentation im Mittelpunkt der Betrachtung.<br />
In einer Studie von Ainley und Mitarbeitern (2000) benutzten 8- bis 9-jährige Kinder ein Tabellenkalkulationsprogramm<br />
um Graphen zu erzeugen, welche sie aus eigenen Experimenten gewonnen hatten.<br />
Dabei war das Verständnis der graphischen Repräsentationen nicht primäres Ziel der Lerneinheit,<br />
sondern die Repräsentation wurde <strong>als</strong> analytisches Werkzeug eingesetzt, um Aussagen über die in den<br />
Experimenten untersuchten Phänomene zu treffen. Dabei entwickelten die Kinder drei Stadien des<br />
49
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
Verständnisses von Graphen. Zunächst zeigten sie eine oberflächliche Betrachtung der Graphen, die<br />
den bekannten Fehlvorstellungen ähnelten. Sie verglichen die Form der Graphlinie mit ihnen<br />
bekannten Formen oder interpretierten diese punkteweise ohne eine Beziehung zu ihren Experimenten<br />
herzustellen. Auf einer zweiten Stufe äußerten die Kinder Unzufriedenheit mit der Form des Graphen<br />
und versuchten idealisierte Formen zu kreieren. Nach einiger Zeit gelang es den Kindern jedoch auch<br />
die Merkmale ihres Experiments und ihre Manipulationen in der graphischen Repräsentation wieder<br />
zu erkennen und den Graphen <strong>als</strong> analytisches Werkzeug einzusetzen, um zu Aussagen über die von<br />
ihnen untersuchten Phänomene zu gelangen.<br />
Pratt (1995) betont, dass insbesondere der Einsatz des Graphen <strong>zur</strong> Lösung eines Problems zu dieser<br />
fortgeschrittenen Betrachtung führt, während reines Plotten von Datenpunkten ohne eine relevante<br />
inhaltliche Fragestellung mit dem primären Instruktionsziel, die Konventionen der Repräsentation zu<br />
lernen, die Aufmerksamkeit der Kinder lediglich auf die möglichst ansprechende Ausgestaltung von<br />
Graphen lenkt. Auch andere Autoren betonen, dass ein aktiver Gebrauch der Repräsentation einem tief<br />
greifenden Verständnis zwangsläufig voraus gehen muss (Greeno & Hall, 1997; Meira, 1998;<br />
Nemirovsky & Noble, 1997; Papert, 1996), während im schulischen Einsatz häufig die umgekehrte<br />
Reihenfolge zu finden ist.<br />
Während die soeben dargestellten Studien die aktive Auseinandersetzung mit Repräsentationen und<br />
das Benutzen von vorgegebenen Repräsentationsformen <strong>zur</strong> Problemlösung <strong>als</strong> kritisch für das<br />
Verständnis dieser Formen ansehen, argumentieren andere Autoren, dass der Umgang mit bereits<br />
fertig entwickelten und über Jahrhunderte optimierten Werkzeugen, den Wert dieser nicht zugänglich<br />
macht. Zwar werden auf diese Weise Einsichten in die Funktionsweise der Tools und der zugrunde<br />
liegenden Mappingbeziehungen gewonnen, der spezifische Nutzen der vorgegebenen Repräsentation<br />
im Vergleich zu einer anderen bleibt jedoch unerschlossen. Statt eine große Bibliothek an Repräsentationsformen<br />
verfügbar zu haben, sollte es Ziel der Instruktion sein, auch deren Funktionsweise<br />
transparent zu machen und warum diese so und nicht anders entwickelt wurden (Lehrer, Schauble,<br />
Carpenter, & Penner, 2000).<br />
Diese Einsichten in den spezifischen Nutzen von Repräsentationsformen sollen Unterrichtssettings<br />
leisten, in denen das Erfinden von eigenen Repräsentationen durch die Kinder angeregt wird. DiSessa<br />
und Mitarbeiter (1991) beschreiben ein Unterrichtsexperiment, in dessen Verlauf Sechstklässler eine<br />
möglichst exakte Repräsentation der Fahrt eines Autos entlang einer vorgegebenen Strecke erfinden<br />
sollten. Dabei entwickelten die Kinder ihre ursprünglich eindimensionalen Repräsentationen über<br />
mehrere Unterrichtsstunden hinweg kontinuierlich weiter, in dem diese an den Gegebenheiten der<br />
darzustellenden Situation jeweils kritisch geprüft und daraufhin verbessert wurden. Durch diesen<br />
konstruktiven Prozess gelangten die Kinder zu einem konventionellen Weg-Zeit-Graphen und<br />
entdeckten die Vorteile, die ein zweidimensionales Koordinatensystem für die simultane Repräsentati-<br />
50
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
on von zwei Größen bietet. Obwohl es unklar ist, inwiefern dieses Ergebnis replizierbar ist 15 , gibt<br />
diese Beschreibung doch ein wunderbares Beispiel dafür, welche Einsichten in einer konstruktivistischen<br />
Lernumgebung ermöglicht werden können.<br />
Die meisten der hier vorgestellten Arbeiten stellen interessante Einzelfallbeschreibungen dar, die<br />
zeigen, dass konstruktivistisch gestaltete Lernprozesse das Potenzial haben, den Erwerb von Wissen<br />
über Graphen <strong>als</strong> Repräsentationen zu fördern. Insgesamt tragen diese Studien jedoch den Charakter<br />
des Zufälligen, da deren Gestaltung nicht aus kognitiven oder lerntheoretischen Prinzipien oder<br />
Theorien abgeleitet wurde. Insbesondere den Studien des zweiten Abschnitts fehlen eindeutig<br />
definierte Kriterien bzw. Tests <strong>zur</strong> Erfolgsmessung. Die meisten der MBL-Studien benutzten zwar<br />
Tests <strong>zur</strong> Erfassung des Lernerfolgs, diese Skalen wurden jedoch nicht auf ihre testtheoretische Güte<br />
wie die interne Konsistenz getestet. Außerdem fehlen Angaben <strong>zur</strong> Kodierung von offenen Antworten<br />
(z. B. die Interrater-Reliabilität) sowie eine statistische Absicherung der Ergebnisse gegen zufällige<br />
Effekte. Auch auf den Einsatz von Kontrollgruppen wird entweder ganz verzichtet, oder aber es ist<br />
nicht genau spezifiziert bzw. getrennt, in welchen Merkmalen sich diese von dem experimentellen<br />
Treatment unterscheiden. Insgesamt betrachtet, lassen sich aus diesen Arbeiten daher kaum verallgemeinerbare,<br />
empirisch abgesicherte Prinzipien für die Gestaltung von Lernumgebungen <strong>zur</strong> Förderung<br />
von Wissen über Graphen <strong>als</strong> Repräsentationsformen ableiten.<br />
3.6 Zusammenfassung<br />
Die zahlreichen Studien belegen, dass selbst Oberstufenschüler und Erwachsene Defizite bei der<br />
Interpretation und Konstruktion von Graphen nach dem Durchlaufen des mathematischnaturwissenschaftlichen<br />
Unterrichts haben. Sehr oft wird nur lokal repräsentierte Information erfasst,<br />
eine Fähigkeit die bereits Vorschulkinder erfolgreich beherrschen. Trends und Beziehungen zwischen<br />
Variablen sowie Vergleiche zwischen verschiedenen Trends werden dagegen nur selten korrekt erfasst<br />
und spezifiziert. Dabei liegt gerade in dieser Funktion das außerordentliche Potenzial dieser Darstellungsform.<br />
Insbesondere Informationen, die anhand der Steigung des Graphen abgelesen werden<br />
können, werden häufig nicht erfasst. Stattdessen werden Höhe und Steigung des Graphen konfundiert.<br />
Weiterhin können diese Defizite nicht auf mangelnde allgemeine kognitive Kompetenzen <strong>zur</strong>ückgeführt<br />
werden, sondern scheinen sowohl von Wissen über Graphen sowie den dargestellten Inhalten<br />
abhängig zu sein.<br />
Die in diesem Kapitel dargestellten instruktionalen Ansätze basieren auf der Annahme, dass nicht<br />
erwartet werden kann, dass Kinder vorgegebene Repräsentationen und Symbolsysteme intuitiv<br />
verstehen und spontan die Bedeutungen sehen, welche Experten wahrnehmen. Stattdessen legen die<br />
verschiedenen Fallstudien nahe, dass eine aktive Auseinandersetzung mit diesen Repräsentationen in<br />
einem Problemkontext notwendig ist, die zugrunde liegenden Beziehungen zwischen Symbol und<br />
15 Die Entdeckung der räumlich-zweidimensionalen Repräsentation schien vor allem auf die geniale Idee eines<br />
Kindes <strong>zur</strong>ück zu gehen.<br />
51
Kapitel 3 - Kompetenzen und Probleme beim Verständnis von Graphen<br />
inhaltlicher Bedeutung zu erschließen. Nach welchen Prinzipien solche konstruktivistischen Lernumgebungen<br />
im Detail gestaltet werden müssen, um Lernprozesse zu ermöglichen, ist jedoch unklar.<br />
Stattdessen kann davon ausgegangen werden, dass es nötig ist, die Aufmerksamkeit des Lernenden auf<br />
die zentralen Aspekte und Beziehungen zu fokussieren bzw. diese transparent zu machen. Ein Prinzip,<br />
durch welches diese Aufmerksamkeitsfokussierung erreicht werden kann, der Einsatz von <strong>Kontrastierungen</strong>,<br />
wird im folgenden Kapitel ausgearbeitet und kognitionspsychologisch begründet.<br />
52
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
4. <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
In den vorangegangenen Kapiteln wurde beleuchtet, welches Wissen für das Verständnis und die<br />
Nutzung von Graphen <strong>als</strong> Repräsentationsform erworben werden muss. Insbesondere wurde ausgeführt,<br />
dass die Mappings der einzelnen Graphenmerkmale auf die entsprechenden inhaltlichen<br />
Variablen sowie die spezifischen Einschränkungen, die sich aus dem Gebrauch der Repräsentation<br />
ergeben, erkannt werden müssen.<br />
In dieser Arbeit soll die Kontrastierung von verschiedenen Fällen und Beispielen <strong>als</strong> ein <strong>effektive</strong>s<br />
instruktionales Prinzip untersucht werden, welches diese Merkmale des Graphen und seine Anwendungsbedingungen<br />
dem Lernenden zugänglich macht. Dies ist insbesondere für die Gestaltung<br />
konstruktivistischer Lernumgebungen interessant, da in diesen Settings der Lernende selbstständig<br />
relevante Beziehungen wahrnehmen und mit seinem Vorwissen in Verbindung bringen soll. Aus<br />
Experten-Novizen-Studien ist jedoch bekannt, dass Personen mit einem unterschiedlich hohen Grad an<br />
Expertise in einem Gebiet die gleiche Situation unterschiedlich wahrnehmen und andere Merkmale der<br />
Situationen <strong>als</strong> relevant für eine bestimmte Fragestellung betrachten (Chi, Feltovich, & Glaser, 1981;<br />
Schoenfeld & Herrmann, 1982). Für die Gestaltung konstruktivistischer Lernumgebungen kann man<br />
daraus ableiten, dass die Wahrnehmung der Lernenden auf die in der Lernsituation gegebenen<br />
kritischen Merkmale und Beziehungen gelenkt werden müssen.<br />
Dass konstruktivistisch gestaltete Lernumgebungen von gezielten Strukturierungs- und Lenkungsmaßnahmen<br />
profitieren, ja diese sogar benötigen, zeigt eine Studie von Möller und Mitarbeitern (2002).<br />
Diese Autoren verglichen zwei nach konstruktivistischen Prinzipien gestaltete Lernumgebungen zum<br />
Dichteverständnis, wobei die erste Unterrichtseinheit ein mittleres Maß an Vorstrukturierung in Form<br />
des den Kindern <strong>zur</strong> Verfügung gestellten Materi<strong>als</strong> sowie dessen zeitlicher Sequenzierung vornahm.<br />
Die zweite Unterrichtseinheit dagegen stellte alle Materialen und Ressourcen den Kindern gleichzeitig<br />
<strong>zur</strong> Verfügung. Es zeigte sich, dass die Kinder in der strukturierten Lernumgebung deutlich mehr von<br />
der Unterrichtseinheit profitierten <strong>als</strong> die in der unstrukturierten Bedingung. Es kann angenommen<br />
werden, dass die unstrukturierte Bedingung es den Kindern nicht in demselben Ausmaß erlaubte, die<br />
Beziehungen zwischen Volumen und Gewicht der Materialien zu entdecken.<br />
Dass Lernende nicht immer das Gleiche sehen und verstehen, was die Unterrichtenden in einer<br />
Situation sehen, illustriert die Fallbeschreibung eines Unterrichtsexperiments von Lobato, Ellis und<br />
Munoz (2003). Diese Autoren stellten fest, dass eine von ihnen konzipierte Unterrichtsreihe entgegen<br />
ihrer Annahme das Verständnis der Steigung <strong>als</strong> Rate der Veränderung bei den unterrichteten Schülern<br />
nicht förderte, sondern diese die Steigung lediglich <strong>als</strong> einfache Differenzen zwischen zwei benachbarten<br />
Y-Werten auffassten. Eine Analyse des Unterrichtsgeschehens offenbarte, dass eine einseitige<br />
Variation im Lernmaterial und der unpräzise Gebrauch von Sprache die Entwicklung eines korrekten<br />
Verständnisses der Steigung behinderte. Es zeigte sich, dass Lehrerin und Schüler die gemeinsam<br />
etablierte Beschreibung der Steigung <strong>als</strong> „what it goes up by“ unterschiedlich verstanden: die Lehrerin<br />
53
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
<strong>als</strong> Rate der Veränderung von miteinander koordinierten Differenzen von Y- und X-Werten, die<br />
Schüler jedoch <strong>als</strong> eindimensionale Differenzen zwischen zwei Y-Werten. Die Analyse des Unterrichts<br />
zeigte weiterhin, dass diese verengte Wahrnehmung der Schüler durch den Gebrauch von<br />
idealisierten Wertetabellen unterstützt wurde. In diesen Wertetabellen stiegen die X-Werte jeweils in<br />
einheitlichen Abständen an, so dass ein Zueinander-in-Beziehung-Setzen der Veränderungen auf<br />
beiden Variablen nicht erforderlich war, um Aussagen über die Rate der Veränderung zu treffen.<br />
Stattdessen reichte es für die Aufgabenlösung jeweils aus, die einfachen Differenzen innerhalb der Y-<br />
Werte allein zu betrachten. Es kann angenommen werden, dass die Schüler ein tieferes Verständnis<br />
der Steigung entwickelt hätten, wenn die X-Werte der Wertetabelle ebenfalls in unregelmäßigen<br />
Abständen variiert worden wären.<br />
In diesem Kapitel soll auf der Basis von psychologischen Theorien begründet werden, dass Variationen<br />
im Lernmaterial nicht beliebig sein dürfen, sondern je nach ihrer Beschaffenheit ein unterschiedliches<br />
Potenzial der Wahrnehmungslenkung und Strukturierung der Lernumgebung besitzen. Dazu soll<br />
zunächst das Lernen mit Kontrasten von einer scheinbar ähnlichen Konzeption, der Variation von<br />
Unwesentlichem, abgegrenzt werden. Im Anschluss daran, werden Studien zum Lernen mit Beispielen<br />
und Fällen vorgestellt, die auf eine Wirksamkeit von <strong>Kontrastierungen</strong> hinweisen. Anschließend soll<br />
mit Hilfe der Forschung zum Analogen Schließen aufgezeigt werden, wie der Prozess des Lernens mit<br />
<strong>Kontrastierungen</strong> beschrieben und die unterschiedliche Wirksamkeit verschiedener <strong>Kontrastierungen</strong><br />
begründet werden kann. Dazu werden sowohl zentrale Befunde zu den Bedingungen des Lernens mit<br />
Analogien <strong>als</strong> auch Erkenntnisse über analoge Denkprozesse bei Kindern sowie das Lernen mit<br />
Analogien in schulischen Kontexten betrachtet. Abschließend werden auf der Basis dieser Überlegungen<br />
für die Steigung des Graphen einer linearen Funktion drei Formen der Kontrastierung entwickelt,<br />
die das Potenzial besitzen, dem Lernenden die Möglichkeiten und Einschränkungen dieser Repräsentationsform<br />
aufzuzeigen und wahrnehmbar zu machen.<br />
4.1 <strong>Kontrastierungen</strong> <strong>als</strong> Variation von Unwesentlichem<br />
Weder die Verwendung von Beispielen noch eine Variation im Lernmaterial ist <strong>als</strong> eine grundlegende<br />
Neuerung des pädagogisch-methodischen Repertoires zu werten. So lernen bereits Lehramtsstudierende<br />
der Mathematik früh eines der wichtigsten Prinzipien des operativen Durcharbeitens nach Aebli<br />
kennen, die Variation des Unwesentlichen (Zech, 1998). Dieses didaktische Prinzip besagt, dass<br />
mathematische Konzepte im Hinblick auf ihre definierenden Merkmale „durchgearbeitet“ werden<br />
müssen. Anders ausgedrückt: Alle Aufgaben, an denen ein Konzept eingeübt werden soll, müssen so<br />
gestaltet sein, dass alle Merkmale, die zufällig mit dem Konzept kovariieren, variiert werden, damit sie<br />
nicht mit dem zu lernenden Konzept assoziiert bleiben („... die Schlacken der ersten Bekanntschaft<br />
[müssen] abgestreift werden“, Aebli nach Zech, 1998, S. 45). So wird beispielsweise das Trapez<br />
häufig unbeabsichtigt so gezeichnet, dass die zwei parallelen Seiten entlang der Horizontalen<br />
ausgerichtet sind, was dazu führt, dass Schüler Trapeze, die diese Bedingung nicht erfüllen, häufig<br />
54
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
nicht <strong>als</strong> solche erkennen. Die Befunde von Mevarech und Kramarski (1997) geben Hinweise, dass es<br />
auch für Graphen solche stereotypen Deutungsmuster gibt. So scheinen Sechstklässler zu glauben,<br />
dass ein Graph immer durch den Nullpunkt des Koordinatensystems geht und die Steigung einen<br />
Winkel von 45 Grad beschreibt.<br />
Sicherlich ist das Prinzip der Variation des Unwesentlichen gut geeignet, um eine Vielzahl an<br />
Übungsaufgaben zu generieren, und dabei neu erlernte Konzepte flexibler zu machen, es erscheint<br />
jedoch in dieser Formulierung nicht deutlich genug auf die psychologischen Mechanismen und<br />
Notwendigkeiten bezogen, die ein erfolgreiches Lernen ermöglichen. So ist es schnell einsichtig, dass<br />
bestimmte Variationen sinnvoller sein können <strong>als</strong> andere, wie beispielsweise eine Variation der Farbe<br />
des Graphen im Vergleich zu einer Variation des Achsenabschnittes. Was die „Schlacken der ersten<br />
Bekanntschaft“ umfasst, ist zudem nicht immer einsichtig. Während bei Aebli Variationen genutzt<br />
werden, um Wesentliches von Unwesentlichem abzugrenzen, nachdem ein neues Konzept bereits<br />
eingeführt und abstrakt definiert wurde (quasi in der Einübungsphase), können Variationen auch dazu<br />
eingesetzt werden, den Schülern ein Konzept überhaupt erst zugänglich und die definierenden<br />
Merkmale sowie die zugrunde liegenden Beziehungen wahrnehmbar zu machen. In diesem Sinne und<br />
in Abgrenzung zu Aebli werden in dieser Arbeit <strong>Kontrastierungen</strong> <strong>als</strong> Variation des Wesentlichen<br />
aufgefasst.<br />
4.2 Lernen mit Kontrasten<br />
Wie in Kapitel 1.3.2 bereits dargestellt, ist es für die Anwendung von Konzepten <strong>als</strong> mentale<br />
Werkzeuge zentral, die Möglichkeiten und Einschränkungen der Nutzung zu kennen, welche sich aus<br />
ihren spezifischen Eigenschaften ergeben. Daran schließt sich jedoch eine weitere, komplexere Fragen<br />
an: Wie können wir diese wichtigen Möglichkeiten und Einschränkungen erlernen?<br />
Die Befunde zum Transfer sowie konstruktivistische Lerntheorien legen nahe, dass es nicht ausreicht,<br />
diese Merkmale in einer abstrakten Form präsentiert zu bekommen, sondern vom Lernenden selbst<br />
erfahren und konstruiert werden müssen (u. a. Greeno & Hall, 1997). Allerdings zeigen Studien <strong>zur</strong><br />
Expertise, dass Experten (Lehrende) und Novizen (Lernende) verschiedene Aspekte eines Gegenstandes<br />
<strong>als</strong> relevant wahrnehmen können (Chase & Simon, 1973; Schoenfeld & Herrmann, 1982). Eine<br />
Studie von Chi, Feltovich und Glaser (1981) zeigte, dass Novizen eher auf Oberflächenmerkmale<br />
einer Situation fokussieren <strong>als</strong> Experten, so dass diese oberflächlichen Merkmale häufiger mental<br />
repräsentiert und erinnert werden <strong>als</strong> die relevanten zugrunde liegende Prinzipien. Dies scheint vor<br />
allem daran zu liegen, dass den Novizen gut strukturierte Repräsentationen des Stoffes und kausale<br />
sowie relationale Abstraktionen fehlen, die ein Konzept zu anderen Inhaltsgebieten in Beziehung<br />
setzen. So wird derselbe Lernstoff von Lernenden mit unterschiedlichem Vorwissen unterschiedlich<br />
wahrgenommen und mental repräsentiert (weitere Faktoren, die die Wahrnehmung von Gemeinsamkeiten<br />
und Unterschieden beeinflussen, werden in Kapitel 4.3.2 dargelegt). Es hat <strong>als</strong>o den Anschein,<br />
<strong>als</strong> ob die Frage des Lernens zunächst einmal durch die Frage des Wahrnehmens oder Bemerkens<br />
55
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
ersetzt werden muss (Bransford, Franks, Vye, & Sherwood, 1989). Das heißt, Novizen bzw. Lernende<br />
mit wenig Vorwissen müssen gezielt dahin gebracht werden, die relevanten Aspekte eines Konzeptes<br />
wahrzunehmen.<br />
Eine Instruktionsstrategie, welche die Wahrnehmung der wesentlichen Merkmale eines Konzeptes<br />
ermöglichen kann, beruht auf einem Prinzip aus der Wahrnehmungspsychologie <strong>zur</strong> visuellen<br />
Differenzierung. Indem zwei Objekte miteinander kontrastiert werden, kann bestimmt werden, welche<br />
Merkmale dieser Objekte <strong>als</strong> besonders relevant wahrgenommen werden (Garner, 1974; Gibson &<br />
Gibson, 1955). Ein Beispiel von Garner illustriert dieses Prinzip auf eindrucksvolle Weise. Er bat<br />
Personen, das erste Objekt in Abbildung 4-1 zu beschreiben. Die meisten Probanden äußerten, dies sei<br />
ein doppelter Kreis oder es seien zwei konzentrische Kreise in einem Viereck. Sehen sie diese<br />
Abbildung jedoch im Kontext der zweiten Abbildung, wird auch die Größe des Kreises <strong>als</strong> eine<br />
wichtige Beschreibungsdimension für den Stimulus genannt. Im Kontext der dritten Abbildung wird<br />
dagegen besonders die Lage des Kreises im Raum bzw. im Viereck salient gemacht.<br />
Abbildung 4-1: Wahrnehmung verschiedener Merkmale durch spezifische Kontraste (nach Garner, 1974)<br />
Dieses Beispiel könnte man beliebig fortsetzen und jeweils neue, bisher unbeachtete Stimulusdimensionen<br />
aufzeigen, beispielsweise indem man den Stimulus mit Kreisen unterschiedlicher Linienstärke<br />
oder mit gestrichelten Linien kontrastiert. Die Bedeutung eines Stimulus bzw. dessen Merkmale, die<br />
wir <strong>als</strong> besonders wichtig oder charakteristisch wahrnehmen, hängen <strong>als</strong>o entscheidend von dem Feld<br />
der Alternativen ab, in dem wir diesen Stimuli begegnen.<br />
Die Wirkung von Kontrastwahrnehmungen lässt sich auch für andere Bereiche unseres psychosozialen<br />
Funktionierens zeigen. So nehmen wir unsere eigene Leistung in unterschiedlichen Kontexten<br />
verschieden wahr und fühlen uns unterschiedlich kompetent: Sind wir umgeben von sehr leistungsstarken<br />
Personen, erscheint uns unsere Leistung geringer <strong>als</strong> wenn wir uns mit tendenziell weniger<br />
kompetenten Personen vergleichen, da sich der Referenzrahmen für diesen Vergleich verändert (z. B.<br />
Lüdtke & Köller, 2002 zum big-fish-little-pond-effect).<br />
Die Anwendung dieses wahrnehmungspsychologischen Prinzips auf die Gestaltung von Lernprozessen<br />
scheint besonders sinnvoll, da hierdurch gesteuert werden könnte, welche Konzepte und Merkmale<br />
aus der Fülle von Stimuli, die eine Lernumgebung anbietet, vom Lernenden <strong>als</strong> wichtig und relevant<br />
wahrgenommen werden. Somit kann durch die Gestaltung der Lernumgebung bereits vorstrukturiert<br />
56
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
werden, auf welche Merkmale Lernende fokussieren und welche von ihnen mit Aufmerksamkeit<br />
belegt werden. Studien zum Einsatz von kontrastierenden Fällen und <strong>zur</strong> Sequenzierung von Aufgaben<br />
geben Hinweise auf eine Wirksamkeit von <strong>Kontrastierungen</strong> und werden im Folgenden vorgestellt.<br />
4.2.1 Sequenzierung von Aufgaben<br />
Dass die Stimuli bzw. die Lernumgebung, in die das zu Lernende eingebettet ist, Lernprozesse und die<br />
Konstruktion von Wissen steuern können, zeigen kognitionspsychologische Studien zu Sequenzierungseffekten.<br />
Siegler und Stern (1998) untersuchten die Entwicklung einer Abkürzungsstrategie <strong>zur</strong><br />
effizienten und schnellen Lösung von Rechenaufgaben eines bestimmten Typs in einem mikrogenetischen<br />
Design. Dies beinhaltete, dass Kinder wiederholt Rechenaufgaben der Form a + b – b bearbeiteten<br />
und deren Lösungen über mehrere Sitzungen hinweg registriert wurden. Anhand dieser Lösungen<br />
und zusätzlicher zeitlicher Informationen wurde der Prozess des Strategiewechsels der Kinder beim<br />
Lösen dieser Aufgaben nachvollzogen. Zusätzlich wurde variiert, ob die Kinder nur Aufgaben dieser<br />
spezifischen Form oder auch andere ähnliche Aufgaben bearbeiteten. Es zeigt sich, dass Kinder, die<br />
lediglich Aufgaben bearbeiteten, bei denen die Abkürzungsstrategie a + b – b = a angewandt werden<br />
konnte (geblockte Bedingung), diese Strategie früher konsistent anwendeten. Kinder dagegen, die ein<br />
variableres Training erhielten (gemischte Bedingung), entwickelten diese Strategie zwar später, aber<br />
gleichzeitig neigten sie auch weniger <strong>zur</strong> Übergeneralisierung der Strategie auf andere Probleme, bei<br />
denen diese nicht angewendet werden konnte (z. B. Aufgaben der Form a - b - b). Demnach lernten<br />
die Kinder in der gemischten Bedingung gleichzeitig auch Informationen über die Anwendungsbedingungen<br />
der Strategie, da das Lernmaterial in dieser Bedingung stärker variierte und der Einsatz der<br />
Abkürzungsstrategie nicht in jedem Fall erfolgreich war. Sie erhielten somit die Möglichkeit konditionalisiertes<br />
Wissen aufzubauen.<br />
Scheiter und Gerjets (2003) untersuchten Effekte der Sequenzierung von Aufgaben anhand des<br />
Lernens aus Beispielen. Sie präsentierten Psychologiestudenten drei ausgearbeitete Beispiele <strong>zur</strong><br />
Lösung algebraischer Probleme, die diese aufmerksam studieren sollten. Dabei waren die Beispiele so<br />
gestaltet, dass zunächst ein bestimmter Aufgabentyp mit einer bestimmten inhaltlichen Einkleidung<br />
der Aufgabe (den sog. Coverstories) korrespondierte. Jedem dieser drei Beispiele folgten jeweils drei<br />
weitere Aufgaben, die auf unterschiedliche Weise sequenziert waren. In der Struktur-Block-<br />
Bedingung lösten die Probanden nacheinander jeweils drei Aufgaben, die sich in ihren Coverstories<br />
unterschieden, aber jeweils mit derselben mathematischen Prozedur gelöst werden konnten. In der<br />
Coverstory-Block-Bedingung ähnelten sich die jeweils hintereinander präsentierten Probleme in den<br />
anzuwendenden Lösungsprozeduren, variierten jedoch in ihren Coverstories. Insgesamt erhielten alle<br />
Probanden jedoch ein identisches Set von Aufgaben. Die Ergebnisse dieser Studie zeigen, dass die<br />
Reihenfolge der Bearbeitung der Beispiele einen deutlichen Effekt auf die Lösung der folgenden drei<br />
Aufgaben sowie auf die Lösung von Transferaufgaben hatte, bei denen die erworbenen Prozeduren<br />
angepasst werden mussten. Dabei konnten Studierende, deren Beispiele nach der Ähnlichkeit ihrer<br />
57
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Coverstories sequenziert waren, eine höhere Lösungsrate sowohl bei den ursprünglichen Aufgaben <strong>als</strong><br />
auch bei den Transferaufgaben erzielen <strong>als</strong> die Probanden der nach den Lösungsprozeduren geblockten<br />
Bedingung. Diese Ergebnisse können dahingehend interpretiert werden, dass es den Personen der<br />
nach Coverstories geblockten Bedingung auf der Basis dieser oberflächlichen Ähnlichkeit zwischen<br />
den Problemen gelang, die Unterschiede in den Lösungsprozeduren besser zu identifizieren. Es kann<br />
vermutet werden, dass Personen ausgehend von der zeitlichen Nähe zweier Probleme implizit oder<br />
explizit Vergleiche zwischen den Aufgaben anstellen und diese zueinander in Beziehung setzen und<br />
somit differenzierte, „transferfähige“ Wissensstrukturen aufbauen.<br />
4.2.2 Kontrastierende Fälle<br />
Die Nützlichkeit von expliziten Vergleichen, um erworbenes Wissen weniger ideosynkratisch zu<br />
machen und das Erkennen von abstrakten Regeln und Gemeinsamkeiten zu unterstützen, konnte in<br />
weiteren Studien zum Lernen mit Beispielen demonstriert werden. Während in der Studie von Scheiter<br />
und Gerjets Personen lernen sollten, Ähnlichkeiten in der Struktur der präsentierten mathematischen<br />
Probleme zu erkennen, konnten Schwartz und Bransford (1998) in einer experimentellen Studie<br />
zeigen, dass auch das Generieren von Unterschieden zwischen zwei oder mehreren sich in bestimmten<br />
Merkmalen unterscheidenden Fällen (sog. contrasting cases) zu differenzierteren Wissensstrukturen<br />
führt. Bei diesem Experiment analysierten die Versuchspersonen einerseits Ergebnisse von verschiedenen<br />
Studien zu einem zentralen Konzept der Psychologie, während sie über ein Experiment zu<br />
einem anderen psychologischen Konzept jeweils nur eine Zusammenfassung der zentralen Befunde<br />
lasen. Die Autoren konnten zeigen, dass die Personen nach einer integrierenden Vorlesung zu den in<br />
den Experimenten untersuchten Konzepten beide Konzepte zwar gleich gut erinnerten, aber in einer<br />
Verständnisaufgabe die Konzepte, für die sie kontrastierende Fälle bearbeitet hatten, besser anwenden<br />
konnten. Die aktive Kontrastierung verschiedener Fälle zu einem übergeordneten Konzept führte <strong>als</strong>o<br />
zu einer besseren Aufnahme weiterer Informationen und erzeugte bei den Personen eine differenziertere<br />
Wissensstruktur, auf die in einer Anwendungssituation besser <strong>zur</strong>ückgegriffen werden konnte. Die<br />
Autoren schlussfolgerten: Contrasting cases creates a time for telling. Das heißt, ihrer Ansicht nach<br />
schaffte eine Kontrastierung der konkreten Fälle und Beispiele eine bessere Grundlage für den Erwerb<br />
von Wissen mittels einer eher passiven Form des Lernens, einer Vorlesung, <strong>als</strong> das Lesen einer<br />
Zusammenfassung von Ergebnissen.<br />
In einer weiteren Studie der Vanderbilt-Gruppe mit Schülern wurde das Prinzip der Kontrastierung auf<br />
Repräsentationsformen angewandt. Aufgabe der Schüler war es, sogenannte smart tools in Form von<br />
visuell-räumlichen Repräsentationen <strong>zur</strong> Lösung eines mathematischen Alltagsproblems zu kreieren<br />
(Bransford et al., 2000). Diese Aufgabe konnten die Schüler nach Schilderung der Autoren besser<br />
bewältigen, wenn sie vorher die Möglichkeit hatten, mit Hilfe von kontrastierenden Beispielen<br />
wichtige Designprinzipien der smart tools, d. h. die relevanten funktionalen Merkmale der Repräsentationsformen,<br />
zu entdecken. Die Autoren argumentieren, dass die kontrastierenden Fälle <strong>als</strong> Hinführun-<br />
58
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
gen (scaffolds) gezielt eingesetzt werden können, wenn bestimmte zugrunde liegende Prinzipien oder<br />
„big ideas“ in einer Wissensdomäne entdeckt werden sollen. Leider wurde in dieser Studie jedoch auf<br />
eine empirische Absicherung der Befunde verzichtet und die verschiedenen Formen der <strong>Kontrastierungen</strong><br />
wurden nicht im Hinblick auf ihre spezifische Wirksamkeit getestet.<br />
Um die Wirksamkeit solcher problem- oder fallbasierten Lernprozesse zu erklären, wird eine<br />
Anreicherung des Wissens mit vielfältigen mentalen Repräsentationen ein und desselben Konzeptes<br />
angenommen, die durch die Auseinandersetzung mit den Fällen und Beispielen erworben werden<br />
(Kolodner, 1997). Diese mentalen Repräsentationen sind im Wissen der Person gut verankert und<br />
stehen <strong>als</strong> Referenzfälle für weiteres Problemlösen oder den Wissensaufbau <strong>zur</strong> Verfügung. Sie dienen<br />
daher <strong>als</strong> Basis, um Vergleiche anzustellen und neue Informationen zu kategorisieren. Hinter der<br />
Nutzung von konkreten Fällen steht weiterhin der Gedanke, dass sich durch konkrete Beispiele<br />
zentrale Punkte oder abstrakte Konzepte besser verdeutlichen lassen und dass diese Beispiele <strong>als</strong><br />
Modelle oder Analogien für weitere Lernprozesse <strong>zur</strong> Verfügung stehen (u. a. Reeves & Weisberg,<br />
1994). Fälle und Beispiele dienen <strong>als</strong>o einerseits der Exemplifizierung abstrakter Konzepte und<br />
andererseits auch der Fokussierung der Aufmerksamkeit des Lernenden auf die zentralen Merkmale<br />
eines Konzeptes. Die dargestellten Studien dieses Abschnittes zeigen, dass die Kontrastierung von<br />
Beispielen und Fällen das Lernen aus diesen unterstützen kann, sowohl in einer expliziten <strong>als</strong> auch<br />
einer eher impliziten Art und Weise, wie es durch die Sequenzierung von verschiedenen Aufgaben<br />
erreicht wird.<br />
Die Denkprozesse, die beim Lernen aus Fällen und Beispielen eine Rolle spielen, wurden von<br />
verschiedenen Autoren unter dem Begriff des Analogen Denkens bzw. des Analogen Enkodierens<br />
untersucht (Gentner, 1989; Holyoak, Gentner, & Kokinov, 2001). Da <strong>Kontrastierungen</strong> auf dem<br />
Einsatz von verschiedenen Beispielen und Anwendungen eines Konzeptes beruhen, sollen hier<br />
analoge Denkprozesse ebenfalls <strong>zur</strong> Beschreibung des Lernens mit Kontrasten herangezogen werden.<br />
Insbesondere die Forschungsergebnisse zum analogen Enkodieren können <strong>zur</strong> Begründung der<br />
differenziellen Wirksamkeit von Kontrasten herangezogen werden. Im nächsten Abschnitt werden<br />
daher die Befunde zum analogen Enkodieren, die Stucture-Mapping-Theorie des analogen Denkens<br />
von Gentner, Befunde <strong>zur</strong> Entwicklung des analogen Denkens sowie <strong>zur</strong> Nutzung von Analogien in<br />
schulischen Kontexten vorgestellt. Vor allem die Arbeiten zum schulischen Einsatz von Analogien<br />
geben Hinweise auf wichtige Gestaltungsprinzipien von Analogien und Beispielen.<br />
4.3 Analoges Enkodieren und Vergleichen <strong>zur</strong> Beschreibung des Prozesses des Lernens<br />
mit Kontrasten<br />
Die Fähigkeit Gemeinsamkeiten und Unterschiede zwischen zwei Fällen zu erkennen, ist eine<br />
grundlegende Fähigkeit unseres kognitiven Systems, welche uns befähigt, neue Situationen auf der<br />
Basis bereits bekannter zu strukturieren und zu erschließen und somit einen wichtigen Teil der<br />
menschlichen Fähigkeit sich an neue Situationen anzupassen darstellt (Holyoak & Thagard, 1995).<br />
59
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Weiterhin ermöglicht sie Abstraktionen, Kategorisierungen und den Konzeptwechsel und stellt die<br />
Basis von Kreativität und zahlreichen Erfindungen dar (Gentner et al., 1997; Gentner & Holyoak,<br />
1997). Da das analoge Enkodieren ein Spezialfall des analogen Denkens ist, soll zunächst auf die<br />
Theorie zum analogen Denken von Gentner eingegangenen werden, um mit der gebräuchlichen<br />
Terminologie vertraut zu machen.<br />
4.3.1 Die Structure-Mapping-Theorie von Gentner<br />
„People live in a world of novelty, in which no experience is ever exactly repeated.<br />
Yet paradoxically, many would agree that ‘there is nothing new under the sun.’ The<br />
‘illusion of familiarity’ […] depends on the power of the human mind to find – and, if<br />
necessary, to create – similarities between past experiences and the present situation.”<br />
(Gentner & Holyoak, 1997, S. 32)<br />
Gentner beschreibt in ihrer Structure-Mapping-Theorie ein Modell, wie die kognitiven Prozesse, die<br />
unser Denken auf der Basis von Gemeinsamkeiten im Allgemeinen und Analogien im Speziellen<br />
ermöglichen, konzeptualisiert werden können (z. B. Gentner, 1989; Gentner & Markman, 1997).<br />
Ausgangspunkt des Denkens auf der Basis von Analogien ist dabei, dass eine bekannte Situation (die<br />
Basis- oder Source-Analogie) mit einer neuen Situation (der Ziel- oder Target-Analogie) in Verbindung<br />
gebracht und ein Mapping zwischen beiden Situationen hergestellt wird. Dies geschieht, indem<br />
beide Situationen in Übereinstimmung gebracht werden, ein Prozess den Gentner <strong>als</strong> structural<br />
alignment bezeichnet. Dabei spielen vor allem perzeptuelle und strukturelle Ähnlichkeiten zwischen<br />
beiden Analogien eine Rolle sowie integrierbare und nicht-integrierbare Differenzen zwischen den<br />
Elementen und Relationen der Basis- und Zielanalogie.<br />
4.3.1.1 Structural alignment<br />
Der Prozess des structural alignment, des In-Übereinstimmung-Bringens von zwei Beispielen besteht<br />
nach Gentner aus vier Teilprozessen: dem Zugriff auf eine bekannte Situation im Gedächtnis, dem<br />
Herstellen von Korrespondenzen zwischen der alten und der neuen Situation, dem Ziehen einer<br />
Inferenz auf der Basis dieses Mappings und der Bewertung dieser Inferenz im Hinblick auf ihre<br />
Stimmigkeit im Kontext der neuen Situation. Möchte man beispielsweise den Aufbau eines Atoms<br />
(die Target-Analogie) erklären, muss zunächst eine geeignete analoge Situation aus dem Gedächtnis<br />
abgerufen werden. Häufig wird dafür der Aufbau unseres Sonnensystems <strong>als</strong> Basis-Analogie<br />
herangezogen, da es nach ähnlichen strukturellen Beziehungen aufgebaut ist wie ein Atom. Im zweiten<br />
Schritt müssen diese beiden Fälle miteinander in Beziehung gesetzt werden, indem die Korrespondenzen<br />
zwischen den einzelnen Teilkomponenten der Systeme hergestellt werden: Die Sonne entspricht<br />
dem Atomkern, die Planeten entsprechen den Elektronen. Sind diese Korrespondenzen (das Mapping)<br />
hergestellt, können auf der Basis des Wissens über das Sonnensystem Schlüsse über den Aufbau des<br />
Atoms gezogen werden. Wenn ein Atom ähnlich aufgebaut ist wie das Sonnensystem, sollten die<br />
Elektronen ebenfalls um den Kern herum angeordnet sein. Auf der Basis dieser Analogiebeziehungen<br />
60
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
können weitere Fragen <strong>zur</strong> Exploration des Target-Analogs gestellt werden. Zum Beispiel ob die<br />
einzelnen Elektronen ebenfalls durch Gravitation auf einer bestimmten Bahn um den Atomkern<br />
gehalten werden wie die Planeten um die Sonne oder ob die Geschwindigkeit der Elektronen mit<br />
wachsender Entfernung vom Atomkern ebenfalls abnimmt wie bei Planeten. Die Antworten auf diese<br />
Fragen bzw. die gezogenen Inferenzen werden dann in einem letzten Schritt auf ihre Schlüssigkeit für<br />
das Target-System evaluiert. Wie dieses Beispiel schon andeutet, sind die Mappings zwischen den<br />
Komponenten der Basis- und Zielanalogie, die unser kognitives System vornimmt, nicht dem Zufall<br />
überlassen, sondern drei grundlegenden Einschränkungen (Constraints) unterworfen: der strukturellen<br />
Korrespondenz, dem relationalen Fokus und dem Systematizitätsprinzip.<br />
Demnach werden Mappings immer nach dem Prinzip der strukturellen Korrespondenz vorgenommen.<br />
Dies besagt zum einen, dass lediglich Eins-zu-Eins-Korrespondenzen hergestellt werden, d. h. jedes<br />
Element des Basissystems kann nur mit maximal einem Element der Zielsituation in Beziehung<br />
gesetzt werden. Im obigen Beispiel wäre <strong>als</strong>o kein Mapping der Sonne auf den Atomkern und die<br />
Elektronen gleichzeitig möglich. Zum anderen werden nur Mappings nach dem Prinzip der parallelen<br />
Konnektivität vorgenommen. Danach müssen die Relationen zwischen den einzelnen Komponenten,<br />
die aufeinander gemappt werden, auch aufeinander passende Argumente besitzen. Da mehrere<br />
Planeten um die Sonne kreisen, müssen in der Zielanalogie auch mehrere Elektronen um den<br />
Atomkern angeordnet sein, und es dürfen nicht mehrere Atomkerne existieren. Letzteres würde eine<br />
Verletzung des Prinzips der parallelen Konnektivität darstellen.<br />
Die zweite Einschränkung, das Vorhandensein eines relationalen Fokus’, besagt, dass für analoge<br />
Vergleiche vor allem Relationen, <strong>als</strong>o Beziehungen zwischen Elementen, aufeinander gemappt werden<br />
und nicht ausschließlich Objektmerkmale. Würde man nur Elektronen mit den Planeten unseres<br />
Sonnensystems vergleichen, ergäbe sich daraus kein neuer Erkenntnisgewinn. Erst die Betrachtung<br />
beider Objekte in ihrem jeweiligen System von Relationen erlaubt sinnvolle neue Inferenzen auf der<br />
Basis der in diesem System bestehenden strukturellen Beziehungen. Diese zweite Einschränkung steht<br />
im engen Zusammenhang mit der dritten Einschränkung, dem Prinzip der Systematizität. Danach stellt<br />
unser kognitives System vorzugsweise Mappings zwischen dem Basis- und Zielsystem her, bei denen<br />
ganze Systeme von miteinander verbundenen Relationen und Elementen zu großen Teilen aufeinander<br />
gemappt werden können.<br />
Da Gentner vor allem an den Gesetzmäßigkeiten des Denkens mit Analogien interessiert war, vertritt<br />
ihre Theorie in dieser Hinsicht einen sehr engen Standpunkt. Nach Collins & Burstein (1989) kann<br />
man Mappings auf drei verschiedenen Ebenen unterscheiden: Mappings auf der Ebene von ganzen<br />
Systemen von Relationen (wie beispielsweise zwischen dem Sonnensystem und dem Atom, indem<br />
vergleichbare Beziehungen zwischen den einzelnen Elementen der Systeme herrschen), Mappings<br />
zwischen einzelnen Komponenten oder Objekten, die nicht in ein größeres korrespondierendes System<br />
eingebunden sind (wie der Vergleich eines Apfels mit einem Ball) und Mappings zwischen einfachen<br />
Objekteigenschaften (z. B. der Vergleich eines drei Zentimeter großen Kreises mit einer Pizza oder<br />
61
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
einer Euromünze). Nach Gentner und Markman (1994) ist das Systematizitätsprinzip jedoch von<br />
zentraler Bedeutung für das Schlussfolgern auf der Basis von Analogien, da nur aus einem System von<br />
Relationen neue, sinnvolle Fragen über einen weniger gut bekannten Gegenstand abgeleitet werden<br />
können, wie die Fragen über den Aufbau des Atoms im ausgeführten Beispiel.<br />
4.3.1.2 Strukturelle und perzeptuelle Ähnlichkeitsbeziehungen<br />
Zentral für die Analogieforschung ist weiterhin die Unterscheidung der Ähnlichkeitsbeziehungen<br />
zwischen Basis- und Zielanalogie auf der Basis von strukturellen und perzeptuellen Merkmalen<br />
(Gentner & Markman, 1997). So sind ein Atom und die Sonne im Hinblick auf strukturelle, jedoch<br />
nicht auf ihre perzeptuellen Merkmale einander ähnlich. Aus der Kombination beider Ähnlichkeitsbeziehungen<br />
ergibt sich eine Anordnung von drei verschiedenen Arten der Ähnlichkeit: den reinen<br />
Analogien, bei denen lediglich strukturelle Merkmale geteilt werden, den Mere-Appearance-Matches,<br />
bei denen nur eine Übereinstimmg in den perzeptuellen aber nicht in den strukturellen Merkmalen<br />
besteht, sowie den reinen sprichwörtlichen Ähnlichkeiten, bei denen beide Arten von Merkmalen<br />
geteilt werden. Gentner und Markman limitieren Analogien jedoch auf die Fälle, bei denen die<br />
Oberflächenmerkmale nicht übereinstimmen - eine Unterteilung, die nicht von allen Autoren geteilt<br />
wird, insbesondere wenn analoger Transfer von Problemlösestrategien untersucht wird (Collins &<br />
Burstein, 1989). Überträgt man diese Klassifikation auf das Vergleichen von Fällen und Beispielen,<br />
stellen diese echte Analogien dar, da sie ein gemeinsames zugrunde liegendes Prinzip exemplifizieren,<br />
die situationale Einkleidung jedoch für beide Fälle verschieden ist.<br />
Dass die Übereinstimmung von zwei Beispielen in ihren Oberflächenmerkmalen einen signifikanten<br />
Einfluss auf das Entdecken zugrunde liegender struktureller Prinzipien hat, ist in der Forschung zum<br />
analogen Transfer gut belegt. Bei diesen Studien wurden Probanden Problemlösungen für ein<br />
spezifisches Problem vermittelt bzw. durch diese selbst entdeckt und in einem weiteren Schritt<br />
getestet, wie gut sie diese Lösung auf ein neues isomorphes, d. h. strukturell ähnliches Problem<br />
übertragen konnten. Obwohl dem analogen Denken in der menschlichen Kognition eine zentrale Rolle<br />
zugesprochen wird, ließ sich im Labor wenig Evidenz für spontanen analogen Transfer etablieren z. B.<br />
(Gick & Holyoak, 1983; Novick, 1988; Novick & Holyoak, 1991). Es scheint, dass Probanden die<br />
Lösungen, welche bei strukturell ähnlichen Problemen erfolgreich waren, nicht aus dem Gedächtnis<br />
abrufen können, was auf ein Aktivierungsdefizit anstatt auf ein Nutzungs- oder Erinnerungsdefizit<br />
<strong>zur</strong>ückgeführt wird, da ein konkreter Hinweis und Erinnern der Probanden in der Regel zum erfolgreichen<br />
Transfer führt (Gentner, 1989; Gentner & Toupin, 1986; Holyoak & Koh, 1987; Keane, 1988;<br />
Pirolli & Anderson, 1985; Ross, 1989b; Seifert, McKoon, Abelson, & Ratcliff, 1986). Offensichtlich<br />
werden einzelne Fälle und Beispiele situationsspezifisch, d. h. nach ihren Oberflächenmerkmalen<br />
kodiert und nicht in Form abstrakter Schemata (Gentner, 1989; Medin & Ross, 1989). Unterscheiden<br />
sich zwei Beispiele in ihren perzeptuellen Merkmalen dagegen sehr, findet kein Transfer auf neue<br />
Situationen statt (Holyoak & Koh, 1987; Simon & Hayes, 1976; Weisberg, DiCamillo, & Phillips,<br />
62
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
1978). Wird stattdessen die Wahrnehmung der strukturellen Ähnlichkeiten zwischen dem neuen Fall<br />
und dem ursprünglichen Beispiel von einer perzeptuellen Ähnlichkeit begleitet oder unterstützt,<br />
können Probanden aufgrund der oberflächlichen Ähnlichkeit das erste Beispiel erfolgreich auf das<br />
zweite übertragen.<br />
So trainierten Schumacher und Gentner (1988, zitiert nach Gentner & Markman, 1997) Probanden<br />
eine Computersimulation zu steuern und konfrontierten sie danach mit einer weiteren Simulation,<br />
deren Steuerung sie selbst erschließen sollten. Die Lerngeschwindigkeit hing dabei deutlich von der<br />
Transparenz des Mappings und der Systematizität der Steuerungssysteme ab. Das heißt, wenn sich die<br />
Steuerungselemente oberflächlich sehr ähnlich waren, so dass die Mappings vom alten auf das neue<br />
System für die Probanden transparent und weiterhin die Steuerungssysteme so konstruiert waren, dass<br />
kausale Beziehungen zwischen den einzelnen Prozeduren des Systems bestanden (Systematizität), war<br />
es den Probanden schneller möglich, das neue analoge System zu steuern. Ähnliche Effekte der<br />
perzeptuellen oder Oberflächenähnlichkeit berichtet Ross (1989a). Sind sich Basis- und Zielsituation<br />
in ihren Oberflächenmerkmalen sehr ähnlich, können Versuchspersonen algebraische Lösungen<br />
schneller auf neue Probleme transferieren. Suggerieren dagegen die perzeptuellen Merkmale einer<br />
Situation eine Ähnlichkeit, die auf struktureller Merkm<strong>als</strong>ebene nicht besteht (sog. cross-mapping<br />
Bedingung), findet kein erfolgreicher Transfer statt. So ließ Reed (1987) Probanden die Ähnlichkeit<br />
von Problemlösungen einschätzen. Es zeigte sich, dass die Übereinstimmung der perzeptuellen mit<br />
den strukturellen Merkmalen, d. h. hohe Transparenz des Mappings, ein guter Prädiktor für erfolgreichen<br />
Transfer ist.<br />
Es sei angemerkt, dass solche oberflächlich sehr ähnlichen Situationen nach Gentners enger Definition<br />
keine Analogien darstellen. Allerdings zeigen die Ergebnisse weiterer Studien, dass Transfer unter<br />
bestimmten Randbedingungen auch in Abwesenheit von perzeptueller Ähnlichkeit erfolgen kann,<br />
wenn die Person eine hohe Expertise im Inhaltsgebiet besitzt oder aber eine aktive Auseinandersetzung<br />
mit der ersten Problemsituation erfolgte.<br />
4.3.1.3 Weitere Randbedingungen erfolgreichen analogen Lernens<br />
Einerseits wird von Gentner und Mitarbeitern argumentiert, dass Denken auf der Basis von Analogien,<br />
d. h. strukturellen Merkmalen unter der Abwesenheit von Oberflächenähnlichkeit, einen mächtigen<br />
Mechanismus menschlicher Kognition darstellt (Hofstadter, 2000). Andererseits scheinen Menschen<br />
unter Laborbedingungen jedoch die Übereinstimmung von perzeptuellen Merkmalen zu benötigen, um<br />
auf der Basis von Analogien zu denken. Eine mögliche Erklärung für dieses „analoge Paradox“ liefert<br />
Dunbar (2001). Er untersuchte den Gebrauch von Analogien sowohl in natürlichen Settings <strong>als</strong> auch<br />
unter Laborbedingungen. Auf der Basis von ausgedehnten, systematischen Beobachtungen von<br />
Wissenschaftlern und durch die Analyse der Reden von Politikern konnte er empirisch zeigen, dass<br />
analoges Denken auf der Basis struktureller Ähnlichkeit, d. h. von Relationen höherer Ordnung, zum<br />
Standardrepertoire menschlichen Denkens und Argumentierens gehört (Dunbar, 1999). Den Unter-<br />
63
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
schied zwischen seinen und den traditionellen Laborbefunden zum spontanen analogen Transfer führt<br />
er auf die unterschiedliche Art der Aufgaben in beiden Settings sowie das Vorwissen der Probanden<br />
<strong>zur</strong>ück. Während Probanden im Labor Basis- und Zielanalogie präsentiert bekommen, mit denen sie in<br />
der Regel wenig Erfahrungen sammeln konnten, generieren Politiker und Wissenschaftler auf der<br />
Basis ihres Wissens die Analogien selbst mit dem Ziel, ein Argument zu untermauern, emotional zu<br />
besetzen oder wie aber im Fall der Wissenschaftler unerwartete Forschungsbefunde zu verstehen und<br />
Theorien zu kommunizieren. Demnach gibt es zwei Faktoren, die das Denken auf der Basis von<br />
Analogien beeinflussen sollten, den Grad der Expertise in einem Inhaltsgebiet sowie die Art der<br />
Verarbeitung. Beide Faktoren wurden in Laborstudien empirisch überprüft.<br />
So zeigten Chi, Feltovich & Glaser (1981), dass das Defizit, neue Situationen nach ihren perzeptuellen<br />
anstatt ihren strukturellen Eigenschaften einzuschätzen, in entscheidendem Maße von der Expertise im<br />
jeweiligen Feld abhängt. Die Autoren gaben Physikstudenten und -experten die Aufgabe, physikalische<br />
Probleme in Kategorien zu ordnen. Es zeigte sich, dass die Novizen diese nach ihren Oberflächenmerkmalen<br />
ordneten (Probleme mit Federn, Rampen), während Experten diese nach den<br />
zugrunde liegenden Prinzipien oder zentralen physikalischen Fragestellungen (z. B. Experimente <strong>zur</strong><br />
Erhaltung der Energie), <strong>als</strong>o nach ihren strukturellen Merkmalen gruppierten. Außerdem scheinen<br />
Experten die Struktur von Beispielen besser zu kodieren und sie erinnern die Beispiele auf Basis<br />
dieser Struktur und nicht nach ihren Oberflächenmerkmalen (Dunbar, 2001). Novick (1988) konnte<br />
am Beispiel mathematischer Probleme zeigen, dass Studenten mit einem höheren SAT-Wert 16<br />
strukturell ähnliche Probleme besser erinnern <strong>als</strong> Studenten mit einem niedrigeren SAT-Ergebnis.<br />
Expertise in einem Gebiet scheint <strong>als</strong>o die Wahrscheinlichkeit des analogen Transfers in Abwesenheit<br />
von Oberflächenähnlichkeit zu erhöhen, da Situationen eher nach ihren strukturellen Merkmalen<br />
klassifizieren, welche die Basis analoger Vergleiche darstellen, <strong>als</strong> nach ihren Oberflächenmerkmalen.<br />
Müssen wir demnach erst Experten in einem Gebiet werden, was Hunderte von Übungsstunden<br />
voraussetzt (Ericsson, 1994), bevor wir auf der Basis struktureller Analogien Vergleiche anstellen und<br />
nutzen können? Die Befunde <strong>zur</strong> zweiten Hypothese Dunbars scheinen in eine andere Richtung zu<br />
deuten: Blanchette und Dunbar (2000) führten eine Reihe von Experimenten durch, bei denen<br />
Probanden für ein aktuelles politisches Problem Analogien zu jeweils einer spezifischen Lösung dieses<br />
Problems generieren sollten. Die meisten Personen konnten Analogien mit hoher struktureller und<br />
wenig Oberflächenähnlichkeit generieren, wobei sich zeigte, dass sich über 40% der generierten<br />
Analogien auf ideosynkratische Quellen bezogen. Es scheint, dass das Generieren der Analogien die<br />
Personen auf strukturelle Merkmale aufmerksam macht, während reine Präsentation von Problemstellungen<br />
solche strukturellen Einsichten in ein unbekanntes Problem nicht erlaubt.<br />
16 Der Scholastic-Aptitude-Test (SAT) ist ein Fähigkeitstest, der vor allem mathematisches und sprachliches<br />
Wissen sowie kritisches Denken erfordert und der die Zugangberechtigung zu amerikanischen Colleges und<br />
Universitäten darstellt. Analogien stellen einen Untertest des SAT dar.<br />
64
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Einige Arbeiten unterstützen die Annahme, dass die Eigenaktivität der Probanden bei der Verarbeitung<br />
der Basisanalogie den anschließenden Transfer auf ein neues isomorphes Problem fördert<br />
(Catrambone & Holyoak, 1989; Gick & Holyoak, 1983; Reeves & Weisberg, 1994). So präsentierten<br />
Needham und Begg (1991) ihren Versuchspersonen eine Reihe von Knobelaufgaben, sogenannten<br />
„Brain-Teasers“ (beispielsweise: Wie kann man mit einer einzigen Frage einen Lügner und einen<br />
Menschen, der immer die Wahrheit sagt, auseinander halten?). Teilnehmer, die aufgefordert wurden,<br />
das Problem selbst zu lösen, bevor man ihnen die Lösung nannte, konnten diese Lösungsstrategie<br />
anschließend besser auf ein neues analoges Problem übertragen <strong>als</strong> die Teilnehmer einer Vergleichsgruppe,<br />
welche lediglich das Problem auswendig lernten. Obwohl die Probanden dieser Vergleichsgruppe<br />
das originäre Problem besser erinnerten, konnten sie die Lösung des Problems nicht ebenso gut<br />
auf das neue Problem übertragen wie die Teilnehmer mit eigenen Lösungsversuchen. Weitere Studien<br />
belegen, dass Fälle und Lösungen, die von den Probanden explizit miteinander verglichen werden<br />
sollten, besser auf neue Fälle übertragen werden können, da die Repräsentationen der einzelnen Fälle<br />
weniger ideosynkratische Details enthalten und weniger mit den Oberflächenmerkmalen eines neuen<br />
Falls konfligieren können (Catrambone & Holyoak, 1989; Reeves & Weisberg, 1994).<br />
Analoger Transfer scheint demnach immer dann zu erfolgen, wenn ein transparentes Mapping von<br />
strukturellen Merkmalen der beiden Beispiele vorliegt, was entweder durch eine hohe perzeptuelle<br />
Ähnlichkeit beider Situationen erreicht wird oder wenn Probanden bereits eine hohe Expertise im<br />
bearbeiteten Inhaltsgebiet besitzen oder wenn eine aktive Auseinandersetzung mit den Problemen<br />
erfolgte.<br />
4.3.1.4 Integrierbare und nicht-integrierbare Unterschiede<br />
Aus der Alltagserfahrung ist bekannt, dass Vergleiche immer selektiv sind, d. h. bestimmte Aspekte<br />
akzentuieren, und je nach Art des Vergleiches unterschiedliche Merkmale oder Beziehungen in den<br />
Vordergrund treten. Auf der Basis der Structure-Mapping-Theorie und des Systematizitätsprinzips<br />
lassen sich dafür Erklärungen ableiten, die zum Teil empirisch bereits belegt werden konnten. Gentner<br />
unterscheidet in ihrer Theorie zwischen zwei Arten von Unterschieden in den strukturellen Merkmalen<br />
einer Analogiebeziehung, die für die Wahrnehmung dieser Merkmale jeweils von unterschiedlicher<br />
Bedeutung sind. Einerseits gibt es Unterschiede, die in das Vergleichssystem von Basis- und Zielanalogie<br />
integriert sind, jedoch in jedem System eine andere Ausprägung besitzen (alignable differences).<br />
Andererseits überlappen sich zwei analoge Fälle nie hundertprozentig, so dass es zwangsläufig<br />
Unterschiede geben muss, die jeweils keine Entsprechung im jeweils anderen System von Relationen<br />
haben (non-alignable differences). Diese nicht in das System integrierbaren Unterschiede werden nicht<br />
<strong>als</strong> zum Vergleich zugehörig wahrgenommen. So stellt in der Analogie zwischen Atom und Sonnensystem<br />
der Größenunterschied der Objekte (Sonne vs. Planeten, Kern vs. Elektronen) einen in die<br />
Analogie integrierbaren Unterschied dar, während es für die Atmosphären der einzelnen Planeten<br />
keine Entsprechung für die Elektronen gibt. Dieser Unterschied wird daher nicht in das Analogiesys-<br />
65
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
tem integriert und sollte für den Vergleich von Atom und Sonnensystem nicht <strong>als</strong> relevant wahrgenommen<br />
werden.<br />
Weiterhin bestimmt die Anzahl der in das System integrierbaren Unterschiede zwischen den Analogien<br />
den Grad der Ähnlichkeit zweier Situationen, d. h. bei sehr ähnlichen Paarungen sollte es mehr<br />
integrierbare Differenzen geben <strong>als</strong> bei nicht-ähnlichen Paarungen. Dieser Zusammenhang konnte<br />
empirisch bestätigt werden. So fiel es Probanden leichter, Unterschiede für die Begriffe „Hotel“ und<br />
„Motel“ aufzulisten im Vergleich zu den Begriffen „Hotel“ und „Kätzchen“ (Gentner & Markman,<br />
1994; Markman & Gentner, 1996). Dies ist darauf <strong>zur</strong>ückzuführen, dass sehr ähnliche Paarungen<br />
größere aufeinander gemappte Systeme haben und sich daher in mehreren zueinander in Beziehung<br />
stehenden Komponenten unterscheiden können, während die nicht ins System integrierbaren Differenzen<br />
nicht <strong>als</strong> relevant für das Vergleichssystem betrachtet werden (Gentner & Gunn, 2001).<br />
Die dargestellten Ergebnisse der Analogieforschung zeigen, dass das Vergleichen von Fällen bzw. das<br />
Herstellen von Analogiebeziehungen gewissen Einschränkungen unterworfen ist und dass strukturelle<br />
und perzeptuelle Merkmale für diesen Prozess eine unterschiedliche Rolle spielen. Weiterhin legen die<br />
Befunde zu den in das Vergleichssystem integrierbaren Unterschieden nahe, dass für die Wahrnehmung<br />
der einzelnen Merkmale einer Situation die Wahl der (zweiten) Vergleichssituation von<br />
zentraler Bedeutung sein sollte, da durch unterschiedliche Vergleichssysteme jeweils andere Gemeinsamkeiten<br />
und Unterschiede zwischen zwei analogen Systemen hervorgehoben werden und somit<br />
psychologisch salient sind. Diese Erkenntnisse können herangezogen werden, um die Wirksamkeit<br />
verschiedener Arten von <strong>Kontrastierungen</strong> zu begründen, die ebenfalls ein Lernen mit verschiedenen<br />
Beispielen darstellen. Zunächst werden jedoch die Forschungsergebnisse zum analogen Enkodieren<br />
vorgestellt, die einen für das Lernen mit Beispielen und <strong>Kontrastierungen</strong> besonders relevanten<br />
Spezialfall des analogen Denkens darstellen.<br />
4.3.2 Analoges Enkodieren <strong>als</strong> Spezialfall analogen Denkens<br />
Analoges Enkodieren unterscheidet sich von den bisher dargestellten Studien zum analogen Denken,<br />
da hier beide Fälle oder Beispiele dem Lernenden relativ unbekannt sind. Beim analogen Denken wird<br />
dagegen davon ausgegangen, dass ein gut bekannter Fall auf einen weniger gut bekannten Fall<br />
gemappt werden muss, so dass auf der Basis dieser Übereinstimmungen Schlussfolgerungen über den<br />
unbekannten Fall möglich werden. Während bei diesen klassischen Analogien ausgehend vom<br />
Basisfall nur auf den Zielfall geschlossen wird, ist die Richtung des Schließens beim analogen<br />
Enkodieren bidirektional. Es wird angenommen, dass sich beide Fälle gegenseitig informieren, wenn<br />
der Lernende versucht, sie in eine gemeinsame Struktur zu bringen (structural alignment), auch wenn<br />
er beide Fälle nur teilweise versteht. Auf der Basis der so entstandenen - wenn auch zunächst<br />
unvollständigen - Mappings können Inferenzen über beide Fälle gezogen werden und die beiden<br />
Fällen zugrunde liegenden strukturellen Prinzipien erschlossen werden (Ferguson, 1994; Ferguson &<br />
Forbus, 1991; Loewenstein, Thompson, & Gentner, 1999).<br />
66
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Den Lernprozess fördernde Effekte des Vergleichens sind in der Forschung mit Erwachsenen gut<br />
belegt (Gentner & Markman, 1997; Gick & Holyoak, 1983; Lassaline & Murphy, 1998; Medin,<br />
Goldstone, & Gentner, 1993). So zeigten Gick und Holyoak (1983) in ihrem beinahe klassischen<br />
Experiment, dass sich die Leistung von Studierenden beim Lösen eines schwierigen Problems deutlich<br />
verbesserte, wenn diese vorher zwei strukturell ähnliche Beispiele vergleichen sollten, im Vergleich zu<br />
einer Bedingung, in der die Studenten lediglich ein analoges Beispiel lesen konnten. Demnach erlaubt<br />
es der Vergleich von zwei Beispielen, Wissen über die Problemsituation zu abstrahieren, welches<br />
schließlich in einer strukturell ähnlichen Situation angewendet werden kann. Allerdings lässt sich auf<br />
der Basis dieses Experiments der Vorteil des Vergleichsprozesses selbst nicht empirisch belegen, da<br />
die Vergleichsgruppe nur ein Beispiel und somit weniger Informationen <strong>zur</strong> Verfügung gestellt<br />
bekam.<br />
Eine Studie von Kurtz und Mitarbeitern (2001) zeigte dagegen, dass der aktive Vergleich von zwei nur<br />
teilweise verstandenen Situationen im Vergleich zu einem isolierten Interpretieren der Beispiele das<br />
Verständnis und die Abstraktion eines beiden Beispielen zugrunde liegenden kausalen Prinzips<br />
fördert. Diese Autoren präsentierten erwachsenen Versuchspersonen zwei Abbildungen physikalischer<br />
Situationen, denen das Prinzip der Wärmeleitung zugrunde lag (siehe Abbildung 4-2).<br />
Abbildung 4-2: Beispiel <strong>zur</strong> Generalisierung abstrakter Konzepte auf der Basis analogen Schließens (nach<br />
Kurtz, Miao, & Gentner, 2001).<br />
Eine Gruppe von Probanden sollte beide Situationen lediglich interpretieren, während eine weitere<br />
Gruppe zusätzlich <strong>zur</strong> Interpretation eine Mapping-Aufgabe ausführen sollte. Zu deren Lösung war es<br />
nötig, die einzelnen Bestandteile der beiden Situationen miteinander zu vergleichen und in Übereinstimmung<br />
zu bringen. So korrespondiert die Herdplatte mit dem Becher heißem Kaffee, während die<br />
Pfanne ihr Analogon in dem Metallstab hat (siehe Abbildung 4-3). Probanden der Mapping-<br />
Bedingung entdeckten signifikant häufiger das übergeordnete bzw. zugrundeliegende Prinzip der<br />
Wärmeleitung <strong>als</strong> Personen mit einem Vergleich aber ohne diese Mapping-Aufgabe. Letztere<br />
beschrieben den abgebildeten Prozess stattdessen häufiger konkret <strong>als</strong> ein Erhitzen oder Schmelzen.<br />
Der aktive Vergleich bzw. das In-Übereinstimmung-Bringen der äußerlich sehr unterschiedlichen<br />
67
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Elemente der Situationen (mutual alignment) förderte demnach die Entdeckung des übergeordneten<br />
strukturellen Konzeptes, der Wärmeübertragung.<br />
Eis<br />
Eier<br />
Eis<br />
Objekt der<br />
Transformation<br />
Eier<br />
Schmelzen<br />
?<br />
Erhitzen<br />
Schmelzen<br />
Wärmeleitung<br />
Erhitzen<br />
Metallstab<br />
Pfanne<br />
Metallstab<br />
Vermittelndes<br />
Objekt<br />
Pfanne<br />
in<br />
auf<br />
in<br />
gibt Wärme<br />
ab an<br />
auf<br />
Kaffee<br />
Herdplatte<br />
Kaffee<br />
Wärmequelle<br />
Herdplatte<br />
Abbildung 4-3: Das structural alignment der von Kurtz, Miao und Gentner (2001) verwendeten Beispiele.<br />
Auf der Basis der Annahmen zu den integrierbaren und nicht-integrierbaren Unterschieden von<br />
Vergleichen kann vermutet werden, dass es für diese Beispiele kritisch ist, dass sich die visualisierten<br />
Teilprozesse bzw. Relationen in den beiden Situationen unterscheiden (Schmelzen vs. Erhitzen).<br />
Obwohl sich beide Situationen auf der Ebene der beteiligten Objekte relativ ähnlich sind (Nahrungsmittel,<br />
Küchengeräte), können sie nur in Übereinstimmung gebracht werden, wenn <strong>als</strong> grundlegende<br />
Gemeinsamkeit das Prinzip der Wärmeübertragung herangezogen wird. Ist dies der Fall, stellen die<br />
beiden unterschiedlichen Relationen integrierbare Unterschiede dar (alignable differences). Es kann<br />
angenommen werden, dass das Prinzip der Wärmeübertragung seltener entdeckt wird, wenn diese<br />
Teilprozesse nicht unterschiedlich angelegt sind, sondern in beiden Fällen das Prinzip des Erhitzens<br />
verdeutlichen, da hier die übergeordnete Ebene der Bedeutung (Wärmeübertragung) <strong>zur</strong> Konstruktion<br />
der Übereinstimmung nicht benötigt wird. Leider haben die Autoren dies nicht getestet.<br />
In weiteren Studien wurde gezeigt, dass der Vorteil des vergleichenden Lernens im Vergleich zum<br />
Lernen mit mehreren isolierten Fällen für Experten und Novizen gleichermaßen gilt (Loewenstein et<br />
al., 1999), obwohl im Hinblick auf die Expertiseeffekte zum analogen Transfer erwartet werden<br />
könnte, dass Experten aufgrund ihres größeren Vorwissens auch von einzelnen Fällen mehr profitieren<br />
sollten <strong>als</strong> Novizen. Gentner und Mitarbeiter (2000) konnten sogar zeigen, dass keine der Personen in<br />
der isolierten Bedingung die Parallelen zwischen beiden Fällen entdeckte, obwohl beide Fälle auf<br />
demselben Blatt Papier präsentiert wurden. Zusätzlich zu einem verhaltensnahen Transfermaß wurden<br />
die Versuchsteilnehmer auch zu der anhand der Fälle zu erlernenden Verhandlungsstrategie befragt.<br />
Es zeigte sich, dass die Qualität der Antworten in der Vergleichsbedingung die Leistung auf dem<br />
Transfermaß vorhersagte, während dies für die isolierte Bedingung nicht der Fall war. Selbst wenn die<br />
68
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Probanden die Fälle nicht allein, sondern in einem Team bearbeiteten, zeigte sich kein Vorteil der<br />
isolierten Bedingung gegenüber der Vergleichsbedingung (Loewenstein, Thompson, & Gentner,<br />
2003), obwohl verschiedene Studien nahe legen, dass kollaboratives Lernen förderlich für das<br />
Entdecken abstrakter Prinzipien und den Lernprozess ist (z. B. Azmitia, 1988; Schwartz, 1995).<br />
Am Beispiel der Konzeptentwicklung konnte auch für Kinder der positive Effekt des Vergleichs von<br />
zwei unbekannten Fällen gezeigt werden (Gentner & Medina, 1998; Gentner & Namy, 1999;<br />
Loewenstein & Gentner, 2001; Namy & Gentner, 2002). Gentner und Namy (1999) untersuchten die<br />
Entwicklung von Kategorien bei Vorschulkindern. Studien <strong>zur</strong> Erweiterung von Kategorien auf neue<br />
Exemplare zeigen, dass Kinder Objekte zunächst auf der Basis von perzeptuellen Merkmalen<br />
kategorisieren (Imai, Gentner, & Uchida, 1994), so dass ein Wal <strong>zur</strong> Kategorie der Fische gezählt wird<br />
und nicht <strong>zur</strong> Klasse der Säugetiere. Gentner und Namy konnten jedoch zeigen, dass 4-jährige Kinder,<br />
denen zu einem neuen Kategoriewort mehrere Beispiele im Vergleich zu lediglich einem Beispiel<br />
präsentiert wurden, in einer forced-choice-Aufgabe häufiger ein weiteres taxonomisches Kategoriemitglied<br />
anstelle eines in seinen Oberflächenmerkmalen sehr ähnlichen jedoch nicht-taxonomischen<br />
Objektes auswählten. Die Möglichkeit des Vergleichs verschiedener Beispiele für eine Kategorie<br />
scheint demnach dazu geführt zu haben, dass die Kinder die gemeinsamen Merkmale der Kategoriemitglieder<br />
abstrahierten, die die Kategorie definieren. Dieser Effekt blieb auch in einer Cross-<br />
Mapping-Bedingung bestehen, in der zwei oberflächlich sehr ähnliche Kategoriebeispiele präsentiert<br />
wurden, die der perzeptuellen Antwortalternative ähnlicher waren <strong>als</strong> die taxonomische Antwort. Die<br />
Autorinnen schlossen daraus, dass die Präsentation von zwei Kategoriemitgliedern es den Kindern<br />
erlaubt, beide Fälle in Übereinstimmung zu bringen und gemeinsame definierende Merkmale zu<br />
abstrahieren.<br />
In einer weiteren Studie wurde untersucht, ob dieser Vorteil der multiplen Kategoriebeispiele,<br />
lediglich darauf <strong>zur</strong>ückzuführen ist, dass durch mehrere Beispiele ein reicheres semantisches<br />
Netzwerk aktiviert wurde. Namy und Gentner zeigten, dass der Vorteil mehrerer Beispiele verschwindet,<br />
wenn diese entweder <strong>als</strong> zu unterschiedlichen Kategorien gehörig klassifiziert oder so ausgewählt<br />
werden, dass keine strukturellen Übereinstimmungen zwischen ihnen bestehen (Namy & Gentner,<br />
2002). Bereits 4-jährige Kinder scheinen demnach auf der Basis eines Vergleichs geteilte Merkmale<br />
einer Kategorie extrahieren zu können, wenn ihnen ein gemeinsames Label (der Kategoriename) <strong>zur</strong><br />
Verfügung gestellt wird. Gentner und Medina (1998) schlussfolgern aus diesen Studien, dass dem von<br />
ihnen postuliertem struktursensitiven Vergleichsprozess eine doppelte Bedeutung für die kognitive<br />
Entwicklung zukommt: zum einen fördert er das Abstrahieren von Gemeinsamkeiten und Regeln<br />
sowie die Bildung von Kategorien, andererseits erweitert er bereits vorhandenes Wissen und fördert<br />
damit die Re-Repräsentation und Anwendung von abstrakten Schemata auf neue Situationen.<br />
Die berichteten Forschungsergebnisse zeigen, dass das Lernen mit unbekannten Beispielen und<br />
Vergleichen ein viel versprechender Ansatz ist, der <strong>zur</strong> Abstraktion von gemeinsamen Merkmalen<br />
führt und den Transfer von Wissen auf neue Inhaltsbereiche fördert. Auf der Basis des Experiments<br />
69
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
von Kurtz, Miao und Gentner (2001) kann angenommen werden, dass die Gestaltung von analogen<br />
Fällen nicht beliebig sein darf, sondern Vergleiche gezielt konstruiert werden müssen, damit relevante<br />
strukturelle Merkmale erkannt werden. Insbesondere in das Vergleichssystem integrierbare Unterschiede<br />
(sog. alignable differences) können eine zentrale Rolle für die Wahrnehmung bzw. das<br />
Entdecken von gemeinsamen Strukturprinzipien spielen. Die Befunde legen jedoch auch nahe, dass<br />
dieser Vergleichsprozess in der Regel nicht automatisch geschieht, sondern durch externe Hinweise<br />
angeregt werden muss, wie zum Beispiel durch die Vorgabe eines gemeinsamen sprachlichen Labels<br />
für zwei Fälle. Bei sehr jungen Kindern scheint es der Fall zu sein, dass der Fokus auf strukturelle<br />
Merkmale höherer Ordnung nur gelingt, wenn gleichzeitig eine hohe Oberflächenähnlichkeit zwischen<br />
den Fällen oder Gelegenheit zum Üben mit neuem Material besteht. Diese Befunde sind erstaunlich,<br />
da aus der traditionellen Piagetschen Sicht Kinder erst mit Erreichen der formalen Stufe der kognitiven<br />
Entwicklung zu relationalem Denken auf der Basis von Strukturen höherer Ordnung fähig sein sollten.<br />
Das folgende Kapitel gibt daher einen kurzen Überblick über die Ergebnisse neuerer Forschung zum<br />
analogen Denken, die auf eine wissensbasierte Erklärung der Befunde anstelle einer strukturtheoretischen<br />
Erklärung im Sinne Piagets hindeuten.<br />
4.3.3 Die Entwicklung des analogen Denkens<br />
Obwohl Kindern bis in das Grundschulalter hinein die Fähigkeit zum analogen Denken abgesprochen<br />
wurde (Piaget, Montangero, & Billeter, 1977; Sternberg & Nigro, 1980), scheint diese Fähigkeit eine<br />
wichtige Strategie des Sinnerschließens und des Lernens für Kinder darzustellen (Goswami, 2001). So<br />
argumentieren beispielsweise Holyoak & Thagard (1995), dass dem Phänomen des Animismus bei<br />
jüngeren Kindern lediglich unangemessenes analoges Denken zugrunde liegt, wobei diese unbelebten<br />
Objekten wie beispielsweise Wolken mentale Phänomene wie Gedanken und Wünsche zuschreiben.<br />
Da Kinder noch kein Wissen über die exakten biologischen Vorgänge und Mechanismen bei Pflanzen,<br />
Tieren und anderen Umweltphänomenen <strong>zur</strong> Verfügung steht, versuchen sie auf der Basis ihres bereits<br />
gut ausgeprägten Wissens über Menschen neue Erklärungen für diese Phänomene zu generieren. In<br />
der Tat konnte die Forschung zum analogen Denken bei Kindern zeigen, dass das von Piaget<br />
postulierte Defizit im Denken junger Kinder durch die Versuchsanordnung und das verwendete<br />
Material induziert wurden, und bereits 3-Jährige Anzeichen für relationales und analoges Schließen<br />
zeigen (Alexander, Willson, White, & Fuqua, 1987; Goswami & Brown, 1989). Weiterhin deuten<br />
einige Studien sogar darauf hin, dass analoge Denkprozesse bereits im Säuglingsalter <strong>zur</strong> Verfügung<br />
stehen (Chen, Sanchez, & Campbell, 1997; Goswami, 2001; Marcus, Vijayan, Bandi Rao, & Vishton,<br />
1999; Meltzoff & Moore, 1997).<br />
Gentner postuliert einen relationalen Wechsel (relational shift) in der Entwicklung des analogen<br />
Denkens, wonach sich das Identifizieren der Relationen einer Analogie mit zunehmendem Alter nicht<br />
mehr an Oberflächenmerkmalen mit hoher Ähnlichkeit orientiert, sondern auch abstraktere Relationen<br />
erkannt und darüber hinaus ganze Systeme von Relationen nach dem Prinzip der Systematizität<br />
70
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
aufeinander gemappt werden. Dabei nimmt Gentner an, dass es sich bei dem Defizit jüngerer Kinder<br />
relational zu denken nicht um ein strukturelles Defizit handelt, sondern führt ebenfalls ein Kompetenzoder<br />
Wissensdefizit <strong>als</strong> Erklärung an. Befunde von Gentner & Toupin (1986) und Gentner (1988)<br />
scheinen die Annahme des relationalen Wechsels zu stützen. Diese Autoren konstruierten Geschichten,<br />
in denen verschiedene Tiere eine bestimmte Rolle einnahmen (<strong>als</strong> Held, Freund oder Schurke) und<br />
<strong>als</strong> Basisanalogie dienten. Systematizität wurde manipuliert, indem die Geschichte einen strukturierenden<br />
moralischen Aspekt beinhaltete oder nicht. Die Kinder spielten diese Geschichten mit<br />
Stofftieren zunächst nach. In der anschließenden Transferphase wurde die Geschichte mit Tieren<br />
nachgespielt, welche denen der ursprünglichen Geschichte entweder ähnlich oder aber unähnlich<br />
waren (z. B. anstelle eines Eichhörnchens mit einem Streifenhörnchen oder einem Zebra). In einer<br />
weiteren Cross-Mapping-Bedingung wurden ähnliche Tiere sogar mit konfligierenden Rollen im<br />
Vergleich <strong>zur</strong> ersten Geschichte gepaart. Die Ergebnisse zeigten, dass die Ähnlichkeit der Tiere<br />
zwischen der Basis und der Transfergeschichte die Leistungen der Kinder stark beeinflusste und die<br />
Leistung in der Cross-Mapping-Bedingung am schlechtesten war. Die Systematizität der Geschichte<br />
half lediglich den älteren Teilnehmern (8-10 Jahre), jedoch nicht den 4- bis 6-Jährigen. Dieses<br />
Ergebnis scheint die Erklärung eines Kompetenzdefizits jüngerer Kinder zu unterstützen. Andere<br />
Studien konnten jedoch zeigen, dass erfolgreicher Transfer bei geringer Oberflächenähnlichkeit<br />
leichter fällt, wenn die Kinder einen Hinweis bekommen oder angewiesen werden, aktiv nach<br />
Analogien Ausschau zu halten (A. Brown, Kane, & Long, 1989). Dies wiederum spricht gegen eine<br />
Kompetenzdefiziterklärung. Wiederum zeigte sich, dass das Scheitern der jüngeren Kinder wahrscheinlich<br />
auf ein Wissensdefizit <strong>zur</strong>ückgeführt werden kann (A. Brown & M. Kane, 1988), da<br />
Gentner und Toupin nicht testeten, ob die jüngeren Kinder die moralischen Prinzipien kannten, die der<br />
systematischen Geschichte zugrunde lagen.<br />
In einer weiteren Studie untersuchten Kotovsky und Gentner (1996) die Fähigkeit von 4-, 6- und 8-<br />
jährigen Kindern mit Hilfe von Vergleichen im Kontext einer Mappingaufgabe mit einfachen<br />
geometrischen Figuren zu lernen. Die Kinder sollten zu einer Standardfigur, die aus einer Reihe von<br />
drei geometrischen Figuren bestand, eine weitere am besten passende Figur unter zwei Antwortalternativen<br />
auswählen (siehe Abbildung 4-4).<br />
S ta n d a rd<br />
R e la tio n a le W a h l<br />
N ic h t-R ela tio n a le W a h l<br />
Abbildung 4-4: Stimulusmaterial von Kotovsky & Gentner (1996).<br />
71
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Die Antwortalternativen umfassten sowohl eine relationale <strong>als</strong> auch eine nicht-relationale Wahl, bei<br />
der die räumlichen Beziehungen der drei Figuren des Standards zueinander nicht beibehalten wurden.<br />
Für alle Antwortalternativen wurde die Oberflächenähnlichkeit variiert, d. h. das Stimulusmaterial<br />
wurde entlang derselben Dimension (Größe) oder nach einer anderen Dimension (z. B. Farbe)<br />
verändert. Weiterhin gab es zwei zusätzliche Bedingungen, bei denen zusätzlich zu den Oberflächenmerkmalen<br />
auch die Polarität der drei geometrischen Figuren und damit ein strukturelles räumliches<br />
Merkmal variierte. Zeigte der Standard eine große von zwei kleineren flankierte Figur, wurde diese<br />
Beziehung bei den Antwortalternativen vertauscht, so dass zwei große Figuren eine kleinere einrahmten.<br />
Die Ergebnisse zeigen, dass die 4-jährigen Kinder lediglich in der Bedingung mit hoher struktureller<br />
und perzeptueller Ähnlichkeit überzufällig häufig eine relationale Antwortalternative wählten,<br />
während es den 8-jährigen Kindern auch in Abwesenheit perzeptueller Ähnlichkeit möglich war, einen<br />
Vergleich auf der Basis struktureller Ähnlichkeit anzustellen. Diese Befunde deuten darauf hin, dass<br />
für sehr junge Kinder Oberflächenähnlichkeit eine wichtige Voraussetzung für das Lernen auf der<br />
Basis des Vergleichs ist, die von Gentner und Mitarbeitern <strong>als</strong> Evidenz für einen relationalen Wechsel<br />
im Denken der Kinder gesehen wird. Allerdings zeigte ein weiteres Experiment derselben Studie, dass<br />
diese Fähigkeit trainierbar ist, so dass auch 4-Jährige nach einer längeren Auseinandersetzung mit dem<br />
Stimulusmaterial auf der Basis von Relationen höherer Ordnung antworteten, was wiederum für eine<br />
wissensbasierte Erklärung spricht.<br />
Zusammenfassend kann festgehalten werden, dass die Fähigkeit, Gemeinsamkeiten auf der Basis<br />
struktureller, der Wahrnehmung nicht direkt zugänglichen Prinzipien zu finden, ein mächtiger<br />
Mechanismus menschlichen Lernens ist, der bereits Säuglingen <strong>zur</strong> Verfügung zu stehen scheint. Es<br />
kann auf der Basis der vorliegenden Befunde nicht bestätigt werden, dass jüngeren Kindern die<br />
grundlegende Fähigkeit auf der Basis von Relationen höherer Ordnung zu denken fehlt, wie beispielsweise<br />
Piaget behauptete. Stattdessen lässt sich eine wissensbasierte Erklärung für die beobachteten<br />
Defizite bei bestimmten Aufgaben empirisch bestätigen. Demnach sind die in früheren Studien<br />
beobachteten Defizite von Kindern vor allem auf methodische Unzulänglichkeiten der Studien<br />
<strong>zur</strong>ückzuführen, da diese die Kenntnis der verwendeten Relationen nicht experimentell kontrollierten.<br />
Wenn Kindern die Beziehungen bekannt sind, auf denen Analogien beruhen, sind sie in der Lage, auf<br />
der Basis von relationalen Beziehungen zu einer Lösung der Analogie zu kommen. In Übereinstimmung<br />
mit den Ergebnissen der Forschung zum analogen Transfer bei Erwachsenen scheint perzeptuelle<br />
Ähnlichkeit immer dann eine wichtige Rolle für das analoge Schließen zu spielen, wenn die der<br />
Analogie zugrunde liegenden Relationen nicht gut verstanden wurden (Holyoak & Koh, 1987;<br />
Rattermann & Gentner, 1998).<br />
4.3.4 Instruktionale Nutzung von Vergleichen und Analogien<br />
Auch unter einer konstruktivistischen Perspektive des Lernens können analoge Denkprozesse <strong>als</strong> ein<br />
zentraler Mechanismus der Wissenskonstruktion betrachtet werden. So argumentieren verschiedenen<br />
72
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Autoren, dass sich Analogien <strong>als</strong> instruktionales Mittel besonders gut eignen Konzeptwechsel zu<br />
initiieren, da dabei bereits bestehendes Wissen mit Neuem in Beziehung gesetzt und evaluiert werden<br />
muss (z. B. Duit, 1999; Gentner & Gentner, 1983; Glynn, Duit, & Thiele, 1995; Vosnaidou, 1989).<br />
Während die meisten der Untersuchungen zum analogen Denken im Labor mit gut geplanten<br />
Analogien durchgeführt wurden, ist wenig über den tatsächlichen Einsatz von Analogien <strong>als</strong> Mittel der<br />
Instruktion im Mathematikunterricht bekannt. Richland, Holyoak & Stigler (2004) untersuchten den<br />
Gebrauch von Analogien im Mathematikunterricht von Sekundarstufenschülern anhand der TIMSS-<br />
Video-Daten für die US-amerikanische Stichprobe. Es zeigte sich, dass amerikanische Mathematiklehrer<br />
im Durchschnitt viermal pro Stunde Analogien benutzen, wobei die Variationsbreite bei einer bis<br />
elf Verwendungen pro Stunde lag. Somit scheint jeder der untersuchten Lehrer mindestens einmal pro<br />
Stunde eine Analogie <strong>als</strong> Instruktionshilfe zu verwenden. Die Autoren klassifizierten weiterhin die Art<br />
der herangezogenen Basis- und Zielanalogien sowie die Art ihres Einsatzes im Unterricht. Es zeigte<br />
sich, dass 33% der Zielanalogien auf mathematische Schemata ausgerichtet waren, so dass davon<br />
ausgegangen werden kann, dass Lehrer Analogien nicht nur benutzen, um konkrete Aufgabenlösungen<br />
zu ermöglichen, sondern auch um den Aufbau von abstrakteren Schemata zu fördern. Außerdem<br />
benutzten Lehrer in 16% der Fälle multiple Analogien, so dass vermutet werden kann, dass Lehrer den<br />
Vorteil multipler Quellen für den Schemaerwerb zumindest implizit kennen.<br />
Weiterhin kodierten die Autoren den kontextuellen Zusammenhang des Gebrauchs der Analogien und<br />
die Aufgabenteilung zwischen Lehrer und Schülern bei der Erarbeitung der relationalen Beziehungen.<br />
Es zeigte sich, dass den Schülern nur eine geringe Rolle bei der Erarbeitung von Analogien zukommt.<br />
In 66% der beobachteten Fälle produzierte der Lehrer alle drei Komponenten der Analogie: die<br />
Basisanalogie, das Zielanalog und die entsprechenden Relationen zwischen den beiden Fällen. Werden<br />
die Mappingverbindungen allein betrachtet, trifft dies sogar auf 90% der Fälle zu. Demnach werden<br />
Schüler nicht genügend in den kreativen Prozess des Findens der relationalen Mappings zwischen<br />
Basis- und Zielanalogie einbezogen, welches den Kern analogen Denkens ausmacht (Holyoak &<br />
Thagard, 1995). Somit wird eine wichtige Lerngelegenheit versäumt. Weiterhin zeigte sich ein<br />
deutlich unterschiedliches Muster des Gebrauchs von Analogien für bestimmte Lernziele: nichtmathematische<br />
Basisanalogien (d. h. Bezüge zu außermathematischen Themen) wurden vor allem <strong>zur</strong><br />
Verdeutlichung von mathematischen Konzepten benutzt, während dekontextualisierte mathematische<br />
Basisanalogien (z. B. Abfolgen in mathematischen Prozeduren) zum Erklären von mathematischen<br />
Prozeduren vor allem nach dem Auftreten von Schülerschwierigkeiten benutzt wurden. Letzterer Typ<br />
der Analogie war in der Regel durch eine hohe Oberflächenähnlichkeit gekennzeichnet, so dass davon<br />
ausgegangen werden kann, dass sich die Lehrer der verständniserleichternden Funktion von Oberflächenähnlichkeiten<br />
bewusst sind und gezielt solche Analogien bei Verständnisschwierigkeiten der<br />
Schüler heranziehen.<br />
Im Kontext des naturwissenschaftlichen Unterrichts wurde der Gebrauch von Analogien <strong>als</strong> Mittel der<br />
Instruktion sowohl im Unterricht <strong>als</strong> auch in Lehrbüchern untersucht. Treagust et al. (1990, zitiert<br />
73
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
nach Duit, 1991) beobachteten 40 Unterrichtsstunden von acht Lehrern naturwissenschaftlicher Fächer<br />
und berichteten, dass lediglich in acht der beobachteten Stunden Analogien benutzt wurden, die auf<br />
strukturelle Beziehungen anstelle von Oberflächenmerkmalen fokussierten, obwohl die Lehrer<br />
angaben, sich der lernfördernden Wirkung von Analogen bewusst zu sein. Weiterhin beobachteten sie<br />
ebenfalls nur eine geringe Neigung der Lehrer, die der Analogie zugrundeliegenden Beziehungen und<br />
Mappings explizit zu elaborieren. Eine weitere Fallsstudie zum Gebrauch von Analogien im Chemieunterricht<br />
(Thiele & Treagust, 1994) scheint den Befund von Richtland et al. (2004) zu bestätigen,<br />
dass Lehrer Analogien vor allem dann verwenden, wenn Schüler ein Unverständnis signalisieren und<br />
dabei auf ein persönliches Repertoire an vermeintlich besonders instruktiven Analogien <strong>zur</strong>ückgreifen.<br />
Allerdings berichten diese Autoren auch, dass Lehrer selten auf die Einschränkungen, die aus dem<br />
Gebrauch einer bestimmten Analogie resultieren, für die Schlussfolgerungen hinweisen, die auf der<br />
Basis einer Analogie gezogen werden können.<br />
Dennoch gibt es Belege für den erfolgreichen Einsatz von Analogien im Unterricht (z. B. Bulgren,<br />
Deshler, Schumaker, & Lenz, 2000; Bulgren, Lenz, Schumaker, Deshler, & Marquis, 2002). So<br />
konnten Gentner & Gentner (1983) zeigen, dass der Gebrauch von Analogien dem Problemlösen im<br />
Bereich elektrischer Schaltkreise förderlich ist und dass die gewählte Analogie das Lernergebnis<br />
wesentlich beeinflusst. Clement (1993) berichtet für den Einsatz von Analogien zum Konzeptwechsel,<br />
dass bestimmte Analogien aufgrund der inkorrekten Vorstellungen der Schüler für diese jedoch nicht<br />
überzeugend sind und daher häufig nicht angenommen werden. Als eine Möglichkeit dieses Defizit zu<br />
überwinden, untersuchte er den Gebrauch überbrückender Analogien. So ist es Schülern beispielsweise<br />
aufgrund ihrer Alltagserfahrung nur schwer verständlich, dass der Tisch, auf dem ein Buch liegt,<br />
dieselbe Kraft auf das Buch ausübt wie das Buch auf den Tisch. Wird <strong>als</strong> analoger Fall ein Buch auf<br />
einer Feder präsentiert, wird von den Schülern zwar wahrgenommen, dass die Feder aufgrund ihrer<br />
Elastizität ebenfalls eine Kraft auf das Buch ausübt, die beiden Fälle werden jedoch aufgrund der<br />
unterschiedlichen Objekteigenschaften von Tisch und Feder nicht <strong>als</strong> analog und damit vergleichbar<br />
angesehen. Als überbrückenden Fall präsentierte Clement den Schülern ein Buch auf einer flexiblen<br />
Oberfläche, die zwischen zwei Trägern aufgespannt ist. Er konnte demonstrieren (auf eine empirische<br />
Absicherung der Ergebnisse wurde verzichtet), dass der Einsatz dieser weiteren Analogie, bei der das<br />
zu mappende Objekt sowohl Merkmale der Feder (Elastizität) <strong>als</strong> auch des Tisches (Rigidität)<br />
vereinte, bei den Schülern die Überzeugung etablieren konnte, dass der Tisch ebenfalls eine Kraft auf<br />
die Feder ausübt (Clement, 1993). Die überbrückende Analogie vermittelt den Schülern dabei eine<br />
Intuition, welche dann gegebenenfalls über weitere annähernde Analogien weiter entwickelt werden<br />
kann und die weiterhin <strong>als</strong> Ankerbeispiele fungieren kann (D. Brown, 1993).<br />
Weiterhin können Analogien im Unterricht <strong>als</strong> Quellen für alternative Erklärungen oder neue<br />
Vorhersagen bezüglich physikalischer Phänomene benutzt werden, welche im weiteren Verlauf des<br />
Lernprozesses auf ihre wissenschaftliche Stichhaltigkeit getestet werden können (Lawson, 1993).<br />
Wichtig dabei scheint, dass die benutzte Analogie nicht nur die korrekten Korrespondenzen zwischen<br />
74
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Basis- und Zielanalogie herstellt, sondern auch eine Erklärung liefert, warum beide Probleme nach<br />
dem selben Prinzip funktionieren (D. Brown, 1993). Insbesondere das Generieren von Analogien<br />
durch die Schüler selbst kann den Lernprozess fördern und für den Lehrer <strong>als</strong> diagnostisches Mittel<br />
dienen (Pittman, 1999). Schülergenerierte Analogien können Schwachpunkte in den eigenen Wissensstrukturen<br />
identifizieren und Analogien sukzessive weiterentwickeln, um bestimmte Unzulänglichkeiten<br />
in der Analogie zu beseitigen (Wong, 1993).<br />
Neben diesen positiven Befunden zum Einsatz von Analogien weisen einige qualitative Fallstudien<br />
und Unterrichtsbeobachtungen auch darauf hin, dass durch den unkritischen Gebrauch von Analogien<br />
Fehlkonzepte bei den Schülern induziert werden können (Champagne, Gunstone, & Klopfer, 1985;<br />
Curtis & Reigeluth, 1984; Duit, 1991; Duit, Roth, Komorek, & Wilbers, 2001; Glynn, Duit, & Thiele,<br />
1996; Spiro, Feltovich, Coulson, & Anderson, 1989). So illustriert eine Fallstudie von Duit et al.<br />
(2001), dass Schüler und Lehrer aufgrund ihrer unterschiedlichen Wissensbasis häufig nicht dasselbe<br />
wahrnehmen, sondern auf unterschiedliche Merkmale fokussieren und die Schüler aufgrund dieser<br />
Wahrnehmung häufig f<strong>als</strong>che Erklärungen generieren. Die Autoren ließen Schüler einer zehnten<br />
Klasse das Prinzip der regionalen Instabilität chaotischer Systeme mit Hilfe von verschiedenen<br />
physikalischen Anordnungen (Chaosschüssel, chaotisches Pendel und Galton-Brett) erschließen, die<br />
jeweils dieses Prinzip auf unterschiedliche Weise sichtbar machten. In Übereinstimmung mit den<br />
Laborbefunden zum analogen Enkodieren wurde das Finden der strukturellen Beziehungen durch<br />
korrespondierende Oberflächenmerkmale erleichtert (Gentner & Landers, 1985, zitiert nach Duit,<br />
1991). Die für ein chaotisches System charakteristischen Zonen der Instabilität des Äquilibriums<br />
waren sowohl beim Chaospendel <strong>als</strong> auch bei der Chaosschüssel äußerlich durch die Form eines<br />
Mercedessterns beschreibbar. Interviews mit den Schülern zeigten jedoch, dass viele Schüler mit ihren<br />
Erklärungen des Phänomens auf dieser Oberflächenebene stehen bleiben und die zugrunde liegende<br />
strukturelle Ähnlichkeit (die regionale Instabilität des Systems) nicht erkennen. Stattdessen suchen sie<br />
auch bei den anderen chaotischen Modellen nach dieser typischen Form und bezeichnen nichtchaotische<br />
Systeme mit einer sternförmigen Oberflächenstruktur ebenfalls <strong>als</strong> solche (z. B. die<br />
sternförmige Verzweigung einer Dominoreihe). Diese Ergebnisse scheinen Hinweise für die Hypothese<br />
zu geben, dass für das Entdecken von strukturellen Unterschieden eine augenscheinliche Übereinstimmung<br />
auf der Oberflächenebene nicht immer hilfreich ist.<br />
Diese Studie zeigt, dass der Gebrauch von Analogien zum Wissenserwerb auch Gefahren birgt, da die<br />
meisten Analogien nur eine Annäherung an ein jeweiliges Konzept darstellen können und niem<strong>als</strong><br />
perfekt mit diesem übereinstimmen. Spiro und Mitarbeiter (1989) schlagen daher den Gebrauch<br />
multipler integrierter Analogien vor, um komplexe Sachverhalte zu erlernen und zugänglich zu<br />
machen. Anhand ihrer Arbeiten zum Erwerb medizinischen Wissens identifizierten sie die häufigsten<br />
Fehlerquellen beim Gebrauch von Analogien, die Misskonzepte bei den Lernenden induzieren können.<br />
So kommt es häufig vor, dass Lernende saliente Eigenschaften der Basisdomäne fälschlicherweise auf<br />
die Zieldomäne übertragen und damit Fehlvorstellungen entwickeln, wie im vorangegangenem<br />
75
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Beispiel die Annahme der Schüler, instabile Systeme seien durch die Form eines Mercedessterns<br />
äußerlich gekennzeichnet. Weiterhin kommt es häufig vor, dass wichtige definierende Eigenschaften<br />
der Zielanalogie kein Gegenstück in der Basisanalogie haben und deshalb nicht registriert und <strong>als</strong><br />
relevante Merkmale in das entstehende mentale Modell aufgenommen werden (non alignable<br />
differences). Andererseits können schlecht gestaltete Analogien dazu führen, dass irreführende nicht<br />
relevante Merkmale aus einer undifferenzierten, schlecht gewählten Sprachbedeutung abgeleitet und<br />
fälschlicherweise in die Zieldomäne integriert werden. Bei diesen drei Fehlerquellen wird entweder<br />
durch den Gebrauch der Analogien der Blick auf die Targetdomäne fälschlicherweise verengt oder<br />
aber nicht zulässig erweitert, indem saliente für das zu lernende Konzept aber irrelevante perzeptuelle<br />
und/oder strukturelle Merkmale des ersten Falles auf den zweiten übertragen werden.<br />
Spiro und Mitarbeiter warnen daher ausdrücklich vor dem Gebrauch simplifizierender Analogien, die<br />
scheinbar einen leichten Einstieg in ein Wissensgebiet ermöglichen, jedoch schwerwiegende konzeptuelle<br />
Verengungen mit sich bringen und unbemerkt Fehlvorstellungen induzieren können, wenn diese<br />
nicht thematisiert werden. Als Gegenmittel empfehlen sie daher den Gebrauch mehrerer aufeinander<br />
abgestimmter Analogien, die jeweils die Limitationen der vorangehenden Analogie deutlich machen<br />
und unzulässige Übergeneralisierungen korrigieren. Dazu ist es jedoch nötig, dass für jede Analogie<br />
die möglichen korrekten und inkorrekten Mappings und Inferenzen exploriert und offengelegt werden.<br />
Stattdessen müssen sich multiple Analogien aufeinander beziehen, indem sie das erworbene Wissen<br />
durch den Gebrauch einer neuen Analogie mit Aspekten anreichert, die eine frühere Analogie ausließ,<br />
einen irreführenden Aspekt korrigieren und bisher implizit gebliebene Mechanismen explizieren. Wie<br />
die Untersuchung von Richtland et al. (2004) anhand der TIMSS-Video-Daten zeigte, ist dies in<br />
unterrichtlicher Praxis jedoch selten der Fall.<br />
76
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
4.4 Zusammenfassung<br />
Die Befunde der Forschung zum analogen Denken bei Kindern und Erwachsenen legen nahe, dass<br />
analoges Lernen und Enkodieren zentral für den Erwerb von Kompetenzen ist und ein mächtiges<br />
Prinzip für das Lernen von abstrakten Konzepten, Prozeduren sowie von mathematischen und<br />
naturwissenschaftlichen Konzepten darstellen und Lernprozesse durch Vergleiche angeregt werden<br />
können (Bassok, 2001; A. L. Brown & M. J. Kane, 1988; Gentner, Holyoak, & Kokinov, 2001;<br />
Novick, 1988; Novick & Holyoak, 1991; Reed, Dempster, & Ettinger, 1985; Ross, 1987). Insbesondere<br />
für mathematische Konzepte, bei denen die zugrundeliegenden strukturellen Beziehungen gleich<br />
bleiben, während auf der Oberfläche die Objektstellen in unterschiedlicher Weise (mit Zahlen oder<br />
situationalen Zusammenhängen) gefüllt werden können, ist das Erkennen von Ähnlichkeitsbeziehungen<br />
höherer Ordner zwischen verschiedenen Fällen die Grundlage für den Erwerb dieser Konzepte<br />
und des mathematisches Denkens (Bassok, 2001; Novick, 1988; Novick & Holyoak, 1991; Reed et al.,<br />
1985; Ross, 1987).<br />
Die Forschung zum analogen Transfer hat wichtige Merkmale von Aufgaben und Beispielen spezifiziert,<br />
die uns helfen auf der Basis von Analogien Schlüsse zu ziehen. Es zeigte sich, dass für spontanen<br />
analogen Transfer eine Übereinstimmung der Situationen in ihren Oberflächenmerkmalen<br />
hilfreich ist, vor allem wenn Personen über wenig Vorwissen in einem Gebiet verfügen. Durch das<br />
Gegenüberstellen von zwei isomorphen, jedoch oberflächlich sehr ähnlichen Fällen kann das<br />
Übertragen von gemeinsamen Lösungsprinzipien gefördert werden, da die Aufmerksamkeit aufgrund<br />
der übereinstimmenden Oberflächenmerkmale auf die ebenfalls geteilten strukturellen Merkmale<br />
gelenkt wird. Die Arbeiten zum analogen Kodieren zeigen, dass ein gewisses Maß an Verschiedenheit<br />
der Relationen in ihrer situationalen Einkleidung hilfreich sein kann, damit ein gemeinsames abstraktes<br />
Prinzip <strong>zur</strong> Erklärung herangezogen wird. Dieses analoge Enkodieren scheint dabei nicht automatisch<br />
zu erfolgen, sondern muss zu einem gewissen Grad durch Fragen oder gemeinsame<br />
Bezeichnungen angeleitet werden. Einerseits bieten analoge Lernsettings demnach ein großes<br />
Potenzial Lernprozesse anzustoßen und zu lenken, bergen aber andererseits die Gefahr, unbemerkt<br />
Fehlvorstellungen bei den Schülern zu induzieren, da Lehrende und Lernende aufgrund ihres<br />
unterschiedlichen Vorwissens unterschiedliche Merkmale einer Situation <strong>als</strong> relevant betrachten und<br />
miteinander in Beziehung bringen. Besonderes Augenmerk muss daher auch auf die Konstruktion von<br />
instruktional genutzten Vergleichen und Analogien gelegt werden, um die jeweils richtigen Konzepte<br />
und Vorstellungen zu induzieren.<br />
4.5 Lernen mit verschiedenen Kontrasten: Möglichkeiten und Einschränkungen<br />
Mit Hilfe der Befunde zum analogen Enkodieren soll abschließend die Wirksamkeit von Kontrasten<br />
für den Erwerb von Wissen über Repräsentationsformen begründet werden. Dafür soll zunächst <strong>als</strong><br />
notwendige Bedingung für das Vorliegen eines Kontrastes das Aufzeigen eines neuen Aspektes des zu<br />
77
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
lernenden Konzeptes definiert werden. Ein Kontrast liegt somit nur vor, wenn das bisher erworbene<br />
Verständnis eines Sachverhaltes durch das Bearbeiten eines kontrastierenden Falles ausgeweitet<br />
und/oder differenziert wird. Wird beispielsweise mit weiteren Aufgaben und Beispielen lediglich die<br />
Anwendung eines Konzeptes im selben Inhaltsbereich geübt, läge nach dieser Definition kein Kontrast<br />
vor, da das bis dahin erworbene Verständnis zwar gefestigt und dessen Anwendung automatisiert,<br />
jedoch nicht erweitert und umstrukturiert wird. Ein Kontrast muss nach dieser Definition das Potenzial<br />
haben, eine Lerngelegenheit zu bieten, in der das bisher erworbene Wissen qualitativ verändert und<br />
erweitert wird. Eine reine Prozeduralisierung des bisher erworbenen Wissens, wie es zum Beispiel<br />
durch übendes Wiederholen gegeben wäre, stellt nach dieser Definition keinen Kontrast dar. Im<br />
Versuchssetting von Kurtz, Miao und Gentner (2001) wäre ein weiteres Beispiel für die Relation<br />
Schmelzen daher kein Kontrast, da diese Relation lediglich erneut exemplifiziert wird und das<br />
Verständnis nicht erweitert. Aus der Analogieforschung kann abgeleitet werden, dass sowohl<br />
Analogien und Beispiele <strong>als</strong> auch Kontraste immer im Hinblick auf das zu Erkennende definiert und<br />
betrachtet werden müssen.<br />
Für die erfolgreiche Benutzung einer Repräsentationsform wurde herausgearbeitet, dass es zum einen<br />
kritisch ist zu erkennen, welche Möglichkeiten die Repräsentationsform für die Darstellung von<br />
Inhalten aufgrund ihrer strukturellen Eigenschaften bietet. So kann anhand der Steigung eines Graphen<br />
Konzepte mit proportionaler Struktur aus verschiedensten Inhaltsbereichen veranschaulicht werden,<br />
wie z. B. die physikalischen Größen Geschwindigkeit, Beschleunigung, Dichte, Druck oder aber das<br />
Verhältnis von zwei Währungen oder zwei Mischungen zueinander. Demnach sollten Lernende<br />
erkennen, welche Möglichkeiten der Anwendung bestimmte Repräsentationsformen bieten und auf<br />
welche Merkmale der Form diese Anwendungen <strong>zur</strong>ückzuführen sind.<br />
Zum anderen unterliegt die Nutzung der Repräsentationsform aber auch bestimmten Einschränkungen,<br />
die sich einerseits aus den Eigenschaften der Form und andererseits auch aus dem repräsentierten<br />
Inhaltsgebiet ergeben. So lässt sich die messbare Länge eines linearen Graphen nicht in einer<br />
sinnvollen und konsistenten Weise auf Konzepte eines einzelnen Inhaltsbereiches abbilden. Andererseits<br />
schränkt der spezifische Kontext die Nutzung der Repräsentationsform ein, da nicht alle<br />
möglichen Manipulationen, die mit Hilfe der Form vorgenommen werden können, auch in jedem<br />
Inhaltsbereich sinnvoll sind. So macht es für die Darstellung der Dichte oder zweier Saftmischungen<br />
mit Hilfe der Steigung keinen Sinn, den Achsenabschnitt auf der X- bzw. Y-Achse zu variieren, da<br />
sich diese Beziehungen nicht nach der Formel y = ax + b (mit b ≠ 0) modellieren lassen. Für die Größe<br />
Geschwindigkeit dagegen kann dem Achsenabschnitt eine sinnvolle Entsprechung in der physikalischen<br />
Welt zugeordnet werden, wie zum Beispiel ein zeitlicher oder räumlicher Vorsprung bei einem<br />
Vergleich zweier sich bewegender Objekte. Des Weiteren repräsentiert die Steigung des Graphen<br />
nicht per se ein bestimmtes Konzept eines Inhaltsbereiches, sondern die konkrete Bedeutung der<br />
Steigung ist abhängig von der Beschriftung der Achsen. So unterscheidet sich die Interpretation der<br />
Steigung eines Geschwindigkeits-Zeit-Graphen von der eines Weg-Zeit-Graphen, obwohl der<br />
78
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
dargestellte Inhaltsbereich ähnliche Größen enthält. Weiterhin repräsentiert ein steilerer Graph in<br />
einem Weg-Zeit-Graph nicht dasselbe wie der entsprechende Graph in einem Zeit-Weg-Graphen,<br />
obwohl in diesem Fall dieselben Variablen an den Achsen abgetragen wurden.<br />
Die Nutzung der Repräsentationsform Graph bietet demnach nicht nur hervorragende Möglichkeiten<br />
<strong>zur</strong> Repräsentation von Inhalten, sondern unterliegt in seiner Nutzung auch bestimmten Einschränkungen,<br />
die sich sowohl aus seinen strukturellen Eigenschaften <strong>als</strong> auch aus dem repräsentierten Inhaltsbereich<br />
ergeben. Daher sollen sowohl der repräsentierte Inhalt <strong>als</strong> auch die strukturellen Eigenschaften<br />
der Repräsentationsform in dieser Arbeit <strong>als</strong> grundlegende Dimensionen einer Repräsentationsform<br />
betrachtet werden, mit Hilfe derer sinnvolle <strong>Kontrastierungen</strong> für die Steigung eines linearen Graphen<br />
abgeleitet werden können.<br />
In Abgrenzung zu Analogien soll auf einen grundsätzlichen Unterschied zwischen der Nutzung von<br />
Analogien und der Nutzung von Repräsentation für den Erwerb von Konzepten und weiterhin der<br />
Betrachtungsweise von Repräsentationen in dieser Arbeit hingewiesen werden. Während Analogien<br />
zwei gleich konkrete Beispiele für ein und dasselbe abstrakte Prinzip darstellen, z. B. der Metallstab<br />
und die Pfanne <strong>als</strong> konkrete Beispiele für das abstrakte Prinzip der Wärmeleitung, sind Repräsentationen<br />
Ausdruck eines konkreten Inhaltes auf einer anderen Ebene der Abstraktion. Repräsentation und<br />
der repräsentierte Inhalt sind damit nicht miteinander austauschbar, wie dies bei analogen Beispielen<br />
der Fall ist. Eine Repräsentation impliziert dagegen je nach ihrer Beschaffenheit immer ein gewisses<br />
Maß an Fokussierung. Dabei können Inhalte entweder abstrakter ausgedrückt werden, wie im Falle<br />
des Graphen, oder aber abstrakte Konzepte explizieren werden, wie beispielsweise konkrete Modelle<br />
mathematischer Beziehungen (z. B. die „Winch“). Beiden Fällen ist jedoch gemeinsam, dass die<br />
Beziehungen zwischen den zwei Beispielen einer Analogie und zwischen dem Inhalt und der<br />
Repräsentation analog und nicht willkürlich sind.<br />
Ein weiterer Unterschied zu den Arbeiten zum analogen repräsentationalen Transfer liegt darin<br />
begründet, dass in dieser Forschungstradition Repräsentationen <strong>als</strong> Vehikel oder Vermittler zwischen<br />
zwei analogen Fällen genutzt werden, um den Transfer von Merkmalen des einen Beispiels auf ein<br />
zweites zu unterstützen (siehe Kapitel 1.3.2.1). In dieser Arbeit sollen <strong>Kontrastierungen</strong> jedoch dazu<br />
genutzt werden, die Repräsentation selbst zu betrachten und deren Funktionsweise zu beleuchten.<br />
Diese <strong>Kontrastierungen</strong> können dabei <strong>als</strong> das Vergleichen von unterschiedlichen Beispielen oder<br />
Fällen aufgefasst werden, wobei zwei relationale Systeme miteinander verglichen und in Übereinstimmung<br />
gebracht werden müssen. Diese relationalen Systeme bestehen jeweils aus der Repräsentation<br />
und dem darauf gemappten bzw. durch die Form repräsentierten Inhalt. Im Folgenden werden drei<br />
<strong>Kontrastierungen</strong> vorgestellt, die sich eignen, die Möglichkeiten und Einschränkungen des Graphen<br />
einer linearen Funktion zu verdeutlichen, wobei der dritte Kontrast eine Kombination der beiden<br />
ersten darstellt.<br />
79
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
4.5.1 Kontrastierung innerhalb der Repräsentationsform (struktureller Kontrast)<br />
Zunächst soll eine Kontrastierung untersucht werden, welche vor allem das Potenzial besitzt, die<br />
strukturellen Eigenschaften der Steigung zu verdeutlichen, sowohl im Sinne der Möglichkeiten der<br />
Repräsentation <strong>als</strong> auch der Einschränkungen in der Nutzung für repräsentationale Zwecke.<br />
Durch eine erste Anwendung des Graphen <strong>zur</strong> Repräsentation eines konkreten Inhalts wird die<br />
Möglichkeit der Nutzung der Steigung des Graphen zum Erschließen bestimmter Beziehungen in<br />
diesem Inhaltsbereich verdeutlicht. Mit Hilfe eines kontrastierenden Beispiels kann die Abhängigkeit<br />
der inhaltlichen Bedeutung der Steigung von der Achsenbeschriftung gezielt wahrnehmbar gemacht<br />
werden, indem die Achsenbeschriftung umgekehrt, <strong>als</strong>o entgegen der Konvention, vorgenommen<br />
wird. So kann im ersten Fall erfahren werden, dass sich an der Steigung des Graphen in einem Weg-<br />
Zeit-Diagramm die Geschwindigkeit ablesen lässt, wobei ein steilerer Graph eine höhere Geschwindigkeit<br />
repräsentiert. Im kontrastierenden Fall wird derselbe Inhalt in einem Zeit-Weg-Diagramm<br />
repräsentiert und der steilere Graph zeigt nunmehr die langsamere Geschwindigkeit. Dies resultiert<br />
daher, dass die Steigung anstatt Meter pro Sekunde wie im ersten Fall im kontrastierenden Beispiel<br />
Sekunden pro Meter repräsentiert, <strong>als</strong>o die inverse Geschwindigkeit.<br />
Steigung<br />
steiler<br />
flacher<br />
schneller<br />
langsamer<br />
Geschwindigkeit<br />
Steigung<br />
steiler<br />
flacher<br />
schneller<br />
langsamer<br />
Geschwindigkeit<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
Höhe<br />
Weite<br />
Weg<br />
Zeit<br />
Höhe<br />
Weite<br />
Weg<br />
Zeit<br />
Abbildung 4-5: Visualisierung des Kontrastes auf der Ebene der Repräsentationsform (struktureller Kontrast).<br />
Durch diese Kontrastierung kann verdeutlicht werden, dass die an den Achsen des Koordinatensystems<br />
abgetragenen Größen in der Steigung zu einer neuen komplexen Größe der Form Y pro X<br />
integriert werden. Da sich der repräsentierte Inhalt in diesem Fall nicht verändert, wird die Aufmerksamkeit<br />
des Lernenden auf diesen Zusammenhang gelenkt. Der konkrete durch die Steigung repräsentierte<br />
Inhalt (Geschwindigkeit) dagegen wird nicht weiter fokussiert, sondern bleibt unverändert. In<br />
Bezug auf die Befunde <strong>zur</strong> Oberflächenähnlichkeit beim analogen Schließen (z. B. Scheiter & Gerjets,<br />
2001) sollte ein Konstanthalten des repräsentierten Inhaltes sich förderlich auf das Entdecken dieses<br />
zugrunde liegenden Prinzips der Bedeutungskonstruktion für die Steigung aus den beiden Achsen<br />
auswirken. Die Veränderung in der Bedeutung der Steigung dagegen sollte besonders deutlich<br />
hervortreten, da sie für den Lernenden bei gleichzeitig großer Oberflächenähnlichkeit, d. h. Überein-<br />
80
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
stimmung in fast allen anderen salienten Merkmalen, einen integrierbaren Unterschied (alignable<br />
difference) darstellt (siehe Abbildung 4-5). Des Weiteren muss <strong>zur</strong> vollständigen Erklärung der<br />
Veränderung in der Bedeutung der Steigung wie im Beispiel der Wärmeübertragung auf die abstraktere<br />
Ebene <strong>zur</strong>ückgegriffen werden, auf der die Bedeutung der Steigung durch die Größe auf der Y-<br />
Achse pro Einheit der Größe auf der X-Achse beschrieben werden kann. In Anlehnung an die<br />
Terminologie der Analogieforschung soll dieser Kontrast <strong>als</strong> struktureller Kontrast bezeichnet werden,<br />
da die Aufmerksamkeit von der Oberfläche (dem repräsentierten Inhalt) auf die zugrunde liegende<br />
Struktur (die Mappings von Repräsentation und Inhalt) gelenkt wird.<br />
Außerdem sollte der Richtungs- bzw. Bedeutungswechsel der Steigung (von „je steiler desto schneller“<br />
zu „je steiler desto langsamer“) einen Konflikt im Lernenden auslösen, da angenommen werden<br />
kann, dass er aufgrund der implizit angenommenen Mappingrichtung erwartet, dass sich die Richtung<br />
dieser Beziehung wie im ersten Fall verhält. Es kann vermutet werden, dass der Lerner versucht sein<br />
wird, sich diesen Widerspruch zu erklären. Da es für den Bedeutungswechsel des resultierenden<br />
Steigungsmappings jedoch keine andere plausible Erklärung <strong>als</strong> das Vertauschen der Achsenbezeichnungen<br />
gibt, wird seine Aufmerksamkeit durch diese Variation gezielt auf die Achsen und die<br />
Abhängigkeit der Bedeutung der Steigung von deren Beschriftung und demnach auf die Funktionsweise<br />
der Repräsentationsform gelenkt. Dieser unerwartete Wechsel der Mappingrichtung könnte<br />
weiterhin dazu führen, dass Strategien, die ein Herleiten oder Erschließen des konkreten Mappings<br />
ermöglichen, besser eingeprägt und vom Lernenden eher <strong>als</strong> relevant für den Umgang mit dieser<br />
Repräsentationsform betrachtet werden. Dieses wiederum sollte zu einem kompetenteren Umgang mit<br />
Graphen und der Interpretation der Steigung führen.<br />
Durch diesen Kontrast kann am Beispiel einer spezifischen Anwendung des Graphen sowohl Wissen<br />
über die Möglichkeiten des Graphen erworben werden, wobei Einschränkungen der Nutzung ebenfalls<br />
durch den Kontrast fokussiert werden.<br />
4.5.2 Kontrastierung des repräsentierten Inhalts (inhaltlicher Kontrast)<br />
Während der bereits vorgestellte Kontrast vor allem auf die strukturellen Eigenschaften hinweist, kann<br />
eine andere Form der Kontrastierung verstärkt auf die zweite Dimension der Repräsentationsform<br />
fokussieren, den repräsentierten Inhalt und der Anwendung auf verschiedene Inhaltsbereiche.<br />
Im Gegensatz zum ersten Kontrast wird für diese Art der Kontrastierung ein zweiter Inhaltsbereich im<br />
Koordinatensystem dargestellt, so dass die Steigung ein anderes Konzept <strong>als</strong> im ersten Fall repräsentiert.<br />
Ein solcher inhaltlicher Kontrast mit einem neuen Inhalt kann verdeutlichen, dass verschiedene<br />
Inhalte mit Hilfe der Steigung eines Graphen visualisiert werden können. Somit wird wahrnehmbar,<br />
dass der Graph <strong>als</strong> eine Form der Repräsentation Anwendungspotenzial für verschiedene Inhalte und<br />
nicht nur einen bestimmten, bereits erlernten Inhaltsbereich besitzt. Kann mit Hilfe eines Weg-Zeit-<br />
Graphen anhand der Steigung auf die relative Geschwindigkeit geschlossen werden, so kann in einem<br />
zweiten Fall beispielsweise auf die Größe Literpreis geschlossen werden, wenn die Größen „Geldein-<br />
81
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
nahmen“ und „verkaufte Getränkemenge“ an den Achsen abgetragen werden. Die Steigung erlaubt<br />
dabei eine Aussage darüber, wie teuer zwei Getränke im Vergleich zueinander waren (unabhängig von<br />
der tatsächlich verkauften Menge und den Einnahmen der Verkäufer). Dagegen kann mit Hilfe der<br />
Steigung keine Aussage darüber getroffen werden, wie schnell diese Getränke verkauft wurden. Durch<br />
einen Vergleich der Anwendungen der Steigung in beiden Inhaltsbereichen kann der Lernende<br />
prinzipiell ebenfalls zu dem Schluss kommen, dass es sich bei den auf die Steigung gemappten Größen<br />
um proportionale Konzepte handelt, die sich jeweils aus den an den Achsen abgetragenen Variablen<br />
zusammensetzen und diese zu einer neuen Größe integrieren, wie Geschwindigkeit <strong>als</strong> Meter pro<br />
Sekunde und Literpreis <strong>als</strong> Preis pro Liter. Auf der Basis dieser Informationen sollte er in der Lage<br />
sein, das übergeordnete Prinzip zu abstrahieren (Y-Variable pro X-Variable).<br />
Dieser Kontrast ist sinnvoll, da auf diese Weise eine bereits mit Hilfe eines ersten Inhalts erworbene<br />
Vorstellung der Steigung auf einen weiteren Inhalt ausgeweitet wird. Salomon und Perkins (1989)<br />
gehen in ihrer Arbeit zum Transfer davon aus, dass durch das Bearbeiten eines weiteren Inhalts die<br />
Bildung einer abstrakten, <strong>als</strong>o inhaltsfreien, internen Repräsentation des Konzeptes gefördert wird,<br />
welche vom Kontext des Erwerbs weitgehend unabhängig und weniger stark situiert ist. Diese Art der<br />
Repräsentation eines Begriffs sollte folglich zu einer besseren Transferleistung auf neue Inhalte<br />
führen.<br />
Durch die deutliche Unterschiedlichkeit in der Oberflächenstruktur beider Fälle sollte die Aufmerksamkeit<br />
des Lernenden vor allem auf eine der wenigen Gemeinsamkeiten zwischen beiden Fällen<br />
gelenkt werden, welche durch das Wort "pro" signalisiert wird. Beide Fälle und die jeweils unterschiedliche<br />
inhaltliche Interpretation der Steigung können über dieses Wort miteinander in Verbindung<br />
gebracht und die strukturelle Ähnlichkeit beider Fälle erkannt werden. Darauf aufbauend kann<br />
der Lernende durch einen Analogieschluss das Prinzip der Bedeutungskonstruktion der Steigung aus<br />
den Achsenvariablen erschließen. Es kann jedoch auch vermutet werden, dass dieser Schluss nicht<br />
notwendigerweise erfolgt, sondern der Lernende sich auch mit einer alternativen, jedoch oberflächlicheren<br />
Erklärung die Veränderung der Bedeutung der Steigung plausibel machen kann, indem<br />
lediglich der veränderte Kontext dafür herangezogen wird. Dieser Kontrast fokussiert damit eher auf<br />
das Anwendungspotenzial von Graphen für verschiedene Inhalte, die Möglichkeiten. Die Abhängigkeit<br />
der Interpretation der Steigung von den Achsenvariablen kann zwar prinzipiell vom Lernenden<br />
aus dem gegebenen Material erschlossen werden, wird aber durch diese Art der Kontrastierung nicht<br />
fokussiert, da die integrierbaren Unterschiede zwischen beiden Fällen auf der Ebene der Inhalte und<br />
nicht der Repräsentation zu finden sind.<br />
82
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Steigung<br />
steiler<br />
flacher<br />
schneller<br />
langsamer<br />
Geschwindigkeit<br />
Steigung<br />
steiler<br />
flacher<br />
höher<br />
geringer<br />
Literpreis<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
Höhe<br />
Weite<br />
Weg<br />
Zeit<br />
Höhe<br />
Weite<br />
Einnahmen<br />
Verkauf<br />
Abbildung 4-6: Visualisierung des Kontrastes auf der Ebene der repräsentierten Inhalte (inhaltlicher Kontrast).<br />
Im Vergleich zum bereits dargestellten strukturellen Kontrast, hat dieser inhaltliche Kontrast weiterhin<br />
einen potenziellen Nachteil. Werden die Achsen gemäß der vorherrschenden Konventionen beschriftet,<br />
resultiert in beiden Fällen ein Mapping, welches jeweils die inhaltliche Variable mit der räumlichen<br />
Dimension Steigung gleichsinnig assoziiert. Das heißt, wird die jeweils abhängige Variable<br />
(Meter bzw. Gesamteinnahmen) auf der Y-Achse abgetragen, resultieren Mappings, welche jeweils in<br />
derselben Richtung interpretiert werden können: Ein steilerer Graph repräsentiert einen größeren<br />
Anteil der durch die Steigung repräsentierten Variable. Anders ausgedrückt: Die positiven Pole der<br />
konzeptuellen Variablen (schnell bzw. teuer) werden jeweils mit dem positiven Pol der räumlichen<br />
Dimension Steigung (steil) assoziiert (siehe Abbildung 4-6). Die Annahme, dass diese Art der<br />
Assoziation bzw. des Mappings ein intuitiv verständliches ist, wird durch die Befunde zum slopemapping-constraint<br />
unterstützt (Gattis & Holyoak, 1996). Da sich an dem jeweiligen Mapping nichts<br />
ändert, kann vermutet werden, dass auf die Art der Mappings (beziehungsweise wie diese zustande<br />
kommen) keine Aufmerksamkeit gelenkt wird und in Folge dessen vom Lernenden nicht reflektiert<br />
werden. Stattdessen legen beide Beispiele dieses Kontrasts nahe, dass die Steigung und der repräsentierte<br />
Inhalt immer gleichsinnig miteinander assoziiert werden. Die intuitiv angenommene Richtung<br />
des Mappings wird durch den Kontrast demnach noch verstärkt, so dass der Lernende zu der Überzeugung<br />
gelangen könnte, dass der steilere Graph immer den positiven Pol der neuen, zusammengesetzten<br />
Variable repräsentiert und somit der steilere Graph immer eine höhere Ausprägung auf der zusammengesetzten<br />
inhaltlichen Variable repräsentiert.<br />
Dies ist jedoch nur der Fall, wenn die Achsen auch gemäß der Konvention beschriftet werden. Für<br />
einen aktiven und kreativen Umgang mit Graphen <strong>zur</strong> Problemlösung, wobei der Lernende die<br />
Variablen den beiden Achsen des Koordinatensystems selbst zuweisen muss, kann dagegen nicht<br />
davon ausgegangen werden, dass die Graphenkonventionen auch intuitiv durch den Lernenden<br />
umgesetzt werden. Verlässt sich der Nutzer in diesem Fall auf das intuitive Mapping von inhaltlicher<br />
Variable auf die Steigung, führt dies zwangsläufig zu einer Fehlinterpretation der Steigung.<br />
Dieser inhaltliche Kontrast verdeutlicht <strong>als</strong>o, dass es möglich ist, andere Inhalte auf die Steigung des<br />
Graphen zu mappen und dass die resultierende Steigungsvariable aus den beiden Achsenvariablen mit<br />
83
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Hilfe des Wortes „pro“ zusammengesetzt ist und aus den Achsenvariablen zusammengesetzte<br />
Konzepte darstellt. Die Art der Integration der Achseninformation wird jedoch nicht beachtet, da die<br />
Aufmerksamkeit des Lernenden nicht auf die Richtung dieses Zusammenhangs gelenkt wird.<br />
Stattdessen muss bei diesem Kontrast die Richtung des Mappings nicht aus den Bezeichnungen der<br />
Achsen erschlossen werden, sondern bleibt unreflektiert. Dabei wird die intuitiv angenommene<br />
natürliche Mappingrichtung durch das zweites Beispiel noch verstärkt. Die Betrachtung bliebe dabei<br />
wie bei zwei Beispielen <strong>zur</strong> Exemplifizierung der Relation Schmelzen auf einer unangemessenen<br />
Betrachtungsebene stehen. Dieser Kontrast fokussiert deutlicher <strong>als</strong> der strukturelle Kontrast auf die<br />
Möglichkeiten der Anwendung des Graphen auf andere Inhaltsgebiete, jedoch nicht auf die spezifischen<br />
Einschränkungen, denen eine angemessene Benutzung der Repräsentationsform bzw. die<br />
Interpretation der Steigung unterliegt.<br />
4.5.3 Simultane Kontrastierung des repräsentierten Inhalts und der Zuordnung der Variablen<br />
zu den Achsen (kombinierter Kontrast)<br />
Da beide bisher besprochenen Arten des Kontrasts auf verschiedene Merkmale der Steigung fokussieren,<br />
kann es sinnvoll sein, beide Variationen miteinander zu kombinieren, unter der Annahme, dass<br />
sich die Vorteile beider Kontraste ergänzen und sich dadurch die Nachteile beider Kontraste aufheben.<br />
Bei einem solchen kombinierten Kontrast, der die Variationen des strukturellen und des inhaltlichen<br />
Kontrasts vereint, würde sowohl ein zweiter Inhalt mit Hilfe des Graphen repräsentiert und gleichzeitig<br />
auch die Achsenbeschriftung entgegen der Konvention vorgenommen werden, so dass eine nichtintuitive<br />
Interpretationsrichtung der Steigung resultiert. Konkret angewandt auf die bereits vorgestellte<br />
Variation der referierten Beispiele, kehrt sich die Interpretationsrichtung der Steigung für den zweiten<br />
Inhalt um, so dass eine höhere Steigung nunmehr einen geringeren Literpreis repräsentiert. Für den<br />
Lernenden sollte es in dieser Bedingung wie beim strukturellen Kontrast zu einem Konflikt kommen,<br />
da die Interpretation der Steigung nicht mit den impliziten Erwartungen über die Richtung der<br />
Assoziation von inhaltlicher und räumlicher Variable übereinstimmt.<br />
Potenziell besteht bei diesem Kontrast ebenso wie bei den bereits vorgestellten Kontrasten die Chance,<br />
das strukturelle Prinzip der Integration beider Achsenvariablen in der Steigung zu entdecken. Es kann<br />
jedoch vermutet werden, dass sich die einzelnen Elemente beider Situationen zu stark voneinander<br />
unterscheiden, so dass sie vom Lernenden schwer in Übereinstimmung gebracht werden können und<br />
somit eine Abstraktion der grundlegenden Prinzipien nicht möglich ist. So legt die Analogieforschung<br />
nahe, dass die Wahrnehmung von Unterschieden zwischen zwei Situationen von den gleichzeitig<br />
bestehenden Gemeinsamkeiten abhängt (Gentner & Markman, 1994). Demnach fällt es uns leichter,<br />
Unterschiede für sehr ähnliche Konzepte zu finden <strong>als</strong> für voneinander sehr unterschiedliche. Das<br />
heißt: Ändern sich zu viele Elemente in der Oberflächen- und der Tiefenstruktur zwischen zwei<br />
Fällen, können kritische Unterschiede nicht mehr wahrgenommen werden, da der Fokus der Aufmerksamkeit<br />
eher auf die wenigen bestehenden Gemeinsamkeiten gerichtet ist (Abbildung 4-7).<br />
84
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
Steigung<br />
steiler<br />
flacher<br />
schneller<br />
langsamer<br />
Geschwindigkeit<br />
Steigung<br />
steiler<br />
flacher<br />
höher<br />
geringer<br />
Literpreis<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
ist Verhältnis<br />
von<br />
Höhe<br />
Weite<br />
Weg<br />
Zeit<br />
Höhe<br />
Weite<br />
Einnahmen<br />
Verkauf<br />
Abbildung 4-7: Visualisierung der Kombination des strukturellen und inhaltlichen Kontrastes (kombinierter<br />
Kontrast).<br />
Bei einer deutlicheren Übereinstimmung in den Oberflächenmerkmalen beider Fälle ist die Aufmerksamkeit<br />
dagegen eher auf die kritischen Unterschiede gerichtet. Dies sollte insbesondere mit Hilfe des<br />
strukturellen Kontrastes möglich sein, da hier die Oberflächenstruktur bzw. der repräsentierte Inhalt<br />
konstant gehalten wird. Bei einem kombinierten Kontrast jedoch sollte die Einsicht, dass die Bedeutung<br />
der Steigung nicht nur vom inhaltlichen Kontext bzw. den Achsenvariablen, sondern auch von<br />
der Beschriftung der Achsen abhängt, durch den gleichzeitigen Wechsel des Inhaltes erschwert<br />
werden. Bei diesem Kontrast sollte die Aufmerksamkeit des Lernenden ebenfalls wie beim strukturellen<br />
Kontrast auf die Richtung des Zusammenhangs von Steigung und repräsentierter Variable gelenkt<br />
werden. Zugleich werden die zugrunde liegenden Mappings durch den gleichzeitigen Wechsel des<br />
Inhaltes jedoch weniger transparent. Da die neue Mappingrichtung zwischen Steigung und repräsentiertem<br />
Inhalt im Konflikt zu der intuitiv erwarteten Mappingrichtung steht, ist diese Veränderung der<br />
Richtung erklärungsbedürftig, so dass davon ausgegangen werden kann, dass der Lernende sich<br />
Erklärungen für diesen Wechsel der Interpretationsrichtung konstruiert. Im Gegensatz zum strukturellen<br />
Kontrast wird der Lernende jedoch nicht durch das Material selbst auf die angemessene bzw.<br />
korrekte Erklärung für dieses Richtungswechseln hingewiesen, bzw. ist eine Erklärung dafür diesem<br />
nicht direkt zu entnehmen, sondern muss erst durch Reflexion und gezielte Vergleiche von beiden<br />
Fällen erschlossen werden.<br />
Speziell für Lernende mit einem gerade erworbenen und noch wenig gefestigten Wissen kann jedoch<br />
eingewendet werden, dass diese durch die Komplexität dieses Kontrastes überfordert sein könnten und<br />
eher andere plausible, aber weniger angemessene Erklärungen generieren. Sie könnten die Ursache für<br />
die Veränderung der Mappingrichtung beispielsweise im Wechsel des Inhalts sehen. Ebenso wie der<br />
strukturelle Kontrast könnte diese Form der Kontrastierung aufgrund des induzierten Konfliktes mit<br />
der intuitiven Mappingrichtung dazu führen, dass Strategien <strong>zur</strong> Erschließung des vorliegenden<br />
Steigungsmappings besser im Wissen des Lernenden verankert werden. Dieser kombinierte Kontrast,<br />
der die Variationen des inhaltlichen und des strukturellen Kontrasts vereint, bietet somit einerseits ein<br />
85
Kapitel 4 – <strong>Kontrastierungen</strong> <strong>als</strong> <strong>effektive</strong> Lerngelegenheit<br />
hohes Potenzial, sowohl die Möglichkeiten <strong>als</strong> auch die Einschränkungen für die Anwendung der<br />
Repräsentationsform zu erkennen. Andererseits könnte er die Lernenden aufgrund der weniger<br />
transparenten Mappings jedoch auch überfordern.<br />
86
Kapitel 5 – Das Trainingsexperiment<br />
5. Das Trainingsexperiment in der pädagogisch-psychologischen Lehr-<br />
Lernforschung<br />
In diesem Abschnitt soll die Rolle bzw. der Nutzen von Trainingsexperimenten in der psychologischen<br />
Lehr-Lernforschung diskutiert werden, da Trainingsexperimente aus zwei Richtungen der Kritik<br />
ausgesetzt sind. Zum einen wird ihnen vorgeworfen, dass sie einen Mangel an experimenteller<br />
Kontrolle aufweisen, während aus einer eher angewandten Perspektive argumentiert wird, dass<br />
Befunde aus Laborsettings nur begrenzt auf die Realität außerhalb des Labors übertragbar sind und<br />
Laborexperimente Prozesse untersuchen, die mit den außerhalb dieses eingeschränkten Settings<br />
ablaufenden Prozessen nicht vergleichbar sind. Dass Trainingsexperimente dennoch sinnvoll sind und<br />
wertvolle Befunde für die pädagogisch psychologische Lehr-Lernforschung bringen, soll in diesem<br />
Kapitel aufgezeigt werden.<br />
Als Lehr-Lernforschung wird dabei die auf die Lehr-Lernprozesse gerichtete Mikroforschung (Beck &<br />
Kell, 1991) verstanden, deren Ziel es ist, die allgemeine Frage zu beantworten, in welcher Weise<br />
Lehrende oder Variablen der Lernumgebung das Lernen von Schülern beeinflussen (Niegemann,<br />
2001). Diese aus der Instruktionspsychologie stammende Blickrichtung nimmt dabei explizit nicht nur<br />
den Standpunkt des Lernens, sondern auch den des Lehrens ein, so dass neben den Lernprozessen<br />
selbst die sie ermöglichenden Merkmale der Umwelt in ihrer Wirkung auf diese Lernprozesse<br />
ebenfalls im Fokus der Aufmerksamkeit stehen.<br />
Als Bezugspunkte für die Einschätzung von Trainingsexperimenten werden dabei die beiden häufigsten<br />
experimentellen Methoden, das Experiment und das Feld-Experiment (bzw. die quasiexperimentelle<br />
Feldforschung) gewählt. Es soll gezeigt werden, dass sich Trainingsexperimente auf<br />
einem Kontinuum zwischen Experimenten und Feld-Experimenten verorten lassen und somit in<br />
Hinblick auf diese zentralen Forschungsfragen der Lehr-Lernforschung die Vorteile beider Untersuchungsdesigns<br />
vereint und jeweils die spezifischen Nachteile beider Methoden zu einem großen Teil<br />
kompensiert werden können. Abschließend wird die Rolle der Kontrollgruppen betrachtet sowie die<br />
Forschungsmethode der Design-Experimente diskutiert und im Vergleich zu Trainingsexperimenten<br />
betrachtet, da diese Methode ebenfalls den Anspruch erhebt, Lernprozesse im Zusammenhang mit<br />
Umweltvariablen zu untersuchen und zu erklären.<br />
Zunächst wird jedoch ein kurzer Abriss über die definierenden Merkmale experimenteller Untersuchungsdesigns<br />
sowie ihrer jeweiligen Vor- und Nachteile gegeben, bevor Trainingsexperimente im<br />
Hinblick auf forschungspraktische, pädagogisch-psychologische und statistische Argumente dazu in<br />
Beziehung gesetzt werden.<br />
5.1 Experimentelle Versuchsdesigns<br />
Experimentelle Versuchsdesigns sind durch die systematische und willkürliche Variation eines oder<br />
mehrerer unabhängiger Merkmale (der unabhängigen Variablen) gekennzeichnet, welche in ihrem<br />
87
Kapitel 5 – Das Trainingsexperiment<br />
Einfluss auf das Prozessgeschehen Lernen in einer plan- und wiederholbaren Art und Weise untersucht<br />
werden, wobei alle anderen Variablen der Umwelt möglichst konstant oder zumindest vergleichbar<br />
gehalten werden. Sie zeichnen sich somit durch ein hohes Maß an Standardisierung aus. Die<br />
durch diese Merkmale hervorgerufenen Veränderungen im Lernenden werden sichtbar gemacht,<br />
indem bestimmte Indikatoren (die abhängigen Variablen), welche den Lernprozess abbilden können,<br />
vor Beginn und am Ende des Prozesses erfasst werden. Im Gegensatz zu anderen Forschungsstrategien,<br />
wie Korrelationsstudien oder der Beobachtung, lassen solche experimentellen Anordnungen<br />
Kaus<strong>als</strong>chlüsse zu, da ein Unterschied in der Veränderung der Indikatoren zwischen zwei Bedingungen<br />
aufgrund der hohen Standardisierung der Untersuchungssituation nur auf die experimentelle<br />
Variation <strong>zur</strong>ückgeführt werden kann.<br />
Soll beispielsweise untersucht werden, ob der Einsatz von externen Leistungsanreizen im Unterricht<br />
einen bedeutsamen Lernfortschritt bei Schülern bewirkt, muss der Einsatz dieser Leistungsanreize<br />
systematisch variiert werden. Das heißt, neben Personen, welche mit externen Leistungsanreizen<br />
lernen, müssen weitere Personen ohne solche Anreize untersucht werden (Kontrollgruppe). Kein<br />
ausreichender Nachweis wäre es dagegen, die Wirkung der Leistungsanreize mittels Lehrerfragebögen<br />
über den von ihnen praktizierten Einsatz von Leistungsanreizen im Unterricht und der Veränderung<br />
der Leistungsmaße der Schüler einer Klasse zu erheben. Dieses Untersuchungsdesign lässt zwar<br />
Aussagen über das gemeinsame Auftreten von hoher Leistung bzw. Leistungsverbesserung und dem<br />
Vorhandensein von Leistungsanreizen zu, ein kausaler Schluss über die Wirkung von Leistungsanreizen<br />
ist jedoch nicht zulässig. Klauer (1980) weist jedoch darauf hin, dass Experimente nicht notwendigerweise<br />
kausale Schlüsse im Sinne einer Verursachung zulassen, sondern lediglich funktionale<br />
Abhängigkeiten erschließen lassen.<br />
Da allgemeingültige Aussagen über einen untersuchten Zusammenhang formuliert werden sollen und<br />
es aufgrund der intendierten Lerneffekte bzw. carry-over-Effekten (Bredenkamp, 1996) in der Lehr-<br />
Lernforschung praktisch nicht möglich ist, eine Person vergleichend unter allen experimentellen<br />
Bedingungen zu betrachten, werden unter jeder Bedingung mehrere Personen betrachtet und deren<br />
Leistungen in einem gemeinsamen Kennwert zusammengefasst. Ein weiteres zentrales Merkmal des<br />
Experiments, welches gleichzeitig die Hauptunterscheidung zum quasi-experimentellen Untersuchungsdesign<br />
darstellt, ist daher die zufällige Zuordnung dieser Versuchspersonen (Randomisierung)<br />
zu den einzelnen Versuchsbedingungen. Es wird angenommen, dass durch diese zufällige Zuordnung<br />
der Probanden der Einfluss von personenspezifischen Einflüssen auf die untersuchten Zusammenhänge<br />
vernachlässigt werden kann. Können die Versuchsteilnehmer nicht zufällig den einzelnen Bedingungen<br />
zugewiesen werden, wenn z. B. Alter, Geschlecht oder die Zugehörigkeit zu einer bestimmten<br />
a priori definierten Leistungsgruppierung die Abstufungen der unabhängigen Variablen darstellen,<br />
liegt nur ein quasi-experimentelles Design vor. In diesem Fall kann nicht ausgeschlossen werden, dass<br />
ein weiteres mit dem variierten Merkmal kovariierendes Merkmal für die beobachtete Veränderung in<br />
88
Kapitel 5 – Das Trainingsexperiment<br />
den abhängigen Indikatoren ursächlich ist. Die aus diesem Experiment ableitbaren Aussagen sind<br />
demnach eingeschränkt.<br />
Tabelle 5-1: Kombination experimenteller Untersuchungsdesigns (Bortz & Döring, 2002).<br />
Setting der Untersuchung<br />
Labor<br />
Feld<br />
Randomisierung<br />
der<br />
Probanden<br />
experimentell Labor-Experiment exp. Felduntersuchung<br />
quasiexperimentell<br />
Laborexperiment mit<br />
personengebundenen<br />
Variablen<br />
(z. B. Alter, Geschlecht)<br />
quasi-experimentelle<br />
Felduntersuchung<br />
(z. B. Schulstudien)<br />
Anhand der Faktoren Randomisierung der Probanden und Setting der Untersuchung (im Labor vs.<br />
Feld) können die verschiedenen experimentellen Untersuchungsdesigns grob geordnet werden (siehe<br />
Tabelle 5-1). Laborexperimente arbeiten mit einer randomisierten Zuweisung der Versuchsteilnehmer<br />
zu den einzelnen Bedingungen, finden aber im Gegensatz zu experimentellen Felduntersuchungen im<br />
Labor und nicht in einem natürlichem Setting statt. Können die Teilnehmer dagegen nicht zufällig den<br />
Untersuchungsbedingungen zugeordnet werden, z. B. wenn personengebundene Merkmale wie Alter,<br />
Geschlecht oder die Zugehörigkeit zu einer bestimmten Leistungs- bzw. Vorkenntnisgruppe untersucht<br />
werden, spricht man von quasi-experimentellen Laborexperimenten bzw. quasi-experimentellen<br />
Felduntersuchungen.<br />
Laborexperimente kommen in der Lehr-Lernforschung vor allem dann zum Einsatz, wenn die<br />
Gestaltung von Lernprozessen auf individueller und kognitionspsychologischer Ebene untersucht<br />
werden soll (z. B. die Wirkung und <strong>effektive</strong> Gestaltung von Multimedia-Lern-Umgebungen) und<br />
arbeiten in der Regel mit einer Randomisierung der Probanden. Experimentelle Felduntersuchungen<br />
sind im Gegensatz zu Laboruntersuchungen relativ selten, da die Versuchsteilnehmer bei einer<br />
Untersuchung im Feld in den meisten Fällen in ihren natürlichen Gruppierungen (wie z. B. Schulklassen)<br />
belassen und nicht zufällig auf die experimentellen Bedingungen verteilt werden 17 . Daher sind die<br />
meisten Felduntersuchungen in der Lehr-Lernforschung quasi-experimenteller Natur. Für die folgende<br />
Diskussion der Vor- und Nachteile der einzelnen Untersuchungsdesigns werden daher nur zwei<br />
Formen der experimentellen Designs diskutiert, experimentelle Laboruntersuchungen und quasiexperimentelle<br />
Feldexperimente.<br />
17 Als Lösung für dieses Problem diskutieren Boruch et al. (Boruch, de Moya, & Snyder, 2002) randomisierte<br />
Feldversuche, bei denen jeweils eine ganze Schulklasse die Einheit der Betrachtung darstellt. Diese Methode<br />
sollte insbesondere bei zentralen Evaluationsstudien angewendet werden, wofür jedoch eine beträchtliche<br />
Anzahl von Versuchsteilnehmern nötig ist.<br />
89
Kapitel 5 – Das Trainingsexperiment<br />
5.1.1 Dimensionen der Validität einer experimentellen Untersuchung<br />
Für eine Wertung der mit den jeweiligen Designs möglichen Aussagen über den Forschungsgegenstand<br />
müssen die Gütekriterien der Objektivität, Reliabilität und der Validität herangezogenen werden.<br />
Für den angestrebten Vergleich ist insbesondere die Validität der durch das jeweilige Design generierten<br />
Aussagen zentral, da sowohl die Objektivität einer Untersuchung <strong>als</strong> auch die Reliabilität der<br />
Messinstrumente <strong>als</strong> Voraussetzungen für die Validität der Schlussfolgerungen gelten und für alle<br />
experimentellen Designs gleichermaßen gegeben sein müssen. Nach Cook & Campbell (1979) können<br />
vier Dimensionen der Validität unterschieden werden: die statistische Validität, die Konstruktvalidität,<br />
die interne Validität und die externe bzw. ökologische Validität.<br />
Die statistische Validität bezieht sich auf den Gebrauch des für die vorliegenden Daten geeigneten<br />
statistischen Auswertungsverfahrens, während die Konstruktvalidität auf die Güte der Operationalisierung<br />
des interessierenden, unabhängigen Merkm<strong>als</strong> bzw. des zu untersuchenden Konstrukts eingeht.<br />
Die interne Validität spezifiziert, wie verlässlich auf eine funktionale Beziehung zwischen dem<br />
variierten unabhängigen Merkmal und den abhängigen Indikatoren geschlossen werden kann. Für<br />
diese Frage sind das gewählte Untersuchungsdesign, die Wahl der Kontrollgruppen, die simultane<br />
Erfassung von potenziellen Störquellen <strong>als</strong> Kontrollvariablen sowie die Gestaltung der Untersuchungssituation<br />
entscheidend. Insbesondere die Randomisierung der Versuchsteilnehmer erhöht die<br />
interne Validität eines Versuches, da plausible personenbezogene Alternativerklärungen ausgeschlossen<br />
werden können. Durch ein hohes Maß an Standardisierung der Untersuchungssituation können<br />
weitere kontextbezogene Fehlerquellen ausgeschlossen werden.<br />
Unter dem Kriterium der externen Validität dagegen werden Fragen der Generalisierbarkeit der<br />
Ergebnisse und gewonnenen Aussagen über verschiedene Populationen, Settings, Treatments sowie<br />
Messvariablen betrachtet. So stellt sich insbesondere bei experimentellen Laborfunden die Frage, für<br />
welche spezifischen Rahmenmerkmale und Settings die erhaltenen Ergebnisse Gültigkeit besitzen<br />
bzw. wie zeitinvariant die Effekte eines Treatments sind. Nach Bredenkamp (1979) ist die interne<br />
Validität einer Untersuchung höher zu gewichten <strong>als</strong> die externe, da es bei vorliegender hoher externer<br />
Validität keinen Erkenntnisgewinn mit sich bringt, nicht-valide Aussagen zu generalisieren. Klauer<br />
(1980) andererseits argumentiert sogar, dass Fragen der Generalisierbarkeit an ein einzelnes Experiment<br />
gar nicht gestellt werden dürfen, da in diesem Falle ein unzulässiger induktiver Schluss von<br />
einem Einzelfall eines konkreten Experiments auf die Allgemeinheit aller möglichen Experimente<br />
vorgenommen wird. Verallgemeinerung von konkreten Untersuchungsergebnissen werden stattdessen<br />
nur durch empirisch bewährte Theorien, d. h. mehrfach replizierte Befunde, möglich. Da für die<br />
meisten psychologischen Experimente die Voraussetzungen für eine externe Validität der Ergebnisse,<br />
eine Zufallsstichprobe aus der gesamten in Frage kommenden Population, fast nie gegeben ist, wird<br />
die externe Validität bei einigen Autoren nicht mehr <strong>als</strong> eigener Validitätsaspekt für wissenschaftliche<br />
Grundlagenforschung aufgeführt (Hager, 1998; Westermann, 1987). Andererseits ist festzuhalten, dass<br />
dem Merkmal der internen Validität gegenüber der externen Validität bevorzugt Rechnung getragen<br />
90
Kapitel 5 – Das Trainingsexperiment<br />
werden muss, da die Generalisierung nicht-valider Forschungsergebnisse keinen wissenschaftlichen<br />
Erkenntnisgewinn darstellen (Bredenkamp, 1979).<br />
Bezogen auf die beiden Gruppierungsmerkmale für experimentelle Untersuchungsdesigns kann bereits<br />
festgehalten werden, dass das Setting der Untersuchung mit der externen Validität assoziiert wird,<br />
während das Vorliegen einer randomisierten Zuteilung der Probanden zu den einzelnen Versuchsbedingungen<br />
eine wichtige, wenn auch nicht hinreichende Bedingung für die interne Validität einer<br />
Untersuchung darstellt (Bortz & Döring, 2002). So wird für Laborexperimente angenommen, dass sie<br />
aufgrund des hohen Standardisierungsgrades eine geringere externe Validität besitzen <strong>als</strong> Feldexperimente,<br />
während eine randomisierte Zuteilung der Probanden zu den einzelnen Bedingungen Alternativerklärungen<br />
bezüglich der Interpretation der gefundenen Effekte ausschließt und somit die interne<br />
Validität der möglichen Schlussfolgerungen erhöht.<br />
5.1.2 Das Labor-Experiment<br />
Das kontrollierte (Labor-)Experiment eignet sich, wie bereits ausgeführt, besonders dazu, einzelne<br />
oder auch mehrere Faktoren in ihrer Wirkung auf bestimmte Merkmale oder Prozesse zu untersuchen<br />
und zu differenzieren. Der hohe Grad der Standardisierung und die Möglichkeit der randomisierten<br />
Zuweisung der Versuchspersonen zu den einzelnen Bedingungen erhöhen die interne Validität der<br />
Aussagen. Weiterhin wird durch die starke Kontrolle der Kontextfaktoren im Labor der Einfluss von<br />
Störvariablen reduziert und damit die Wahrscheinlichkeit erhöht, bedeutsame Effekte der variierten<br />
Faktoren in den beobachteten Datenmustern zu finden. Beispiele für kontrollierte Experimente, die<br />
den Einfluss verschiedener Merkmale auf den Lernprozess untersuchen, finden sich zahlreich für<br />
verschiedene Bereiche des Lernens, so beispielsweise in den Forschungsarbeiten zum Lernen mit<br />
Multimedia-Anwendungen (Mayer & Moreno, 2002), in den Arbeiten zum analogen Lernen (siehe<br />
Kapitel 4.3) oder im Bereich des mathematischen Lernens bei Reusser & Stebler (1997).<br />
Die am häufigsten geäußerten Einwände gegen den Einsatz von kontrollierten Experimenten beziehen<br />
sich auf das Merkmal der Standardisierung der Untersuchungssituation. Es wird kritisiert, dass die<br />
Untersuchungssituation zu künstlich und wenig übertragbar auf die außerexperimentelle Realität sei<br />
und dass sich menschliches Denken und Handeln nicht auf wenige experimentell zu variierende<br />
Faktoren reduzieren lässt (z. B. Dörner & Lantermann, 1990). In Bezug auf den Lernprozess unter<br />
Laborbedingungen bemängeln die Vertreter einer sozial-konstruktivistischen Perspektive von Lehren<br />
und Lernen (u. a. Greeno, 1998), dass die Standardisierung der Untersuchungssituation es dem<br />
Versuchsteilnehmer nicht erlaubt, Sinnzusammenhänge zu erkennen und dieses Untersuchungsformat<br />
die Zweckgebundenheit menschlichen Lernens nicht anerkennt. Des Weiteren wird kritisiert, dass sich<br />
menschliches Denken und Handeln weitestgehend in sozialen Situationen vollzieht und die Versuchsanordnung<br />
von Laborexperimenten die Probanden von diesen sozialen Ressourcen abschneidet<br />
(Bransford & Schwartz, 1999). Es wird <strong>als</strong>o argumentiert, dass unter Laborbedingungen tendenziell<br />
91
Kapitel 5 – Das Trainingsexperiment<br />
andere Lernprozesse untersucht werden <strong>als</strong> sich in realen Settings tatsächlich vollziehen, so dass eine<br />
Übertragung der Ergebnisse von Laborstudien auf die Praxis fragwürdig erscheint.<br />
Andererseits würden Experimente ihrem Anspruch, die „reinen“ kognitiven Prozesse zu untersuchen,<br />
welche nicht durch Kontextvariablen verfälscht werden, nicht gerecht, da auch die Untersuchungssituation<br />
eine soziale Situation zwischen Proband und Versuchsleiter darstellt, in denen implizite<br />
Erwartungen und Annahmen des Versuchsleiters oder der Versuchsteilnehmer die Untersuchungsergebnisse<br />
bedeutend beeinflussen können (z. B. Pygmalion-Effekt, zusammenfassende Darstellung bei<br />
Ball, 1990).<br />
5.1.3 Quasi-experimentelle Feldforschung<br />
Wie bereits angedeutet, teilen quasi-experimentelle Felduntersuchungen wesentliche Merkmale eines<br />
experimentellen Untersuchungsdesigns wie der systematischen Variation von unabhängigen Variablen<br />
und der Registrierung des Effektes anhand einer oder mehrerer abhängiger Variablen. Im Vergleich zu<br />
experimentellen Labordesigns sind Felduntersuchungen weniger der Kritik der Künstlichkeit der<br />
erzeugten Lernsituation ausgesetzt, da diese in einem natürlichen Lernsetting wie beispielsweise der<br />
Realität der Schule stattfindet.<br />
In der Regel sind jedoch mit dieser Wahl des Settings verschiedene Einschränkungen im Design mit<br />
Folgen für die Interpretation der Ergebnisse verbunden. Eine häufig anzutreffende Einschränkung von<br />
Feldexperimenten betrifft die fehlende Randomisierung der Versuchspersonen bezüglich der experimentellen<br />
Bedingungen, welche aus verschiedenen Gründen nicht realisiert werden kann. Wenn<br />
personengebundene Variablen wie Alter oder Geschlecht oder aber „natürlich“ auftretende Gruppierungen<br />
von Personen, wie beispielsweise Schulklassen oder in Bezug auf bestimmte Leistungsdaten<br />
bestehende Extremgruppen (z. B. Legastheniker), untersucht werden sollen, ist eine zufällige<br />
Zuweisung der einzelnen Personen zu den Experimentalbedingungen generell nicht möglich. Dort, wo<br />
prinzipiell eine Randomisierung möglich wäre, ist eine Kontrolle der Zuordnung durch den Einsatz<br />
von multiplen Vortests anzustreben, welche die Vergleichbarkeit der Probanden unter den einzelnen<br />
experimentellen Bedingungen hinsichtlich zentraler Merkmale belegen und gegebenenfalls bei<br />
Bestehen von signifikanten Leistungsunterschieden zwischen den Experimentalgruppen <strong>als</strong> Kovariaten<br />
in die statistische Analyse aufgenommen werden oder eine nachträgliche Parallelisierung der<br />
Versuchsgruppen bezügliche relevanter Leistungsmerkmale ermöglichen. Außerdem können multiple<br />
Kontrollgruppen eingesetzt werden, welche sich in verschiedenen leistungsrelevanten Merkmalen<br />
unterscheiden. Eine solche Analyse der Selektionsprozesse bei quasi-experimentellen Untersuchungsdesigns<br />
kann deutlich <strong>zur</strong> Aufwertung der Validität für diese Untersuchungsdesigns beitragen<br />
(Bierhoff & Rudinger, 1996; Cook & Shadish, 1994).<br />
Mit dieser Problematik ist in der Regel eine Einschränkung der statistischen Validität verbunden.<br />
Aufgrund der fehlenden Randomisierung sind die Probanden statistisch nicht unabhängig, wie es zum<br />
Beispiel für den Einsatz varianzanalytischer Verfahren gefordert wird. Dies macht den Einsatz anderer<br />
92
Kapitel 5 – Das Trainingsexperiment<br />
statistischer Verfahren <strong>als</strong> für ein randomisiertes Design nötig. Insbesondere wenn der Effekt der<br />
Gruppierungsvariable wie beispielsweise der Schulklasse abgeschätzt und kontrolliert werden soll,<br />
sind hierarchische Analyseverfahren (Bryk & Raudenbusch, 1992) zu bevorzugen. Diese setzten<br />
jedoch deutlich größere Versuchspersonenzahlen <strong>als</strong> herkömmliche varianzanalytische Verfahren<br />
voraus, was wiederum quasi-experimentelle Feldforschung wesentlich verteuert. Gleiches gilt für eine<br />
weitere Strategie mit dem Problem der fehlenden Randomisierung umzugehen, den randomisierten<br />
Feldversuchen (Boruch et al., 2002). Bei diesem Ansatz sind nicht die einzelnen Versuchsteilnehmer<br />
die relevante Einheit der Analyse, sondern die gesamte Schulklasse wird <strong>als</strong> Grundeinheit betrachtet,<br />
was wiederum die Zahl der nötigen Versuchsklassen deutlich erhöht und daher nur in der Evaluation<br />
von Unterrichtsprogrammen Anwendung findet.<br />
Eine weitere Einschränkung betrifft die geringe Möglichkeit der Kontrolle bzw. die geringere<br />
Standardisierung der Untersuchungssituation. Insbesondere ist die definitionsgemäße Wiederholbarkeit<br />
von experimentellen Treatments aufgrund der möglichen Einflüsse von anderen Kontextvariablen<br />
stark eingeschränkt bzw. in Frage zu stellen. Dagegen argumentieren Bierhoff und Rudinger (1996),<br />
dass Feldstudien einer anderen Theorie der Kausalität folgen <strong>als</strong> Experimente. Das Manko der<br />
mangelnden internen Validität und damit der eingeschränkten „Schlussfähigkeit“ auf intendierte<br />
Kausalwirkungen oder funktionelle Beziehungen, kann ihrer Ansicht nach erst durch konzeptuelle<br />
Replikation und nachfolgende Meta-Analysen (Glass, McGraw, & Smith, 1981) erreicht werden.<br />
Weitere mögliche Ursachen für diese Einschränkungen der internen Validität bei Feldstudien nennen<br />
Cook & Campbell (1979). So können, insbesondere wenn zwischen Vor- und Nachtest eine längere<br />
Zeitspanne liegt, Reifungsprozesse die Interpretation der Ergebnisse gefährden. Die beobachteten<br />
Lern-Effekte wären dann nicht eindeutig auf die experimentelle Variation <strong>zur</strong>ückzuführen. Bei<br />
Schulversuchen, bei denen das Treatment nicht durch eine unabhängige Person verabreicht wird, kann<br />
es darüber hinaus <strong>zur</strong> Diffusion bzw. Imitation des Treatments in der Kontrollgruppe kommen.<br />
Beispielsweise könnte es zu kompensatorischen Bemühungen des Versuchsleiters (in der Regel der<br />
jeweilige unterrichtende Lehrer) kommen, der bewusst oder unbewusst die vermeintliche Benachteiligung<br />
einer experimentellen Bedingung auszugleichen versucht. Solche Effekte sind auch auf der<br />
Ebene der einzelnen Versuchsteilnehmer, der Schüler, denkbar. Teilnehmer der Kontrollgruppe<br />
könnten kompensatorisch besonders große Anstrengungen zeigen (den sog. "John-Henry-Effekt"<br />
Saretzky, 1972) 18 , was zu einer Unterschätzung des tatsächlichen Effektes des untersuchten Treatments<br />
(Typ-I-Fehler) führen würde. Andererseits könnte das Wissen über die Zugehörigkeit <strong>zur</strong><br />
Kontrollgruppe bei den Probanden negative Emotionen und „Trotz- oder Rachehandlungen“ auslösen,<br />
was wiederum zu einer Überschätzung der Treatment-Effekte (Typ-II-Fehler) führt. Eine Kontrolle<br />
dieser unerwünschten Kompensationseffekte wäre durch die Wahl eines für die Kontrollgruppe<br />
18 Der John-Henry-Effekt ist ein reaktiver Effekt, bei dem die Kontrollgruppe besser abschneidet <strong>als</strong> ursprünglich<br />
erwartet, was auf verstärkte Anstrengungen in dieser Gruppe im Vergleich zu den experimentellen<br />
Bedingungen <strong>zur</strong>ückzuführen ist. Er stellt das Pendant zum Hawthorne-Effekt für die Kontrollgruppen dar.<br />
93
Kapitel 5 – Das Trainingsexperiment<br />
äußerlich ähnlichen Treatments denkbar, für welches jedoch im Gegensatz zum experimentellen<br />
Treatment kein Einfluss auf die abhängige Variable angenommen wird (Borg, 1984).<br />
Daher müssen in Felduntersuchungen der korrekten Implementierung des Treatments und dessen<br />
Kontrolle größere Aufmerksamkeit geschenkt werden <strong>als</strong> in Laborstudien. Sollen beispielsweise mit<br />
Hilfe einer Schulstudie Gestaltungsmerkmale von Unterricht untersucht werden, von denen eine<br />
förderliche Wirkung auf den Lernprozess erwartet wird, muss kontrolliert werden, ob dieser Lernprozess<br />
in den verschiedenen experimentellen Bedingungen tatsächlich gemäß der vorgegebenen<br />
Richtlinien gestaltet wurde und ob sich Unterricht in Klassen, die derselben experimentellen Bedingung<br />
zugeordnet sind, hinreichend ähnlich ist oder große Variationen in der Ausführung beobachtbar<br />
sind. Solch ein Implementationscheck für das experimentelle Treatment ist beispielsweise durch<br />
Videoanalysen möglich, die das Vorhandensein bestimmter, das Treatment definierenden Merkmale<br />
einer Beurteilung zugänglich machen. Diese Kontrolle gestaltet sich in der Praxis aber unter Umständen<br />
sehr zeit- und kostenintensiv.<br />
Dem Vorteil der (scheinbar) größeren externen Validität und der Untersuchung von authentischeren<br />
und sozialeren Lernprozessen durch Feldstudien stehen auf der anderen Seite eine Reihe von potenziellen<br />
Einschränkungen der internen Validität gegenüber, welche vor allem auf die geringere<br />
mögliche Kontrolle der Untersuchungssituation <strong>zur</strong>ückgehen, <strong>als</strong> auch auf die häufig nicht zu<br />
realisierende Randomisierung der Versuchsteilnehmer.<br />
5.2 Das Trainingsexperiment<br />
Aus den vorangegangenen Analysen wird deutlich, dass sich experimentelle Laborexperimente und<br />
quasi-experimentelle Feldforschung vor allem auf zwei Dimensionen der Validität unterscheiden.<br />
Während Laborexperimente aufgrund der hohen Kontrollmöglichkeiten und der möglichen Randomisierung<br />
der Versuchsteilnehmer eine höhere interne Validität <strong>als</strong> Feldstudien aufweisen, wird<br />
Letzteren in der Regel eine größere externe Validität und Relevanz für die Praxis zugesprochen, da<br />
diese Untersuchungsdesigns Lernprozesse nicht in künstlichen, sondern beziehungsreichen und<br />
authentischen Kontexten betrachten. Im Labor durchgeführte Trainingsexperimente können diesbezüglich<br />
eine Zwischenstellung einnehmen und die Vorteile beider Designs vereinen. Die spezifischen<br />
Möglichkeiten und Einschränkungen von Trainingsexperimenten sollen jedoch nicht nur im Hinblick<br />
auf methodische, sondern auch auf psychologisch-pädagogische Aspekte beleuchtet werden.<br />
5.2.1 Untersuchungsmethodische Argumente<br />
Experimentelle Trainingsstudien, wie sie hier diskutiert werden sollen, nutzen eine zufällige Zuordnung<br />
der Probanden zu den einzelnen experimentellen Bedingungen sowie eine Messung der<br />
abhängigen Variablen in einem Vortest-Nachtest-Design. Die Trainingsbedingungen sind dabei so<br />
gestaltet, dass sie in Bezug auf wichtige Lernbedingungen wie die Lernzeit, die Art der im Training<br />
ausgeführten Aktivitäten und Interaktionsformen, stark standardisiert sind und sich jeweils nur in dem<br />
94
Kapitel 5 – Das Trainingsexperiment<br />
untersuchten unabhängigen Merkmal (der Einsatz einer bestimmten Repräsentationsform) unterscheiden.<br />
Experimentelle Trainingsstudien können <strong>als</strong> eine Erweiterung der experimentellen Laborstudien<br />
gesehen werden, mittels derer nicht nur hoch individualisierte Lernprozesse, sondern auch sozial<br />
vermittelte ermöglicht werden. Während in traditionellen Lernstudien Probanden isoliert in ihrer<br />
Interaktion mit instruktionalem Material oder Lernumgebungen untersucht wurden, werden in<br />
Trainingsexperimenten Kleingruppen von Probanden gemeinsam untersucht, wobei auch soziale<br />
Interaktionen der Akteure untereinander zugelassen werden. Gleichzeitig sind diese Interaktionen in<br />
der Kleingruppe im Vergleich zu denen in einer Schulklasse durch die geringere Gruppengröße besser<br />
vom Trainer zu kontrollieren und zu steuern. Weiterhin können Effekte, welche in Feldstudien durch<br />
die unterschiedliche Persönlichkeit der beteiligten Lehrer hervorgerufen werden und einen Einfluss<br />
auf die Konstruktvalidität haben, durch den Einsatz weniger Trainer und gut ausgearbeiteter Trainingsabläufe<br />
und Kriterien der Trainingsdurchführung 19 ausgeschaltet werden. Dadurch kann ein<br />
akzeptables Maß der Standardisierung der Untersuchungssituationen über alle Bedingungen hinweg<br />
erreicht werden. Zudem kann die Vergleichbarkeit der einzelnen Treatments, z. B. hinsichtlich der<br />
Lernzeit oder kritischer Instruktionsvariablen, besser gewährleistet werden, was zu einer höheren<br />
Konstruktvalidität der implementierten Treatments im Trainingsexperiment <strong>als</strong> im Klassenzimmer<br />
führt (Tate, 1990).<br />
Gleichzeitig bieten sich im Labor günstigere Möglichkeiten <strong>als</strong> im Feld, durch Videoanalysen des<br />
Untersuchungsablaufes die Interaktions- und Lernprozesse während des Trainings zu untersuchen, da<br />
es durch die geringere Gruppengröße leichter ist, alle beteiligten Probanden im Blickpunkt zu<br />
behalten. Solche Analysen können zudem die Grundlage für weiterführende bzw. neue hypothesengenerierende<br />
Analysen bieten. So weisen einige Studien darauf hin, dass ein anbahnendes Verständnis<br />
von bestimmten Konzepten bei Kindern bereits in ihren Gesten deutlich wird, während es dem<br />
sprachlichen Ausdruck noch nicht zugänglich ist (Martin, Schwartz, & Veit, 2003; Rittle-Johnson &<br />
Alibali, 1999). Auf der Basis von Videobetrachtungen können somit weitere Indikatoren des Lernens<br />
generiert und erfasst werden.<br />
Weiterhin fällt es in Trainingsuntersuchungen, welche nicht im Umfeld von Schulen durchgeführt<br />
werden, leichter, die geforderte Randomisierung der Versuchsteilnehmer zu gewährleisten, wodurch<br />
personenbezogene Variablen <strong>als</strong> Alternativerklärung für die Befunde vernachlässigt werden können.<br />
Die interne Validität von Trainingsexperimenten kann somit <strong>als</strong> vergleichbar mit der von traditionellen<br />
Laborstudien aufgefasst werden. Gleichzeitig müssen sich diese Untersuchungen jedoch nicht der<br />
Kritik aussetzen, künstliche oder verarmte Lernprozesse zu untersuchen, da sie auch sozial vermittelte<br />
Lernformen implementieren.<br />
19 So kann beispielsweise vorher vereinbart werden, wie bei bestimmten, häufiger auftretenden Entscheidungssituationen<br />
zu reagieren ist.<br />
95
Kapitel 5 – Das Trainingsexperiment<br />
Da mehrere Probanden gleichzeitig untersucht und einem gemeinsamen Lernprozess ausgesetzt sind,<br />
ist die statistische Unabhängigkeit der Untersuchungseinheiten, wie auch bei quasi-experimentellen<br />
Designs, im strengen Sinne zwar nicht gegeben, es kann aber argumentiert werden, dass durch die<br />
Standardisierung der Trainingsabläufe und die Randomisierung der Probanden eine annähernde<br />
Unabhängigkeit der Untersuchungseinheiten angenommen werden kann. Die Anwendung varianzanalytischer<br />
Verfahren ist somit mit weniger Problemen verbunden <strong>als</strong> in Feldstudien (statistische<br />
Validität). Durch die größere Kontrolle irrelevanter oder potenziell gegenläufiger Faktoren im<br />
Laborsetting im Vergleich zum Feldsetting ist bei gleicher Versuchspersonenzahl aufgrund der<br />
größeren statistischen Power des Signifikanztestes die Validität der statistischen Schlussfolgerungen<br />
erhöht, d. h. Effekte eines Treatments können mit geringerem Aufwand an Personen und Zeit<br />
„entdeckt“ werden, da die Daten weniger Fehlervarianz beinhalten (Tate, 1990). Gleiches gilt für die<br />
Identifizierung von Aptitude-Treatment-Interaktionen (sog. ATI-Effekte), die in Schulstudien<br />
aufgrund der geringeren statistischen Power für Interaktionseffekte häufig nicht signifikanzstatistisch<br />
abgesichert werden können.<br />
5.2.2 Psychologisch-pädagogische Argumente<br />
Neben den methodischen Argumenten kann auch auf der Basis psychologisch-pädagogischer<br />
Überlegungen argumentiert werden, dass es vielversprechend erscheint, Lernprozesse im Labor mit<br />
Hilfe von experimentellen Trainingsstudien zu untersuchen.<br />
Dabei können Lernprozesse initiiert werden, die für die meisten Schüler optimaler und potenziell<br />
<strong>effektive</strong>r <strong>als</strong> in der Schule gestaltet sind 20 . Einerseits können auf der Ebene der Instruktionsabläufe<br />
die Prozesse störungsfreier organisiert werden, da Kleingruppen besser zu steuern sind und tendenziell<br />
eine günstigere Gruppendynamik haben. Andererseits können motivationale Barrieren und Verhaltensmuster<br />
der Kinder, die in der Schule unbewusst und routinisiert ablaufen und einen negativen<br />
Effekt auf die Lernprozesse haben, durch die Diskontinuität der Lernsituation im Labor im Vergleich<br />
<strong>zur</strong> Schule aufgebrochen werden, wodurch Lernen möglich wird.<br />
Auch aus instruktionspsychologischer Sicht können Lernprozesse intensiver und durch eine bessere<br />
Passung zwischen instruktionalem Angebot und dem gegenwärtigen Verständnis des einzelnen Kindes<br />
<strong>effektive</strong>r gestaltet werden <strong>als</strong> dies in einer Schulklasse möglich wäre. Durch die geringere Gruppengröße<br />
im Laborexperiment können das gegenwärtige Verständnis jedes einzelnen Kindes besser<br />
aktiviert werden und darauf aufbauend die Instruktion innerhalb des durch die einzelnen Treatments<br />
vorgegebenen Rahmens so gestaltet werden 21 , dass sie für die Probanden möglichst dicht an dem<br />
20 Einige der aufgeführten Aspekte sollten wiederum zu einer Verringerung der Fehlervarianz und damit zu einer<br />
größeren Wahrscheinlichkeit führen, dass ein Effekt eines unabhängigen Merkm<strong>als</strong> auch varianzanalytisch<br />
belegt werden kann. Für die Argumentation soll aber an dieser Stelle die Optimierung der Lehr-Lernprozesse<br />
aus lernpsychologischer Sicht im Mittelpunkt stehen.<br />
21 Dies setzt natürlich eine möglichst genaue und gründliche Analyse der Faktoren voraus, die das Treatment in<br />
seiner Wirkung beeinflussen können, sowie eine grundlegende Orientierung, innerhalb welcher Grenzen und<br />
bezüglich welcher Faktoren das einzelne Training standardisiert bzw. individuell angepasst werden kann.<br />
96
Kapitel 5 – Das Trainingsexperiment<br />
theoretischen Konstrukt der optimalen Zone der Entwicklung liegt (Vygotsky, 1981). Im Zusammenhang<br />
mit Misskonzepten der Schüler können durch gezielt gestellte Fragen oder Gegenüberstellungen<br />
von widersprüchlichen Schülerantworten kognitive Konflikte bei den Schülern erzeugt werden, die<br />
den Lernprozess und kognitive Umstrukturierungen (z. B. Vosnaidou, Ioannides, Dimitrakopoulou, &<br />
Papademetriou, 2001) anstoßen und grundlegende Erfahrungen für ein neues Verständnis vermitteln.<br />
Durch diese optimaleren Bedingungen für den Wissenserwerb können durch die Lernumgebung<br />
angestoßene Lernprozesse schneller messbar gemacht werden <strong>als</strong> im Feld, gleichzeitig ist die<br />
Wahrscheinlichkeit geringer, dass diese durch natürliche Reifungsprozesse überlagert werden.<br />
Weiterhin bieten sich für auch für die Gestaltung der Instruktionen im Labor günstigere Möglichkeiten<br />
<strong>als</strong> im Feld. So sorgt die im Labor fehlende 45-minütige Taktung des Unterrichts dafür, dass die<br />
Lernprozesse für Schüler kontinuierlicher gestaltet werden können, was wiederum den Lernprozess<br />
beschleunigen sollte. Im Labor besteht zudem die Möglichkeit, auf einen sehr engen Gegenstandsbereich<br />
eingeschränkte Aspekte der Instruktion zu untersuchen und diese experimentell zu variieren,<br />
während Schulunterricht immer in einen curricularen und zeitlichen Sinnzusammenhang eingebettet<br />
ist und es sich schwierig gestaltet, diese eingeschränkten Aspekte zu untersuchen, bei denen es sich<br />
nicht um ausgearbeitete Unterrichtsreihen handelt. Von einem ethischen oder zeitökonomischen<br />
Standpunkt aus kann argumentiert werden, dass es auch nicht sinnvoll ist, Lernbedingungen in der<br />
Schule zu implementieren, von denen noch nicht bekannt ist, ob sie erwartungsgemäß Lernprozesse<br />
anstoßen können. Andererseits müsste man sich gegenüber Eltern, Lehrern und Schülern dem<br />
Rechtfertigungsdruck aussetzen, die prinzipiell wertvolle und begrenzte Lernzeit nicht sinnvoll<br />
genutzt zu haben. Im Labor dagegen können auch Bedingungen implementiert werden, die einerseits<br />
eine zusätzliche Lerngelegenheit für Schüler darstellen, andererseits aber auch einen geringeren<br />
Lernfortschritt <strong>als</strong> bei anderen Bedingungen erwarten lassen, wie in der Regel für die Kontrollgruppen<br />
im Vergleich zu den Experimentalgruppen zu erwarten ist.<br />
Zusammenfassend lässt sich festhalten, dass experimentelle Trainingsexperimente eine gute Gelegenheit<br />
bieten, auf ein engeres Feld eingegrenzte Fragestellungen zu untersuchen und dabei wesentlich<br />
zeit- und kostengünstiger zu realisieren sind <strong>als</strong> Schulversuche. Dabei müssen sie sich nicht der Kritik<br />
aussetzen, künstliche oder verarmte Lernprozesse zu untersuchen (Bereiter, 1997), da durch Kleingruppen<br />
ein besser kontrollierbarer Mikrokosmos geschaffen wird, so dass Lernen unter optimaleren<br />
Bedingungen <strong>als</strong> in der Schule angestoßen werden kann. Durch das gleichzeitig höhere Ausmaß an<br />
Kontrolle der Untersuchungssituation kann gezielt die Wirkung einzelner Faktoren, welche aus<br />
kognitionspsychologischer Sicht wirksame Lernanstöße darstellen, untersucht und die Wirkung<br />
anderer, nicht relevanter Faktoren (wie z. B. motivationaler Effekte, Capon & Kuhn, 2004) ausgeschlossen<br />
werden. Trainingsexperimente dienen daher eher der Untersuchung einzelner (Instruktions-)<br />
Variablen anstelle einer Gesamtevaluation ganzer Unterrichtsprogramme.<br />
97
Kapitel 5 – Das Trainingsexperiment<br />
5.3 Die Rolle der Kontrollgruppen<br />
In den bisherigen Ausführungen wurden bereits einige wichtige Aspekte <strong>zur</strong> Validität der Schlussfolgerungen<br />
aus experimentellen Studien ausgeführt. Ein weiterer für die Interpretation der gewonnenen<br />
Ergebnisse zentraler Aspekt wurde dabei noch nicht ausführlicher betrachtet, die Rolle der Kontrollgruppen.<br />
Aus der Logik des experimentellen Designs folgt, dass es, um die Wirkung eines bestimmten<br />
unabhängigen Merkm<strong>als</strong> zu prüfen, nicht ausreichend ist, auf der Ebene eines Vortest-Nachtest-<br />
Vergleichs zu überprüfen, ob eine signifikante Veränderung auf den gewählten Indikatoren zu<br />
beobachten ist. So haben verschiedene Autoren eine Reihe von trainings-unspezifischen Effekten<br />
spezifiziert, die unabhängig vom eigentlichen Treatment eine Veränderung auf den abhängigen<br />
Variablen bewirken können (einen Überblick gibt Ball, 1990). Hager und Hasselhorn (1995) konnten<br />
für die Wirksamkeit eines kognitiven Trainings für Kinder zeigen, dass bereits die zusätzliche<br />
Zuwendung, welche die am Training teilnehmenden Kinder durch den Testleiter erhalten hatten, einen<br />
positiven Einfluss auf die Entwicklung der untersuchten Kompetenzen hatte.<br />
Um diese trainingsunspezifischen Effekte von den Effekten des untersuchten Merkm<strong>als</strong> abzugrenzen,<br />
ist der Einsatz von Kontrollgruppen unverzichtbar. Um in der Lehr-Lernforschung valide Aussagen<br />
über die Wirkung einzelner instruktional wirksamer Faktoren zu erhalten, ist es jedoch nötig, dem in<br />
der Kontrollgruppe implementierten Treatment besondere Aufmerksamkeit zu schenken. So können<br />
vergleichende und nicht-vergleichende Kontrollgruppen unterschieden werden (Hager & Hasselhorn,<br />
1998; Scriven, 1991). Beim Einsatz nicht-vergleichender Kontrollgruppen werden entweder die<br />
Probanden der Kontrollgruppe nicht trainiert (Warte-Kontrollgruppe) und lediglich Vor- und<br />
Nachtestdaten in einem <strong>zur</strong> Experimentalgruppe vergleichbaren zeitlichen Abstand erhoben, oder aber<br />
im Falle der Evaluation eines gesamten Trainingsprogramms bzw. einer Instruktionstheorie ein<br />
anderes völlig anders geartetes Programm implementiert (z. B. konstruktivistischer Unterricht im<br />
Vergleich zu freiem Spielen), von welchem andere oder gegenläufige Effekte im Vergleich zum<br />
Experimentaltraining erwartet werden können. Für Studien, die Warte-Kontrollgruppen einsetzten,<br />
kann wiederum angeführt werden, dass allein die Trainingssituation zu unspezifischen Effekten führt,<br />
während das eigentliche Training keine Wirkung hat.<br />
Insbesondere in Laborstudien erhalten nicht-vergleichende Kontrollgruppen häufig ein Treatment,<br />
denen lediglich das kritische, zu untersuchende Element fehlt. In der Realität führt dies häufig zu<br />
„Pseudo-Trainings“ für die Kontrollgruppe, bei deren Einsatz die Überlegenheit der zu untersuchenden<br />
Methode bereits vor Beginn der Untersuchung absehbar ist. Insbesondere das punktuelle Auslassen<br />
bestimmter Instruktionselemente aus einem ansonsten unveränderten Trainingsprogramm kann zu<br />
völlig absurden Lernsituationen für die Kontrollgruppe führen. Dass der Einsatz solcher Vergleichsgruppen<br />
einen geringen wissenschaftlichen Erkenntnisgewinn mit sich bringt, liegt auf der Hand.<br />
Solche nicht-vergleichenden Kontrollgruppen können demnach lediglich darüber Auskunft geben, ob<br />
ein Training oder ein bestimmtes Instruktionselement wirksam ist oder nicht.<br />
98
Kapitel 5 – Das Trainingsexperiment<br />
Im Vergleich dazu können durch den Einsatz vergleichender Kontrollgruppen auch Aussagen über die<br />
Überlegenheit eines Trainings im Vergleich zu einem konkurrierenden, jedoch ebenso sinnvollen und<br />
potenziell wirksamen Training gemacht werden. So können beispielsweise zwei Treatments untersucht<br />
werden, die beide positive Effekte auf das Lernen haben können, denen jedoch zwei konkurrierende<br />
Instruktionstheorien zugrunde liegen. In diesem Fall können Aussagen darüber getroffen werden,<br />
unter welchen Annahmen Lernen besser gestaltet werden kann und ein daher größerer Lerngewinn<br />
erzielt wird. Lassen sich in einem solchen vergleichenden Design die einzelnen Elemente der<br />
konkurrierenden Treatments experimentell sinnvoll variieren bzw. kombinieren, können über die reine<br />
Evaluation des Gesamteffektes hinaus wertvolle Einsichten in die Wirksamkeit einzelner Instruktionselemente<br />
gewonnen werden, was vor allem mit Hilfe von Trainingsexperimenten, wie sie im vorangegangenem<br />
Abschnitt besprochen wurden, realisiert werden kann.<br />
Abschließend sei noch darauf hingewiesen, dass ein besonderes Augenmerk bei der Konzeptualisierung<br />
von Instruktionen in experimentellen Designs darauf gerichtet werden muss, in sich selbst<br />
stimmige und sinnvolle <strong>Lerngelegenheiten</strong> auch für die Kontrollgruppe zu schaffen und nicht, wie von<br />
Oerter (1979) kritisiert wurde, durch die Kombination verschiedener unabhängiger Merkmale in einem<br />
Design unsinnige Treatments zu schaffen, die der unterrichtlichen Realität nicht standhalten können.<br />
Insbesondere für Laborstudien ist die Sinnhaftigkeit der untersuchten Treatments ein gewichtiges<br />
Argument gegen den häufig erhobenen Vorwurf der mangelnden externen Validität und Übertragbarkeit<br />
der in diesem Setting gewonnenen Erkenntnisse.<br />
5.4 Design-Experimente<br />
In diesem Abschnitt sollen experimentelle Trainingsstudien von einem Forschungsdesign abgegrenzt<br />
werden, den design- oder teaching-experiments, welches bei oberflächlicher Betrachtung mit<br />
experimentellen Trainingsstudien verglichen werden kann und in der einschlägigen Literatur zum<br />
Lernen von mathematisch-naturwissenschaftlichen Konzepten derzeit kontrovers diskutiert wird<br />
(Mayer, 2003; Shavelson, Phillips, Towne, & Feuer, 2003; Winn, 2003). Es wird zunächst ein kurzer<br />
Abriss über die mit diesen Studien verbundene Methodik gegeben. Anschließend werden ihre Stärken<br />
und Schwächen sowie die Bedeutung dieses Ansatzes für die Lehr-Lernforschung betrachtet.<br />
Der Begriff des design-experiment, bei einigen Autoren auch teaching-experiment, ist verbunden mit<br />
Brown (1992) und Collins (1992). Ausschlaggebend für die Entwicklung dieses neuen Untersuchungsansatzes<br />
für pädagogisch-psychologische Fragestellungen, war die Unzufriedenheit der<br />
Autoren mit den experimentellen Methoden, welche die Komplexität von realen Lernsituationen nicht<br />
erfassen und zu wenige leistungsrelevante abhängige Variablen der Erkundung zugänglich machten,<br />
sowie die Erkenntnis, dass im Labor wichtige den Lernprozess intervenierende Variablen in experimentellen<br />
Designs nicht identifiziert werden konnten (Collins, Joseph, & Bielaczyc, 2004).<br />
Bereits in den Charakterisierungen der Methode von Brown und Collins wird jedoch deutlich, dass<br />
Design-Experimente keine einheitliche Methodologie wie experimentelle Studien darstellen, obwohl<br />
99
Kapitel 5 – Das Trainingsexperiment<br />
sie übereinstimmend <strong>als</strong> interventionistisch, iterativ und prozessorientiert beschrieben werden (Kelly,<br />
2004). Stattdessen sind sie von verschiedenen Ansätzen und Forschungszielen geprägt und ordnen sich<br />
keinesfalls in die Reihe experimenteller Methoden ein, wie der Name suggeriert, und sollen deshalb<br />
im Weiteren lediglich <strong>als</strong> Design-Studien bezeichnet werden. Während Brown und weitere Autoren<br />
(Cobb, 2000; Confrey & Lachance, 2000; Lesh & Kelly, 2000; Steffe & Thompson, 2000) vor allem<br />
die Analyse von Lernprozessen betonen, steht bei anderen Autoren (Barab & Squire, 2004) eher das<br />
Entwickeln und Verfeinern von <strong>effektive</strong>n (Computer-)Lernumgebungen im Fokus der Untersuchung.<br />
Vertreter des ersten Ansatzes untersuchen vor allem das Lernen und das Verständnis curricularer<br />
Themen aus der Mathematik und den Naturwissenschaften und können durch einen soziokonstruktivistischen<br />
Ansatz von Lernen beschrieben werden, in denen Bedeutungen nicht per se<br />
bestehen, sondern gemeinsam in Interaktionen mit Artefakten und/oder Personen individuell konstruiert<br />
werden. Vertreter der zweiten Perspektive dagegen fokussieren eher auf das Design einer<br />
Software oder Lernumgebung und beziehen sich in ihren theoretischen Äußerungen eher dem<br />
„instructional design“- Ansatz und System-Theorie von Reigeluth (1989). Andere Autoren wiederum<br />
betonen explizit, dass beide Zielsetzungen ihren Untersuchungen gleichwertig zugrunde liegen (Cobb,<br />
Confrey, diSessa, Lehrer, & Schauble, 2003). Die weiteren Ausführungen beziehen sich vor allem auf<br />
den ersten Ansatz, da dieser für die vorliegende Thematik relevant ist.<br />
5.4.1 Merkmale von Design-Experimenten<br />
Traditionelle Experimente unterscheiden sich von Design-Studien vor allem auf sieben Dimensionen<br />
(siehe Tabelle 5-2). Während Experimente traditionell im Labor stattfinden, werden Design-Studien in<br />
komplexen und so genannten „messy“ Settings der Realität situiert. Sie fokussieren darauf, diese<br />
reichhaltigen Situationen und Settings und die darin ablaufenden Lernprozesse zu beschreiben. Eine<br />
Kontrolle von intervenierenden Variablen, wie es im Laborexperiment geschieht, wird daher ausdrücklich<br />
abgelehnt. Um der Komplexität dieser Untersuchungssituation gerecht zu werden, werden<br />
viele abhängige Variablen erhoben, die wiederum untereinander häufig abhängig sind. Ebenso sind<br />
diese Untersuchungen so gestaltet, dass sie vielfältige soziale Interaktionen zwischen dem Forscher,<br />
der in der Regel selbst unterrichtet bzw. aktiv an der Interaktion teilnimmt (Steffe & Ambrosio, 1996;<br />
Steffe & Thompson, 2000), und den anderen Teilnehmern zulassen, so dass die Teilnehmer einer<br />
Design-Studie nicht <strong>als</strong> Subjekte für ein bestimmtes Treatment verstanden werden. Stattdessen trägt<br />
deren Input bzw. Verhalten in einem starken Maße zum sich entfaltendem Design der Studie bei. Ziel<br />
von Design-Studien ist es daher nicht, konkrete vorher definierte Hypothesen zu testen und einer<br />
statistischen Prüfung zu unterziehen, sondern Hypothesen zu generieren und Profile der komplexen<br />
Interaktionssituationen zu erstellen. Der Ablauf einer Design-Studie ist daher nicht bereits vor Beginn<br />
der Untersuchung festgelegt und standardisiert, wie bei einem Laborexperiment, sondern besteht aus<br />
einem rekursiven Prozess von Veränderungen am Design und erneuten Revisionen, in dessen Verlauf<br />
Hypothesen des Forschers „on-the-fly“ getestet und verworfen sowie neue Hypothesen generiert und<br />
erneut in der Interaktion getestet werden. Ziel ist es daher, statt eine oder wenige unabhängige<br />
100
Kapitel 5 – Das Trainingsexperiment<br />
Variablen in ihrem Einfluss auf den Lernprozess zu testen, möglichst alle Merkmale bzw. Variablen,<br />
die in einer Situation wirken, zu identifizieren und von Lernumgebungen das Design von Fehlern zu<br />
säubern. Dabei wird von den Vertretern dieser Methodik den sukzessiven Design-Veränderungen<br />
dieselbe Funktion wie die der systematischen Variation im Experiment zugesprochen. Mittels<br />
retrospektiver Video- oder Transkript-Analysen werden die Lernprozesse im Anschluss interpretiert<br />
und Beschreibungen des Lernprozesses formuliert, mit dem Ziel, eine Theorie über den Prozess zu<br />
entwickeln und die den Prozess unterstützenden Mittel mit ihren Möglichkeiten (Affordances) und<br />
Einschränkungen (Constraints) zu charakterisieren (Cobb et al., 2003).<br />
Tabelle 5-2: Vergleich psychologischer Experimente mit Design-Experimenten (adaptiert von Collins, 1999).<br />
Merkm<strong>als</strong>kategorie Experimentelle Methoden Design-Studien<br />
Ort der Forschung Labor-Setting Komplexe “real-life”-Settings<br />
Komplexität der Variablen<br />
Fokus der Forschung<br />
Art der Untersuchung<br />
Ausmaß an sozialer<br />
Interaktion<br />
Charakterisierung der<br />
Ergebnisse<br />
Rolle der Teilnehmer<br />
Eine oder wenige abhängige<br />
Variablen<br />
Identifizieren und Konstanthalten<br />
von wenigen relevanten Variablen<br />
Festgelegter Ablauf<br />
Isolation der Lernenden, um soziale<br />
Interaktionen zu kontrollieren<br />
Fokussierung auf das Testen von<br />
Hypothesen<br />
Einbezug von Teilnehmern mit<br />
unterschiedlichem Grad der<br />
Expertise<br />
(Probanden vs. Versuchsleiter)<br />
Multiple abhängige Variablen, auf<br />
verschiedenen Ebenen der<br />
Betrachtung<br />
(Individuum, System, Klima)<br />
Charakterisierung der Situation in<br />
ihrer gesamten Komplexität<br />
Flexible und rekursive Revisionen<br />
des Designs während des Verlaufs<br />
der Untersuchung<br />
Beinhaltet und ermöglicht<br />
komplexe soziale Interaktionen<br />
Fokussierung auf verschiedene<br />
Aspekte des Designs und Entwicklung<br />
eines das Design charakterisierenden<br />
Profils<br />
Teilnehmer <strong>als</strong> Subjekte für<br />
„Treatments“<br />
5.4.2 Rolle von Design-Studien in der Lehr-Lern-Forschung<br />
Worin unterscheiden sich Design-Studien von Trainingsexperimenten und welche Rolle können sie in<br />
der Lehr-Lernforschung spielen? Um diese beiden Fragen angemessen beantworten zu können, sollen<br />
zunächst die mit diesem Untersuchungsdesign verbundenen Stärken und Schwächen betrachtet<br />
werden.<br />
Zu den augenfälligsten Vorteilen von Design-Studien gehört, dass sie Lernen und seine Prozesse in<br />
komplexen und authentischen Situationen untersuchen und durch eine reichhaltige Beschreibung<br />
101
Kapitel 5 – Das Trainingsexperiment<br />
nachvollziehbar werden lassen. Für die orientierenden Vorarbeiten zu der hier vorliegenden Untersuchung<br />
haben die Berichte von Design-Studien, welche das Lernen von Graphen und das Verständnis<br />
von Funktionen untersuchen und beschreiben, eine wertvolle Orientierung über das intuitive Verständnis<br />
der Kinder gegeben und darüber, bei welchen Fragestellungen oder Konzepten Verständnisprobleme<br />
auftreten können. Die Beschreibungen können somit helfen, Hypothesen zu generieren und<br />
angemessene Modelle oder Theorien zu entwickeln (Sloane & Gorard, 2003). Weiterhin zeichnen sich<br />
die Forscherteams, die Lernprozesse im Bereich des mathematisch-naturwissenschaftlichen Verständnisses<br />
von Schülern untersuchen, in der Regel durch eine Mischung an vielfältigen Kompetenzen aus.<br />
Insbesondere Lehrer der entsprechenden Schulfächer werden in Design-Studien mit eingebunden<br />
(Steffe & Thompson, 2000). Diese Einbindung von Praktikern bei der Erarbeitung von Interventionen<br />
bzw. innovativer Unterrichtskonzepte kann zu einer besseren Akzeptanz dieser Programme bei<br />
Lehrern führen, da sie <strong>als</strong> relevanter für die schulische Praxis wahrgenommen werden (Zaritsky,<br />
Kelly, Flowers, Rogers, & O'Neill, 2003).<br />
Betrachtet man jedoch den wissenschaftlichen Erkenntnisgewinn, der durch Design-Studien erzielt<br />
wird, muss konstatiert werden, dass die Autoren von Design-Studien zwar betonen, Theoriebildung<br />
und -testung zu betreiben und über das Testen von Designs die wissenschaftliche Erkenntnis über<br />
Lernprozesse vorantreiben wollen, die Absicherung ihrer Ergebnisse und Erkenntnisse bleiben sie in<br />
der Regel jedoch schuldig.<br />
So wird auf experimentelle Kontrolle bewusst verzichtet, so dass kausale oder funktionale Aussagen<br />
nicht möglich sind (Shavelson et al., 2003). Weiterhin ist die Teilnehmerzahl einer solchen Untersuchung<br />
auf wenige Kinder und Situationen mit demselben Forscher beschränkt, so dass die Generalisierung<br />
auf andere Kontexte nicht gewährleistet ist, obwohl von den meisten Autoren in Anspruch<br />
genommen wird, ökologisch valide Ergebnisse zu produzieren (Winn, 2003). Auch dem Gütekriterium<br />
der Objektivität kann nicht entsprochen werden, da sowohl die Analyse der Situation interpretativ<br />
durch eine einzelne Person (oder ein Forscherteam) <strong>als</strong> auch die Darlegung der Ergebnisse vorangig in<br />
Form von Beschreibungen (mit einigen Transkript-Beispielen) erfolgt, die ebenfalls bereits eine<br />
Interpretation des Geschehens durch den Forscher darstellen und keinen objektiven Standards folgen<br />
(Kelly, 2004). Eine eigene Interpretation der berichteten „Daten“ kann somit durch den Leser nicht<br />
erfolgen, da er keinen Zugang zum Gesamtgeschehen hat. Bezüglich der Bewertung von Merkmalen<br />
von Lernumgebungen kann argumentiert werden, dass die Wirkung postulierter Designprinzipien<br />
nicht abgesichert werden kann, da das Design in der Regel komplex ist und Design-Varianten nicht im<br />
strengen Sinne gegeneinander getestet werden. Von den durch die Forscher betonten Faktoren, wie<br />
Nützlichkeit der Theorie, der shareability der Ergebnisse, ihrer Glaubwürdigkeit, der Power und<br />
internen Konsistenz der Forschungsergebnisse (Lesh, Lovitts, & Kelly, 2000), halten unter streng<br />
wissenschaftlicher Betrachtung nur die ersten beiden Punkte stand, die jedoch wenigsten zum Teil<br />
durch das Fehlen der letzteren in Frage gestellt werden müssen.<br />
102
Kapitel 5 – Das Trainingsexperiment<br />
Hierbei ist anzumerken, dass der experimentellen Forschung bereits mit den mikrogenetischen Studien<br />
(Siegler & Crowley, 1991) ein Untersuchungsdesign <strong>zur</strong> Verfügung steht, welches es sowohl erlaubt,<br />
Lernprozesse mit einer zeitlichen Auflösung zu betrachten, die über die experimenteller Prä-Post-<br />
Designs weit hinausgeht, <strong>als</strong> auch verschiedene Lern- oder Entwicklungsbedingungen in ihrem<br />
Einfluss auf die beobachteten Prozesse zu untersuchen. Es stellt sich <strong>als</strong>o die Frage, welche Rolle<br />
Design-Studien angesichts dieser gravierenden Einschränkungen im wissenschaftlichen Erkenntnisprozess<br />
spielen können. Vor allem zwei Funktionen scheinen Design-Studien zu erfüllen, indem sie<br />
experimentellen Studien entweder vor- oder nachgelagert werden. Einerseits können mit ihrer Hilfe<br />
domainspezifische Lernprozesse erkundend betrachtet werden, wobei der Forscher sich über das<br />
Verständnis eines zu untersuchenden Konzeptes bei Kindern informiert und zu testende Hypothesen<br />
entwickelt. Andererseits können in einem nachgelagerten Schritt mit Hilfe des für Design-Studien<br />
charakteristischen rekursiven Design-Prozesses wirkungsvolle Interventionen ausgearbeitet werden,<br />
nachdem deren kritische Bestandteile bzw. bestimmte Design-Prinzipien im Labor einer empirischen<br />
Testung unterzogen wurden. Eine Evaluation dieser Interventionen bzw. ganzer Programme sollte<br />
jedoch wiederum mit experimentellen Methoden erfolgen (Kelly, 2004; Mayer, 2003; McCandliss,<br />
Kalchman, & Bryant, 2003; Slavin, 2004). In beiden Fällen haben Design-Studien einen explorativen<br />
Charakter, während der konfirmatorische Teil durch experimentelle Methoden wie Labor- und<br />
mikrogenetische Studien geleistet wird. Die nicht-experimentelle Methode bietet somit das big picture<br />
vom Lernen im realen Setting, während kontrollierte Experimente helfen, die Details des Lernens und<br />
Verstehens von einzelnen Schülern aufzudecken (Winn, 2003).<br />
5.5 Die Rolle von Trainingsexperimenten in der Lehr-Lernforschung<br />
Für die Untersuchung einer der zentralen Fragestellungen der psychologischen Lehr-Lernforschung,<br />
nämlich in welcher Weise Lehrende oder Variablen der Lernumgebung das Lernen von Schülern<br />
beeinflussen, bieten experimentelle Trainingsstudien eine wichtige methodische Ergänzung zu<br />
Längsschnitts-, Korrelations- und Schulstudien. Sie stellen insbesondere ein geeignetes Instrument für<br />
Fragestellungen bezüglich der Rolle einzelner instruktionaler Elemente für die Ausbildung bestimmter,<br />
kognitiver Kompetenzen dar, wie beispielsweise den Erwerb von graphischen und repräsentationalen<br />
Fähigkeiten. Durch das experimentelle Vorgehen und Design können zahlreiche Faktoren, die den<br />
Erwerb dieser Kompetenzen in der Schule beeinflussen, wie beispielsweise die Art der Instruktion, die<br />
Art der verwandten Medien bzw. die Art der Unterrichtsorganisation, getrennt voneinander betrachtet<br />
und auf ihre Bedeutsamkeit überprüft werden. Gleichzeitig können andere intervenierende Variablen,<br />
wie Lehrerpersönlichkeit, die Organisation von Schule und Unterricht sowie motivationale bzw.<br />
verhaltensmäßige Dispositionen von Schülern, die es aus methodischer Sicht schwierig gestalten,<br />
solche Untersuchungen im Umfeld von Schulen durchzuführen, in ihrem Einfluss reduziert werden.<br />
Trainingsexperimente eignen sich somit im Besonderen, das kognitive Potenzial bestimmter Instruktionselemente<br />
für den Lernprozess zu explorieren, und helfen somit relevante Instruktionsvariablen zu<br />
103
Kapitel 5 – Das Trainingsexperiment<br />
identifizieren. Die Identifikation von wirksamen Instruktionsvariablen lassen einerseits Rückschlüsse<br />
über die Natur der Lernprozesse zu und bieten andererseits den Ausgangspunkt für die Entwicklung<br />
von innovativen Lehr- und Lernmethoden (Mayer, 2003). Somit kann auf der Basis der Befunde von<br />
experimentellen Trainingsstudien eine informierte Vorauswahl von wirksamen Unterrichtsprogrammen<br />
getroffen werden, die in einem weiteren Schritt im schulischen Umfeld im Hinblick auf ihre<br />
Praxistauglichkeit evaluiert werden können.<br />
Das besondere Merkmal von Trainingsstudien, wie sie in diesem Kapitel dargestellt wurden, ist, dass<br />
sie dennoch versuchen, schulische Lernprozesse unter Optimalbedingungen zu rekonstruieren und<br />
somit realistischere Lernbedingungen schaffen <strong>als</strong> traditionelle Experimente zum Lernen. Da für jede<br />
der im Trainingsexperiment untersuchten Bedingungen in sich schlüssige und sinnvolle Trainingsprogramme<br />
entwickelt werden, trifft die Auffassung von Autoren, welche sich insbesondere für Design-<br />
Studien einsetzen, nicht zu, dass durch die experimentelle Kontrolle das Lernsetting so stark simplifiziert<br />
wird, dass die untersuchten Lernprozesse keine Ähnlichkeit zu denen in authentischeren<br />
Kontexten haben (A. Brown, 1992; Winn, 2003). Andererseits ist auch die mit dieser Ansicht häufig<br />
verbundene Sicht der grundsätzlicheren Generalisierbarkeit der Ergebnisse von Design-Studien höchst<br />
fragwürdig, da auch schulische Lernprozesse, die in Schulklassen beobachtet werden, in die spezifischen<br />
Möglichkeiten und Einschränkungen in der konkreten Schule eingebunden sind (Fishmann,<br />
2004, zitiert nach Barab & Squire, 2004). Insbesondere die von Steffe & Thompson (2000) gegebene<br />
Empfehlung einer gemeinsamen längeren Lerngeschichte von Forscher und Schülern vor Beginn eines<br />
teaching-experiments lässt generelle Zweifel an der Übertragbarkeit der Befunde dieser Studien<br />
aufkommen. Geht man davon aus, dass eine gemeinsame Lerngeschichte zwischen Forscher und<br />
Schülern zu optimaleren Lernprozessen führt, stellen experimentelle Trainingsstudien einen konservativeren<br />
Test eines untersuchten Instruktionselementes dar.<br />
Abschließend soll festgehalten werden, dass jede Untersuchungsmethode im Hinblick auf die zu<br />
klärende Fragestellung ausgewählt werden muss. Bei Laborstudien steht stärker der grundlagenwissenschaftliche<br />
Aspekt der Erkenntnisgewinnung im Vordergrund, weshalb die Komplexität der<br />
Einflüsse bewusst reduziert wird. Feld- und Design-Studien dagegen betrachten das gesamte komplexe<br />
Gefüge von Variablen und gegenseitigen Bedingungen und bleiben daher Fragestellungen vorbehalten,<br />
bei denen sich nur schwer einzelne von einander unabhängige Wirkvariablen identifizieren lassen.<br />
Nicht zuletzt schützen die Ergebnisse experimenteller Forschung die pädagogische Praxis vor der<br />
Implementation teurer und in<strong>effektive</strong>r Maßnahmen (Mayer, 2003) und können helfen, Optimierungsmöglichkeiten<br />
für nur scheinbar wirkungslose Unterrichtsprogramme zu identifizieren. Somit<br />
schließen sich experimentelle Trainingsstudien im Labor, Design-Studien und Schulversuche nicht<br />
gegenseitig aus, sondern jedes Untersuchungsdesign kann in einer anderen Phase des wissenschaftlichen<br />
Erkenntnisprozesses <strong>zur</strong> Anwendung kommen und wichtige Informationen liefern, welche die<br />
Ergebnisse der anderen Forschungsdesigns sinnvoll ergänzen und erweitern.<br />
104
Kapitel 6 – Erwerb der Steigung mit <strong>Kontrastierungen</strong><br />
EMPIRISCHER TEIL<br />
6. Der Erwerb des Steigungsbegriffs mit Hilfe von drei spezifischen <strong>Kontrastierungen</strong><br />
6.1 Schlussfolgerungen aus den theoretischen Ausführungen<br />
Aus den bisher dargestellten Befunden wird deutlich, dass ein umfassendes Verständnis von Graphen<br />
<strong>als</strong> Repräsentationsform durch den <strong>zur</strong> Zeit in vielen Ländern 22 praktizierten Unterricht nicht erzielt<br />
wird, so dass das Potenzial dieser Repräsentationsform nicht entdeckt oder nicht ausreichend<br />
verstanden wird.<br />
Als ein hilfreiches Prinzip für das Erschließen dieser Eigenschaften von abstrakten Merkmalen eines<br />
Objektes wurde die Kontrastierung von zwei Fällen diskutiert. Es stellt sich jedoch die Frage, wie ein<br />
für den Lernprozess sinnvoller und wirksamer Kontrast beschaffen sein muss, damit ein bereits<br />
bestehendes Verständnis ausgeweitet und vertieft wird. Als notwendige Bedingung für einen Kontrast<br />
wurde dabei das Verdeutlichen bzw. die Lenkung der Aufmerksamkeit des Lernenden auf einen neuen<br />
Aspekt definiert. Ein Kontrast liegt demnach nur vor, wenn das bisher erworbene Verständnis eines<br />
Sachverhaltes durch das Bearbeiten eines kontrastierenden Falles ausgeweitet und/oder differenziert<br />
wird. Wie bereits dargestellt, können gezielt vorgenommene <strong>Kontrastierungen</strong> einen Wahrnehmungsfokus<br />
setzen und bestimmte Merkmale der Repräsentationsform herausstellen. Bisher wenig beachtete<br />
Merkmale können in den Vordergrund gestellt werden, während andere bisher deutlich wahrgenommene<br />
und daher bereits gut repräsentierte Merkmale in den Hintergrund treten. Die Art und Beschaffenheit<br />
des Kontrastes sollte daher von entscheidender Bedeutung für das Lernen sein. Ein Kontrast<br />
muss daher gut auf die Lernziele abgestimmt sein, indem genau spezifiziert wird, welche Elemente der<br />
Repräsentationsform durch den induzierten Kontrast verstärkt oder differenziert werden und welche<br />
Elemente gegebenenfalls in der Wahrnehmung des Lernenden <strong>zur</strong>ücktreten sollen.<br />
Obwohl <strong>Kontrastierungen</strong> <strong>als</strong> sinnvolle <strong>Lerngelegenheiten</strong> bereits für einige wenige Inhaltsgebiete<br />
erfolgreich angewandt wurden (Bransford et al., 2000; Moore & Schwartz, in press; Schwartz &<br />
Bransford, 1998), existieren kaum Studien, welche mit Hilfe eines experimentellen Designs gezielt<br />
untersuchen, unter welchen Bedingungen ein Kontrast den intendierten Lerngewinn bewirkt. Wie<br />
muss ein Kontrast beschaffen sein, damit der Lernende die grundlegenden Eigenschaften einer<br />
Repräsentationsform erkennt? Diese Frage lässt sich jedoch nicht allgemeingültig, sondern nur in<br />
Abhängigkeit von der jeweiligen Repräsentationsform und den zu entdeckenden Eigenschaften<br />
formulieren. Für Eigenschaften, die leicht der Wahrnehmung zugänglich sind, ist dies trivial.<br />
22 Studien, die über Misskonzepte und mangelnde Kompetenzen der Schüler Auskunft geben, stammen vor allem<br />
aus den angelsächsischen Ländern und Israel. Aber auch für Deutschland liegen mit den Ergebnissen zu<br />
einzelnen Items der PISA-2000-Studie (Artelt et al., 2001) und der TIMS-Studie (Baumert et al., 2000)<br />
Hinweise auf die Kompetenzen deutscher Schüler bezüglich dieser Anforderungen vor.<br />
105
Kapitel 6 – Erwerb der Steigung mit <strong>Kontrastierungen</strong><br />
Soll beispielsweise die Größe <strong>als</strong> das zentrale Merkmal eines Objektes oder einer Form erkannt<br />
werden, wäre diese gezielt zu kontrastieren, wie es im Beispiel von Garner ausgeführt wurde (siehe<br />
Abbildung 4-1). Für abstraktere Eigenschaften, wie beispielsweise die Möglichkeit <strong>zur</strong> Darstellung<br />
kontinuierlicher bzw. diskreter Variablen, oder um auf die Verknüpfungen von Merkmalen der<br />
Repräsentationsform und der inhaltlichen Interpretation (Beziehung zwischen dem Bezeichnenden und<br />
dem Bezeichnetem) hinzuweisen, ist die zielführende Kontrastierung nicht immer eindeutig ableitbar<br />
und offensichtlich, sondern muss aus der Struktur jeder einzelnen Repräsentation abgeleitet werden.<br />
Angewandt auf die Steigung eines linearen Graphen und ihre konzeptuellen Bedeutung <strong>als</strong> Rate der<br />
Veränderung stellt sich somit die Frage, welcher Art die durch eine gezielte Kontrastierung erzeugte<br />
Variation im Lernmaterial sein muss, damit die Beziehung zwischen der Steigung eines Graphen und<br />
ihrer inhaltlichen Interpretation <strong>als</strong> Rate der Veränderung herausgestellt und damit für den Lernenden<br />
wahrnehmbar werden. Welche Kontraste für den Erwerb eines umfassenden und transferierbaren<br />
Steigungsbegriffs förderlich sein könnten und welche Möglichkeiten und Einschränkungen für den<br />
Lernprozess mit ihnen verbunden sind, wurde bereits im Kapitel 4.5 ausführlich dargelegt. Eine<br />
Kontrastierung innerhalb der Repräsentationsform, bei der lediglich das Mapping der repräsentierten<br />
Größen auf die Koordinatenachsen vertauscht wird (struktureller Kontrast), sollte das Prinzip der<br />
Integration dieser beiden Größen in der Steigung besonders deutlich machen. Eine inhaltliche<br />
Kontrastierung dagegen bietet dem Lernenden zwar prinzipiell ebenfalls die Möglichkeit dieses<br />
Prinzip zu erschließen, die Beschaffenheit des Kontrastes birgt jedoch auch die Gefahr, eine unangemessene<br />
Interpretation der Steigung („steiler ist immer mehr“) zu verstärken, da keine Variation des<br />
Mappings vorgenommen wird. Allerdings sollte durch diesen Kontrast deutlicher werden, dass<br />
verschiedene inhaltliche Größen im Graphen repräsentiert werden können. Weiterhin scheint auch eine<br />
Kombination beider Variationen in einem kombinierten Kontrast sinnvoll, da eine zusätzliche<br />
Variation des Mappings die Einschränkungen des inhaltlichen Kontrastes aufheben und die Vorteile<br />
des strukturellen und des inhaltlichen Kontrasts vereinen könnte.<br />
Ziel dieser Arbeit ist es zu untersuchen, ob und durch welche Arten des Kontrasts ein vertieftes<br />
Verständnis des Steigungsbegriffs <strong>als</strong> eine Integration der an den Achsen abgetragenen Größen<br />
erworben werden kann. Die Probanden sollen durch ein kurzes Training erkennen, dass die Bedeutung<br />
der Steigung eines Graphen aus beiden Achsen-Variablen des Koordinatensystems konstruiert werden<br />
kann. Damit generalisierende Aussagen über die Wirksamkeit dieser drei <strong>Kontrastierungen</strong> möglich<br />
werden, wird für diese Studie das methodische Arrangement des Trainingsexperimentes gewählt. Mit<br />
Hilfe eines experimentellen Designs soll demnach untersucht werden, ob die spezifische Art beziehungsweise<br />
der angenommene Fokus einer Kontrastierung einen differenziellen Einfluss auf den<br />
Erwerb des Steigungsverständnisses hat. Dabei sollen insbesondere drei verschiedene Arten der<br />
Kontrastierung in ihrer Lernwirksamkeit untersucht werden, die im Folgenden dargestellt werden.<br />
106
6.2 Fragestellung und Hypothesen<br />
Kapitel 6 – Erwerb der Steigung mit <strong>Kontrastierungen</strong><br />
6.2.1 Ziel des Trainingsexperiments<br />
Die Wirksamkeit verschiedener Kontraste für den Erwerb eines abstrakten Begriffs soll mit Hilfe eines<br />
Trainingsexperimentes mit Fünftklässlern untersucht werden. Diese Frage soll, wie bereits ausgeführt,<br />
exemplarisch anhand der Steigung des Graphen einer linearen Funktion exploriert werden, da die<br />
Steigung ein zentrales Konzept der fortgeschrittenen Mathematik und des Umgangs mit graphischen<br />
Repräsentationsformen darstellt. Außerdem ist davon auszugehen, dass die Versuchsteilnehmer der<br />
gewählten Altersgruppe über wenig bzw. keine schulisch vermittelte Vorerfahrung in diesem Bereich<br />
verfügen, jedoch gleichzeitig die nötigen Voraussetzungen mitbringen, um ein grundlegendes<br />
Verständnis der Steigung zu erwerben. Die drei verschiedenen Kontraste, welche für den Erwerb des<br />
Steigungskonzeptes förderlich sein können, werden mit einer weiteren Aufgabensequenz verglichen,<br />
die zwar dieselben Aufgaben wie die Kontrasttrainings beinhalten, jedoch ohne eine sinnvolle<br />
Kontrastierung. Für die Gestaltung dieses Kontrolltrainings wurde dabei gezielt ein Ansatz gewählt,<br />
der einem im schulischen Alltag häufig vorkommt und im Anwenden des Gelernten auf andere Zahlen<br />
und Zahlenbereiche besteht. Bei den drei untersuchten Formen der Kontrastierung handelt es sich um<br />
die bereits dargestellten Kontraste: eine strukturelle Kontrastierung, eine inhaltliche Kontrastierung<br />
und eine kombinierte Kontrastierung.<br />
6.2.2 Fragestellung 1: Allgemeiner Effekt des Trainings<br />
Zunächst versucht die vorliegende Arbeit zu klären, ob Kinder am Übergang von der Grundschule <strong>zur</strong><br />
Mittelstufe durch ein 4-stündiges Training überhaupt ein grundlegendes Verständnis der Steigung des<br />
Graphen einer linearen Funktion, <strong>als</strong>o eines relativ abstrakten Konzeptes, erwerben können.<br />
Da für diese Untersuchung ein Messwiederholungsdesign gewählt wird (siehe Kapitel 7.2), kann auf<br />
der Basis einer einfachen Vortest-Nachtest-Messung der einzelnen Trainingsgruppen nicht differenziert<br />
werden, ob ein beobachteter Lerngewinn auf das Training oder aber auf die wiederholte<br />
Bearbeitung der Tests <strong>zur</strong>ückzuführen ist. Zur Klärung dieser Fragestellung wird daher eine untrainierte<br />
Baseline-Gruppe hinzugezogen, deren Versuchsteilnehmer die eingesetzten Tests zweimalig<br />
bearbeiten, jedoch kein Training erhalten.<br />
Mittels geplanter Kontraste jeder Trainingsbedingung mit dieser Baseline-Gruppe soll überprüft<br />
werden, ob ein beobachteter Lerngewinn der Trainingsgruppen auf die Wiederholung des Tests oder<br />
aber auf die Teilnahme am Training <strong>zur</strong>ückzuführen ist. Insbesondere der Vergleich der Kontrollbedingung<br />
ohne Kontrast mit der Baseline-Gruppe kann hier Aufklärung bringen, da für diese Bedingung<br />
angenommen wird, dass sie unter den vier Trainingsbedingungen, die am wenigsten förderliche<br />
ist. Generell wird erwartet, dass sich der Lerngewinn der vier experimentellen Bedingungen auf einem<br />
Nahtransfertest, der dem Training ähnliche Aufgaben im Trainingskontext enthält, deutlich von dem<br />
der Baseline-Gruppe unterscheidet. Weiterhin sollte für die Trainingsgruppen ein Rückgang in der<br />
107
Kapitel 6 – Erwerb der Steigung mit <strong>Kontrastierungen</strong><br />
Anzahl der Misskonzeptantworten zu beobachten sein, während für die Baseline-Gruppe keine<br />
Veränderung in der Häufigkeit dieser Fehlvorstellungen erwartet wird.<br />
6.2.3 Fragestellung 2: Effekt der Kontrastierung<br />
Weiterhin wird die Frage untersucht, ob sich eine gezielte Kontrastierung im Vergleich zu einem<br />
übenden Wiederholen ohne einen Kontrast positiv auf den Lerngewinn und das erworbene Verständnis<br />
der Steigung auswirkt.<br />
Für Aufgaben im Kontext des Trainings, die keine über die im Training erworbenen Fertigkeiten<br />
hinausgehenden Anforderungen stellen (Nahtransfer), wird kein Unterschied in den Leistungen der<br />
vier Trainingsbedingungen angenommen. Der Effekt einer Kontrastierung sollte sich vor allem in<br />
einer besseren Transferierbarkeit des erworbenen Wissens auf neue, unbekannte Inhaltsbereiche<br />
(Ferntransfer) im Vergleich <strong>zur</strong> wiederholenden Übung zeigen. Durch einen Vergleich der einzelnen<br />
Kontrastbedingungen mit der Kontrollgruppe wird die Wirksamkeit der <strong>Kontrastierungen</strong> konservativ<br />
getestet, da der Lerneffekt jeder einzelnen Kontrastierung mit dem Lerneffekt in einer weiteren<br />
sinnvollen, wenn auch nicht optimalen Form des Lernens in Beziehung gesetzt wird. Die Lernzeit <strong>als</strong><br />
ein wichtiges Kriterium für den Lernerfolg wird damit sowohl in den drei experimentellen Kontrastgruppen<br />
<strong>als</strong> auch in der Kontrollgruppe konstant gehalten. Es wird angenommen, dass die Versuchsteilnehmer<br />
aller drei Kontrastbedingungen eine höhere Transferleistung auf neue Inhalte zeigen<br />
<strong>als</strong> die Teilnehmer der Kontrollgruppe.<br />
6.2.4 Fragestellung 3: Effekt der speziellen Kontrastierung<br />
Im Zentrum dieser Arbeit steht die Wirksamkeit bzw. das Lernpotenzial der unterschiedlichen<br />
Kontraste. Es soll untersucht werden, wie sich ein struktureller, inhaltlicher und ein aus beiden<br />
Variationen kombinierter Kontrast auf das Verständnis der Steigung eines Graphen auswirkt. Wie im<br />
vorangegangenen Abschnitt dargelegt, wird angenommen, dass eine strukturelle Kontrastierung eine<br />
tiefere Einsicht in die funktionalen Merkmale des Graphen ermöglicht <strong>als</strong> die beiden anderen Formen<br />
des Kontrasts. Diese Kontrastbedingung sollte daher ein tieferes Verständnis der Steigung fördern und<br />
gleichzeitig nicht wie die inhaltliche Kontrastgruppe die Gefahr bergen, dass die Lernenden ein in der<br />
gegebenen Lernsituation zwar angemessenes, aber oberflächliches Wissen generieren. Der Vorteil der<br />
strukturellen Kontrastierung sollte sich vor allem bei Aufgaben zeigen, in denen das erworbene<br />
Wissen flexibel auf eine strukturell veränderte Situation angewandt werden muss, d. h. bei denen<br />
Oberflächenstrategien nicht mehr <strong>zur</strong> Lösung der Aufgabe führen. Obwohl mit der kombinierten<br />
Kontrastierung eine ähnliche Variation wie in der strukturellen Kontrastierung geschaffen wird, ist<br />
davon auszugehen, dass die Kombination von zwei Variationen (repräsentierter Inhalt und Mapping<br />
der Variablen auf die Achsen) bei dem größten Teil der Teilnehmer nicht zu einem bedeutsamen<br />
Lernfortschritt führt, jedoch für Kinder mit einem weit fortgeschrittenen Verständnis ein hohes<br />
Lernpotenzial besitzt.<br />
108
Kapitel 7 – Methode<br />
7. Methode<br />
7.1 Methodische Vorüberlegungen<br />
7.1.1 Wahl der Altersgruppe<br />
Als Zielgruppe für diese Studie wurden Schüler der fünften Klassenstufe gewählt (ca. elf Jahre alt), da<br />
diese für den Erwerb des Steigungskonzeptes besonders günstige Voraussetzungen mitbringen, welche<br />
im Folgenden erläutert werden.<br />
Zum einen haben Schüler dieser Altersgruppe bereits in der Schule eine systematische Instruktion zum<br />
Koordinatensystem erhalten, im Zuge derer sie Wertepaare im zweidimensionalen Koordinatensystem<br />
abgetragen, jedoch noch keine Graphen bzw. Funktionen gezeichnet oder proportionale Strukturen<br />
untersucht haben. Letzteres steht erst Ende der sechsten Jahrgangsstufe auf dem Lehrplan für Berliner<br />
Grundschulen. Dieses Vorgehen ist unter der Perspektive eines anforderungsreichen Unterrichts zu<br />
kritisieren, da Schüler dieser Altersgruppe bereits wichtige Voraussetzungen für ein Verständnis der<br />
im Graphen einer linearen Funktion repräsentierten proportionalen Struktur mitbringen.<br />
Studien <strong>zur</strong> Entwicklung des Proportionalen Denkens (z. B. Noelting, 1980) weisen darauf hin, dass<br />
zwar nicht alle Proportionalitätsaufgaben von 11-Jährigen erfolgreich gelöst werden, den Kindern<br />
jedoch bereits bewusst ist, dass <strong>zur</strong> Lösung von Proportionalitätsaufgaben beide Variablen eines<br />
Verhältnisses in die Betrachtung mit einbezogen werden müssen. Schüler dieser Altersstufe zentrieren<br />
demnach nicht, wie jüngere Grundschulkinder, auf nur eine der Variablen. Außerdem ist ihnen<br />
bekannt, dass bei gleicher Ausprägung einer Variable anhand der Unterschiede in der zweiten Variable<br />
eine korrekte Lösung solcher Proportionalitätsaufgaben abgeleitet werden kann (Siegler & Vago,<br />
1978).<br />
Obwohl die mathematischen Strukturen <strong>als</strong>o richtig erfasst werden, fehlen dieser Altersgruppe noch<br />
die angemessenen mathematischen Lösungswege wie das Bruchrechnen oder das Ausmultiplizieren<br />
von Brüchen, um für schwierige Verhältnisse (wie beispielsweise 5 zu 8 und 3 zu 5) eine solche<br />
günstige Vergleichssituation mit einem Unterschied auf nur einer Variablen des Verhältnisses<br />
herzustellen. Stattdessen wird häufig die f<strong>als</strong>che Lösungsstrategie angewandt anstatt zu multiplizieren,<br />
zwischen den einzelnen Verhältnissen, sowohl innerhalb <strong>als</strong> auch zwischen den Verhältnissen selbst,<br />
zu addieren oder zu subtrahieren. Diese unangemessene Lösungsstrategie, das Additive Misskonzept,<br />
ist vor allem bei Viertklässlern noch stark ausgeprägt, während sich Fünftklässler zunehmend der<br />
Unangemessenheit dieser Lösungsstrategie bewusst werden (Koerber & Stern, 1999).<br />
Wie eine Studie von Koerber (2003) zeigte, kann der Graph einer linearen Funktion die Unangemessenheit<br />
dieser Strategie wahrnehmbar machen und die Entwicklung der richtigen Lösungsstrategien<br />
durch die Kinder selbst fördern, in dem er die multiplikativen Strukturen innerhalb und zwischen den<br />
Verhältnissen veranschaulicht und der Beobachtung zugänglich macht. In dieser Untersuchung<br />
109
Kapitel 7 – Methode<br />
erkannten bereits Viertklässler, dass anhand der Steigung zweier Graphen Verhältnisse unterschiedlicher<br />
Größenordnung einfach miteinander verglichen werden können, auch wenn die <strong>zur</strong> quantitativen<br />
Lösung notwendigen mathematischen Prozeduren noch nicht verstanden werden.<br />
In dieser Studie soll der Graph einer linearen Funktion jedoch die Möglichkeit einer Annäherungslösung<br />
für den Vergleich dieser schwierigen Proportionen bieten, in dem durch Verlängern oder<br />
Verkürzen des Graphen, die numerischen Verhältnisse auf einen gemeinsamen Nenner bzw. Zähler<br />
gebracht werden. Der Graph kann somit durch die Kinder <strong>als</strong> ein nützliches Werkzeug für die Lösung<br />
von schwierigen Proportionalitätsaufgaben erfahren werden und nicht nur <strong>als</strong> reine Illustration von<br />
gegebenen Zahlen oder Verhältnissen.<br />
Insbesondere die Interpretation der Steigung eines Graphen, einem Merkmal des Graphen, welchem<br />
spontan nur wenig Aufmerksamkeit geschenkt wird, kann in diesem Lösungskontext <strong>als</strong> besonders<br />
sinnvoll und nützlich erfahren werden. Aus den Arbeiten zum Konzeptwechsel (Posner, Strike,<br />
Hewson, & Gertzog, 1982) ist bekannt, dass neben der Verständlichkeit und der Unzufriedenheit mit<br />
bisherigen Ansätzen auch die Nützlichkeit eines neuen Konzeptes wichtig für die Akzeptanz durch<br />
den Lernenden ist. So haben eigene Vorstudien gezeigt, dass bereits Sechstklässler, die in der Lage<br />
sind, schwierige Proportionalitätsaufgaben mit Hilfe mathematischer Lösungsstrategien zu lösen, den<br />
Graphen <strong>als</strong> weniger wertvoll begreifen, und der Steigung des Graphen <strong>als</strong> Hilfsmittel <strong>zur</strong> Modellierung<br />
von mathematischen Problemen weniger Aufmerksamkeit schenken. Da für diese Untersuchung<br />
jedoch die Repräsentationsfunktion des Graphen sowie das Mapping der Merkmale auf inhaltliche<br />
Bezüge im Vordergrund steht, ist es zentral eine Trainingssituation zu schaffen, welche ein Verständnis<br />
des Graphen <strong>als</strong> Repräsentations- und Lösungswerkzeug unterstützt.<br />
7.1.2 Wahl der Trainingsinhalte<br />
Das Training gliederte sich für jede Bedingung in zwei Teile - in einen ersten für alle Trainingsgruppen<br />
identischen Basisteil und in einen je nach Bedingung variierenden Kontrastteil, in dem die bereits<br />
beschriebenen Variationen bezüglich des repräsentierten Inhaltes oder der Anwendung des Graphen<br />
implementiert wurden. Für das Basistraining wurde <strong>als</strong> Trainingsinhalt Geschwindigkeit und für das<br />
Kontrasttraining der inhaltlichen und kombinierten Kontrastgruppe ein zweiter Inhalt in einem<br />
Verkaufskontext gewählt. Beide Inhalte sind Fünftklässlern aus ihrem Alltag gut bekannt, wobei sie<br />
exakte Berechnung der Geschwindigkeit aus dem Quotienten von Weg und Zeit jedoch noch nicht<br />
beherrschen 23 .<br />
Wie die Studien von Wilkening (1982) zum Verständnis der Beziehungen zwischen Zeit, Weg und<br />
Geschwindigkeit zeigen, sind die qualitativen proportionalen Strukturen in der Domäne Geschwindig-<br />
23 Im Rahmenlehrplan des vorfachlichen Unterrichts für die Grundschule stellt die Mechanik bzw. die Bewegung<br />
kein Themenfeld dar (Senatsverwaltung für Schule Jugend und Sport, 2004b). Die korrekte Definition sowie<br />
Formel <strong>zur</strong> Berechnung der Geschwindigkeit wird nach dem gültigen Rahmenlehrplan für das Fach Physik<br />
sogar erst im ersten Halbjahr der 9. Klasse thematisiert (Senatsverwaltung für Schule Jugend und Sport,<br />
2004a).<br />
110
Kapitel 7 – Methode<br />
keit ebenfalls gut bekannt, auch wenn konkrete quantitative Aufgaben zum Teil noch nach dem<br />
Additiven Misskonzept gelöst werden. So wissen bereits 10-Jährige, dass sich bei einer Reduktion der<br />
Geschwindigkeit die für eine konstante Wegstrecke benötigte Zeit erhöht. Ähnliche Kompetenzen<br />
können für den zweiten eingesetzten Inhalt „Verkauf“ angenommen werden, da Kinder auch außerschulisch<br />
mit den Konzepten dieses Themenfeldes häufig konfrontiert werden.<br />
Einen weiteren Grund für die Wahl des Inhaltes Geschwindigkeit stellen seine inhaltlichen Charakteristika<br />
dar. Geschwindigkeit stellt eine intensive Größe dar. Sie setzt sich aus den Größen Weg und<br />
Zeit zusammen, bildet dabei eine neue eigenständige und phänomenologisch beobachtbare Größe, die<br />
isoliert von den konstituierenden Größen betrachtet werden kann. Wilkening (1982) führen diese<br />
Eigenschaft von Geschwindigkeit <strong>als</strong> Erklärung dafür an, dass in dieser Domäne bereits relativ früh<br />
proportionale Beziehungen auf qualitativer Ebene verstanden werden. Sie argumentieren, dass<br />
Geschwindigkeit von sich bewegenden Objekten über die Augenbewegung bei deren Beobachtung<br />
inkorporiert und mental repräsentiert wird. Auf der Basis dieser Information können Kinder zu einer<br />
Aussage über das qualitative Verhältnis von zwei Geschwindigkeiten kommen, anstatt es über das<br />
proportionale Verhältnis der beiden Größen Weg und Zeit errechnen zu müssen.<br />
Im Gegensatz dazu muss <strong>zur</strong> Beschreibung von extensiven Größen immer auf ein Verhältnis zwischen<br />
zwei Variablen bzw. einen Anteil von einer der beiden konstituierenden Variablen an der zweiten<br />
Variable referiert werden, so dass keine eigenständige neue Größe entsteht. So kann beispielsweise <strong>zur</strong><br />
Beschreibung von Mischungen aus Orangen- und Zitronensaft entweder auf Orangensaft („die<br />
Mischung schmeckt orangiger“) oder aber auf Zitronensaft („die Mischung schmeckt zitroniger“)<br />
Bezug genommen werden. In einem solchem Kontext ist es jedoch nicht zwingend notwendig, für den<br />
Vergleich beider Verhältnisse auf die Steigung des Graphen zu achten. Auch die relative Nähe eines<br />
Graphen zu einer der beiden Achsen kann <strong>als</strong> Entscheidungskriterium für die relative Zusammensetzung<br />
einer Mischung herangezogen werden. So schmeckt eine Mischung, deren Graph näher an der<br />
Orangensaft-Achse liegt orangiger, während die andere Mischung weniger dicht daran liegt und somit<br />
weniger orangig, dafür aber zitroniger schmeckt (da sie wiederum näher an der Zitronensaft-Achse<br />
liegt). In diesem Fall bleibt die Dimension Steigung <strong>als</strong> Referent für die integrierende Größe Mischungsverhältnis<br />
jedoch unerschlossen und ohne Bedeutung, da bereits ein anderes visuelles<br />
Merkmal des Graphen <strong>zur</strong> richtigen Lösung führt. Bei rein proportionalen Verhältnissen (ohne<br />
Achsenabschnitt) führt diese Strategie der Interpretation immer zum Erfolg, während sie bei Beziehungen<br />
mit Achsenabschnitt (modellierbar durch y = ax + b mit b ≠ 0) jedoch versagt. Für den Inhalt<br />
Geschwindigkeit ist eine solche Interpretation des Graphen anhand der Nähe zu den Koordinatenachsen<br />
weniger nahe liegend, da es sich um eine eigenständige Größe handelt. Es kann vermutet werden,<br />
dass diese unzulängliche Strategie von den Kindern im Inhaltsbereich Geschwindigkeit nicht<br />
entwickelt und stattdessen die Steigung <strong>zur</strong> Entscheidung herangezogen wird.<br />
Als zweiter Trainingsinhalt wurde daher ein quasi-intensiver Inhalt gewählt. Zum einen gibt es sehr<br />
wenige intensive Größen, die von Kindern dieser Altersgruppe ohne physikalisches Vorwissen<br />
111
Kapitel 7 – Methode<br />
verstanden werden. So sind die Konzepte Dichte und Druck ohne eine gewisse physikalische<br />
Vorbildung nicht verständlich. Zum anderen soll der zweite Inhalt nach der Definition für einen<br />
Kontrast einen neuen Blickwinkel auf das Merkmal Steigung erlauben. Dies ist bei quasi-intensiven<br />
Größen stärker gegeben <strong>als</strong> bei einer weiteren intensiven Größe, da durch die Integration der Achsenvariablen<br />
in der Steigung zwar eine neue Variable gebildet wird, deren Zusammensetzung bzw.<br />
Abhängigkeit von den Einzelgrößen jedoch deutlicher <strong>als</strong> bei intensiven Größen zu erkennen ist und in<br />
der Regel bereits aus der Bezeichnung der neuen integrierten Variable erschlossen werden kann (z. B.<br />
Literpreis <strong>als</strong> Preis pro Liter).<br />
Die Auswahl des zweiten hier verwendeten Inhalts „Verkauf von Getränken“ genügt zudem den<br />
Anforderungen, dass dieser für die Versuchsteilnehmer ebenfalls gut verständlich ist, indem er an ihr<br />
Alltagswissen anknüpft. Zudem stellt dieser Inhalt ebenso wie Geschwindigkeit eine kontinuierliche<br />
Größe dar, für welche die Integration beider Ausgangsgrößen in einer neuen Größe schwierig ist und<br />
nicht spontan erfolgt, wie beispielsweise beim Stückpreis. Somit können die beiden Inhalte <strong>als</strong><br />
vergleichbar schwierig angesehen werden, und das Darstellen der Verhältnisse durch einen kontinuierlichen<br />
Graphen ist in beiden Fällen plausibel und mathematisch korrekt.<br />
Ferner spricht für die Wahl einer quasi-intensiven an Stelle einer extensiven Größe, dass die Richtung<br />
der Interpretation der Steigung durch den Kontext eindeutig vorgegeben werden kann und nicht wie<br />
bei extensiven Größen beide Interpretationsrichtungen äquivalent sind. Während die Bezeichnungen<br />
„orangiger“ und „zitroniger“ jeweils ein Mischungsverhältnis bezeichnen, können mit den Bezeichnungen<br />
„Euro pro Liter“ und „Liter pro Euro“ verschiedene Konzepte (Literpreis und Kaufkraft)<br />
benannt werden. Somit besteht für die Kinder die Möglichkeit, auch bei einem inhaltlichen Kontrast<br />
die Richtung des Steigungsmappings <strong>als</strong> nicht willkürlich festgelegt, sondern <strong>als</strong> ein wichtiges<br />
Merkmal des Graphen zu entdecken, auch wenn dies durch die gleichsinnige Interpretation beider<br />
Inhalte aufgrund des konventionellen Mappings erschwert sein sollte. Es kann <strong>als</strong>o davon ausgegangen<br />
werden, dass der zweite gewählte Inhalt das Verständnis der Steigung tatsächlich erweitert und<br />
nicht durch andere Möglichkeiten der Interpretation einschränkt, wie es für den Einsatz von extensiven<br />
Größen anzunehmen ist.<br />
7.1.3 Wahl der abhängigen Variablen<br />
Eigene Vorstudien haben gezeigt, dass sich ein Verständnis der Steigung des Graphen einer linearen<br />
Funktion nicht durch ein stereotypes Item beziehungsweise eine bestimmte Aufgabe erfassen lässt.<br />
Stattdessen ist die Lösung eines Items stark von den situativen Komponenten abhängig, wie dem<br />
Kontext der Aufgabe, der Lage der zu interpretierenden Graphen im Koordinatensystem und zueinander,<br />
der konkreten Merkm<strong>als</strong>ausprägungen des Graphen wie z. B. Länge und Höhe und nicht zuletzt<br />
der Art der Fragestellung.<br />
112
Kapitel 7 – Methode<br />
(a)<br />
(b)<br />
A<br />
Konzept Y<br />
B<br />
Konzept Y<br />
A<br />
B<br />
Konzept X<br />
Konzept X<br />
Abbildung 7-1: In Bezug auf Steigung des Graphen eindeutig interpretierbare Graphenkonstellation (rechts) und<br />
nicht-eindeutige Konstellation (links.)<br />
Des Weiteren sind die vier visuellen Merkmale eines Graphen (Länge, Steigung, Höhe auf Y-Achse<br />
und Weite auf X-Achse), die potenziell mit einer konzeptuellen Variable assoziiert werden können, in<br />
vielen Fällen miteinander konfundiert, so dass die Konstellation der zu interpretierenden Graphen<br />
genau definiert werden muss, damit zweifelsfrei korrekte von f<strong>als</strong>chen Antworten unterschieden<br />
werden können. Abbildung 7-1 verdeutlicht diese Problematik.<br />
Wird zu der linken Abbildung (a) nach einer bestimmten Ausprägung des zusammengesetzten<br />
Konzeptes Y pro X gefragt, kann die Wahl des Graphen A sowohl durch eine richtige Strategie <strong>als</strong><br />
auch durch eine f<strong>als</strong>che Strategie zustande kommen. In diesem Fall ist die Ausprägung der Y-Variable<br />
(die Höhe des Graphen) mit der Ausprägung der zusammengesetzten Variable (der Steigung)<br />
konfundiert. Bei Abbildung (b) dagegen kann bei der Wahl der Antwortalternative „Graph A“ davon<br />
ausgegangen werden, dass auf die Steigung des Graphen und nicht auf die Ausprägung der Y- bzw.<br />
der X-Achse (Höhe und Weite des Graphen) Bezug genommen wurde. Wird jedoch nach der<br />
Ausprägung eines zusammengesetzten Konzeptes X pro Y im Sinne einer umgekehrten Mappingrichtung<br />
gefragt, liefert auch diese Abbildung keine eindeutige Trennung richtiger von f<strong>als</strong>chen Ablesestrategien.<br />
Außerdem kann davon ausgegangen werden, dass sich ein entwickelndes Verständnis der Steigung auf<br />
verschiedenen Ebenen der mentalen Repräsentation unterschiedlich gut messen lässt. Nach der<br />
Theorie der Ebenen der Repräsentation von Wissen und deren Entwicklung von Karmilloff-Smith<br />
(1992) kann angenommen werden, dass ein frühes Verständnis eines Konzepts zunächst implizit<br />
repräsentiert ist, und handlungsleitend wirksam werden kann, aber dem sprachlichem Ausdruck noch<br />
nicht zugänglich ist. Dieses frühe Level des Verständnisses sollte sich vor allem durch Multiple-<br />
Choice-Aufgaben gut abbilden lassen, da hier eine Umsetzung des erworbenen Wissens in einen<br />
sprachlichen Code für die Aufgabenlösung nicht notwendig ist, sondern der Proband sich auf seine<br />
Intuition verlassen kann. Auch die Arbeit von Berg und Smith zum Auftreten von Misskonzepten bei<br />
der Interpretation von Graphen mit unterschiedlichen Antwortformaten zeigt, dass es beim Einsatz von<br />
113
Kapitel 7 – Methode<br />
Aufgaben im Multiple-Choice- bzw. im offenen Antwortformat zu deutlichen Unterschieden in der<br />
Bewertung der Antworten kommen kann (Berg & Smith, 1994).<br />
Konzeptuelles Wissen und Oberflächenstrategien lassen sich <strong>als</strong>o mit Hilfe von Multiple-Choice-<br />
Aufgaben nicht immer eindeutig voneinander unterscheiden. Um jedoch ein tiefes Verständnis der<br />
Steigung von einem Oberflächenwissen sowie unangemessenen Bearbeitungsstrategien unterscheiden<br />
zu können, wurden sowohl Variationen der Multiple-Choice-Aufgaben <strong>als</strong> auch ein weiteres offenes<br />
Aufgabenformat eingesetzt.<br />
7.1.3.1 Variation von Multiple-Choice-Fragen<br />
Beim Einsatz von Multiple-Choice-Fragen ist die Schwierigkeit der Items in besonderem Maße von<br />
der Auswahl der Distraktoren abhängig. Nur durch eine geeignete Wahl der Distraktoren kann<br />
sichergestellt werden, dass eine nach formalen Kriterien korrekte Antwort auch ein guter Indikator für<br />
den Wissensstand einer Person ist, wie im vorangegangenen Abschnitt für die Steigung eines Graphen<br />
gezeigt wurde.<br />
In dieser Arbeit steht im Mittelpunkt, welche Art der Instruktion zu einem flexibel anwendbaren<br />
Wissen bezüglich der Steigung eines Graphen führt: Welche Art der Kontrastierung ermöglicht es,<br />
dass die Steigung <strong>als</strong> eine Integration der Achsenvariablen verstanden wird? Um zu testen, ob bei der<br />
Interpretation von Graphen tatsächlich auf die Steigungen und die Achsenvariablen geachtet wurde<br />
oder ob eine Antwort eher durch im Training erworbene Oberflächenstrategien (wie beispielsweise<br />
„steiler zeigt immer mehr“) zustande kommt, werden bei Interpretationsaufgaben im Multiple-Choice-<br />
Format Graphiken mit konventionellem und nicht-konventionellem Mapping eingesetzt.<br />
Durch eine Gegenüberstellung der Lösungsraten für beide Arten des Mappings der Variablen auf die<br />
beiden Achsen des Koordinatensystems kann abgeschätzt werden, ob bei der Beantwortung der Fragen<br />
jeweils auf die Achsenbeschriftung geachtet und die Bedeutung der Steigung von den Achsen her<br />
erschlossen wurde. Hat eine Versuchsperson diese Aufgaben mit Hilfe der Heuristik „steiler ist immer<br />
mehr“ beantwortet, sollte sie eine hohe Punktzahl bei Interpretationsaufgaben mit konventionellen<br />
Steigungsmappings erzielen, während ihre Lösungsrate bei den nicht-konventionellen Mappings gegen<br />
Null gehen sollte. Eine weitere Person dagegen, die auf die Achsenbeschriftungen achtet und sich die<br />
Bedeutung der Steigung von diesen herleitet, sollte bei beiden Arten des Mappings eine hohe<br />
Punktzahl erreichen können. Durch diese zusätzliche Variation der Mappingrichtung kann somit ein<br />
Hinweis erhalten werden, ob ein hoher Punktwert tatsächlich darauf schließen lässt, dass die Bedeutung<br />
der Steigung unter Beachtung der Achsenvariablen erschlossen oder eher durch eine oberflächliche<br />
Bearbeitung der Aufgaben erreicht wurde.<br />
114
Kapitel 7 – Methode<br />
7.1.3.2 Offene Fragen<br />
Zwei weitere Aufgabenformate sollen eingesetzt werden, die jeweils höhere Anforderungen an das<br />
erworbene Verständnis und die Repräsentation des Wissens stellen: erstens das Erschließen von neuen<br />
Interpretationen für die Steigung aus den beiden Achsen des Koordinatensystems ohne vorgegebene<br />
Antwortalternativen und zweitens das Erklären von vorgegebenen Mappings für neue Inhaltsbereiche.<br />
Bei diesen beiden Aufgabentypen im offenen Antwortformat stellt die Aufgabe im Gegensatz zum<br />
Multiple-Choice-Format keine Hilfen oder Anhaltspunkte für die Lösung <strong>zur</strong> Verfügung. Stattdessen<br />
muss der Interpretierende neue Bedeutungen konstruieren und diese zugleich verbalisieren können - er<br />
kann sich nicht auf sein Gefühl oder andere Lösungsstrategien verlassen. Dies setzt jedoch voraus,<br />
dass das erworbene Wissen auch dem sprachlichen Ausdruck zugänglich, <strong>als</strong>o auf einem höheren<br />
Abstraktionsniveau in expliziter Form nach Karmilloff-Smith repräsentiert ist.<br />
Weiterhin ist anzunehmen, dass Aufgaben <strong>zur</strong> Interpretation von Graphen von den Kindern auf<br />
unterschiedliche Weise gelöst werden. Durch Aufgaben dieses Formats sollen die Strategien, welche<br />
ihnen dabei <strong>zur</strong> Verfügung stehen, erfasst werden. So könnten beispielsweise Hinweise dahingehend<br />
erhalten werden, ob die Bedeutung der Steigung über die Anwendung des Prinzips „Y pro X“<br />
abgeleitet wurde und ob das Steigungsdreieck oder eine andere Strategie des Erschließens, wie<br />
beispielsweise das Gleichhalten der unabhängigen Variable, angewandt wurden. Dies ist insofern von<br />
Bedeutung, da im Training das Steigungsdreieck <strong>zur</strong> Erklärung des Steigungsmappings genutzt wird,<br />
das Prinzip „Y pro X“ dagegen lediglich von den Kindern selbst erschlossen werden kann. Aufbauend<br />
auf der unterschiedlichen Komplexität der verschiedenen Kontrastbedingungen wurde argumentiert,<br />
dass bezüglich der Verankerung dieser Strategien im Wissen der Kinder Unterschiede zwischen den<br />
einzelnen Kontrastbedingungen erwartet werden können.<br />
Da Aufgaben im offenen Antwortformat sehr anspruchsvoll sind und nicht erwartet werden kann, dass<br />
die Versuchsteilnehmer bereits im Vortest gute Erklärungen für Beziehungen zwischen der Steigung<br />
und einer vorgegebenen Variablen geben können, werden diese Aufgaben nur im Nachtest präsentiert.<br />
Eine Bearbeitung der Aufgaben bereits im Vortest hätte zudem den Nachteil, dass durch eine<br />
Beschäftigung mit diesen Aufgaben bereits Erwartungen bezüglich der Bedeutung der Steigung<br />
induziert werden, die mit der Wirkung der einzelnen Treatments interagieren könnten.<br />
Eine weitere Aufgabe im offenen Antwortformat, zu deren korrekter Lösung Oberflächenstrategien<br />
nicht erfolgreich sein sollten, bestand darin, für den Graphen mit konventionellem und nichtkonventionellem<br />
Mapping in einem Transferkontext jeweils die konkreten Steigungswerte zu<br />
bestimmen. Dieser Aufgabentyp kann insbesondere darüber Auskunft geben, wie gut die im Training<br />
genutzte Strategie <strong>zur</strong> Erschließung der Steigungsbedeutung, das Steigungsdreieck, verstanden wurde<br />
und wie flexibel diese nach dem Training eingesetzt werden kann.<br />
115
Kapitel 7 – Methode<br />
7.2 Design der experimentellen Studie<br />
Die bereits beschriebenen Variationen in der Lernumgebung durch die verschiedenen Kontraste lassen<br />
sich in einem 2 x 2-Design darstellen. Der erste Faktor Art des Mappings hat die Ausprägungen<br />
„konventionelle Mappingrichtung“ bei einer Übereinstimmung der Achsenbeschriftung mit der<br />
Konvention und der Ausprägung „nicht-konventionelle Mappingrichtung“ bei einer Beschriftung<br />
entgegen der Konvention. Der zweite Faktor Anzahl der repräsentierten Inhalte setzt sich in die<br />
Ausprägungen „ein repräsentierter Inhalt“ und „zwei repräsentierte Inhalte“ zusammen (siehe Tabelle<br />
7-1).<br />
Tabelle 7-1: Im Trainingsexperiment realisierte Variationen der Lernumgebung in Bezug zu den einzelnen<br />
Trainingsbedingungen.<br />
Art des Mappings<br />
Konventionelle<br />
Mappingrichtung<br />
Nicht-konventionelle<br />
Mappingrichtung<br />
Anzahl der<br />
Inhalte<br />
Gleicher Inhalt<br />
(nur Geschwindigkeit)<br />
Unterschiedliche Inhalte<br />
(Geschwindigkeit & Verkauf)<br />
Kein Kontrast<br />
(Kontrollbedingung)<br />
Inhaltlicher Kontrast<br />
Struktureller Kontrast<br />
Kombinierter Kontrast<br />
Damit generalisierende Aussagen über die Wirksamkeit dieser drei <strong>Kontrastierungen</strong> möglich werden,<br />
wurde für diese Studie das methodische Arrangement des Trainingsexperimentes gewählt. Für den<br />
Erwerb von Wissen über die Steigung wird in einer experimentellen Trainingsstudie mit zwei<br />
Sitzungen à drei Stunden untersucht. Dieses Training untergliederte sich in einen für alle Bedingungen<br />
identischen Basisteil und einen je nach Kontrastbedingung individuellen Kontrastteil. Um festzustellen,<br />
ob <strong>Kontrastierungen</strong> überhaupt einen Vorteil gegenüber einer Wiederholung von Aufgaben mit<br />
lediglich anderem Zahlenmaterial bieten, wird eine Kontrollgruppe untersucht, die ohne einen<br />
Kontrast lernt. Die Versuchsteilnehmer dieser Kontrollbedingung arbeiten lediglich mit einem Inhalt<br />
(Geschwindigkeit) und mit dem konventionellen, der Konvention entsprechenden Mapping. Um die<br />
Zeit der Instruktion sowie die Art und Sequenz der Aufgaben über alle Bedingungen konstant zu<br />
halten, werden in der Kontrollgruppe dieselben Aufgaben wie in den Kontrastgruppen bearbeitet,<br />
wobei jedoch mit Zahlen aus einem anderem Zahlenbereich gelernt wird. Somit kann dem Einwand<br />
begegnet werden, dass diese Gruppe einer weniger sinnvollen und in sich weniger stimmigeren<br />
Lernumgebung ausgesetzt ist <strong>als</strong> die drei Experimentalgruppen (siehe Kritik von Hager & Hasselhorn,<br />
1998). Außerdem kann einem negativen Transfer aufgrund von Langeweile oder Unterforderung der<br />
Kinder entgegengewirkt sowie die Zeit des Lernens annähernd konstant gehalten werden (eine<br />
detaillierte Beschreibung des Trainings im Hinblick auf die Sequenzierung der Aufgaben und der<br />
Variationen in den einzelnen Bedingungen wird im Kapitel 7.6 gegeben).<br />
116
Kapitel 7 – Methode<br />
Die strukturelle Kontrastgruppe arbeitet ausschließlich mit dem Inhalt Geschwindigkeit, wobei im<br />
Kontrastteil jedoch die Beschriftung der Achsen vertauscht wird. Die inhaltliche Kontrastgruppe<br />
bearbeitet neben dem Inhalt Geschwindigkeit auch den Inhalt Verkauf, die Achsenbeschriftungen<br />
werden ausschließlich gemäß der Konvention vorgenommen, während für die kombinierte Kontrastgruppe<br />
die Beschriftung für den Inhalt Verkauf entgegen der Konvention erfolgt.<br />
Obwohl sich die vier Treatmentbedingungen in einem 2 x 2-Design darstellen lassen, wurde aus<br />
folgenden Gründen für die statistische Auswertung ein 4-Gruppen-Design an Stelle eines 2 x 2-<br />
Faktorendesigns (wie es durch Tabelle 7-1 nahe gelegt wird) gewählt. Obgleich formal ohne Einschränkungen<br />
zu realisieren, ist es inhaltlich nicht sinnvoll, jeweils die Haupteffekte für die beiden<br />
Faktoren Anzahl der Inhalte und Art des Mappings zu interpretieren, da hierbei Unterschiede<br />
zwischen den beiden Ausprägungen eines Faktors betrachtet werden würden, welche durch Mittelung<br />
über jeweils zwei sehr unterschiedliche Treatmentbedingungen zustande kommen.<br />
So setzte sich der Mittelwert für die Ausprägung „ein Inhalt“ auf dem Faktor Anzahl der Inhalte aus<br />
den Leistungen der strukturellen Kontrastbedingung und der Kontrollgruppe, <strong>als</strong>o der Bedingung ohne<br />
einen Kontrast, zusammen. Für die zweite Faktorausprägung „zwei Inhalte“ werden die inhaltliche<br />
und die kombinierte Kontrastbedingung mit einem bzw. dem doppelten Kontrast zusammen betrachtet.<br />
Gleiches gilt für die Interpretation des Haupteffekts für den Faktor Art des Mappings. Für die<br />
erste Ausprägung dieses Faktors würde über die Bedingungen Kontrast mit zwei Inhalten (inhaltlicher<br />
Kontrast) und die Kontrollgruppe bzw. für die zweite Ausprägung des Faktors über die Bedingungen<br />
struktureller Kontrast und kombinierter Kontrast gemittelt. Während hier die Interpretation der<br />
zweiten Faktorstufe allein inhaltlich durchaus sinnvoll ist 24 , scheint der Vergleich der Bedingungen<br />
auf der ersten Faktorstufe nicht sinnvoll, da hier über eine Bedingung mit und ohne Kontrast gemittelt<br />
wird. Für die Auswertung dieses 4-Gruppen-Designs werden daher in Abhängigkeit von den spezifischen<br />
Hypothesen für jede abhängige Variable zwei Sets von A-priori-Kontrasten zwischen den<br />
einzelnen Bedingungen spezifiziert:<br />
1.) der Vergleich jeder der drei Experimentalgruppen (struktureller, inhaltlicher, kombinierter<br />
Kontrast) mit der Kontrollbedingung (Kontrollgruppe)<br />
2.) der Vergleich der strukturellen Kontrastgruppe mit der inhaltlichen Kontrastgruppe und der<br />
kombinierten Kontrastgruppe.<br />
7.3 Abhängige Variablen: Design und Operationalisierung<br />
Ziel der Untersuchung ist es, die Wirksamkeit der drei verschiedenen Formen der Kontraste auf den<br />
Erwerb von Wissen über die Steigung zu vergleichen. Wie bereits in Kapitel 7.1.3 dargestellt, werden<br />
dazu verschiedene abhängige Variablen erhoben, um unterschiedliche Anforderungen an das Ver-<br />
24 Fragestellung: Beeinflusst die gleichzeitige Variation des repräsentierten Inhalts die Wahrnehmung des<br />
strukturellen Prinzips?<br />
117
Kapitel 7 – Methode<br />
ständnis der Steigung zu erfassen. Des Weiteren werden zwei weitere Variablen <strong>zur</strong> Kontrolle des<br />
direkten Trainingserfolges bzw. -verständnisses und der Zusammensetzung der Stichproben erhoben.<br />
Diese Variablen und das jeweils gewählte Design der statistischen Auswertung werden in den<br />
folgenden Abschnitten dargestellt.<br />
Zur Operationalisierung der gewählten Variablen wurden neue Instrumente entwickelt, da der einzige<br />
aus der Literatur bekannte und standardisierte Test zum Graphenverständnis von McKenzie und<br />
Padilla (1986) weit über die Kompetenzen hinaus geht, welche durch das vorliegende Training<br />
entwickelt werden sollen, und zu unspezifisch in Bezug auf die zu erwartenden Effekte ist. Insbesondere<br />
um die spezifischen Effekte der einzelnen Kontrastvariationen in ihrem differentiellen Effekt auf<br />
das Verständnis untersuchen zu können, war es nötig, einen differenzierten Test zum Verständnis der<br />
Steigung zu entwickeln, der verschiedene Aspekte bzw. Kompetenzen beinhaltet, die Teil eines<br />
belastbaren Verständnisses der Steigung sind. Das Graphenmaterial wurde so gewählt, dass mit einem<br />
oberflächlichen oder keinem Verständnis der Steigung keine richtigen und vollständigen Lösungen<br />
erzielt werden können bzw. die Höchstpunktzahl bei jeder einzelnen Aufgabe nicht erreicht wird.<br />
Zwar wurden alle Instrumente in ausführlichen Pilot-Studien entwickelt, es wurde jedoch keine<br />
separate Studie <strong>zur</strong> Überprüfung der psychometrischen Eigenschaften der Skalen durchgeführt.<br />
Stattdessen werden die Itemkennwerte für die hier vorliegende Stichprobe bestimmt und in Kapitel 8.1<br />
ausführlich dargestellt.<br />
7.3.1 Interpretation von Graphen im Trainingskontext (Nahtransfer)<br />
7.3.1.1 Nahtransfer: Design<br />
Da sich das Training sehr intensiv mit der Interpretation von Graphen im Geschwindigkeitskontext<br />
auseinandersetzt, soll der Lerneffekt bezüglich der Interpretation von Graphen in diesem Inhaltsgebiet<br />
mittels einer Vortest-Nachtest-Messung erfasst werden und gemäß der Hypothesen in einem<br />
2 (Zeit) x 4 (Bedingung) -faktoriellen Design mit Messwiederholung auf dem ersten Faktor geprüft<br />
werden. Außerdem können die Leistungswerte des Vortests ebenfalls <strong>als</strong> ein Indikator für die<br />
Vergleichbarkeit der Gruppen genutzt und gegebenenfalls <strong>als</strong> Kovariate in die Analysen einbezogen<br />
werden, da davon ausgegangen werden kann, dass die bereits vor dem Training bestehende Kompetenz<br />
im Umgang mit Graphen und das Vorhandensein von Misskonzepten bei deren Interpretation von<br />
Graphen einen Einfluss auf die Wirksamkeit des Trainings hat (Tabelle 7-2).<br />
118
Kapitel 7 – Methode<br />
Tabelle 7-2: Design des Trainingsexperiments bezüglich der abhängigen Variablen Nahtransfer (NT).<br />
Bedingung<br />
Zeitpunkt<br />
Vortest<br />
Zwischen-<br />
Test<br />
Posttest<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
Interpretation von<br />
Graphen im<br />
Trainingskontext<br />
(Nahtransfer)<br />
Nahtransfer<br />
2 (Zeit) x<br />
4 (Bedingung)-<br />
faktorielles Design<br />
7.3.1.2 Nahtransfer: Operationalisierung<br />
Dieser Test beinhaltete sechs Aufgaben <strong>zur</strong> Interpretation von Aufgaben im ersten Trainingskontext<br />
Geschwindigkeit. Durch den Einsatz von verschiedenen Aufgabenformaten wird der Vielfalt von<br />
Variablen Rechnung getragen, die potenziell einen Einfluss auf die Interpretation von Graphen haben<br />
(siehe Kapitel 3). So wurden vier Aufgaben im Multiple-Choice-Format präsentiert (Item NT/M-1,<br />
NT/M-2, NT/M-3, NT/M-5; Seite 237-241) 25 , während zwei Aufgaben im offenen Antwort-Format<br />
(Item NT/M-4, NT/M-6; Seite 240 und 242) gestellt wurden. Weiterhin konnte bei fünf der sechs<br />
Aufgaben neben der korrekten Antwort anhand der anderen Antwortalternativen bzw. der gegebenen<br />
Antwort auch auf das Vorhandensein eines Misskonzeptes bei der Interpretation geschlossen werden.<br />
Ein gut entwickeltes Graphenverständnis sollte sich in zwei verschiedenen Anforderungssituationen<br />
zeigen: Zum einen sollte ein in der Graphik repräsentierter Sachverhalt aus der Abbildung richtig<br />
erschlossen werden können (z. B. „Wer läuft schneller?“; Item NT/M-1 und NT/M-2), und zum<br />
anderen sollte diejenige Graphik unter anderen Abbildungen identifiziert werden können, welche<br />
einen konkreten Sachverhalt richtig und eindeutig wiedergibt (z. B. „Welche Graphik zeigt, dass<br />
Person C schneller läuft <strong>als</strong> Person B?“; Item NT/M-3 und NT/M-5). Zu beiden Anforderungen<br />
wurden jeweils zwei Multiple-Choice-Items entwickelt (Item NT/M-1, NT/M-2 und Item NT/M-3,<br />
NT/M-5). Um die Ratewahrscheinlichkeit für diese Items möglichst gering zu halten, wurden dabei<br />
mindestens vier bzw. sechs plausible Antwortalternativen <strong>zur</strong> Wahl gestellt.<br />
Außerdem wurde eine aus der Literatur bekannte Aufgabe <strong>zur</strong> Erfassung von graphbezogenen<br />
Misskonzepten gegeben (Berg-Aufgabe von Bell, 1987), zu deren Beantwortung die Versuchsteilnehmer<br />
ihre jeweilige Interpretation der Graphik niederschreiben mussten (Item NT/M-4). Der Einsatz<br />
beider Aufgabenformate trägt dem Einwand von Berg & Smith (1994) Rechnung, die empirisch<br />
zeigen konnten, dass sich die Befunde <strong>zur</strong> Interpretation von Graphen für Aufgaben im Multiple-<br />
Choice- und im offenen Antwortformat deutlich unterscheiden können.<br />
Weiterhin wurde eine Aufgabe konstruiert, die von den Versuchsteilnehmern erforderte, dass ein<br />
gegebenes Verhältnis in einem Koordinatensystem selbstständig repräsentiert wird (Item NT/M-6).<br />
25 Um die Aufgaben im Anhang II für den Leser schnell zugänglich zu machen, werden jeweils die entsprechenden<br />
Seitenzahlen angeführt.<br />
119
Kapitel 7 – Methode<br />
Für jeweils drei vorgegebene Aussagen musste zu einem bereits in das Koordinatensystem vorhandenen<br />
Graphen ein weiterer Graph gezeichnet werden, so dass die dazugehörige Aussage eindeutig durch<br />
die Graphik repräsentiert ist. Damit aus der Aufgabenlösung eines Versuchsteilnehmers eindeutig<br />
erkennbar ist, ob dieser tatsächlich über das Steigungsmapping verfügt oder die Aufgabe durch eine<br />
andere, aber unangemessene Strategie richtig löst, müssen <strong>zur</strong> richtigen Lösung gleichzeitig zwei<br />
gegebene Größen (Geschwindigkeit und Zeit oder Geschwindigkeit und Weg) repräsentiert werden.<br />
Andernfalls könnten Versuchsteilnehmer, die das Steigungsmapping nicht beherrschen, bei dieser<br />
Aufgabe sehr leicht zu einer korrekten Lösung gelangen, indem sie richtig folgern, dass eine Person,<br />
welche schneller fährt, auch mehr Weg <strong>zur</strong>ücklegt <strong>als</strong> eine langsamere Person. Wird ein Graph<br />
gezeichnet, welcher einen größeren Weg zeigt <strong>als</strong> der Referenz-Graph, resultiert in den meisten Fällen<br />
ein Graph der gleichzeitig auch steiler <strong>als</strong> der entsprechende Referenz-Graph ist. Die Ausprägung der<br />
zweiten Relation wurde daher so gewählt, dass eine richtige Lösung nur mit Hilfe des korrekten<br />
Steigungsmappings erzielt werden konnte.<br />
7.3.2 Interpretation der Steigung in neuen Kontexten<br />
7.3.2.1 Ferntransfer: Design<br />
Der Effekt des Trainings auf das Verständnis der Steigung in anderen Kontexten wird ebenfalls mit<br />
einer Vor-Nachtest-Messung erfasst. Bei diesem Test soll im Speziellen überprüft werden, ob<br />
Steigungen von Graphen in neuen Inhaltsbereichen korrekt interpretiert werden. Dabei wird insbesondere<br />
geprüft werden, ob von den Kindern erkannt wurde, dass Konzepte, die sich aus den Achsenvariablen<br />
zusammensetzen lassen, jeweils durch die Steigung und nicht durch andere Merkmale des<br />
Graphen repräsentiert werden.<br />
Tabelle 7-3: Design des Trainingsexperiments bezüglich der abhängigen Variablen Ferntransfer mit konventionellem<br />
Mapping und mit nicht-konventionellem Mapping.<br />
Bedingung<br />
Zeitpunkt<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
Vortest<br />
Interpretation von<br />
Steigungen in neuen<br />
Kontexten mit<br />
konventionellem und<br />
nicht-konventionellem<br />
Mapping<br />
(Ferntransfer)<br />
Posttest<br />
Zwischentest<br />
Ferntransfer<br />
2 (Zeit) x<br />
4 (Bedingung) x<br />
2 (Mapping)-<br />
faktorielles Design<br />
Neben den einzelnen Merkmalen des Graphen (Steigung, Länge und die Ausprägungen auf der Y-<br />
bzw. X-Achse) wird, wie bereits argumentiert, auch die Richtung des Mappings variiert, so dass eine<br />
hohe Punktzahl auf diesem Test nur erreicht werden kann, wenn gleichzeitig die Beschriftungen der<br />
120
Kapitel 7 – Methode<br />
Koordinatenachsen beachtet werden. Dieser Test gliedert sich somit in zwei Subskalen mit konventionellem<br />
bzw. nicht-konventionellem Mapping.<br />
In einem 2 (Zeit) x 4 (Bedingung) x 2 (Mapping)-faktoriellen Design mit Messwiederholung auf dem<br />
ersten Faktor und mit zwei Sets der geplanten Kontraste können die differenziellen Effekte der<br />
einzelnen Trainingsbedingungen auf die Transferleistung überprüft werden. Insbesondere kann durch<br />
die Dreifach-Interaktion aller dreier Faktoren geprüft werden, ob es Unterschiede zwischen den<br />
einzelnen Bedingungen bezüglich der beiden Arten von Mappings gibt – d. h. ob die Versuchsteilnehmer<br />
der einzelnen Kontrastbedingungen sich die Bedeutung der Steigung von den Achsenvariablen<br />
herleiten. Es wird erwartet, dass die Kinder der strukturellen Kontrastgruppe eine höhere Leistung <strong>als</strong><br />
Kinder der inhaltlichen Kontrastgruppe erzielen. Dies sollte ebenfalls für die Versuchsteilnehmer der<br />
kombinierten Kontrastgruppe zutreffen, die im Vergleich zum Großteil der Kinder bereits im Vortest<br />
vergleichsweise hohe Kompetenzen bei der Interpretation von Graphen zeigen und bei denen somit<br />
besonders günstige Lernvoraussetzungen bestehen (siehe Tabelle 7-3 ).<br />
7.3.2.2 Ferntransfer: Operationalisierung<br />
Dieser Test beinhaltete 14 Aufgaben <strong>zur</strong> Interpretation von Aufgaben in neuen Inhaltsgebieten, die<br />
nicht bereits Inhalt in einer der vier Trainingsbedingungen waren (Seite 243 bis 252). Wie bereits in<br />
Abschnitt 7.1.3 argumentiert wurde, ist es notwendig, sowohl Aufgaben mit konventionellem <strong>als</strong> auch<br />
mit nicht-konventionellem Mapping zu präsentieren, um feststellen zu können, ob die Beschriftungen<br />
der Koordinatenachsen bei der Interpretation der Steigung in Betracht gezogen wurde. Es wird davon<br />
ausgegangen, dass auf einen erfolgreichen Transfer von erworbenem Wissen auf neue Inhalte nur<br />
geschlossen werden kann, wenn für Aufgaben mit beiden Arten des Mappings gleichzeitig ein hoher<br />
Lerngewinn erzielt wird.<br />
Neben der Variation der Mappingrichtung wurden davon unabhängig vier verschiedene Aufgabenformate<br />
entwickelt, die in Tabelle 7-4 zusammengefasst wurden. Die einzelnen Formate unterscheiden<br />
sich darin, ob <strong>als</strong> Antwortalternative mehrere Graphen einer Abbildung, mehrere Abbildungen mit<br />
verschiedenen Konstellationen von Graphen oder verschiedene Abschnitte eines einzelnen Graphen<br />
interpretiert und verglichen werden mussten. Zwei weitere Aufgaben sind im offenen Antwortformat<br />
gestellt (Items KM-6a/b und NKM-6a/b; Seite 251 bis 252).<br />
Für diese Aufgabentypen wurde jeweils ein Item mit konventionellem <strong>als</strong> auch ein paralleles Item mit<br />
nicht-konventionellem Mapping konstruiert. Um diese beiden Items direkt miteinander vergleichen zu<br />
können, wurde für beide Items sowohl ein ähnlicher Inhaltsbereich gewählt (siehe Spalte 2 in Tabelle<br />
7-4) <strong>als</strong> auch die Kombination eines konkreten Inhalts mit der Art des Mappings über alle Versuchs-<br />
121
Kapitel 7 – Methode<br />
personen ausbalanciert 26 . Aufgaben mit konventionellem und nicht-konventionellem Mapping wurden<br />
im Test geblockt vorgegeben, und die Reihenfolge dieser Blocks über alle Versuchspersonen und<br />
experimentelle Bedingungen wurde randomisiert, so dass insgesamt vier verschiedene Versionen des<br />
Transfertests vorlagen. Durch diesen ausbalancierten Aufbau ist es möglich, Aufgaben mit konventionellem<br />
und nicht-konventionellem Mapping miteinander zu vergleichen, um Informationen über die<br />
Qualität des erworbenen Steigungsbegriffes zu bekommen.<br />
Weiterhin ist der Tabelle 7-4 zu entnehmen, dass für Aufgaben im Multiple-Choice-Format mindestens<br />
vier, in der Regel jedoch sechs verschiedene Antwortalternativen <strong>zur</strong> Wahl standen, so dass die<br />
Ratewahrscheinlichkeit ausreichend niedrig ist. Zudem musste bei vier Items ein korrektes Lösungsmuster<br />
mit zwei Lösungen produziert werden, was wiederum die Ratewahrscheinlichkeit für diese<br />
Aufgaben deutlich verringert (Items KM-1, NKM-1, KM-2, NKM-2; erste Zeile der Tabelle 7-4).<br />
Tabelle 7-4: Aufgabeformate und benutzte Inhaltsbereiche der Items des Transfertests.<br />
Fragestellung der Aufgabe<br />
„Bei welcher Graphik hat<br />
Person/Objekt A mehr<br />
Y pro X?“<br />
„Bei welcher Graphik hat<br />
Person/Objekt A gleich viel<br />
Y pro X?“<br />
„Welche Person hat weniger<br />
Y pro X hergestellt?“<br />
„Welche Personen haben<br />
gleich viel Y pro X<br />
hergestellt?“<br />
„In welchem Abschnitt gibt<br />
es mehr Y pro X?“<br />
„Wie viel Zu-/Abnahme bei<br />
x Einheiten zusätzlich?“<br />
Inhaltsbereiche für beide<br />
Versionen einer Aufgabe<br />
(konventionell vs.<br />
nicht-konventionell)<br />
Verbrauch:<br />
Liter Benzin pro Kilometer<br />
Strom pro Stunde<br />
Items KM-1, NKM-1<br />
Items KM-2, NKM-2<br />
Leistung:<br />
Bälle pro Stunde hergestellt<br />
Knöpfe pro Minute angenäht<br />
Items KM-3, NKM-3<br />
Items KM-4, NKM-4<br />
Verbrauch/Leistung:<br />
Liter Farbe pro Meter Rohrleitung<br />
verbraucht<br />
Kilogramm Sand pro Meter Weg<br />
gestreut<br />
Items KM-5, FT-NKM-5<br />
Gewichtsveränderung:<br />
Kilogramm pro 100 g Futter<br />
zusätzlich<br />
Kilogramm pro 10 Min. Sport<br />
zusätzlich<br />
Items KM-6a/b, NKM-6a/b<br />
Antwortformat<br />
Multiple Choice:<br />
Auswahl unter sechs verschiedenen<br />
Graphiken mit je zwei Graphen<br />
(sechs Antwortalternativen mit<br />
Doppelnennung)<br />
Multiple Choice:<br />
Auswahl unter vier Graphen einer<br />
Abbildung (sieben Antwortalternativen)<br />
Multiple Choice:<br />
Auswahl unter vier Graphen einer<br />
Abbildung (acht Antwortalternativen)<br />
Multiple Choice:<br />
Auswahl unter zwei Abschnitten eines<br />
Graphen (vier Antwortalternativen)<br />
Offenes Format:<br />
für jeweils zwei Abschnitte eines<br />
Graphen mit unterschiedlicher<br />
Steigung<br />
26 Da die Interpretation von Graphen unter anderem vom gewählten Inhaltsbereich abhängt, wurde in einer<br />
Pilotuntersuchung exploriert, ob inhaltlich <strong>als</strong> verwandt konzipierte Kontexte auch ähnlich leicht bzw.<br />
schwierig interpretiert werden. In den endgültigen Test wurden jeweils nur <strong>als</strong> parallel konzipierte Inhalte mit<br />
vergleichbarer Schwierigkeit aufgenommen.<br />
122
Kapitel 7 – Methode<br />
7.3.3 Erschließen von neuen Bedeutungen der Steigung<br />
7.3.3.1 Erschließen: Design<br />
Zum zweiten Testzeitpunkt nach dem Training soll ein weiterer kurzer Test zum Verständnis der<br />
Steigung im offenen Aufgabenformat die möglichen Aussagen über die Wirksamkeit der einzelnen<br />
Kontrastbedingungen präzisieren. Die Aufgaben dieses Tests werden nur zum zweiten Testzeitpunkt<br />
vorgelegt, da nicht erwartet werden kann, dass sie ohne ein vorheriges Training gelöst werden können.<br />
Die Unterschiede zwischen den Trainingsbedingungen können in einem einfaktoriellen Design mit<br />
vierfacher Abstufung des Faktors Bedingung und geplanten Kontrasten zwischen den einzelnen<br />
Experimentalgruppen geprüft werden (siehe Tabelle 7-5).<br />
Tabelle 7-5: Design des Trainingsexperiments bezüglich der abhängigen Variablen Erschließen.<br />
Bedingung<br />
Zeitpunkt<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
Vortest<br />
Zwischen-<br />
Test<br />
Posttest<br />
Erschließen von neuen<br />
Bedeutungen der<br />
Steigung<br />
Einfaktorielles<br />
Design mit<br />
vierfacher<br />
Abstufung des<br />
Faktors Bedingung<br />
Mit diesem Test soll überprüft werden, wie gut die Versuchsteilnehmer sich nach dem Training die<br />
Bedeutung der Steigung in neuen Inhaltsgebieten erschließen können, ohne dass ein konkretes<br />
Konzept vorgegeben wird. Hierbei kann ebenfalls geprüft werden, welche inhaltliche Variation mit<br />
einer bestehenden Variation in der Steigung zweier Graphen assoziiert wird und ob dabei die<br />
Achsenvariablen beachtet und <strong>zur</strong> Beschreibung des gesuchten, zusammengesetzten Konzeptes<br />
herangezogen werden. Des Weiteren soll exploriert werden, welche Strategien der Erklärung von<br />
vorgegebenen Steigungsmappings den Versuchsteilnehmern nach dem Training <strong>zur</strong> Verfügung stehen.<br />
Es wird erwartet, dass die Teilnehmer der strukturellen und der kombinierten Kontrastgruppe bessere<br />
Strategien zum Erschließen der Steigung anwenden und demzufolge häufiger die Bedeutungen der<br />
Steigung in neuen Kontexten erschließen können <strong>als</strong> Kinder der inhaltlichen Kontrastgruppe und der<br />
Kontrollgruppe. Allerdings kann für die Teilnehmer der kombinierten Kontrastgruppe wiederum<br />
angenommen werden, dass dies nur den Schülern mit besonders guten Lernvoraussetzungen möglich<br />
ist.<br />
7.3.3.2 Erschließen: Operationalisierung<br />
Für diesen Test interessieren insbesondere die Erklärungen, die für den trainierten Inhalt Geschwindigkeit<br />
aber auch für einen neuen noch unbekannten Inhaltsbereich herangezogen werden (siehe<br />
Tabelle 7-6). Aufgaben in neuen Inhaltsbereichen können Aufschluss darüber geben, ob die im<br />
123
Kapitel 7 – Methode<br />
Training benutzten Strategien <strong>zur</strong> Überprüfung der Bedeutung der Steigung bei den Kindern der<br />
strukturellen und der kombinierten Kontrastbedingung, die im Kontrastteil Mappings bearbeiteten, die<br />
im Konflikt mit der implizit erwarteten Mappingrichtung stehen, besser verankert sind <strong>als</strong> bei Kinder<br />
der anderen beiden Bedingungen.<br />
Tabelle 7-6: Aufgabenformate und benutzte Inhaltsbereiche der Items des Tests zum Erschließen bzw. Erklären<br />
eines Steigungsmappings.<br />
Aufgabentyp Eingesetzter Inhaltsbereich Antwortformat<br />
Erklären von vorgegebenen<br />
Steigungsmappings bzw.<br />
–bedeutungen<br />
Geschwindigkeit<br />
Spielerfolg<br />
Freies Formulieren einer Erklärung für die<br />
Bedeutung der Variation in der Steigung<br />
zweier Graphen<br />
Erschließen von Steigungsbedeutungen<br />
Transportkapazität (LKW)<br />
Haltungskapazität<br />
(Geflügel)<br />
Freies Formulieren der inhaltlichen<br />
Bedeutung der Variation in der Steigung<br />
Neben dem Inhalt Geschwindigkeit wurden <strong>als</strong>o drei weitere Inhaltsbereiche ausgewählt, bei denen<br />
eine Geschwindigkeitsinterpretation der Steigung zwar plausibel, jedoch für die gestellte Frage nicht<br />
korrekt ist. Ob eine solche Tendenz <strong>zur</strong> Übergeneralisierung der Interpretation der Steigung im Sinne<br />
von Geschwindigkeit besteht, muss insbesondere im Hinblick auf die beiden Trainingsbedingungen<br />
geprüft werden, welche ausschließlich mit dem Trainingsinhalt Geschwindigkeit trainiert wurden<br />
(struktureller Kontrast und Kontrollgruppe).<br />
Für die beiden Items zum Erschließen der Steigung wurde wiederum die Reihenfolge ausbalanciert, da<br />
jeweils ein Item mit konventionellem und nicht-konventionellem Mapping präsentiert wurde (Items<br />
OF-1a/b bis OF-4; Seite 259 bis 262).<br />
7.3.4 Kontrollvariable: Leistungstests zum Proportionalen Denken<br />
7.3.4.1 Proportionales Denken: Design<br />
Zur Kontrolle von A-priori-Unterschieden in der Zusammensetzung der Stichprobe für die einzelnen<br />
Trainingsbedingungen wird neben den beiden Vortests zum Graphenverständnis (Nahtransfer und<br />
Ferntransfer) das proportionale Verständnis jedes Teilnehmers erfasst. Da der Steigung des Graphen<br />
eine proportionale Struktur zugrunde liegt, ist es plausibel, dass Kinder, die bereits ein besonders gut<br />
ausgeprägtes proportionales Denken aufweisen, optimal von einem solchen Training profitieren, da sie<br />
die zugrundeliegende proportionale Struktur besser erkennen und auf neue, ähnlich strukturierte<br />
Inhalte übertragen können (Lamon, 1995). Kinder mit einem weniger gut ausgeprägten proportionalen<br />
Verständnis könnten andererseits mehr auf die Rechenhilfefunktion des Graphen fokussieren, so dass<br />
die zugrundeliegenden strukturellen Eigenschaften unbeachtet bleiben. Die Messwerte dieses Tests<br />
können somit <strong>als</strong> ein Check der notwendigen Eingangsvoraussetzung für die Wirkung des Trainings<br />
aufgefasst werden. Gleichzeitig kann überprüft werden, ob diese Voraussetzungen in allen Bedingun-<br />
124
Kapitel 7 – Methode<br />
gen ähnlich verteilt sind. Zur inferenzstatistischen Auswertung wird somit ein einfaktorielles Design<br />
mit vierfacher Abstufung des Faktors Bedingung verwendet (siehe Tabelle 7-7).<br />
Tabelle 7-7: Design des Trainingsexperiments bezüglich der Kontrollvariable Proportionales Denken.<br />
Bedingung<br />
Zeitpunkt<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
Vortest<br />
Test zum<br />
Proportionalen<br />
Denken<br />
Zwischen-<br />
Test<br />
Posttest<br />
Einfaktorielles Design<br />
mit vierfacher<br />
Abstufung des Faktors<br />
Bedingung<br />
7.3.4.2 Proportionales Denken: Operationalisierung<br />
Die Leistung der Versuchsteilnehmer zum proportionalen Denken wurde mit Hilfe von vier Items<br />
erfasst, zu deren Bearbeitung insgesamt ca. 10 Minuten nötig waren. Hierzu wurden Proportionalitätsaufgaben<br />
in zwei verschiedenen Antwortformaten (offen und Multiple Choice) in drei verschiedenen<br />
Inhaltsgebieten (Geschwindigkeit, Mischungen und Teil-Ganzes-Relationen) konstruiert (siehe<br />
Anhang Seite 235 bis 236). Im Geschwindigkeitskontext wurden zwei Aufgaben im offenen und im<br />
Multiple-Choice-Format vorlegt, da dieser Inhalt den ersten Trainingskontext darstellt. Die Multiple-<br />
Choice-Aufgaben wurden derart konstruiert, dass die Antwortalternativen neben der richtigen Antwort<br />
auch jeweils eine bzw. mehrere Antworten enthielten, welche eine Lösung nach dem Additiven<br />
Misskonzept darstellte.<br />
7.3.5 Kontrolltest zum Verständnis des Trainings<br />
7.3.5.1 Kontrolltest: Design<br />
Nach dem für alle vier experimentellen Gruppen identischen Basisteil des Trainings sowie nach dem<br />
Kontrastteil am Ende des Trainings wird jeweils ein kurzer Test durchgeführt, um zu kontrollieren, ob<br />
die Inhalte des Trainings verstanden wurden (Tabelle 7-8). Dies ist insbesondere wichtig, da argumentiert<br />
werden könnte, dass das Lernen unter einer der vier experimentellen Bedingungen per se<br />
schwieriger oder leichter ist.<br />
125
Kapitel 7 – Methode<br />
Tabelle 7-8: Design des Trainingsexperiments für die Kontrollvariable Kontrolltest.<br />
Zeitpunkt<br />
Bedingung<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
- Struktureller Kontrast<br />
- Inhaltlicher Kontrast<br />
- Kombinierter Kontrast<br />
- Kontrollgruppe<br />
Vortest Zwischentest Posttest<br />
Kontrolltest für<br />
Basisteil<br />
des Trainings<br />
Kontrolltest für<br />
Kontrastteil<br />
des Trainings<br />
Einfaktorielles Design<br />
mit vierfacher<br />
Abstufung des<br />
Faktors Bedingung<br />
Einfaktorielles Design<br />
mit vierfacher<br />
Abstufung des<br />
Faktors Bedingung<br />
Durch diese Kontrolltests kann sichergestellt werden, dass die Unterschiede zwischen den experimentellen<br />
Bedingungen im Lerneffekt auf den einzelnen abhängigen Variablen nicht auf einen Unterschied<br />
im Lernerfolg für den gemeinsamen Basisteil bzw. den Kontrastteil des Trainings <strong>zur</strong>ückgehen.<br />
Weiterhin stellen diese Art der Tests eine Art Manipulations-Check dar, womit geprüft werden kann,<br />
ob alle Versuchsteilnehmer die Inhalte des Trainings verstanden haben. Im Zweifelsfall könnten auf<br />
der Basis dieser Testergebnisse einzelne Teilnehmer von der Stichprobe ausgeschlossen werden, für<br />
die nicht angenommen werden kann, dass sie dem Training folgen konnten. In einer multivariaten<br />
4 (Bedingung)-faktoriellen Analyse kann für diese zwei Kontrollvariablen jeweils überprüft werden,<br />
ob es Unterschiede im Verständnis des Trainings zwischen den Trainingsgruppen gibt. Es wird<br />
erwartet, dass es keine signifikanten Unterschiede zwischen den Bedingungen auf einem der beiden<br />
Tests gibt.<br />
7.3.5.2 Kontrolltest: Operationalisierung<br />
Da diese Aufgaben den Charakter eines Manipulations-Checks für die hier untersuchten Interventionen<br />
haben, orientieren sie sich in ihrem Format und Inhalt an den Aufgaben und Aktivitäten des<br />
Trainings (Items Seite 253 bis 258). Die Aufgaben <strong>zur</strong> Kontrolle des Basisteils waren für alle vier<br />
Bedingungen identisch, während die Aufgaben für den Kontrastteil des Trainings mit identischem<br />
Aufgabenformat, jedoch mit unterschiedlichen Inhalten und variierter Achsenbeschriftung der<br />
Graphiken vorgegeben wurden. Dabei folgten der Inhalt der Aufgabe und die entsprechende Achsenbeschriftung<br />
denen der jeweiligen experimentellen Bedingung. Für diese beiden Tests wurden<br />
wiederum Aufgaben im Multiple-Choice-Format und im offenen Antwortformat präsentiert.<br />
7.4 Versuchsablauf<br />
Das Trainingsexperiment gliedert sich für alle Trainingsgruppen in vier Teile. Teil 1 und 2 waren für<br />
alle Bedingungen identisch und bestehen aus den drei Vortests Proportionales Denken, Nahtransfer<br />
und Ferntransfer sowie dem Basistraining im Geschwindigkeitskontext und dem dazugehörigen<br />
Kontrolltest (Abbildung 7-2).<br />
126
Kapitel 7 – Methode<br />
Teil 1<br />
Vortests<br />
Teil 2<br />
Basistraining<br />
Teil 3<br />
Kontrasttraining<br />
Teil 4<br />
Nachtests<br />
Test zum Proportionalen<br />
Verständnis<br />
Nahtransfertest<br />
(Vortest)<br />
Ferntransfertest<br />
(Vortest)<br />
Steigungsmapping:<br />
Inhalt Geschwindigkeit +<br />
intuitives Mapping<br />
Kontrolltest zum<br />
Basistraining<br />
Struktureller Kontrast:<br />
Inhalt Geschwindigkeit +<br />
nicht-intuitives Mapping<br />
Inhaltlicher Kontrast:<br />
Inhalt Verkauf +<br />
intuitives Mapping<br />
Kombinierter Kontrast:<br />
Inhalt Verkauf +<br />
nicht-intuitives Mapping<br />
Test Erschließen +<br />
Erklären neuer<br />
Bedeutungen<br />
Ferntransfertest<br />
(Nachtest)<br />
Nahtransfertest<br />
(Nachtest)<br />
Kontrollgruppe:<br />
Inhalt Geschwindigkeit +<br />
intuitives Mapping<br />
Kontrolltests zum<br />
Kontrasttraining<br />
Abbildung 7-2: Schematische Darstellung des Versuchsablaufs. Grau hinterlegte Flächen zeigen die Testsequenzen.<br />
Der dritte Trainingsteil variierte je nach experimenteller Bedingung. Jede Kontrastbedingung erhielt<br />
Aufgabenmaterial entsprechend der experimentellen Variation. Die allgemeine Struktur des Trainings<br />
und die zu bearbeitenden Aufgaben unterschieden sich zwischen den vier experimentellen Bedingungen<br />
jedoch nicht (ausführliche Darstellung zum Aufbau des Trainings in Kapitel 7.6.3). Als vierter<br />
Teil folgte wiederum ein für alle Gruppen identischer Testteil, wobei zunächst der im Vortest nicht<br />
bearbeitete Test zum Erschließen und Erklären von neuen Steigungen bearbeitet werden musste, bevor<br />
der Nahtransfer- und der Ferntransfertest ein zweites Mal von den Versuchsteilnehmern gelöst wurde.<br />
Um zu vermeiden, dass die Antworten der Versuchsteilnehmer durch die wiederholte Bearbeitung von<br />
standardisierten Multiple-Choice-Aufgaben beeinflusst oder verfälscht werden, waren die beiden<br />
neuen Testkomponenten, welche insbesondere Aufgaben im offenen Antwortformat enthielten, direkt<br />
im Anschluss an das Training zu bearbeiten. Außerdem kann angenommen werden, dass die besondere<br />
Herausforderung, welche offene Antworten darstellen, das erworbene Wissen in besonderem Maße<br />
aktivieren und dieses dabei gefestigt wird, so dass Unterschiede zwischen den Bedingungen deutlicher<br />
messbar werden. Weiterhin wurde darauf verzichtet, die gesamte Testsequenz bezüglich der Reihenfolge<br />
der einzelnen Tests auszubalancieren, da zum einen die einzelnen Tests nicht direkt miteinander<br />
verglichen werden sollten und es durch die Anordnung der Nachtests nach ihrem vermuteten Schwierigkeitsgrad<br />
(d. h. von schwer zu leicht) es den Versuchsteilnehmer nicht möglich sein sollte, aus der<br />
Bearbeitung der Tests zu lernen.<br />
Das Training fand an zwei aufeinander folgenden Nachmittagen in den Räumlichkeiten des Max-<br />
Planck-Instituts für Bildungsforschung in Berlin statt. Die beiden Testsequenzen des Trainings (Teil 1<br />
und 4) nahmen circa eine Zeitstunde in Anspruch, während das Basistraining (Teil 2) ungefähr drei<br />
127
Kapitel 7 – Methode<br />
Stunden und der Kontrastteil (Teil 3) etwa 50 Minuten dauerte. Zwischen den einzelnen Trainingsteilen<br />
wurden angemessene Pausen eingelegt. Die Dauer des gesamten Trainings betrug an jedem<br />
Nachmittag ungefähr drei Stunden.<br />
Der Basisteil des Trainings sowie die Vortests wurden jeweils von der Autorin bzw. einem Kollegen<br />
durchgeführt, während der Kontrastteil des Trainings und die Nachtests lediglich von der Autorin<br />
allein gestaltet wurden. Der Einsatz der beiden unterschiedlichen Trainer im Basisteil wurde über alle<br />
experimentellen Bedingungen hinweg ausbalanciert.<br />
7.5 Versuchsteilnehmer<br />
7.5.1 Die Trainingsstichprobe<br />
An dem Trainingsexperiment nahmen 60 Kinder (26 Mädchen und 34 Jungen) der fünften Jahrgangsstufe<br />
aus fünf Grundschulen der Berliner Bezirke Steglitz, Zehlendorf und Wilmersdorf mit einem<br />
Durchschnittsalter von 10,9 Jahren teil. Diese wurden zufällig den einzelnen Trainingsbedingungen<br />
zugewiesen, so dass sich folgende Aufteilung ergab:<br />
Strukturelle Kontrastgruppe: N = 15, Durchschnittsalter 10,9 Jahre (7 Mädchen, 8 Jungen)<br />
Inhaltliche Kontrastgruppe: N = 15, Durchschnittsalter 10,8 (7 Mädchen, 8 Jungen)<br />
Kombinierte Kontrastgruppe: N = 15, Durchschnittsalter 11,0 (12 Mädchen, 3 Jungen)<br />
Kontrollgruppe:<br />
N = 15, Durchschnittsalter 11,0 (10 Mädchen, 5 Jungen)<br />
Die zeitliche Dauer der Testung erstreckte sich von Anfang Mai bis Anfang Juli 2003, so dass alle<br />
Kinder zum Zeitpunkt ihrer Teilnahme das zweite Halbjahr der fünften Klasse besuchten. Die Kinder<br />
nahmen jeweils in Vierergruppen am Training teil 27 . Den Eltern der Kinder wurde jeweils eine<br />
Aufwandsentschädigung von 15 Euro pro teilnehmendes Kind gezahlt.<br />
7.5.2 Die Baseline-Gruppe<br />
Zusätzlich zu den 60 Kindern der Trainingsgruppen wurden 45 weitere Kinder getestet, die lediglich<br />
die Tests jedoch kein Training erhielten. Diese Kinder waren Schüler von zwei fünften Klassen einer<br />
Berliner Grundschule (Bezirk Wilmersdorf). Aus Gründen des Datenschutzes wurde weder Geschlecht<br />
noch Alter der Kinder erhoben. Da alle Kinder die fünfte Klasse besuchten und die Erhebung ebenfalls<br />
Anfang Juli 2003 durchgeführt wurde, kann vermutet werden, dass der Altersschnitt und die Verteilung<br />
der Geschlechter ähnlich wie in der Trainingsstichprobe ist.<br />
Ziel dieser weiteren Erhebung war es, eine Vergleichsgruppe zu erhalten, welche die gesamte<br />
Testsequenz, jedoch kein Training erhielt.<br />
27 Durch Krankheiten und kurzfristigen Absagen von einzelnen Kindern, welche in der Kürze der Zeit nicht<br />
durch andere Versuchsteilnehmer ersetzt werden konnten, gab es zum Teil Trainingsgruppen mit jeweils nur<br />
drei Kindern – diese waren jedoch gleichmäßig auf die vier experimentellen Bedingungen verteilt.<br />
128
Kapitel 7 – Methode<br />
Auf diese Weise kann geprüft werden, ob die zweimalige Bearbeitung der Tests bereits einen Einfluss<br />
auf den Lernfortschritt hat. Da <strong>zur</strong> Testsequenz auch die Kontrolltests für die beiden Teile des<br />
Trainings gehörten, kann außerdem geprüft werden, ob die im Training realisierten Aktivitäten und<br />
Aufgaben für Kinder dieser Altersstufe auch ohne ein Training bzw. eine Anleitung lösbar sind. Somit<br />
kann ein Eindruck gewonnen werden, wie anspruchsvoll die Trainingsinhalte für Fünftklässler sind<br />
oder ob der Mathematikunterricht der fünften Klasse (in welchem zwar Koordinatensysteme, nicht<br />
jedoch Graphen bereits vermittelt wurden) die im Training zu erwerbenden Fertigkeiten bereits<br />
ansatzweise ausbilden kann, so dass diese allein durch die Bearbeitung der Testaufgaben gefördert<br />
werden können.<br />
7.6 Das Training<br />
7.6.1 Trainingsrationale<br />
Die Gestaltung von Trainingsexperimenten, die einerseits der Forderung nach einem hohen Grad an<br />
Standardisierung, aber andererseits auch der Forderung nach inhaltlicher Validität und Schlüssigkeit<br />
gerecht werden sollen, stellt eine besondere Herausforderung der Entwicklung einer Intervention dar.<br />
Im Folgenden wird daher dargelegt, welchen grundlegenden Überlegungen bei der Gestaltung des<br />
Trainings Rechnung getragen wurden. Dies betrifft insbesondere die Vergleichbarkeit (bzw. Standardisierung)<br />
der einzelnen Trainingsbedingungen, das Ermöglichen von Selbstaktivität der Versuchsteilnehmer<br />
(wie es durch einen konstruktivistischen Ansatz gefordert wird) sowie die Förderung<br />
anschlussfähigen Wissens.<br />
Ein zentrales Kriterium bei der Planung und Durchführung eines Trainingsexperiments stellt die<br />
Vergleichbarkeit der einzelnen Trainingsbedingungen dar. So muss sichergestellt sein, dass die<br />
Unterschiede im Training zwischen den Bedingungen nur in dem postulierten Kontrast bestehen, sich<br />
dadurch jedoch die Art und die Anforderung der Aufgaben in den einzelnen Bedingungen nicht<br />
grundsätzlich verändern. So ist es denkbar, dass Kontraste besonders effektiv sind, wenn sie parallel<br />
bzw. ineinander verschränkt und aufeinander Bezug nehmend bearbeitet werden können. Dies würde<br />
jedoch <strong>zur</strong> Folge haben, dass in den einzelnen Trainingsbedingungen andere Aktivitäten und Lernbedingungen<br />
geschaffen werden und somit nicht miteinander vergleichbare Lernprozesse induziert<br />
werden. In diesem Fall würden sich die einzelnen Bedingungen nicht nur in dem jeweiligen Kontrast<br />
unterscheiden, sondern vier zwar in sich selbst schlüssige, aber völlig verschiedene Trainings<br />
verglichen werden. Deshalb wird in dem vorliegenden Trainingsexperiment zugunsten der Vergleichbarkeit<br />
der experimentellen Bedingungen auf eine Verschränkung der beiden Trainingsteile verzichtet.<br />
Stattdessen wird untersucht, ob die Induktion eines Kontrastes durch das präsentierte Trainingsmaterial<br />
die Kinder dazu veranlasst, bestimmte Inhalte des Trainings besser zu fokussieren und in<br />
ihrem Wissen zu repräsentieren.<br />
129
Kapitel 7 – Methode<br />
Die mathematische Struktur der bearbeiteten Zahlen, das graphische Aufgabenmaterial sowie die<br />
Sequenz der Trainingsmaterialien sind daher für alle Bedingungen in allen Phasen des Experiments<br />
identisch. Das Material unterscheidet sich lediglich in dem repräsentierten Inhalt und der jeweils<br />
gewählten Beschriftung der Achsen. Nur in der Kontrollgruppe wurde für den zweiten Teil des<br />
Trainings Zahlenmaterial aus einem anderen Zahlenbereich <strong>als</strong> im Basistraining gewählt, um einem<br />
negativen Transfer aufgrund von Langeweile oder nachlassenden Interesses vorzubeugen. Da der<br />
Kontrast für jede der drei Kontrastbedingungen dennoch besonders salient gestaltet werden sollte,<br />
wurden einige der bereits im Basistraining bearbeiteten Graphen gemäß der jeweiligen Kontrastbedingung<br />
neu beschriftet und von den Kindern erneut untersucht und interpretiert. Dies wurde durch ein<br />
Überkleben der bisherigen Achsenbezeichnungen mit neuen Achsenbeschriftungen durch die Kinder<br />
selbst realisiert.<br />
Das Material und die im Training bearbeiteten Aufgaben wurden so gewählt, dass die Kinder die<br />
Gesetzmäßigkeiten bei der Interpretation der Steigung selbst entdecken konnten und diese Zusammenhänge<br />
nicht allein durch die Versuchsleiter aufgezeigt wurden. Stattdessen wurden diese anhand<br />
von geeigneten Aufgaben gemeinsam in einem Dialog zwischen Kindern und Versuchsleiter erarbeitet<br />
und reflektiert. Dabei wurde Wert darauf gelegt, dass alle Versuchsteilnehmer ihre Vorstellungen und<br />
Erklärungen einbringen und diese auf ihre Gültigkeit hin überprüfen konnten. Um ein gewisses Maß<br />
an Standardisierung im Trainingsablauf zu gewährleisten, konnte jedoch nicht zu jedem Zeitpunkt jede<br />
von den Studienteilnehmern geäußerte Vorstellung aufgegriffen und weiter thematisiert werden. Das<br />
Training wurde daher auf zentrale, häufig wiederkehrende Aussagen der Kinder abgestimmt. Wichtige<br />
Elemente des didaktischen Vorgehens waren dabei sowohl Einzel- <strong>als</strong> auch Gruppenarbeit sowie<br />
Partnerdiskussionen.<br />
Bei der Konzeption des Trainings wurde insbesondere darauf geachtet, anschlussfähiges Wissen zu<br />
fördern und keine Vorstellungen zu vermitteln, welche nur im speziellen Kontext dieses Trainingsexperiments<br />
Gültigkeit besitzen.<br />
Dies traf insbesondere auf die instruktionale Einkleidung der gewählten Inhaltsbereiche Geschwindigkeit<br />
und Verkauf zu. So repräsentiert der Graph einer linearen Funktion in beiden Inhaltsbereichen<br />
jeweils nur einen Sonderfall des Inhaltsbereiches, da in den meisten Anwendungsfällen weder die<br />
Geschwindigkeit noch die Entwicklung eines Verkaufspreises über die Zeit generell <strong>als</strong> streng linear<br />
angenommen werden kann. Deshalb wurden beide Kontexte inhaltlich derart eingeschränkt, dass ein<br />
linearer Graph die korrekte und einzige mögliche Repräsentation der untersuchten Situation darstellt.<br />
So wurde im Geschwindigkeitskontext von den Kindern exploriert, welches von vier Transportbändern<br />
mit konstanter Geschwindigkeit (wie sie beispielsweise auf Flughäfen zu finden sind) am<br />
schnellsten fährt. Für den Inhalt Verkauf wurde ein Verkauf von Getränken auf dem Schulfest<br />
gewählt, bei dem aus Gründen der Fairness festgelegt worden war, dass jedes Getränk nur zu einem<br />
festen Preis verkauft werden durfte. Damit bei den Studienteilnehmern nicht der Eindruck entstand, es<br />
existierten nur streng lineare Graphen bzw. dass nur lineare Beziehungen sich mit einem Graphen<br />
130
Kapitel 7 – Methode<br />
darstellen lassen, wurden im Verlauf des Trainings ebenfalls Variationen der Größen Geschwindigkeit<br />
und Verkaufspreis in einem Graphen repräsentiert und untersucht.<br />
7.6.2 Vorstudien <strong>zur</strong> Entwicklung des Trainings<br />
Die Literatur zum Graphenverständnis weist zwar einige Studien auf, die fehlende Kompetenzen von<br />
Schülern im Hinblick auf die Interpretation und Konstruktion von Graphen dokumentieren, jedoch nur<br />
wenige Arbeiten zeigen konkrete und empirisch abgesicherte Vermittlungsstrategien für den Erwerb<br />
dieser Kompetenzen auf (siehe Kapitel 3.6). Aus diesem Grund wurden <strong>zur</strong> Entwicklung und<br />
kontinuierlichen Verbesserung des sehr aufwändigen Trainingexperimentes mehrere Pilotuntersuchungen<br />
im Zeitraum Juli 2001 bis Februar 2003 mit ca. 110 Kindern der fünften und sechsten<br />
Klassen durchgeführt. Zur Entwicklung und Evaluation der benötigten Tests zum Steigungsverständnis<br />
und zum allgemeinen Graphenverständnis wurde eine weitere Pilotuntersuchung im Februar und<br />
März 2003 mit ca. 30 Teilnehmern durchgeführt.<br />
Die durchgeführten Vorstudien zum didaktischen Aufbau des Trainings dienten einerseits <strong>zur</strong><br />
Überprüfung und Selektion von geeigneten Aufgaben und Inhalten sowie <strong>zur</strong> Abstimmung des<br />
Trainingsablaufes auf die Vorstellungen der Kinder. So zeigte sich in Übereinstimmung mit den<br />
Befunden von Leinhardt et al. (1990), dass der zusätzliche Informationsgehalt eines Graphen im<br />
Gegensatz zu einzelnen im Koordinatensystem eingezeichneten Wertepaaren sich Kindern dieses<br />
Alters nicht von selbst erschließt. Will man den Graphen jedoch <strong>zur</strong> Lösung der hier vorliegenden<br />
Proportionalitätsaufgaben einsetzen, ist es zwingend notwendig, dass diese Beziehungen wenigstens<br />
ansatzweise verstanden werden. Daher wurde eine relativ ausgedehnte Familiarisierungsphase<br />
entwickelt, die verdeutlichen sollte, dass alle Punkte bzw. Wertepaare, die durch eine gewisse<br />
Proportion (im konkreten Fall eine bestimmte Geschwindigkeit bzw. ein Verkaufspreis) erzeugt<br />
werden, mit einer geraden Linie durch den Nullpunkt des Koordinatensystems repräsentiert werden<br />
können.<br />
Als eine weitere Schwierigkeit bei der Entwicklung des Trainings stellte sich heraus, dass die Kinder<br />
davon zu überzeugen waren, dass ausschließlich die Steigung die gesuchte Größe Geschwindigkeit<br />
(bzw. den Verkaufspreis) repräsentiert und nicht eines der salienteren Merkmale wie Länge, Höhe<br />
oder Weite des Graphen. Zudem sind diese visuellen Merkmale des Graphen häufig miteinander<br />
konfundiert, was die Wahrnehmung der korrekten Beziehungen erschwert. So besitzt der steilste<br />
Graph häufig auch die höchste Ausprägung auf der Y-Achse bzw. der flachste Graph die höchste<br />
Ausprägung auf der X-Achse. Dies steht in Korrespondenz zu der inhaltlichen und vereinfachten<br />
Vorstellung, die schnellste Person lege den weitesten Weg <strong>zur</strong>ück und die langsamste benötige die<br />
meiste Zeit. Um diese inhaltlich sehr plausiblen aber inkorrekten Vorstellungen zu entkräften, wurden<br />
gezielt Aufgaben entwickelt, welche diese Annahmen widerlegen können.<br />
Eine zusätzliche Herausforderung der Trainingsentwicklung bestand darin, für die Trainingsteilnehmer<br />
subjektiv <strong>als</strong> sinnvoll erachtete Aufgaben- und Problemstellungen zu erarbeiten. Im Hinblick auf die<br />
131
Kapitel 7 – Methode<br />
spontane Anwendung von Graphen <strong>als</strong> Werkzeug ist die Verankerung in einem schwierigen und nicht<br />
bereits durch andere Prozeduren lösbaren Problemlösekontext besonders wichtig. Wie bereits im<br />
vorangegangenen Abschnitt <strong>zur</strong> Wahl der Altersgruppe erwähnt, wurde die gewählte Proportionalitätsaufgabe<br />
von Sechstklässlern nicht <strong>als</strong> problemhaltig genug angesehen und ließ einen Einsatz von<br />
Graphen <strong>als</strong> Hilfsmittel nicht sinnvoll erscheinen, auch wenn die <strong>zur</strong> Lösung eingesetzten mathematischen<br />
Strategien nicht von allen Kindern sicher beherrscht wurden und nicht in jedem Fall zum<br />
richtigen Ergebnis führten. In den Vorstudien zeigten Schüler dieser Altersstufe daher weniger<br />
Interesse und Neigung, den Graphen zu explorieren und <strong>zur</strong> Lösung der Aufgaben zu benutzen.<br />
Insbesondere wurde von den Kindern dieser Alterstufe bereits erkannt, dass der Graph bei nicht<br />
ganzzahligen Verhältnissen nur eine Annäherungslösung liefert, während die korrekt ausgeführte<br />
mathematische Prozedur zu einem genaueren Ergebnis führt.<br />
Die Vorstudie <strong>zur</strong> Entwicklung der eingesetzten Tests dienten außerdem dazu, aus einer relativ großen<br />
Menge von Aufgaben, welche entwickelt wurden, die besonders trennscharfen Items zu ermitteln, da<br />
aufgrund der zeitlichen Einschränkungen, denen die einzelnen Trainingssitzungen unterlagen, nur eine<br />
limitierte Anzahl von Items <strong>zur</strong> Bearbeitung vorgelegt werden konnte.<br />
7.6.3 Aufbau des Trainings<br />
Die Aufgabenstellung des Trainings für die Versuchsteilnehmer bestand darin, eine proportionale<br />
Vergleichsaufgabe unter Zuhilfenahme eines Graphen zu lösen, welche zuvor mathematisch nicht<br />
zufriedenstellend gelöst werden konnte. Im Verlauf des Lösungsprozesses wurde das Steigungsmapping<br />
von den Kindern entdeckt und auf seine Allgemeingültigkeit und Vorhersagekraft getestet.<br />
132
Kapitel 7 – Methode<br />
Tabelle 7-9: Ablauf der Aktivitäten im Basisteil des Trainings.<br />
Aktivitäten des Basisteils<br />
- Exploration der proportionalen Beziehungen zwischen Weg, Zeit<br />
B-1 und Geschwindigkeit<br />
- Lösungsversuche für Proportionalitätsaufgabe<br />
B-2 - Familiarisierung mit dem Koordinatensystem und Darstellungen der<br />
Messpunkte darin<br />
- Bestimmen der vorliegenden Geschwindigkeitsverhältnisse über<br />
B-3 Verlängern bzw. Verkürzen des Graphen (Konstanthalten der Größen<br />
Weg oder Zeit)<br />
- Vergleich der Graphen für identische Geschwindigkeitsverhältnisse<br />
B-4 und Überprüfen der eigenen Vorstellungen über die Mappings<br />
B-5<br />
B-6<br />
zwischen inhaltlichen und graphischen Variablen<br />
- Lösen der Proportionalitätsaufgabe mit Hilfe des gefundenen<br />
Steigungsmappings und Überprüfen durch Gleichhalten einer der<br />
Achsen-Variablen (Ende erster Trainingstag)<br />
- Anwenden des Steigungsmappings <strong>zur</strong> Interpretation eines Graphen<br />
mit variierender Steigung an zwei Beispielen<br />
- Überprüfen der Vorhersage und Bestimmen der genauen Geschwindigkeit<br />
mit Hilfe des Steigungsdreiecks<br />
B-7 - Selbstständiges Konstruieren einer selbstgewählten Geschwindigkeit<br />
mit Hilfe des Steigungsdreiecks<br />
B-8 - Formulierung des Zusammenhangs zwischen Steigung und<br />
Geschwindigkeit vermittelt durch Steigungsdreieck<br />
B-9 - Kontrolltest für den Basisteil<br />
Arbeitsblatt<br />
Abbildung 7-3 in<br />
diesem Abschnitt<br />
Abbildung 1-2 bis<br />
1-4 in Anhang I<br />
Abbildung 1-5<br />
in Anhang I<br />
Abbildung 1-6<br />
in Anhang I<br />
Abbildung 1-7<br />
in Anhang I<br />
Um es den Versuchsteilnehmern zu ermöglichen, die Beziehungen zwischen Inhalt und graphischer<br />
Repräsentation nachhaltig zu verstehen, wurden im Verlauf des Trainings Strategien erarbeitet, mit<br />
deren Hilfe zum einen die Beziehung zwischen Steigung und Geschwindigkeit (bzw. Literpreis)<br />
verifiziert und zum anderen die Bedeutungen der Steigung in anderen Kontexten erschlossen werden<br />
konnte. Diese Strategien stellen sozusagen ein Vehikel für das Ineinanderführen des Inhalts und seiner<br />
Repräsentation durch den Graphen dar und verdeutlichen den Repräsentationscharakter des Graphen.<br />
Die im Training verwendeten zentralen Aufgaben sollen im Folgenden detailliert dargestellt werden.<br />
Das weitere Material des Trainings erschließt sich weitgehend selbst und ist in Anhang I dokumentiert.<br />
Die Tabelle 7-9 und Tabelle 7-10 geben den Ablauf der einzelnen Aktivitäten im Basis- bzw.<br />
Kontrastteil des Trainings und das jeweils eingesetzte Versuchsmaterial wieder (siehe Anhang I, Seite<br />
131 bis 134).<br />
133
Kapitel 7 – Methode<br />
Tabelle 7-10: Ablauf der Aktivitäten im Kontrastteil des Trainings.<br />
Aktivitäten des Kontrastteils<br />
- Familiarisierung mit neuem Kontext (bzw. Wiederholung für<br />
K-1 Kontext Geschwindigkeit in Kontrollgruppe)<br />
- Lösungsversuch zu neuer Proportionalitätsaufgabe<br />
K-2 - Lösen der Aufgabe mit Hilfe des Graphen und Formulieren des<br />
vermuteten Mappings für die gesuchte Größe<br />
K-3 - Überprüfen des vermuteten Mappings durch Gleichhalten einer<br />
Variable und Verlängern bzw. Verkürzen des Graphen<br />
- Überkleben der Achsen des Graphenmateri<strong>als</strong> aus Basisteil<br />
K-4 (Aktivitäten B-6 und B-7) je nach Kontrastbedingung und Interpretation<br />
der Steigung und Bestimmen der konkreten Steigungswerte<br />
mit Hilfe des Steigungsdreiecks<br />
K-5 - Formulieren des neuen Steigungsmappings<br />
Analog zu<br />
Abbildung 1-6 und<br />
1-7 in Anhang I<br />
K-6 - Kontrolltest für Kontrastteil<br />
7.6.3.1 Zentrale Ziele des Trainings<br />
Zur Exploration der bestehenden proportionalen Beziehungen im Geschwindigkeitskontext (Punkt 1<br />
des Basisteils) wurde ein Arbeitsblatt verwendet, welches die auf einem Transportband <strong>zur</strong>ückgelegte<br />
Entfernung verschiedener Personen nach jeweils 10 Sekunden auf Transportbändern unterschiedlicher<br />
Geschwindigkeit repräsentiert (Abbildung 7-3).<br />
Zunächst wurde gemeinsam anhand des Transportbandes, auf dem die fiktive Person Anna fährt,<br />
erarbeitet, woran man erkennt, ob sich das Transportband mit konstanter Geschwindigkeit bewegt.<br />
Nachdem die proportionalen Beziehungen erkannt und weitere Messpunkte für Annas Fahrt auf dem<br />
Band eingetragen wurden, sollten die Versuchsteilnehmer gemeinsam weitere „durcheinander<br />
geratene“ Messpunkte zu den einzelnen Testfahrten der drei übrigen Personen so zuordnen, dass sich<br />
jedes Band tatsächlich mit einer konstanten Geschwindigkeit bewegt haben muss. Die Wahl der<br />
einzelnen Zuordnungen sollte von den Versuchsteilnehmern jeweils schlüssig begründet werden, so<br />
dass die additive Beziehung zwischen den Messwerten einer Reihe bzw. die multiplikative Beziehung<br />
zwischen den Größen Weg und Zeit deutlich wurde. In einem weiteren Schritt dienten die einzelnen<br />
Messwerte einer Fahrt <strong>als</strong> Wertepaare, welche im Koordinatensystem repräsentiert wurden. Anhand<br />
dieser eingezeichneten Punkte, für die anhand der konstanten Größe Geschwindigkeit bereits ein<br />
inhaltlicher Zusammenhang etabliert wurde, konnte von den Schülern festgestellt werden, dass die<br />
Punkte einer konstanten Geschwindigkeit auf einer gemeinsamen Linie (dem Graphen) liegen sowie<br />
weitere Punkte abgelesen werden können, welche für diese konkrete Geschwindigkeit gemessen<br />
werden könnten.<br />
134
Kapitel 7 – Methode<br />
Abbildung 7-3: Gruppenarbeitsblatt <strong>zur</strong> Familiarisierung mit Beziehungen im Geschwindigkeitskontext.<br />
Sowohl die einzelnen Messwerte <strong>als</strong> auch die Graphen von den Kindern wurden dazu benutzt, die<br />
Geschwindigkeiten der einzelnen Bänder miteinander zu vergleichen. Dafür waren die Messwerte der<br />
einzelnen Bänder so gewählt, dass ein mathematischer Vergleich aufgrund unterschiedlicher Werte der<br />
Größen Weg und Zeit nicht für alle möglichen Vergleiche gleichermaßen einfach angestellt werden<br />
konnte. So hatte ein Transportband nach 5 Sekunden bereits 12,5 Meter <strong>zur</strong>ückgelegt, während ein<br />
weiteres Transportband in 15 Sekunden 45 Meter bewältigte.<br />
Stattdessen wurde die Möglichkeit des Vergleichs der Geschwindigkeiten durch Verlängern bzw.<br />
Verkürzen der Graphen auf einen gemeinsamen Weg bzw. eine gemeinsame Zeit erarbeitet. Dabei<br />
wurden zwei weitere Graphiken für die Transportbänder angefertigt (siehe Abbildung 7-4). Anhand<br />
dieser drei Graphiken konnten darauf aufbauend die Hypothesen der Teilnehmer bezüglich des<br />
vorliegenden Mappings der einzelnen inhaltlichen Variablen (Weg, Zeit, Geschwindigkeit) auf die<br />
entsprechenden räumlichen Variablen (Steigung, Länge, Höhe, Weite) überprüft werden. Dazu<br />
formulierten die Kinder eigene Hypothesen über die bestehenden Zusammenhänge wie „Der längste<br />
Graph zeigt immer die schnellste Geschwindigkeit“ oder „Der Graph, der am weitesten nach oben<br />
geht, zeigt immer den weitesten Weg“.<br />
135
Kapitel 7 – Methode<br />
Weg in Metern<br />
Ausgangsgraphen<br />
Weg in Metern<br />
gleiche Zeit<br />
Weg in Metern<br />
gleicher Weg<br />
Zeit in Sekunden<br />
Zeit in Sekunden<br />
Zeit in Sekunden<br />
Abbildung 7-4: Material <strong>zur</strong> Überprüfung der Hypothesen bezüglich der Mappings zwischen Merkmalen des<br />
Graphen und den Variablen des repräsentierten Inhalts.<br />
Anhand des vorliegenden Materi<strong>als</strong> sollte geprüft werden, ob die formulierten Regeln Allgemeingültigkeit<br />
besitzen oder nur für einen Teil der Graphiken zutreffen. Dazu wurde vereinbart, dass lediglich<br />
solche Formulierungen korrekte und „gute“ Regeln darstellen, welche für alle drei Graphiken eine<br />
korrekte Vorhersage der Ausprägung der inhaltlichen Größe anhand des zugeordneten graphischen<br />
Merkm<strong>als</strong> erlauben. Auf diese Weise wurde erarbeitet, dass die Steigung des Graphen die Geschwindigkeitsrelation,<br />
die „Höhe“ des Graphen den <strong>zur</strong>ückgelegten Weg und die „Weite“ des Graphen<br />
(bzw. Ausprägung nach rechts) die benötigte Zeit anzeigten. Außerdem konnte anhand des Materi<strong>als</strong><br />
erkannt und von den Versuchsteilnehmern bzw. der Versuchsleiterin mit Gegenbeispielen widerlegt<br />
werden, dass die Länge eines Graphen keine der relevanten inhaltlichen Größen eindeutig repräsentiert<br />
(z. B. bei der ersten und dritten Graphik in Abbildung 7-4).<br />
Am zweiten Trainingstag wurde zunächst weiter im Geschwindigkeitskontext gearbeitet. Das in<br />
diesem Teil des Basistrainings bearbeitete Material wurde später im Kontrastteil mit veränderter<br />
Achsenbeschriftung ein weiteres Mal von den Kindern bearbeitet. Es wird an dieser Stelle jedoch nur<br />
auf die Aufgaben im Kontext des Basisteils eingegangen, da die auf diesem Material aufbauenden<br />
Aktivitäten im Kontrastteil mit denen des Basisteils identisch waren.<br />
136
Kapitel 7 – Methode<br />
(Zeit in Sekunden)<br />
20<br />
15<br />
10<br />
Struktureller Kontrast<br />
(Einnahmen in Euro)<br />
20<br />
15<br />
10<br />
Inhaltlicher Kontrast<br />
Weg in Metern<br />
5<br />
Weg in Metern<br />
5<br />
0<br />
0 5 10 15 20<br />
Zeit in Sekunden<br />
(Weg in Metern)<br />
0<br />
0 5 10 15 20<br />
Zeit in Sekunden<br />
(Verkaufte Liter Getränk)<br />
Abbildung 7-5: Schematische Darstellung des strukturellen und des inhaltlichen Kontrasts (durchgezogene<br />
Linien und Beschriftungen ohne Klammern kennzeichnen die Elemente des Basisteils, gestrichelte Linien und<br />
Beschriftungen mit Klammern die des Kontrastteils).<br />
In diesem Teil des Basistrainings wurden Graphen bearbeitet, die nicht streng linear waren, sondern<br />
verschiedene Ausprägungen der Steigungen enthielten. Anhand dieses Graphen wurde das gefundene<br />
Steigungsmapping wiederholt, und die Versuchsteilnehmer lernten eine Methode kennen, sich den<br />
konkreten Wert einer Steigung (d. h. die durch diese Steigung repräsentierte Geschwindigkeit bzw.<br />
den Verkaufspreis) zu erschließen. Es wurde herausgearbeitet, dass die gängige Maßeinheit für<br />
Geschwindigkeit (Meter pro Sekunde) angibt, wie viele Meter jemand in einer Sekunde <strong>zur</strong>ücklegt und<br />
dass dies günstig für den Vergleich zweier Geschwindigkeiten ist, da somit die Zeiteinheit in beiden<br />
Proportionen identisch ist und für den Vergleich nicht in die Betrachtung eingeschlossen werden muss.<br />
Die einzelnen Teilstücke des Graphen jedoch repräsentierten unterschiedlich lange Fahrzeiten mit<br />
einer bestimmten Geschwindigkeit.<br />
137
Kapitel 7 – Methode<br />
(Verkaufte Liter Getränk)<br />
20<br />
15<br />
10<br />
Kombinierter Kontrast<br />
Weg in Metern<br />
(4) 20<br />
(3) 15<br />
(2) 10<br />
Kein Kontrast<br />
Weg in Metern<br />
5<br />
(1) 5<br />
0<br />
0 5 10 15 20<br />
Zeit in Sekunden<br />
(Einnahmen in Euro)<br />
0<br />
0 5 10 15 20<br />
Zeit in Sekunden<br />
Abbildung 7-6: Schematische Darstellung des kombinierten Kontrasts und der Bedingung ohne Kontrast<br />
(durchgezogene Linien und Beschriftungen ohne Klammern kennzeichnen die Elemente des Basisteils,<br />
gestrichelte Linien und Beschriftungen mit Klammern die des Kontrastteils).<br />
Das Steigungsdreieck wurde dabei mehrfach von der Versuchsleiterin demonstriert und die Beziehung<br />
der beiden Schenkel des Dreiecks mit den entsprechenden Veränderungen der Weg- bzw. Zeit-Werte<br />
an beiden Achsen in Beziehung gesetzt. Bei einem weiteren Übungs-Graphen sollten die Versuchsteilnehmer<br />
eigenständig die im Graphen repräsentierte Geschwindigkeit feststellen und den<br />
Graphen mit einem weiteren Abschnitt fortsetzen, der eine von ihnen selbst gewählte Geschwindigkeit<br />
zeigte.<br />
Wie bereits erwähnt, wurden im Kontrastteil dieselben Graphen und Abbildungen benutzt mit dem<br />
Unterschied, dass die Achsen jeweils mit den neuen Variablen überklebt wurden. Im Training der<br />
Kontrollgruppe ohne Kontrast wurde lediglich die Y-Achse mit einer neuen Skalierung überklebt, so<br />
dass sich die Steigungswerte der Graphen veränderten. Die Abbildung 7-5 und Abbildung 7-6 zeigen<br />
die jeweilige Variation des Kontrastteils und die daraus resultierenden Steigungsdreiecke für jede der<br />
vier Bedingungen. Am Ende des Basis- bzw. des Kontrastteils wurden die Teilnehmer aufgefordert,<br />
die gefundenen Beziehungen zwischen der Steigung und der jeweiligen inhaltlichen Variablen mit<br />
Hilfe des Steigungsdreiecks zu erklären.<br />
Um die drei Kontrastbedingungen untereinander und vor allem im Vergleich <strong>zur</strong> Kontrollgruppe<br />
vergleichbar zu gestalten, wurden die gefundenen Beziehungen für den Basis- und den Kontrastteil des<br />
Trainings zwar abschließend wiederholt und zusammengefasst, es wurde jedoch darauf verzichtet, das<br />
Mapping zwischen beiden Fällen explizit auszuarbeiten. Stattdessen wurden die Erkenntnisse der<br />
beiden Trainingsteile lediglich wiederholt. Insbesondere den Kindern in der strukturellen und der<br />
kombinierten Kontrastgruppe wurde nicht mitgeteilt oder nahe gelegt, welche Art der Beschriftung<br />
bzw. des Mappings von Variablen auf die Achsen konventionell verwendet wird. Dies ist besonders<br />
im Hinblick auf die Ergebnisse dieser Untersuchung relevant.<br />
138
Kapitel 8 - Ergebnisse<br />
8. Ergebnisse<br />
Diese Arbeit verfolgt drei Fragestellungen. Erstens soll untersucht werden, ob Fünftklässler durch ein<br />
vierstündiges Training ein grundlegendes Verständnis der Steigung eines linearen Graphen erwerben<br />
können. Zweitens soll geprüft werden, ob Versuchspersonen zu einem tieferen Verständnis der<br />
Steigung gelangen, wenn sie die Gelegenheit bekommen, anhand zweier sich kontrastierender Fälle<br />
von Aufgaben zu lernen im Vergleich zu einer vertieften Übungsphase mit demselben Fallmaterial.<br />
Drittens wird der Frage nachgegangen, welche Art der Kontrastierung dabei am effektivsten für den<br />
Lernfortschritt ist.<br />
Um diese Fragen differenziert beantworten zu können, wurden drei verschiedene abhängige Variablen<br />
in einem Vor-Nachtest-Design erhoben. Es wurde die Interpretation von Graphen im Erwerbskontext<br />
Geschwindigkeit (Nahtransfer) und die Interpretation von Steigungen in neuen Kontexten (Ferntransfer)<br />
sowohl für Aufgaben mit konventioneller Achsenzuordnung <strong>als</strong> auch für Aufgaben mit nichtkonventioneller<br />
Achsenzuordnung erfasst. Des Weiteren wurde erhoben, wie gut die Versuchsteilnehmer<br />
der einzelnen Bedingungen die Zusammenhänge zwischen verschiedenen inhaltlichen<br />
Variablen und deren Repräsentation in der Steigung erklären können.<br />
Im ersten Abschnitt (Punkt 8.1) werden die Skalen der einzelnen abhängigen Variablen mit ihren<br />
Itemkennwerten beschrieben. Darauf folgen Analysen <strong>zur</strong> Prüfung der Vergleichbarkeit der Stichproben.<br />
Es wird geprüft, ob einerseits die Trainingsgruppen und die Baseline-Gruppe (Punkt 8.2.1) und<br />
andererseits die Trainingsgruppen untereinander (Punkt 8.2.2) vergleichbar sind, oder ob ein Bias bei<br />
der Stichprobenziehung vorliegt. Bei sehr großen Stichproben kann diese Frage vernachlässigt<br />
werden, bei einer Versuchspersonenzahl von nur 15 Personen ist es jedoch essenziell für die Interpretation<br />
der Ergebnisse, dass sich für die untersuchte Fragestellung wichtige Grundvoraussetzungen<br />
bzw. Fähigkeiten der Versuchsteilnehmer gleichmäßig auf die einzelnen experimentellen Gruppen<br />
bzw. Stichproben verteilen.<br />
In einem dritten Abschnitt (Punkt 8.3) werden die Hypothesen über die Unterschiedlichkeit der<br />
untersuchten Gruppen inferenzstatistisch gemäß ihrer Spezifizierung auf einem α-Fehler-Niveau von<br />
5% geprüft. Dabei werden die Analysen für jede der drei abhängigen Variablen in einem gesonderten<br />
Unterkapitel beschrieben. Dabei wird zunächst immer geprüft, ob sich die Leistungen der Baselinestichprobe<br />
auf der jeweiligen Variable von denen der vier Trainingsgruppen unterscheidet und in<br />
einem zweiten Schritt, ob sich zwischen den einzelnen Trainingsgruppen Unterschiede in den<br />
Leistungen gemäß der aufgestellten Hypothesen beobachten lassen. Zusätzlich werden Effekte des<br />
Aufgabenformates (Multiple Choice vs. offen) exploriert sowie Schüler mit guten und geringen<br />
Eingangsvoraussetzungen bezüglich ihres Lernfortschrittes miteinander verglichen.<br />
139
Kapitel 8 - Ergebnisse<br />
8.1 Beschreibung der Skalen<br />
8.1.1 Graphinterpretation im Geschwindigkeitskontext (Nahtransfer)<br />
Diese Skala setzte sich aus sechs Interpretationsaufgaben im Kontext Geschwindigkeit zusammen<br />
(Seite 237 bis 242), wobei vier Multiple-Choice-Aufgaben, eine Konstruktionsaufgabe und eine<br />
Interpretationsaufgabe im offenen Antwortformat eingesetzt wurden. Multiple-Choice-Aufgaben<br />
wurden <strong>als</strong> richtig beantwortet angesehen, wenn das vollständige Muster von angekreuzten richtigen<br />
und nicht-angekreuzten f<strong>als</strong>chen Antwortalternativen von den Versuchspersonen repliziert wurde.<br />
Dies ist insbesondere bei solchen Aufgaben von Bedeutung, bei denen es mehrere richtige Antwortalternativen<br />
gab.<br />
Für die offene Interpretationsaufgabe wurden die Antworten der Versuchspersonen von zwei<br />
unabhängigen Ratern danach kodiert, ob die Aufgabe richtig gelöst wurde und ob die Antwort auf ein<br />
Misskonzept bei der Grapheninterpretation hindeutet. Für richtige Interpretationen wurde die Aufgabe<br />
<strong>als</strong> gelöst kodiert, Misskonzeptantworten und andere nicht eindeutig korrekte Interpretationen wurden<br />
<strong>als</strong> f<strong>als</strong>ch gewertet. Die Interrater-Übereinstimmung für diese Aufgabe betrug Cohens Kappa κ = .81<br />
und ist <strong>als</strong> gut einzuschätzen. Für die Konstruktionsaufgabe wurde ein Punkt vergeben, wenn alle drei<br />
geforderten Zeichnungen korrekt waren. Die Interrater-Übereinstimmung für diese Kodierung betrug<br />
κ = .86.<br />
Die Punkte aller sechs Aufgaben wurden für jedes Kind zu einem Summenwert zusammengefasst<br />
(M = 0.98; SD = 1.19 im Vortest und M = 1.94; SD = 1.77 im Nachtest). Die interne Konsistenz der<br />
Skala betrug α = 0.59 im Vortest und α = 0.75 im Nachtest 28 . Dass die Nachtestwerte eine bessere<br />
interne Konsistenz aufweisen <strong>als</strong> die Werte des Vortests, kann <strong>als</strong> Indiz dafür angesehen werden, dass<br />
durch das Training die <strong>zur</strong> richtigen Beantwortung dieses Tests notwendigen Fähigkeiten entwickelt<br />
wurden.<br />
In Anhang III werden sowohl die Itemstatistiken dieser Skala für den Vortest und den Nachtest<br />
berichtet. Allerdings verteilen sich die Messwerte dieser Skala nicht annähernd gemäß der Normalverteilung,<br />
sondern die Verteilung ist deutlich linksschief. Deshalb wird neben der für die inferenzstatistische<br />
Absicherung der Ergebnisse angemessenen Varianzanalyse auch das entsprechende<br />
verteilungsfreie, nicht-parametrische Verfahren eingesetzt werden.<br />
28 Die einzelnen Analysen <strong>zur</strong> Beschreibung der einzelnen Skalen sind in Anhang III dokumentiert.<br />
140
Kapitel 8 - Ergebnisse<br />
8.1.2 Interpretation von Graphen in Transferkontexten (mit konventioneller und nichtkonventioneller<br />
Achsenzuordnung)<br />
Dieser Test setzt sich aus sieben verschiedenen Aufgaben zusammen, wobei für jeden Aufgabentyp<br />
jeweils ein Item mit konventioneller und mit nicht-konventioneller Achsenzuordnung konstruiert<br />
wurde, die sich darüber hinaus im repräsentierten Inhalt unterschieden. Jeweils fünf der sieben<br />
Aufgaben waren darüber hinaus im Multiple-Choice-Format und zwei Aufgaben mit offenem<br />
Antwortformat formuliert, wobei von den fünf Aufgaben im Multiple-Choice-Format jeweils zwei<br />
Aufgaben <strong>als</strong> Füllaufgaben konzipiert waren und nicht in die endgültige Skala aufgenommen wurden.<br />
Die Lösungen der Versuchsteilnehmer auf den insgesamt 14 Items dieses Tests wurden wiederum<br />
nach vollständigen Lösungsmustern <strong>als</strong> richtige bzw. f<strong>als</strong>che Antwort kodiert (siehe Items in Anhang<br />
II; Seite 243 bis 252).<br />
Da für die Hypothesen zentral ist, zwischen den Antworten der Versuchsteilnehmer bei Aufgaben mit<br />
konventioneller und nicht-konventioneller Achsenbeschriftung zu unterscheiden, wird zunächst mit<br />
Hilfe einer Faktoranalyse geprüft, ob sich zwei Subskalen für die Items mit beiden Arten der Achsenzuordnung<br />
differenzieren lassen. Für diese Analyse sind vor allem die Nachtestdaten der Trainingsstichprobe<br />
relevant, da sich nur in den Trainingsbedingungen durch das Training verschiedene<br />
Teilfertigkeiten herausbilden sollten, während eine solche Differenzierung weder für die Ergebnisse<br />
des Vortests noch für die Baselinestichprobe erwartet werden kann. Die entsprechende explorative<br />
Faktoranalyse mit den Ergebnissen des Vortests zeigte erwartungsgemäß, dass sich zwar die offenen<br />
Aufgaben von den Multiple-Choice-Aufgaben bereits differenzieren lassen, dies aber für die Art des<br />
Mappings nicht zutrifft.<br />
Eine explorative Hauptkomponenten-Faktoranalyse mit Varimax-Rotation wurde für die 14 Items des<br />
gesamten Ferntransfertests gerechnet (7 Items mit konventionellem und 7 mit nicht-konventionellem<br />
Mapping). Diese Analyse ergab zunächst 4 Faktoren mit einer Varianzaufklärung von 72,9 Prozent.<br />
Tabelle 8-1 zeigt die Ladungen jedes Items des Ferntransfertests auf einem der vier gefundenen<br />
Faktoren. Auf dem ersten Faktor laden Items mit konventioneller Achsenbeschriftung im Multiple-<br />
Choice-Format und, wie aufgrund der Aufgabenanforderungen erwartet werden konnte, die zwei<br />
Füllitems mit unkonventioneller Achsenzuordnung (NKM-2 und NKM-4; Seite 246 und 247). Somit<br />
kann bestätigt werden, dass die Füllitems mit unkonventionellem Mapping keine anderen Anforderungen<br />
an den Lernenden stellen <strong>als</strong> die Items mit konventionellem Mapping. Auf dem zweiten Faktor<br />
sind die vier Items im offenen Antwortformat (mit konventioneller und nicht-konventioneller<br />
Zuordnung) repräsentiert, während der dritte Faktor zwei Multiple-Choice-Items mit nichtkonventioneller<br />
Achsenbeschriftung vereint. Weiterhin wurde ein vierter Faktor identifiziert, der zwei<br />
korrespondierende Aufgaben (mit konventioneller und nicht-konventioneller Zuordnung) zusammenfasst,<br />
welche im Gegensatz zu den Aufgaben des ersten und dritten Faktors jeweils einen Graphen mit<br />
variierender Steigung zeigten (Item KM-5 und NKM-5; Seite 249 und 250).<br />
141
Kapitel 8 - Ergebnisse<br />
Tabelle 8-1: Faktorladungen der einzelnen Items des Ferntransfertests im Nachtest für die explorative, die<br />
Analyse mit 3 Faktoren und die explorative Analyse ohne Füllitems (grau markiert ist die höchste Ladung jedes<br />
Items)<br />
Explorative Faktorlösung<br />
Faktorlösung mit<br />
3 Faktoren<br />
Explorative<br />
Faktorlösung<br />
ohne Füllitems<br />
1 2 3 4 1b 2b 3b 1c 2c 3c<br />
KM-1 ,686 -,015 -,055 ,327 ,725 -,060 ,117 ,805 ,161 ,089<br />
KM-2 ,848 ,260 ,134 ,018 ,824 ,317 ,126 - - -<br />
KM-3 ,620 ,299 -,266 ,235 ,626 ,270 ,034 ,607 ,440 ,017<br />
KM-4 ,821 ,103 ,286 ,156 ,829 ,104 ,264 - - -<br />
KM-5 ,326 -,120 -,169 ,801 ,446 -,379 ,340 ,808 -,182 ,168<br />
KM-6a ,002 ,843 ,218 ,189 -,022 ,669 ,569 -,101 ,629 ,550<br />
NKM-6b ,130 ,831 ,160 ,221 ,110 ,666 ,537 ,013 ,673 ,498<br />
NKM-1 ,468 ,475 ,464 ,119 ,453 ,400 ,520 ,245 ,447 ,615<br />
NKM-2 ,853 ,278 ,170 -,068 ,816 ,366 ,101 - - -<br />
NKM-3 ,194 ,065 ,834 -,023 ,191 ,025 ,549 -,009 -,036 ,730<br />
NKM-4 ,764 ,109 ,380 ,154 ,773 ,097 ,332 - - -<br />
NKM-5 ,056 ,361 ,338 ,632 ,128 ,052 ,760 ,259 ,099 ,658<br />
NKM-6a ,297 ,772 -,078 -,210 ,214 ,824 ,065 ,072 ,862 ,101<br />
NKM-6b ,440 ,632 -,145 -,237 ,359 ,731 -,058 ,155 ,826 -,041<br />
Varianzaufklärung<br />
30 % 21 % 11 % 10 % 30 % 20 % 15 % 18 % 27 % 20 %<br />
Interne<br />
.89 .82 .60 .45 .87 .82 .61 .66 .82 .61<br />
Konsistenz*<br />
* Cronbachs α der auf Basis der jeweils grau markierten Items gebildeten Skala<br />
Da diese Differenzierung für die geplanten Analysen jedoch nicht sinnvoll erscheint und weiterhin die<br />
interne Konsistenz dieses vierten Faktors (Cronbachs α = 0.45) im Vergleich zu den anderen drei<br />
Faktoren relativ gering ist (Cronbachs α zwischen 0.89 und 0.60), wurde eine weitere Faktorenanalyse<br />
durchgeführt, wobei die Anzahl der gesuchten Faktoren auf drei Faktoren beschränkt wurde. In dieser<br />
zweiten Analyse laden die beiden Items des bisherigen vierten Faktors hypothesenkonform auf dem<br />
ersten und dritten Faktor. Der durch die drei Faktoren aufgeklärte kumulierte Varianzanteil sank durch<br />
die Auflösung des vierten Faktors um 8,4 Prozentpunkte auf 64,5 Prozent. Weiterhin lädt das Item<br />
NKM-1 deutlicher auf Faktor 3 <strong>als</strong> in der Faktorlösung mit vier Items, in der es auf den ersten drei<br />
Faktoren in etwa gleich hohe Ladungen erhielt. Die resultierenden drei Faktoren der eingeschränkten<br />
Faktoranalyse stimmen mit den verschiedenen im Punkt 7.3.2 postulierten Anforderungen bei der<br />
Beantwortung der Fragen überein. Inhaltlich lassen sich die Faktoren wie folgt interpretieren:<br />
Auf dem ersten Faktor laden jeweils alle Items, die sich lösen lassen, wenn bei der Interpretation der<br />
Graphen auf die Steigung aber nicht auf die Achsenbeschriftung geachtet wird (Items KM-1 bis<br />
KM-5). Das vorher auf dem vierten Faktor abgebildete Item KM-5 lässt sich hier gut einordnen.<br />
Außerdem laden die beiden Füllitems mit nicht-konventioneller Achsenbeschriftung auf diesem<br />
142
Kapitel 8 - Ergebnisse<br />
Faktor, zu deren korrekter Lösung die Richtung des Mappings nicht beachtet werden muss (Items<br />
NKM-2 und NKM-4). Die interne Konsistenz der Skala mit den Items dieses Faktors beträgt unter<br />
Verwendung aller sieben Items Cronbachs α = 0.87 und unter Ausschluss der vier Füllitems Cronbachs<br />
α = 0.66.<br />
Auf dem zweiten Faktor laden die vier Items des Transfertests, welche im offenen Antwortformat<br />
gestellt wurden, d. h. zu deren Lösung ein genauer Wert für die Steigung bestimmt werden musste.<br />
Dabei laden sowohl die zwei Items mit dem konventionellen, <strong>als</strong> auch mit dem nicht- konventionellen<br />
Mapping auf diesem Faktor (Items KM-6a, KM-6b, NKM-6a und NKM-6b; Seite 251 und 253). Die<br />
korrekte Lösung der letzteren zwei Items erforderte demnach, dass auf die in der Graphik vorgegebene<br />
Beschriftung der Achsen geachtet wird und die Strategie an diese Situation angepasst wird. Die interne<br />
Konsistenz dieser Skala beträgt Cronbachs α = 0.82 (bei vier Items).<br />
Auf dem dritten Faktor laden ausschließlich die drei Items mit nicht-konventionellem Mapping im<br />
Multiple-Choice-Format (Items NKM-1, NKM-3, NKM-5), für deren Lösung es kritisch ist, dass<br />
sowohl auf die Steigung <strong>als</strong> auch auf die genaue Achsenbeschriftung geachtet wird. Das Cronbachs α<br />
für diese Skala mit drei Items beträgt α = 0.61.<br />
Die interne Konsistenz der Faktoren 1 und 3 verschlechtert sich durch Hinzunahme der beiden Items<br />
des aufgelösten vierten Faktors nicht. Bei genauer Betrachtung der Faktorladungen des zweiten<br />
Faktors lässt sich feststellen, dass die Items mit konventionellem Mapping gleichzeitig relativ hoch auf<br />
dem drittem Faktor laden, während dies für die zwei Items dieses Faktors mit nicht-konventionellem<br />
Mapping nicht gegeben ist. Dies lässt darauf schließen, dass beide Aufgabenvarianten, obwohl sie auf<br />
einem Faktor laden, dennoch tendenziell unterschiedliche Aspekte erfassen könnten. Interpretiert man<br />
diese Aufgaben im Sinne von Anforderungen an das im Training erworbene Verständnis der Steigung,<br />
so ist es für die Lösung der zwei Items mit konventionellem Mapping nötig, das Steigungsdreieck so<br />
anzuwenden, wie es im Basisteil des Trainings geübt wurde. Für die Lösung der anderen zwei Items<br />
dagegen muss erkannt werden, dass eine Übertragung dieser Strategie bei der vorliegenden Achsenbeschriftung<br />
zu einem f<strong>als</strong>chen Ergebnis führt, da die Achsenbeschriftung eine Anpassung dieser<br />
Strategie an die veränderte Situation erforderlich macht. Da es theoretisch interessant ist, ob dies den<br />
Versuchspersonen unter allen experimentellen Bedingungen gelingt, sollen diese beiden Varianten von<br />
Items im offenen Antwortformat in einer weiteren Analyse auch getrennt betrachtet werden (Cronbachs<br />
α = 0.89 für Items mit konventioneller und α = 0.82 für Items mit nicht- konventioneller<br />
Achsenbeschriftung bei jeweils zwei Items in jeder Skala).<br />
Des Weiteren wurde eine explorative Faktoranalyse ohne die vier Füllitems berechnet, um sicherzustellen,<br />
ob die gefundene Faktorstruktur auch ohne diese Items bestehen bleibt. Die dritte Spalte in<br />
Tabelle 8-1 zeigt, dass dies tatsächlich der Fall ist. Lediglich die Varianzanteile der einzelnen Faktoren<br />
verändern sich geringfügig. Tabelle 8-2 fasst die inhaltliche Interpretation der drei Faktoren und die<br />
Werte der internen Konsistenz für die jeweilige Skala noch einmal zusammen.<br />
143
Kapitel 8 - Ergebnisse<br />
Tabelle 8-2: Resultierende Faktoren des Ferntransfertests und deren inhaltliche Interpretation.<br />
Faktor Anforderung Bezeichnung Items Cronbachs α<br />
KM-1<br />
ohne Füllitems:<br />
KM-3<br />
.66<br />
1<br />
Auf Steigung achten, genaues<br />
Beachten der Achsenbeschriftung<br />
<strong>zur</strong> korrekten Lösung<br />
nicht nötig<br />
Multiple-Choice<br />
konventionelles<br />
Mapping<br />
KM-5<br />
(KM-2)<br />
(KM-4)<br />
mit Füllitems:<br />
.87<br />
(NKM-2)<br />
(NKM-4)<br />
Offenes Format<br />
KM-6a<br />
gesamt:<br />
.82<br />
2<br />
Steigungswerte erschließen<br />
(z. B. mit Steigungsdreieck)<br />
konventionelles und<br />
nicht-konventionelles<br />
Mapping<br />
KM-6b<br />
NKM-6a<br />
NKM-6b<br />
konvent.:<br />
.89<br />
nicht-konv.:<br />
.82<br />
3<br />
Auf Steigung achten, genaues<br />
Beachten der Achsenbeschriftung<br />
kritisch für korrekte<br />
Lösung<br />
Multiple-Choice<br />
nicht-konventionelles<br />
Mapping<br />
NKM-1<br />
NKM-3<br />
NKM-5<br />
.61<br />
Die berichteten Analysen zeigen, dass sich auf der Basis der Nachtestwerte der Trainingsstichprobe<br />
wie angenommen zwei unterschiedliche Skalen für Items mit konventioneller und nichtkonventioneller<br />
Achsenbeschriftung bilden lassen, welche im Hinblick auf Unterschiede im Antwortmuster<br />
zwischen den verschiedenen Trainingsgruppen untersucht werden können. Allerdings muss<br />
darüber hinaus auch zwischen Aufgaben mit offenem und Multiple-Choice-Format unterschieden<br />
werden. Daher werden auf Basis der erhaltenen Faktorstruktur drei anstatt nur zwei Skalen für den<br />
Transfertest gebildet: zwei Skalen für die Items im Multiple-Choice-Format mit konventioneller bzw.<br />
nicht- konventioneller Achsenbeschriftung und eine weitere Skala, welche die Aufgaben im offenen<br />
Antwortformat repräsentiert. Für jede dieser drei Skalen soll untersucht werden, ob es Unterschiede<br />
zwischen den experimentellen Bedingungen gibt.<br />
Sowohl die Verteilungen der Vortest- <strong>als</strong> auch der Nachtestwerte für die drei Subskalen sind deutlich<br />
linksschief, so dass nicht davon ausgegangen werden kann, dass die Fehlerkomponenten der Kennwerteverteilungen<br />
normalverteilt sind. Daher muss für die inferenzstatistische Absicherung von Unter-<br />
144
Kapitel 8 - Ergebnisse<br />
schieden auf diesen Skalen auch auf verteilungsfreie, non-parametrische Tests <strong>zur</strong>ückgegriffen<br />
werden.<br />
Für die beiden korrespondierenden Items mit konventioneller und nicht-konventioneller Achsenbeschriftung<br />
wurden sowohl die repräsentierten Inhalte (Inhalt 1 vs. Inhalt 2) <strong>als</strong> auch die Reihenfolge<br />
der Items im Gesamttest über alle Bedingungen und Versuchspersonen hinweg ausbalanciert, so dass<br />
sich vier verschiedene Testversionen ergaben (siehe Tabelle 8-3)<br />
Tabelle 8-3: Ausbalancierungsschema für die Items mit unterschiedlicher Achsenzuordnung bezüglich der<br />
repräsentierten Inhalte und der Reihenfolge der Items im Gesamttest.<br />
Testversion Inhalt Reihenfolge<br />
konventionell nicht-konvent. 1. Testhälfte 2. Testhälfte<br />
1 Set 1 Set 2 konventionell nicht-konvent.<br />
2 Set 1 Set 2 nicht-konvent. konventionell<br />
3 Set 2 Set 1 konventionell nicht-konvent.<br />
4 Set 2 Set 1 nicht-konvent. konventionell<br />
Da die Items dieses Tests demnach nicht allen Versuchspersonen in derselben Reihenfolge präsentiert<br />
wurden, muss ausgeschlossen werden, dass weder die Reihenfolge der Präsentation der Items im Test<br />
noch die Zuordnung eines bestimmten Inhalts auf ein Itemformat mit konventioneller bzw. nichtkonventioneller<br />
Achsenbeschriftung einen differentiellen Effekt auf den Lerngewinn zwischen den<br />
vier experimentellen Bedingungen hat.<br />
Eine multivariate Varianzanalyse mit den Between-Subjects-Faktoren Inhalt(2), Reihenfolge(2) und<br />
Bedingung(4) und den Vor-Nachtest-Differenzen der drei neu gebildeten abhängigen Variablen<br />
(konventionelle Items, nicht-konventionelle Items, offene Items) zeigte, dass weder für die Reihenfolge<br />
der Items noch für die Inhalte der Aufgaben ein differenzieller Effekt im Lerngewinn zwischen den<br />
fünf Versuchsbedingungen festzustellen ist (p > .20). Es kann demnach davon ausgegangen werden,<br />
dass beide Faktoren nicht zu systematischen Unterschieden in den Leistungen der Teilnehmer in den<br />
einzelnen Versuchsbedingungen geführt haben.<br />
8.1.3 Erklären und Erschließen von neuen Bedeutungen der Steigung<br />
Bei diesen vier Aufgaben (Seite 259 bis 262) stand die Fähigkeit der Versuchsteilnehmer im Mittelpunkt,<br />
die Beziehungen zwischen der Steigung und ihrer inhaltlichen Bedeutung explizit zu benennen<br />
und neue Bedeutungen der Steigung aus vorgegebenen Graphiken zu konstruieren. Im Gegensatz zu<br />
den Aufgaben des Transfertests waren bei diesen Aufgaben <strong>als</strong>o weniger Anhaltspunkte <strong>zur</strong> Lösung<br />
gegeben.<br />
145
Kapitel 8 - Ergebnisse<br />
Die Antworten der Versuchsteilnehmer zu jeder Aufgabe wurden von zwei unabhängigen<br />
Kodiererinnen nach einem sechsstufigen Kategorieschema kodiert. Die Beurteiler-Übereinstimmung<br />
war sehr gut (Kappa = .83). Nicht übereinstimmende Kodierungen wurden diskutiert, und es wurde ein<br />
Konsensurteil vergeben.<br />
Tabelle 8-4 zeigt die einzelnen Kodierungskategorien und jeweils zwei typische Beispielantworten.<br />
Wurden beide Achsenvariablen der Graphik <strong>zur</strong> Erklärung herangezogen bzw. <strong>als</strong> neue Erklärung der<br />
Steigungsvariablen erwähnt, liegt eine zweidimensionale Antwort vor (Kategorie A oder B). Das<br />
Graphenmaterial wurde wiederum so gewählt, dass ein Ablesen und Vergleichen der Endpunkte der<br />
beiden Graphen nicht auf das richtige, durch die Steigung repräsentierte Verhältnis schließen ließ. In<br />
diesem Fall liegt eine zweidimensionale nicht-integrierte Antwort bzw. Erklärung vor (Kategorie B).<br />
Wurde jedoch eine der beiden Variablen mit Hilfe der Graphen konstant gehalten bzw. auf eine<br />
Basiseinheit gebracht und wurden so die Werte beider Achsenvariablen miteinander in eine sinnvolle<br />
Beziehung gesetzt, wurde Kategorie A für zweidimensional integrierte Antworten vergeben. Wenn<br />
lediglich der Bezug zu einer der beiden Achsenvariablen hergestellt wurde, wurde eine eindimensionale<br />
Antwort kodiert (Kategorie C). Die bisher dargestellten Antwortenkategorien vereinen Antworten,<br />
die sich auf die Graphen bzw. die Ausprägungen der einzelnen Achsenvariablen beziehen.<br />
Tabelle 8-4: Sechsstufiges Kodierschema für die offenen Aufgaben zum Erklären und Erschließen von neuen<br />
Bedeutungen der Steigung anhand einiger Antworten der Kinder (Felder grau markiert).<br />
Beispiel Erklärung<br />
Beispiel Erschließen<br />
A<br />
B<br />
C<br />
D<br />
E<br />
Antwort-<br />
Kategorie<br />
Zweidimensional integriert<br />
Zweidimensional<br />
nicht-integriert<br />
Eindimensional<br />
Inhaltliche Interpretation<br />
bzw. Wiederholung<br />
der Regel<br />
Geschwindigkeitsinterpretation<br />
(Übergeneralisierung)<br />
Erkläre, warum man an dem steilerem<br />
Graphen ablesen kann, dass Team A<br />
erfolgreicher und besser spielt.<br />
„Beim 2. Spiel hat Team A schon drei<br />
Punkte gesammelt, Team B hat beim<br />
2. Spiel erst zwei Punkte.“<br />
„Team A hat mehr Punkte, obwohl es<br />
weniger Spiele hat.“<br />
„Wenn der Graph steil ist, ist auch die<br />
Punktzahl höher.“<br />
„Der Graph von Team A zeigt steiler<br />
nach oben und deshalb hat Team A<br />
besser gespielt“<br />
„Weil Team A schneller gespielt hat<br />
<strong>als</strong> Team B.“<br />
LKW-Typ A hat den steilsten<br />
Graphen im Vergleich zu den anderen<br />
beiden LKW-Typen. Das bedeutet,<br />
dass bei Typ A im Vergleich zu Typ<br />
B und C …<br />
„... die meisten Schweine in einen<br />
LKW passen.“<br />
„...mehr Schweine transportiert aber<br />
weniger LKW gebraucht hat.“<br />
„... mehr Schweine transportiert<br />
wurden.“<br />
„... Typ A ist teurer.“<br />
„... LKW-Typ A fährt am schnellsten.“<br />
F<br />
Misskonzept-Antworten<br />
„Team B ist erfolgreicher, da der<br />
Strahl von Team A kürzer ist.“<br />
„... Typ A hat den kurzen Weg.“<br />
Außerdem wurden ebenfalls Antworten gegeben, die keinen Bezug <strong>zur</strong> Graphik, sondern lediglich<br />
zum repräsentierten Inhaltsbereich erkennen ließen. In diesem Fall wurde von den Kindern inhaltlich<br />
argumentiert (z. B. warum Team A besser spielte) oder die Aufgabenstellung in leicht veränderter<br />
146
Kapitel 8 - Ergebnisse<br />
Form lediglich wiederholt. Für diese Antworten wurde die Kategorie D kodiert. Des Weiteren wurde<br />
registriert, ob eine Geschwindigkeitsantwort (Kategorie E) vorlag oder die Antwort auf eine Misskonzept-Interpretation<br />
der Graphen hinwies (Kategorie F).<br />
8.1.4 Kontrolltest der Trainingsinhalte für den Basis- und Kontrastteil des Trainings<br />
Die Skala für den Basisteil des Trainings setzte sich aus neun Aufgaben zusammen (Seite 253 bis<br />
258), welche wiederum nach der Korrektheit der Lösung kodiert und zu einem Gesamtwert aufsummiert<br />
wurden. Dieser wurde <strong>zur</strong> besseren Interpretierbarkeit weiterhin durch die Anzahl der Items<br />
geteilt und mit dem Faktor 100 multipliziert, so dass die Mittelwerte <strong>als</strong> prozentuale Lösungshäufigkeit<br />
interpretiert werden können (M = 58; SD = 36). Eine Aufgabe wurde im offenen Antwortformat<br />
gestellt und die Antworten der Versuchsteilnehmer von zwei unabhängigen Beurteilern kodiert. Die<br />
Beurteiler-Übereinstimmung für diese Aufgabe ist <strong>als</strong> sehr gut einzuschätzen (Kappa = .88). Die<br />
interne Konsistenz der Skala ist ebenfalls sehr hoch (Cronbachs α = 0.90 bei neun Items).<br />
Für die Skala <strong>zur</strong> Kontrolle des Verständnisses für den jeweiligen Kontrastteil des Trainings wurden<br />
nur drei Aufgaben eingesetzt (M = 43; SD = 41). Trotz dieser geringen Itemzahl ist die interne<br />
Konsistenz der Skala sehr hoch (Cronbachs α = 0.80 bei 3 Items).<br />
8.1.5 Proportionales Denken<br />
Diese Skala umfasste vier Rechenaufgaben zum proportionalen Denken (siehe Anhang Seite A5 und<br />
A6). Alle Aufgaben wurden nach der Korrektheit ihrer Lösung kodiert, für jede richtig gelöste<br />
Aufgabe wurde ein Punkt vergeben und ein Summenwert <strong>als</strong> Indikator für die Leistungen jedes Kindes<br />
gebildet. Bei Aufgaben im Multiple-Choice-Format wurde ein Punkt nur dann vergeben, wenn die<br />
korrekte Lösung und keine weitere f<strong>als</strong>che Antwortalternative angekreuzt wurden.<br />
Cronbachs Alpha für die gesamten Skala (M = 1.30; SD = 1.15) mit vier Aufgaben betrug<br />
α = 0.48. Zwar hätte sich durch Ausschluss des ersten Items die interne Konsistenz um 0.02 Punkte<br />
verbessern lassen können, darauf wurde im Hinblick auf eine gleichmäßige Verteilung der Fehlerkomponenten<br />
verzichtet.<br />
8.2 Voranalysen <strong>zur</strong> Vergleichbarkeit der Stichproben<br />
In diesem Abschnitt wird überprüft, ob die Versuchspersonen in der Trainingsstichprobe in Bezug auf<br />
ihre Leistungsvoraussetzungen mit denen in der Baselinestichprobe vergleichbar sind. Da die<br />
Teilnahme am Training freiwillig war, besteht die Möglichkeit, dass sich nur Versuchspersonen mit<br />
bestimmten Voraussetzungen <strong>zur</strong> Teilnahme an der Studie gemeldet haben. So wäre es möglich, dass<br />
vor allem mathematisch besonders begabte oder interessierte Kinder an der Studie teilnahmen und<br />
damit in der Trainingsstichprobe im Vergleich <strong>zur</strong> Baseline-Gruppe überrepräsentiert sind, die zwei<br />
Schulklassen einer Berliner Grundschule mit ihrem gesamten Leistungsspektrum umfasste.<br />
147
Kapitel 8 - Ergebnisse<br />
Um den allgemeinen Effekt des Trainings abschätzen zu können, werden daher die Eingangsvoraussetzungen<br />
der vier Trainingsgruppen mit denen der Baseline-Gruppe auf ihre Vergleichbarkeit getestet<br />
(Punkt 8.2.1). Weiterhin ist <strong>zur</strong> Überprüfung der Hypothesen über die Unterschiede zwischen den vier<br />
Trainingsbedingungen ebenfalls die Gleichverteilung der Fertigkeiten zwischen den vier Trainingsgruppen<br />
zu testen (Punkt 8.2.2). Abschließend wird geprüft, ob die vier experimentellen Gruppen den<br />
beiden Trainingsteilen vergleichbar gut folgen konnten oder ob eventuell ein Trainingsteil in einer<br />
Trainingsgruppe schlechter verstanden wurde, wobei das Augenmerk dabei besonders auf dem je nach<br />
Bedingung unterschiedlichen Kontrastteil des Trainings liegt (Punkt 8.2.3). 29<br />
8.2.1 Test der Gleichverteilung der Lernvoraussetzungen für die Trainingsgruppen und die<br />
Baseline-Gruppe<br />
Als Maß für die individuellen Lernvoraussetzungen können die Lösungsraten aus dem Test zum<br />
proportionalen Denken, die Summenwerte der Vortests für die Interpretation von Graphen im<br />
Geschwindigkeitskontext und die Leistungen auf dem Transfertest herangezogen werden 30 .<br />
Abbildung 8-1 zeigt die z-standardisierten Mittelwerte auf den einzelnen Vortests für die vier<br />
experimentellen Bedingungen und die Baseline-Gruppe.<br />
Mittlerer Z-Wert<br />
1<br />
0,75<br />
0,5<br />
0,25<br />
0<br />
-0,25<br />
Proportionales Denken<br />
Nahtransfer<br />
Ferntransfer<br />
-0,5<br />
-0,75<br />
Strukt.<br />
Kontrast<br />
Komb.<br />
Kontrast<br />
Inhaltl.<br />
Kontrast<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-1: Mittelwerte für die Variablen proportionales Denken, Nahtransfertest und Ferntransfertest im<br />
Vortest für die vier Trainingsbedingungen und die Baseline-Gruppe.<br />
Die Ergebnisse einer multivariaten Varianzanalyse mit den Vortestleistungen auf den beiden Graphenskalen<br />
und dem Test zum proportionalen Denken zeigt, dass es signifikante Unterschiede zwischen<br />
den einzelnen Trainingsgruppen und der Baseline-Gruppe auf diesen Variablen gibt, F(12, 260) =<br />
29 Die Analysen dieses Kapitels sind in Anhang IV dokumentiert.<br />
30 Da für diese Analyse im Mittelpunkt steht, wie gut Graphen und deren Steigung im Vorfeld des Trainings<br />
interpretiert werden können und nicht im Hinblick auf die Sensitivität gegenüber den Achsen differenziert<br />
wird, werden die Items des Transfertests (inklusive der vier Füllitems) für diese Analyse zu einer Skala<br />
zusammengefasst, um eine größtmögliche Power zu erhalten.<br />
148
Kapitel 8 - Ergebnisse<br />
2.47, p < .01, η 2 = .09. Die einfaktoriellen Varianzanalysen (Tabelle 8-5) für jeden einzelnen der drei<br />
Vortests zeigen, dass sich die fünf Bedingungen auf beiden graphischen Vortests unterscheiden, nicht<br />
jedoch auf der Skala zum proportionalen Denken. Einzelne Kontraste für die Baseline-Gruppe<br />
verglichen mit jeder der experimentellen Bedingungen zeigen, dass diese Gruppenunterschiede auf<br />
den graphischen Vortests vor allem auf die schlechteren Leistungen der Baseline-Gruppe im Vergleich<br />
zu jeder der trainierten Bedingungen <strong>zur</strong>ückzuführen ist (Tabelle 8-6).<br />
Tabelle 8-5: F-Statistik für den Vergleich der fünf Gruppen im Vortest auf den abhängigen Variablen proportionales<br />
Denken, Nahtransfer und Ferntransfer<br />
Proportionales Denken F(4, 100) = 0.76, p = .55, η 2 = .03<br />
Nahtransfer F(4, 100) = 3.00, p < .05 η 2 = .11<br />
Ferntransfer F(4, 100) = 6.15, p < .001, η 2 = .20<br />
Außerdem zeigt sich, dass die Versuchspersonen in der kombinierten Kontrastgruppe auch bezüglich<br />
ihrer Vortestleistungen zum proportionalen Denken nicht vergleichbar mit den Versuchsteilnehmern in<br />
der Baseline-Gruppe sind (p = .09). Es muss <strong>als</strong>o davon ausgegangen werden, dass die Versuchspersonen<br />
in der Trainings- und in der Baseline-Gruppe in Bezug auf ihre Eingangsvoraussetzungen,<br />
Graphen zu interpretieren, nicht vergleichbar sind. In Folge dessen könnte argumentiert werden, dass<br />
ein beobachteter positiver Effekt des Trainings lediglich auf die Teilnehmer des Trainings mit<br />
besonders hohem Vorwissen <strong>zur</strong>ückzuführen ist, da bei kleinen Stichproben, wie sie mit einer<br />
Versuchspersonenanzahl von 15 Personen je Bedingung vorliegt, diese Ausreißer besonders stark ins<br />
Gewicht fallen, was wiederum zu progressiven Entscheidungen führen würde. Weiterhin könnte <strong>als</strong><br />
Alternativhypothese angeführt werden, dass wenn Kinder mit ähnlich hohem Vorwissen in der<br />
Baseline-Gruppe repräsentiert gewesen wären, diese von einer wiederholten Bearbeitung der Tests<br />
ebenso viel lernen könnten, wie es für die Teilnehmer der Trainingsstichproben zu beobachten ist. Der<br />
beobachtete Lerneffekt wäre demnach allein auf die Testwiederholung und nicht auf das Training<br />
<strong>zur</strong>ückzuführen.<br />
Um die Ergebnisse des Trainings dennoch sinnvoll interpretieren zu können, wird in einem nächsten<br />
Schritt versucht, eine der Baseline-Gruppe vergleichbare Stichprobe der Trainingsteilnehmer zu<br />
schaffen, indem die Teilnehmer mit überdurchschnittlich hohen Leistungen auf den beiden Graphentests<br />
aus der Stichprobe entfernt werden. Diese reduzierte Stichprobe soll im Folgenden bei signifikanten<br />
Effekten für die gesamte Stichprobe für zusätzliche Analysen herangezogen werden, um gezielt die<br />
erwähnten Alternativhypothesen auszuschließen bzw. eine konservative Testung des Trainingseffektes<br />
vorzunehmen.<br />
149
Kapitel 8 - Ergebnisse<br />
Tabelle 8-6: Zusammenfassung der p-Werte der Kontraste für die Vergleiche jeder der experimentellen<br />
Bedingung mit der Baseline-Gruppe für die drei abhängigen Variablen im Vortest. Grau markiert sind p-Werte<br />
unter der für diese Fragestellung anzunehmenden Signifikanzgrenze von p = .20 (Bortz & Döring, 2002).<br />
Baseline-Gruppe gegen :<br />
(Kontraste)<br />
Proportionales<br />
Denken<br />
Nahtransfer<br />
Ferntransfer<br />
Struktureller Kontrast p = .74 p = .02 p = .03<br />
Kombinierter Kontrast p = .09 p = .06 p = .00<br />
Inhaltlicher Kontrast p = .48 p = .09 p = .14<br />
Kontrollgruppe p = .89 p = .00 p = .00<br />
Zu diesem Zweck wurden die z-Werte der beiden Graphentests zu einem gemeinsamen Wert<br />
zusammengefasst. Da beide Graphenskalen mit r = .52 signifikant miteinander korrelieren, weicht die<br />
Metrik des Summenwertes von der eines z-Wertes ab. Daher wurde der resultierende Summenwert für<br />
beide Graphentests anhand der gesamten Stichprobe z-standardisiert, um eine leichtere Interpretation<br />
zu gewährleisten.<br />
Abbildung 8-2: Verteilungen des z-Wertes des Tests zum proportionalen Denken und des z-Wertes der beiden<br />
Tests zum Graphenverständnis für die Trainings - und die Baseline-Gruppe.<br />
Der Wert für die Interpretationsleistung für die Graphentests und der Wert zum proportionalen<br />
Denken korrelieren signifikant miteinander (r = .37; p < .001), haben aber nur einen gemeinsamen<br />
Varianzanteil von ca. 14 Prozent und können daher <strong>als</strong> zwei verschiedene Leistungsmaße aufgefasst<br />
werden, die zwar nicht unabhängig voneinander sind, aber dennoch verschiedene Teilfertigkeiten<br />
erfassen. Abbildung 8-2 zeigt die Verteilungen beider Werte für die Trainings- und die Baseline-<br />
Gruppe und Abbildung 8-3 die Mittelwerte für die vier Trainingsgruppen und die Baseline-Gruppe.<br />
150
Kapitel 8 - Ergebnisse<br />
1<br />
0,75<br />
Proportionales Denken<br />
Vortests Graphenverständnis<br />
Mittlerer Z-Wert<br />
0,5<br />
0,25<br />
0<br />
-0,25<br />
-0,5<br />
-0,75<br />
Strukt.<br />
Kontrast<br />
Komb.<br />
Kontrast<br />
Inhaltl.<br />
Kontrast<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-3: Mittelwerte der Werte auf den Vortests zum proportionalen Denken und zum Graphenverständnis<br />
für die vier Trainingsbedingungen und die Baseline-Gruppe.<br />
Wie zu erwarten ist, unterscheiden sich die fünf Bedingungen ebenfalls auf dem neu gebildeten Wert<br />
der Vortestleistungen auf den beiden Graphenskalen, F(4, 100) = 5.58, p < .001, η 2 = .18. Geplante<br />
Kontraste für den Vergleich der Baseline-Gruppe mit jeder der vier Trainingsgruppen bestätigen<br />
wiederum, dass jede experimentelle Gruppe deutlich bessere Leistungen auf diesen Kennwerten<br />
erzielte (Baseline-Gruppe vs. struktureller Kontrast p = .01; kombinierter Kontrast p = .00; inhaltlicher<br />
Kontrast p = .06; kein Kontrast p = .00).<br />
Um zwei vergleichbare Stichproben zu erhalten, wurden sowohl Versuchspersonen, deren graphischer<br />
Wert eine Standardabweichung über <strong>als</strong> auch unter dem Mittelwert der Baseline-Gruppe lagen, aus der<br />
Stichprobe entfernt. 31<br />
Tabelle 8-7 ist zu entnehmen, dass dies 36 Versuchspersonen in der Trainingsstichprobe und 20<br />
Versuchspersonen in der Baselinestichprobe betraf. Dabei wurden zwei Drittel der Versuchspersonen<br />
aus der Kontrollgruppe ausgeschlossen im Vergleich zu etwa der Hälfte der Versuchsteilnehmer in der<br />
strukturellen und kombinierten Kontrastbedingung, während sich die Versuchsteilnehmer der<br />
inhaltlichen Kontrastgruppe etwa zu gleichen Anteilen auf alle drei Kategorien verteilten. Dieser<br />
Unterschied in der Verteilung verfehlte nur knapp die Signifikanzgrenze, χ 2 (6, N = 60) = 10.40, p = .11<br />
(exakt zweiseitig).<br />
31 In Voranalysen wurden weitere Ausschlusskriterien überprüft, die jedoch ausnahmslos zu einem ungünstigeren<br />
Ergebnis bezüglich der Vergleichbarkeit der beiden Stichproben führten <strong>als</strong> das hier berichtete Kriterium,<br />
da nicht nur die Teilnehmer der Trainingsstichprobe im oberen Leistungsbereich, sondern ebenfalls die<br />
Teilnehmer der Baseline-Gruppe im unteren Leistungsbereich überrepräsentiert waren.<br />
151
Kapitel 8 - Ergebnisse<br />
Tabelle 8-7: Verteilung des graphischen Wertes nach dem Ausschlusskriterium für die experimentellen<br />
Bedingungen und die Baseline-Gruppe.<br />
Strukt.<br />
Kontrast<br />
Komb.<br />
Kontrast<br />
Inhaltl.<br />
Kontrast<br />
Kontrollgruppe<br />
Trainingsgruppen<br />
gesamt<br />
Baseline-<br />
Gruppe<br />
N<br />
gesamt<br />
über 1 SD 7 8 6 10 31 6 37<br />
Mittel 7 7 5 5 24 25 49<br />
unter 1 SD 1 0 4 0 5 14 19<br />
N gesamt 15 15 15 15 60 45 105<br />
Für diese um die Leistungsextreme reduzierte Stichprobe (N = 49) ließ sich weder für die Leistungswerte<br />
zum proportionalen Denken, F(4, 44) = 0.65, p = .62, η 2 = .06, noch für den graphischen<br />
Gesamtwert ein signifikanter Unterschied zwischen den fünf Bedingungen feststellen, F(4, 44) = 0.62,<br />
p = .64, η 2 = .05. 32 Ebenfalls ist für keinen der beiden graphischen Vortests ein Unterschied zwischen<br />
den Gruppen feststellbar: Nahtransfer, F(4, 44) = 0.36, p = .83, η 2 = .03, und Ferntransfer, F(4, 44) =<br />
1.10, p = .36, η 2 = .09. Die Kennwerte in Tabelle 8-8 zeigen, dass auch für den Vergleich der<br />
Baseline-Gruppe mit jeder der vier Trainingsbedingungen kein signifikanter Unterschied auf einem<br />
der drei Tests zu beobachten ist. Lediglich für den Vergleich der kombinierten Kontrastgruppe mit der<br />
Baseline-Gruppe für den Transfertest wird die relevante Signifikanzgrenze von p = .20 unterschritten.<br />
Tabelle 8-8: Zusammenfassung der p-Werte der geplanten Kontraste für den Vergleich der Baseline-Gruppe mit<br />
jeder der vier experimentellen Bedingungen für die um die Leistungsextreme reduzierte Stichprobe auf den<br />
einzelnen Vortests. Grau markiert sind p-Werte über der hier relevanten Signifikanzgrenze von p = .20.<br />
Baseline-Gruppe<br />
Proportionales<br />
(N = 25) gegen:<br />
Denken<br />
Nahtransfer Ferntransfer<br />
Struktureller Kontrast (N = 7) p = .87 p = .61 p = .31<br />
Kombinierter Kontrast (N = 7) p = .56 p = .25 p = .19<br />
Inhaltlicher Kontrast (N = 5) p = .52 p = .74 p = .61<br />
Kontrollgruppe (N = 5) p = .24 p = .74 p = .39<br />
Durch den Ausschluss von 56 Versuchsteilnehmern, deren Leistungen auf dem Gesamtwert der zwei<br />
Tests zum Graphenverständnis mehr <strong>als</strong> eine Standardabweichung vom Mittelwert der Baseline-<br />
Gruppe abwichen, ist es gelungen, zwei in Bezug auf die Lernvoraussetzungen vergleichbare<br />
Stichproben herzustellen. Alle Analysen bezüglich des Vergleichs zwischen der Baseline-Gruppe und<br />
den experimentellen Gruppen für die einzelnen abhängigen Variablen werden daher sowohl für die<br />
gesamte Stichprobe (N = 105), <strong>als</strong> auch für die Stichprobe ohne diese Leistungsextreme (N = 24 in der<br />
Trainings- bzw. N = 25 in der Baselinestichprobe) berichtet.<br />
32 Sowohl multivariat <strong>als</strong> auch univariat.<br />
152
Kapitel 8 - Ergebnisse<br />
8.2.2 Test der Gleichverteilung der Lernvoraussetzungen für die vier experimentellen<br />
Bedingungen<br />
Für einen Vergleich der vier Trainingsgruppen wird ebenfalls geprüft, ob davon ausgegangen werden<br />
kann, dass in allen vier experimentellen Bedingungen Versuchsteilnehmer mit vergleichbaren<br />
Lernvoraussetzungen repräsentiert sind. Die Einzelvergleiche mit der Baseline-Gruppe gaben bereits<br />
Hinweise darauf, dass insbesondere in der kombinierten Kontrastgruppe überdurchschnittlich gute<br />
Versuchspersonen in Bezug auf die Leistungen zum proportionalen Denken versammelt sein könnten.<br />
Ebenso scheinen einige Versuchsteilnehmer dieser Kontrastgruppe im Vergleich <strong>zur</strong> Baseline-Gruppe<br />
besonders hohe Leistungen auf den beiden Tests zum Graphenverständnis zu zeigen.<br />
Für keine der drei Vortestleistungen konnte in einer multivariaten Varianzanalyse, F(9, 132) = 0.93,<br />
p = .50, η 2 = .05, sowie in den entsprechenden univariaten Varianzanalysen ein signifikanter Unterschied<br />
zwischen den experimentellen Gruppen festgestellt werden (Proportionales Denken,<br />
F(3, 56) = 0.58, p = .63, η 2 = .03; Nahtransfertest, F(3, 56) = 0.23, p = .87, η 2 = .01; Ferntransfer,<br />
F(3, 56) = 1.48, p = .23, η 2 = .07). Somit kann davon ausgegangen werden, dass die Versuchsteilnehmer<br />
der vier Trainingsbedingungen in ihren Vortestleistungen vergleichbar sind.<br />
8.2.3 Kontrollanalysen zum Verständnis der beiden Trainingsteile (Manipulationscheck)<br />
Für eine sinnvolle Interpretation der Ergebnisse ist es wichtig zu kontrollieren, ob die Versuchsteilnehmer<br />
in allen Trainingsbedingungen ihrem jeweiligen Training auch folgen konnten und die<br />
Trainingsinhalte verstanden wurden. So wäre es möglich, dass der strukturelle und der kombinierte<br />
Kontrast per se schwieriger waren und die Teilnehmer dieser beiden Kontrastgruppen die Inhalte ihres<br />
Trainings weniger gut verstanden haben <strong>als</strong> die Teilnehmer der anderen beiden Trainingsgruppen. Zu<br />
diesem Zwecke bearbeiteten die Versuchsteilnehmer nach jedem Trainingsteil einen Kontrolltest, der<br />
die Inhalte bzw. während des Trainings gemeinsam gelöste Aufgaben unter Verwendung von neuem<br />
Zahlenmaterial wiederholte 33 . Abbildung 8-4 zeigt die prozentuale Lösungsrate für jede der fünf<br />
Bedingungen auf den beiden Kontrolltests. Die Kinder der Baseline-Gruppe bearbeiteten diese beiden<br />
Tests ebenfalls - zum einen um die durch das Ausfüllen von Tests gegebene Lerngelegenheit zwischen<br />
den beiden Stichproben konstant zu halten, zum anderen um abschätzen zu können, wie gut die<br />
Trainingsinhalte auch ohne ein solches Training verstanden werden können.<br />
33 Aufgrund eines Fehlers bei der Testdurchführung erhielten nur drei der vier untersuchten Gruppen jeder<br />
Bedingung diese Tests, so dass sich für die Auswertung dieser Tests die Gesamtzahl der Trainingsteilnehmer<br />
von 60 auf 45 verringert.<br />
153
Kapitel 8 - Ergebnisse<br />
Anteil gelöster Aufgaben in Prozent<br />
100<br />
75<br />
50<br />
25<br />
0<br />
Strukt.<br />
Kontrast<br />
Komb.<br />
Kontrast<br />
Inhaltl.<br />
Kontrast<br />
Kontrolltest Basisteil<br />
Kontrolltest Kontrastteil<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-4: Mittlerer Anteil gelöster Aufgaben des Kontrolltests für den Basis- bzw. den Kontrastteil des<br />
Trainings für die vier experimentellen Bedingungen und die Baseline-Gruppe für die gesamte Stichprobe.<br />
Eine multivariate Varianzanalyse mit den Summenwerten beider Kontrolltests <strong>als</strong> abhängige Variablen<br />
und den fünf Bedingungen <strong>als</strong> Gruppierungsfaktor zeigte, dass sich die Gruppen in ihren Leistungen<br />
auf beiden Tests signifikant unterscheiden, F(8, 168) = 25.53, p < .001, η 2 = .55, und dies auch für die<br />
univariaten Analysen der Fall ist (Basisteil, F(4, 85) = 71.03, p < .001, η 2 = .77; Kontrastteil,<br />
F(4, 85) = 40.66, p < .001, η 2 = .66). Die geplanten Vergleiche jeder experimentellen Gruppe mit der<br />
Baseline-Gruppe zeigen, dass dieser Effekt vor allem auf die geringe Lösungshäufigkeit in der<br />
Baseline-Gruppe <strong>zur</strong>ückzuführen ist, da sich für beide Tests jede der experimentellen Gruppen<br />
signifikant von der Baseline-Gruppe unterscheidet (p < .001). In der entsprechenden Analyse für die<br />
um die Leistungsextreme reduzierte Stichprobe bleiben alle berichteten Effekte bestehen (multivariat:<br />
F(8, 76) = 14.48, p < .001, η 2 = .60; univariater Vergleich für Basisteil, F(4, 39) = 41.07, p < .001,<br />
η 2 = .80; univariater Vergleich für Kontrastteil, F(4, 39) = 26.81, p < .001, η 2 = .73; für alle Kontraste<br />
der experimentellen Gruppen mit der Baseline-Gruppe p < .001; siehe Abbildung 8-5).<br />
Bezieht man in die Analyse nur die vier experimentellen Gruppen ein, kann weder für den multivariaten<br />
Effekt, F(6, 80) = 0.43, p = .85, η 2 = .03, noch für die beiden univariaten Vergleiche ein signifikanter<br />
Unterschied zwischen den einzelnen Trainingsbedingungen festgestellt werden (Basisteil,<br />
F(3, 41) = 0.80, p = .50, η 2 = .06; Kontrastteil, F(3, 41) = 0.20, p = .89, η 2 = .02). Bonferroni-<br />
Einzelvergleiche bestätigen, dass sich für jeden möglichen Vergleich einer experimentellen Bedingung<br />
mit einer weiteren Bedingung kein signifikanter Effekt (p < .20) nachweisen lässt, der auf einen<br />
Unterschied im Verständnis der beiden Trainingsteile zwischen den experimentellen Bedingungen<br />
hinweisen würde.<br />
154
Kapitel 8 - Ergebnisse<br />
Anteil gelöster Aufgaben in Prozent<br />
100<br />
75<br />
50<br />
25<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Kontrolltest<br />
Basisteil<br />
Kontrolltest<br />
Kontrastteil<br />
Abbildung 8-5: Mittlerer Anteil gelöster Aufgaben des Kontrolltests für den Basis- bzw. den Kontrastteil des<br />
Trainings für die vier experimentellen Bedingungen und die Baseline-Gruppe für die um die Leistungsextreme<br />
reduzierte Stichprobe.<br />
Die Ergebnisse dieses Abschnitts zeigen, dass die Lernvoraussetzungen der Versuchspersonen<br />
annähernd gleichmäßig auf die vier Trainingsgruppen verteilt waren. In der Baselinestichprobe<br />
dagegen waren Kinder mit guten Eingangsvoraussetzungen bei der Interpretation von Graphen<br />
unterrepräsentiert. Durch eine Reduktion der Stichprobe um die Versuchsteilnehmer mit besonders<br />
guten bzw. schlechten Leistungen auf den beiden graphischen Vortests ist es möglich, eine der<br />
Baseline-Gruppe in diesen Voraussetzungen vergleichbare Stichprobe zu schaffen. Diese um die<br />
Leistungsextreme reduzierte Stichprobe wird im Folgenden für zusätzliche Analysen herangezogen,<br />
um zu prüfen, ob Unterschiede in den abhängigen Variablen zwischen den Trainingsgruppen und der<br />
Baseline-Gruppe allein auf die Unterschiede in den Eingangsvoraussetzungen <strong>zur</strong>ückzuführen sind.<br />
Weiterhin kann davon ausgegangen werden, dass die Versuchsteilnehmer in allen vier Bedingungen<br />
die Trainingsinhalte vergleichbar gut verstanden haben, da die Versuchsteilnehmer in allen vier<br />
Trainingsbedingungen die dem Training ähnlichen Aufgaben der Kontrolltests mit einer durchschnittlichen<br />
Lösungsrate von 80 Prozent lösten. Darüber hinaus zeigt der Vergleich mit der Baseline-<br />
Gruppe, dass ohne ein solches Training diese Aufgaben nur von einem geringen Teil der Schüler<br />
ansatzweise gelöst werden kann. Insgesamt erzielten 22 der 90 Kinder, die den Kontrolltest für den<br />
Basisteil bearbeiteten, die Höchstpunktzahl auf diesem Test und weiterhin sogar 25 Kinder die<br />
Höchstpunktzahl auf dem Test für den Kontrastteil des Trainings. Diese Kinder verteilen sich zu etwa<br />
gleichen Teilen auf die vier experimentellen Gruppen, während kein einziges Kind der Baseline-<br />
Gruppe die Höchstpunktzahl auf einem der beiden Tests erreichte.<br />
8.3 Analyse der abhängigen Variablen<br />
In den folgenden Auswertungen soll der Effekt des Trainings für die einzelnen abhängigen Variablen<br />
Nahtransfer und für die drei mit Hilfe der Faktorenanalyse gebildeten Skalen des Ferntransfertests<br />
155
Kapitel 8 - Ergebnisse<br />
(konventionelle Items, nicht-konventionelle Items, offene Items) untersucht werden. Dazu werden<br />
zum einen die Leistungen der trainierten Gruppen mit denen der untrainierten Baselinestichprobe in<br />
den Vor- und Nachtests dieser vier abhängigen Variablen verglichen. Da die einzelnen Tests in<br />
identischer Form im Vor- <strong>als</strong> auch im Nachtest eingesetzt wurden, muss ausgeschlossen werden, dass<br />
eine beobachtete Verbesserung der Leistung vom Vor- zum Nachtest nicht auf das Training sondern<br />
auf die zweimalige Bearbeitung der Tests <strong>zur</strong>ückzuführen ist. Andererseits böte der Test allein die<br />
Lerngelegenheit, welche ausreichend ist, um die Fähigkeiten Graphen zu interpretieren und in dem<br />
beobachteten Maße zu verbessern. In diesem Fall sollten die Baseline-Gruppe und die trainierten<br />
Gruppen einen vergleichbaren Lerngewinn aufweisen.<br />
Wie unter Punkt 8.2.1 berichtet, unterschieden sich die Vortestwerte auf den beiden abhängigen<br />
Variablen Nahtransfer und Ferntransfer für die beiden Stichproben deutlich. Es könnte argumentiert<br />
werden, dass sich in der trainierten Stichprobe Versuchspersonen mit besseren Eingangsvoraussetzungen<br />
befanden und ein größerer Lerneffekt der Trainingsgruppe nur durch diese kleine Substichprobe<br />
von Versuchspersonen zustande kam. Um dieses Argument zu entkräften, wurde zusätzlich zu den<br />
Analysen mit der gesamten Stichprobe jeweils eine weitere Analyse durchgeführt, der nur die<br />
Teilstichprobe der Versuchsteilnehmer ohne Leistungsextreme zugrunde liegt (Baselinestichprobe<br />
N = 25; Trainingsstichprobe N = 24). Um eine Wirkung des Trainings für jede der vier Trainingsbedingungen<br />
zu belegen, wird jede der vier reduzierten Trainingsgruppen mit der reduzierten Baseline-<br />
Gruppe verglichen.<br />
Außerdem wird für jede der abhängigen Variablen untersucht, ob sich die vier experimentellen<br />
Bedingungen in ihren Leistungen in der vermuteten Weise unterscheiden. Da sich die Trainingsgruppen<br />
nicht in ihren Eingangsvoraussetzungen unterscheiden und zudem Vergleiche der einzelnen<br />
reduzierten Trainingsgruppen untereinander aufgrund der geringen Stichprobengröße und der<br />
tendenziell nicht bestehenden Gleichverteilung problematisch sind, wird dieser zusätzliche Vergleich<br />
für die Analysen der Trainingsbedingungen nicht vorgenommen.<br />
Eine Analyse der Verteilungen der abhängigen Variablen ergab, dass insbesondere der Nahtransfertest<br />
und die Skalen des Ferntransfers eine linksschiefe Verteilung der Messwerte aufweisen. Damit kann<br />
nicht davon ausgegangen werden, dass die für die Anwendung der Varianzanalyse geforderte<br />
Gleichverteilung der Fehlerkomponenten gewährleistet ist. Deshalb wird neben der Varianzanalyse,<br />
auf deren Vorteile im Vertrauen auf ihre Robustheit (insbesondere bei gleicher Zellbesetzung, wie sie<br />
hier für die Vergleiche der vier experimentellen Gruppen vorliegt) nicht verzichtet werden soll, auch<br />
das jeweilige verteilungsfreie Verfahren angewandt. Sollten sich beide Analysen in ihrem Ergebnis<br />
bezüglich der Erreichung der Signifikanzgrenzen unterscheiden, wird das Ergebnis der nonparametrischen<br />
Analyse anstelle der Varianzanalyse berichtet.<br />
156
Kapitel 8 - Ergebnisse<br />
8.3.1 Effekt des Trainings<br />
8.3.1.1 Interpretation im Geschwindigkeitskontext<br />
Zunächst soll der Effekt des Trainings auf das Verständnis von Graphen im Geschwindigkeitskontext<br />
getestet werden. Da alle Trainingsteilnehmer während des Trainings Aufgaben im Geschwindigkeitskontext<br />
bearbeiteten, wird ein Lerngewinn im Nahtransfertest für alle Trainingsgruppen gleichermaßen<br />
erwartet. Dieser Lerngewinn sollte sich sowohl in einer deutlichen Steigerung der Leistungen der<br />
Versuchsteilnehmer der experimentellen Gruppen vom Vor- zum Nachtest zeigen, und weiterhin sollte<br />
diese Zunahme in den Trainingsgruppen deutlich größer <strong>als</strong> in der Baseline-Gruppe sein. 34<br />
Anzahl gelöster Aufgaben<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
Strukt.<br />
Kontrast<br />
Komb.<br />
Kontrast<br />
Inhaltl.<br />
Kontrast<br />
Vortest<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Nachtest<br />
Abbildung 8-6: Durchschnittliche Leistung der Trainingsgruppen und der Baseline-Gruppe für die Aufgaben<br />
des Nahtransfertests im Vor- und Nachtest für die gesamte Stichprobe.<br />
Abbildung 8-6 zeigt, dass die Trainingsteilnehmer in jeder der Trainingsbedingungen ihre Leistungen<br />
deutlich vom Vor- zum Nachtest steigern konnten, während dies für die Baseline-Gruppe nicht<br />
zutrifft. Eine 2 (Zeit) x 5 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf dem<br />
erstem Faktor bestätigt eine Verbesserung der Leistungen vom Vor- zum Nachtest, F(1, 100) = 97.48,<br />
p < .001, η 2 = .49. Außerdem zeigte sich ein signifikanter Unterschied des Leistungszuwachses<br />
zwischen den fünf Bedingungen, F(4, 100) = 8.90, p < .001, η 2 = .26. Die geplanten Kontraste mit der<br />
Baseline-Gruppe in einer einfaktoriellen Varianzanalyse mit den Differenzwerten zwischen Vor- und<br />
Nachtest zeigten, dass sich der Lerngewinn für jede der vier Trainingsbedingungen signifikant von der<br />
Veränderung der Leistung in der Baseline-Gruppe unterscheidet (alle Vergleiche p < .01).<br />
34 Die statistischen Analysen dieses Kapitels sind in Anhang V dokumentiert.<br />
157
Kapitel 8 - Ergebnisse<br />
Dieses Muster bleibt auch für die um die Leistungsextreme reduzierte Stichprobe (N = 49) erhalten.<br />
Auch für diese Teilnehmer ist eine signifikante Veränderung der Leistung vom Vor- zum Nachtest zu<br />
beobachten, F(1, 44) = 45.15, p < .001, η 2 = .51, und es gibt wiederum einen deutlichen Unterschied in<br />
der Größe dieser Veränderung zwischen den fünf Bedingungen, F(4, 44) = 6.37, p < .001, η 2 = .37. Die<br />
vier geplanten Kontraste für den Vergleich der Baseline-Gruppe mit jeder der vier experimentellen<br />
Bedingungen über die Differenzwerte zwischen Vor- und Nachtest bestätigen, dass dieser Interaktionseffekt<br />
wiederum auf den größeren Lerngewinn in den Trainingsgruppen im Vergleich <strong>zur</strong> Baseline-<br />
Gruppe <strong>zur</strong>ückzuführen ist (Vergleich mit strukturellem Kontrast p < .05; für den kombinierten,<br />
inhaltlichen Kontrast und Kontrollgruppe jeweils p < .01).<br />
Weitere Vergleiche der Vor- und Nachtestwerte für die Baseline-Gruppe bestätigen, dass sich trotz der<br />
hohen Teststärke weder für die vollständige Baseline-Gruppe, F(1, 44) = 2.19, p = .14, η 2 = .05, noch<br />
für die reduzierte Baseline-Gruppe, F(1, 24) = .06, p = .80, η 2 = .00, eine signifikante Verbesserung der<br />
Leistungen vom Vor- zum Nachtest beobachten lässt. Der signifikante Messwiederholungseffekt der<br />
berichteten Varianzanalysen ist demnach vollständig auf den Lerneffekt in den Trainingsgruppen<br />
<strong>zur</strong>ückzuführen. Damit kann die Annahme widerlegt werden, dass lediglich ein zweimaliges Bearbeiten<br />
der Tests zu einer signifikanten Leistungssteigerung führt und der für die Trainingsgruppen<br />
beobachtete Lernfortschritt nicht auf die Teilnahme am Training, sondern lediglich auf die Testwiederholung<br />
<strong>zur</strong>ückgeführt werden kann.<br />
Da die Versuchsteilnehmer der Kontrollgruppe während des Trainings Gelegenheit hatten, eine<br />
längere Zeit im Testkontext Geschwindigkeit zu üben, könnte argumentiert werden, dass sich für diese<br />
Gruppe im Vergleich zu den anderen Trainingsgruppen ein Vorteil bei der Bearbeitung der Aufgaben<br />
im Nachtest zeigen sollte, der auf die längere Übungszeit in diesem Kontext <strong>zur</strong>ückzuführen ist. Eine<br />
2 (Zeit) x 4 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf dem erstem Faktor<br />
zeigt jedoch, dass es wie erwartet keine Unterschiede in der Verbesserung der Leistungen vom Vorzum<br />
Nachtest zwischen den vier Trainingsgruppen auf dem Test im Geschwindigkeitskontext gibt,<br />
F(3, 56) = 0.48, p = .69, η 2 = .03. Die geplanten Kontraste für den Vergleich der Kontrollgruppe mit<br />
jeder der drei Kontrastgruppen über die Differenzwerte zwischen Vor- und Nachtest bestätigten, dass<br />
ebenfalls für keine der drei Kontrastgruppen eine geringere Verbesserung <strong>als</strong> für die Kontrollgruppe<br />
zu beobachten ist (Vergleich mit strukturellem Kontrast p = .31; mit kombiniertem Kontrast p = .89,<br />
mit inhaltlichem Kontrast p = .45).<br />
Demnach kann nicht bestätigt werden, dass eine längere Übungszeit mit dem Aufgabenmaterial im<br />
Geschwindigkeitskontext ohne eine Variation bzw. einen Kontrast zu einer besseren Leistung bei der<br />
Interpretation von Graphen in diesem Inhaltsbereich führt. Demnach kann geschlossen werden, dass<br />
eine Kontrastierung im Aufgabenmaterial für die vorliegende Stichprobe keine nachteiligen Effekte<br />
für Aufgaben im Geschwindigkeitskontext hatte.<br />
158
Kapitel 8 - Ergebnisse<br />
8.3.1.2 Misskonzepte<br />
Die Aufgaben des Nahtransfertests im Multiple-Choice-Format waren so konstruiert, dass diese<br />
typische Misskonzept-Antworten abbildeten, die aus der Literatur bekannt sind. Allerdings kann auf<br />
der Basis dieses Itemformats nicht ausgeschlossen werden, dass eine andere f<strong>als</strong>che Antwort (die<br />
Aufgaben enthielten mindestens zwei f<strong>als</strong>che Antwortalternativen) ebenfalls aufgrund einer lediglich<br />
weniger bekannten bzw. ideosynkratischen Fehlvorstellung zustande kam. Daher wurde darauf<br />
verzichtet, die Häufigkeiten der angekreuzten Misskonzepte auf der Ebene eines Summenwertes über<br />
alle 5 Aufgaben des Nahtransfertests zu betrachten. Stattdessen soll mit Hilfe der Aufgabe im offenen<br />
Antwortformat (Item NT/M-4; Anhang Seite 242), <strong>als</strong>o am Beispiel des räumlichen Misskonzeptes,<br />
exemplarisch die Veränderung einer speziellen Fehlvorstellung betrachtet werden.<br />
Es kann erwartet werden, dass die Trainingsteilnehmer eine deutliche Reduktion der Misskonzepte<br />
zeigen sollten, während für die Baseline-Gruppe die Häufigkeit des Misskonzepts annähernd stabil<br />
bleibt, da eine zweimalige Testbearbeitung ohne Trainingseinheit nicht <strong>zur</strong> Aufgabe einer Fehlvorstellung<br />
führen sollte. Für die Auswertung wurden die Antworten der Versuchsteilnehmer nach einem<br />
dreiteiligen Kodierschema kodiert: dem Vorliegen der korrekten Interpretation, dem Vorliegen einer<br />
räumlichen Misskonzept-Antwort oder einer andern inkorrekten Antwort, die jedoch nicht eindeutig<br />
auf das Vorliegen des räumlichen Misskonzepts schließen lässt.<br />
Abbildung 8-7 zeigt die prozentuale Häufigkeit einer Misskonzept-Antwort bei der Interpretation<br />
dieser Aufgabe für die vier Trainingsbedingungen und die Baseline-Gruppe. Während im Vortest<br />
38 Prozent der Trainingsteilnehmer eine Misskonzept-Antwort gaben, konnten diese ihre Leistungen<br />
im Nachtest verbessern, so dass nur noch 20 Prozent eine Misskonzept-Antwort gaben. Für die<br />
Baseline-Gruppe ist ebenfalls eine Verbesserung von 47 auf 38 Prozent, jedoch in geringerer<br />
Größenordnung zu beobachten.<br />
Misskonzept-Antworten<br />
Prozent der Antworten<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
Trainingsgruppe<br />
Baseline-Gruppe<br />
Vortest<br />
Nachtest<br />
Abbildung 8-7: Prozentuale Häufigkeit einer räumlichen Misskonzept-Antwort im Vor- bzw. Nachtest für die<br />
Trainingsgruppe (zusammengefasst für alle vier Bedingungen) und die Baseline-Gruppe für die gesamte<br />
Stichprobe.<br />
159
Kapitel 8 - Ergebnisse<br />
Eine 2 (Zeit) x 2 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf dem ersten Faktor<br />
bestätigt eine Verringerung der Misskonzept-Antworten vom Vor- zum Nachtest, F(1, 103) = 7.97,<br />
p < .01, η 2 = .07. Eine Abhängigkeit dieses Effektes von der Teilnahme am Training konnte jedoch<br />
nicht bestätigt werden, F(1, 103) = 0.96, p = .33, η 2 = .01. Eine einfaktorielle Varianzanalyse mit<br />
Messwiederholung für die Vor- und Nachtestwerte für jede der beiden Bedingungen zeigte jedoch,<br />
dass lediglich die Trainingsteilnehmer die Häufigkeit der Misskonzept-Antworten signifikant<br />
verringern konnten, F(1, 59) = 9.16, p < .01, η 2 = .13, während für die Baseline-Gruppe die beobachtete<br />
Veränderung der Antworten nicht auf dem nötigen Signifikanzniveau abgesichert werden kann,<br />
F(1, 44) = 1.34, p = .25, η 2 = .03.<br />
Für die um die Leistungsextreme reduzierte Stichprobe ist wiederum auf der Ebene des Haupteffekts<br />
eine signifikante Veränderung der Interpretationsleistung vom Vor- zum Nachtest zu beobachten,<br />
F(1, 47) = 6.83, p < .05, η 2 = .13. Dieser Effekt ist für die beiden Stichproben jedoch nicht verschieden,<br />
F(1, 47) = 0.06, p > .10, η 2 = .00. Die jeweils einfaktorielle Varianzanalyse mit Messwiederholung<br />
für die Vor- und Nachtestwerte für jeder der beiden Stichproben zeigte, dass die<br />
Trainingsteilnehmer die Häufigkeit der Misskonzept-Antworten signifikant verringern konnten,<br />
F(1, 23) = 4.60, p < .05, η 2 = .17, während für die Baseline-Gruppe für die beobachtete Veränderung<br />
der Antworten nur ein Trend beobachtet werden kann, F(1, 24) = 3.00, p = .09, η 2 = .11.<br />
Betrachtet man andererseits die Häufigkeit der korrekten Interpretationen (Abbildung 8-8), ist eine<br />
deutliche Zunahme der richtigen Antworten in den Trainingsgruppen von 18 auf 57 Prozent der<br />
Antworten zu beobachten, während in der Baseline-Gruppe keine Zunahme der richtigen Antworten<br />
zu beobachten ist 35 . Ohne ein Training gelingt es lediglich zwei Versuchsteilnehmern der Baseline-<br />
Gruppe diese Aufgabe korrekt zu interpretieren. Für die reduzierte Stichprobe zeigt sich ein ähnliches<br />
Muster (Trainingsgruppen: von 28 auf 51 Prozent, Baseline-Gruppe: im Vor- und Nachtest jeweils 0<br />
Prozent). Eine 2 (Zeit) x 2 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf dem<br />
erstem Faktor bestätigt eine generelle Verbesserung vom Vor- zum Nachtest, F(1, 103) = 28.73,<br />
p < .001, η 2 = .22, die weiterhin durch die Gruppenzugehörigkeit moderiert wird, F(1, 103) = 22.78,<br />
p < .001, η 2 = .18. Diese Effekte können auch für die Stichprobe ohne Leistungsextreme bestätigt<br />
werden, F(1, 47) = 14.39, p < .001, η 2 = .23. 36<br />
35 Die Häufigkeit der richtigen Antworten und der Misskonzept-Antworten sind zwar korreliert, jedoch nicht<br />
direkt voneinander abhängig, da eine dritte Kategorie mit nicht <strong>als</strong> Misskonzept-Antworten aber ebenfalls<br />
f<strong>als</strong>chen Antworten kodiert wurde.<br />
36 Da sich die Baseline-Gruppe nicht verbessert, sind der Haupt- und Interaktionseffekt in dieser Analyse<br />
160<br />
identisch.
Kapitel 8 - Ergebnisse<br />
Richtige Antworten<br />
Prozent der Antworten<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
Trainingsgruppe<br />
Baseline-Gruppe<br />
Vortest<br />
Nachtest<br />
Abbildung 8-8: Prozentuale Häufigkeit einer korrekten Antwort im Vor- bzw. Nachtest für die vier Trainingsgruppen<br />
und die Baseline-Gruppe für die gesamte Stichprobe.<br />
Auf der einen Seite ist somit eine deutlichere Verbesserung in der Häufigkeit der richtigen Antworten<br />
für die Trainingsgruppen im Vergleich <strong>zur</strong> Baseline-Gruppe zu beobachten, während gleichzeitig die<br />
Häufigkeit der Misskonzepte in der Trainingsgruppe in einem geringeren Maße absinkt. Es kann<br />
angenommen werden, dass ein großer Teil der Versuchsteilnehmer, die im Nachtest eine richtige<br />
Antwort gaben, im Vortest eine inkorrekte Antwort gaben, jedoch nicht das hier untersuchte Misskonzept<br />
äußerten. Daher sollen die Stabilität der Misskonzept-Antwort und die Übergangswahrscheinlichkeit<br />
zu einer richtigen Antwort in zwei weiteren Analysen genauer betrachtet werden. Tabelle 8-9<br />
zeigt, wie viel Prozent der Versuchsteilnehmer, die im Vortest eine räumlich Misskonzeptantwort<br />
gaben, diese Antwort im Nachtest entweder beibehielten, zu einer anderen f<strong>als</strong>chen Antwort oder zu<br />
der korrekten Interpretation wechselten.<br />
In der Trainingsgruppe ist der Übergang <strong>zur</strong> korrekten Antwort vergleichbar häufig wie die Wiederholung<br />
einer Misskonzept-Antwort (39 Prozent vs. 43 Prozent), wobei nur ein relativ geringer Anteil der<br />
Versuchsteilnehmer auf eine andere f<strong>als</strong>che Antwort wechselte (14 Prozent). Für die Baseline-Gruppe<br />
dagegen zeigt sich eine deutlich höhere Stabilität der Misskonzept-Antworten (62 Prozent). Demnach<br />
wechselten 38 Prozent der Kinder in der Baseline-Gruppe, die im Vortest eine typische Misskonzept-<br />
Antwort zeigten, zu einer anderen f<strong>als</strong>chen Antwort, während es keinem einzigen Teilnehmer dieser<br />
Gruppe gelang, die Fehlvorstellung zugunsten einer korrekten Antwort aufzugeben. Dieses Muster der<br />
Veränderungen unterscheidet sich bei exakter zweiseitiger Testung deutlich zwischen Trainings- und<br />
Baseline-Gruppe, sowohl für die gesamte Stichprobe, χ 2 (2, 44) = 10.66, p < .01, <strong>als</strong> auch für die<br />
reduzierte Stichprobe, χ 2 (2, 22) = 7.47, p = .01.<br />
161
Kapitel 8 - Ergebnisse<br />
Tabelle 8-9: Übergänge zu einer anderen f<strong>als</strong>chen bzw. richtigen Antwort im Nachtest bei Vorliegen einer<br />
Misskonzept-Antwort im Vortest für gesamte bzw. reduzierte Stichprobe jeweils für die Trainingsgruppen und<br />
die Baseline-Gruppe in absoluten Häufigkeiten (bzw. prozentualer Anteil der Misskonzept-Antworten im<br />
Vortest).<br />
Bei Vorliegen<br />
einer Misskonzept-Antwort<br />
im<br />
Vortest ...<br />
Übergang zu<br />
richtiger Antwort<br />
Übergang zu<br />
f<strong>als</strong>cher Antw.<br />
Gesamte Stichprobe<br />
Trainingsgruppen<br />
(N = 60)<br />
Baseline-<br />
Gruppe<br />
(N = 45)<br />
Reduzierte Stichprobe<br />
Trainingsgruppen<br />
(N = 24)<br />
Baseline-<br />
Gruppe<br />
(N = 25)<br />
9 (39 %) 0 (0 %) 3 (30 %) 0 (0 %)<br />
4 (14 %) 8 (38 %) 1 (10 %) 7 (58 %)<br />
Misskonzept-<br />
Antw. (stabil)<br />
10 (43 %) 13 (62 %) 6 (60 %) 5 (42 %)<br />
N gesamt 23 21 10 12<br />
Weitere Einzelvergleiche zeigten, dass dieser Unterschied zwischen den Gruppen vor allem auf den<br />
Unterschied in den Übergängen <strong>zur</strong> richtigen Antwort im Vergleichen zu den anderen beiden<br />
Antworten <strong>zur</strong>ückgeht, für die gesamte Stichprobe χ 2 (2, 44) = 10.33, p < .01, sowie für die reduzierte<br />
Stichprobe χ 2 (2, 22) = 4.17, p = .07. Demgegenüber konnte für den Unterschied im Übergang zu einer<br />
anderen f<strong>als</strong>chen Antwort im Vergleich zu einem Beibehalten der Misskonzept-Antwort weder für die<br />
gesamte noch für die reduzierte Stichprobe ein signifikanter Unterschied gefunden werden,<br />
χ 2 (2, 44) = 1.49, p = .24 bzw. χ 2 (2, 22) = 0.73, p = .67.<br />
Wiederum könnte argumentiert werden, dass es den Trainingsteilnehmern, die mehr Zeit zum Üben im<br />
Geschwindigkeitskontext bekamen und ohne einen Kontrast lernten, besser gelang, Fehlvorstellungen<br />
bezüglich der Interpretation von Graphen in diesem Kontext abzubauen. Abbildung 8-9 zeigt die<br />
Veränderung der Misskonzept-Antworten für alle vier Trainingsbedingungen.<br />
Es zeigt sich, dass die Interpretationsleistungen der Kinder in den vier Kontrastgruppen im Vortest<br />
nicht vergleichbar waren, F(3, 55) = 1.80, p < .15, η 2 = .09, wobei Kinder der strukturellen Kontrastgruppe<br />
deutlich mehr Misskonzept-Antworten gaben <strong>als</strong> Kinder der Kontrollgruppen (p = .02) und der<br />
inhaltlichen Kontrastgruppe (p = .13). Eine einfaktorielle Varianzanalyse mit dem vierfach gestuften<br />
Faktor Bedingung und den Vortestleistungen <strong>als</strong> Kovariate zeigte jedoch, dass die Vortestleistungen<br />
einen deutlichen Einfluss auf die Anzahl der Misskonzepte im Posttest haben, F(1, 55) = 13.89,<br />
p < .001, η 2 = .20, sich die Gruppen darüber hinaus in ihren Posttestleistungen nicht signifikant<br />
unterscheiden, F(3, 55) = 0.22, p > .50, η 2 = .01. Auch die geplanten Kontraste mit der Kontrollgruppe<br />
lassen auf keinen Vorteil einer längeren Übungsphase für die Beantwortung der Misskonzeptaufgabe<br />
schließen.<br />
162
Kapitel 8 - Ergebnisse<br />
Misskonzept-Antworten<br />
Prozent der Antworten<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
Struktureller Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher Kontrast<br />
Kontrollgruppe<br />
Vortest<br />
Nachtest<br />
Abbildung 8-9: Prozentuale Häufigkeit einer Misskonzeptantwort für die vier experimentellen Bedingungen.<br />
Die Ergebnisse belegen, dass es den Trainingsteilnehmern gelingt, die Anzahl der Misskonzept-<br />
Antworten zu reduzieren, während dies für die Kinder, die kein Training erhielten, nicht zu beobachten<br />
war. Allerdings sei darauf hingewiesen, dass sich dieser Effekt nicht auf der Ebene des Interaktionseffektes<br />
zeigte, sondern nur bei einzelner Testung der Veränderung für jede der beiden Gruppen.<br />
Darüber hinaus zeigt sich jedoch eine deutliche Zunahme der richtigen Antworten lediglich in den<br />
Trainingsgruppen. Eine weitere Analyse des Wechselverhaltens zeigte, dass die beobachtete Verbesserung<br />
der Leistung in den Trainingsgruppen in 40 Prozent der Fälle durch eine Aufgabe des Misskonzeptes<br />
zugunsten der richtigen Antwort zustande kam, während dies für die Kinder der Baseline-<br />
Gruppe nicht zutraf. Diese Effekte zeigen sich sowohl für die gesamte Stichprobe <strong>als</strong> auch für die um<br />
die Leistungsextreme reduzierte Stichprobe. Zwischen den einzelnen Trainingsbedingungen ist kein<br />
Unterschied in der Reduktion der Misskonzepte zu beobachten, so dass nicht bestätigt werden kann,<br />
dass eine längere Übungszeit im Geschwindigkeitskontext eine Fehlvorstellung stärker reduziert <strong>als</strong><br />
eine Kontrastierung.<br />
Zusammenfassend kann für Aufgaben im Trainingskontext festgestellt werden, dass sich alle<br />
Trainingsbedingungen bezüglich der Interpretation von Graphen im Trainingskontext Geschwindigkeit<br />
deutlich gegenüber der Baseline-Gruppe unterscheiden. Während sich die Versuchsteilnehmer der<br />
Trainingsgruppen in ihren Leistungen steigern konnten, ist dies den Teilnehmern der Baseline-Gruppe<br />
durch ein wiederholtes Bearbeiten des Tests nicht möglich. Weiterhin konnte durch die Analysen der<br />
reduzierten Stichprobe gezeigt werden, dass dieser Effekt nicht auf die überdurchschnittlich leistungsstarken<br />
Kinder in der Trainingsgruppe <strong>zur</strong>ückgeführt werden kann. Auch für die Versuchspersonen<br />
mit vergleichbaren Eingangsvoraussetzungen konnte ein deutlicher Vorteil für die Teilnehmer des<br />
Trainings im Vergleich <strong>zur</strong> Baseline-Gruppe gezeigt werden. Es kann <strong>als</strong>o angenommen werden, dass<br />
das Training die Versuchsteilnehmer befähigte, Graphen im Geschwindigkeits-Kontext besser zu<br />
interpretieren.<br />
163
Kapitel 8 - Ergebnisse<br />
Gleichzeitig zeigen die Vergleiche der drei Kontrastgruppen mit der Kontrollgruppe, dass ein längeres<br />
Üben mit demselben Aufgabenmaterial nicht zu einem Vorteil gegenüber einer Variation des<br />
Materi<strong>als</strong> führt bzw. dass eine Kontrastierung keine nachteiligen Effekte auf den Lernerfolg hat. Dies<br />
ist bedeutsam, da hier keinesfalls ein Deckeneffekt vorliegt, sondern eine weitere deutlichere<br />
Verbesserung bei der Interpretation von Graphen im Geschwindigkeitskontext aufgrund einer<br />
verlängerten Übungszeit im selben Kontext für die Kontrollgruppe erwartet werden konnte.<br />
8.3.2 Effekte der Trainingsbedingungen (<strong>Kontrastierungen</strong>)<br />
Bei den Aufgaben des Transfertests, welche die Anwendung des Gelernten auf neue, unbekannte<br />
Inhalte erforderten, sollte der Vorteil einer Kontrastierung gegenüber einer wiederholten Auseinandersetzung<br />
mit den Aufgaben mit anderem Zahlenmaterial deutlich werden. Die Versuchsteilnehmer der<br />
Kontrastgruppen sollten daher eine größere Verbesserung in ihren Leistungen vom Vor- zum Nachtest<br />
zeigen <strong>als</strong> die Teilnehmer der Kontrollgruppe. Wie die explorative Faktorenanalyse zeigte, lässt sich<br />
zusätzlich zu den beiden Skalen für Items mit konventionellen und nicht-konventionellen Mapping<br />
eine weitere Skala für Items mit offenem Antwortformat differenzieren. Daher werden zunächst die<br />
Leistungen der Trainingsteilnehmer für die konventionelle Skala betrachtet, auf der sich ein Vorteil<br />
der Kontrastgruppen im Vergleich <strong>zur</strong> Kontrollgruppe zeigen sollte.<br />
In einem zweiten Analyseschritt werden die Leistungen auf der Skala mit konventionellen Mappings<br />
mit denen der Skala mit unkonventionellen Items in Beziehung gesetzt. Da eine erfolgreiche Bearbeitung<br />
der Skala mit unkonventionellen Items ein flexibles Verständnis der Steigung erfordert, wird für<br />
diese Analyse ein Vorteil der strukturellen Kontrastgruppe im Vergleich <strong>zur</strong> inhaltlichen Kontrastgruppe<br />
erwartet. Teilnehmer der strukturellen Kontrastgruppe sollten demnach eine geringere<br />
Diskrepanz in ihren Leistungen für Items mit beiden Arten des Mappings zeigen. Es wird angenommen,<br />
dass dies auch für Versuchsteilnehmer mit hohen Eingangsvoraussetzungen in der kombinierten<br />
Gruppe der Fall sein könnte.<br />
Abschließend werden die Effekte für die Items im offenen Antwortformat untersucht, für die keine<br />
A-priori-Hypothesen bestanden, für die aber ebenfalls angenommen werden kann, dass die Versuchsteilnehmer<br />
der strukturellen Kontrastgruppe besser abschneiden <strong>als</strong> die der inhaltlichen und der<br />
Kontrollgruppe, da diese Skala ebenfalls Items mit konventionellen und nicht-konventionellen<br />
Mappings vereint, wobei letztere wiederum ein flexibles Anpassen der Lösungsstrategie an eine<br />
veränderte Situation erfordern. 37<br />
37 Die statistischen Analysen dieses Kapitels sind in Anhang VI dokumentiert.<br />
164
Kapitel 8 - Ergebnisse<br />
8.3.2.1 Items mit konventionellem Mapping (Faktor 1)<br />
Abbildung 8-10 zeigt die Mittelwerte der vier Trainingsgruppen und der Baseline-Gruppe für die<br />
Leistungen auf dem Vor- bzw. Nachtest für die Items mit konventionellem Mapping (Skala nach<br />
Faktor 1) 38 . Auch auf diesem Test ist ein größerer Lernzuwachs für die Trainingsgruppen im Vergleich<br />
<strong>zur</strong> Baseline-Gruppe zu beobachten. Dagegen scheint der Lerngewinn für alle vier Trainingsgruppen<br />
etwa vergleichbar groß, lediglich die kombinierte Kontrastgruppe weist einen geringeren Lerngewinn<br />
<strong>als</strong> die anderen Trainingsgruppen auf.<br />
Eine 2 (Zeit) x 4 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf dem erstem<br />
Faktor zeigt, dass sich die Leistungen der vier Trainingsgruppen vom Vor- zum Nachtest signifikant<br />
verbessern, F(1, 56) = 43.71, p < .001, η 2 = .44, und sich die Größe dieser Veränderung zwischen den<br />
vier Trainingsbedingungen der Tendenz nach unterscheidet, F(3, 56) = 2.14, p = .10, η 2 = .10. Die<br />
geplanten Kontraste mit der Kontrollgruppe über die Differenzwerte zwischen Vor- und Nachtest<br />
zeigen weiterhin, dass keine der beiden einfachen Kontrastgruppen einen signifikant größeren<br />
Lerngewinn <strong>als</strong> die Kontrollgruppe erzielen konnte (Vergleich mit strukturellem Kontrast p = .17; mit<br />
inhaltlichem Kontrast p = .49). Für die kombinierte Kontrastgruppe dagegen ist eine geringere<br />
Verbesserung im Vergleich <strong>zur</strong> Kontrollgruppe festzustellen (p = .01). Demnach lässt sich auf der<br />
Basis der Leistungen auf dem Transfertest mit konventionellem Mapping kein Vorteil der Kontrastgruppen<br />
im Vergleich <strong>zur</strong> Kontrollgruppe feststellen. 39<br />
Anzahl korrekt gelöster Aufgaben<br />
3<br />
2,5<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Baseline-Gruppe<br />
Vortest<br />
Nachtest<br />
Abbildung 8-10: Durchschnittliche Anzahl korrekt gelöster Aufgaben im Transfertest mit konventionellem<br />
Mapping für die vier Trainingsgruppen und die Baseline-Gruppe im Vor- und Nachtest.<br />
38 Für diese Analysen wurden die Füllitems, die ebenfalls hoch auf dieser Skala luden, nicht in die Skala mit<br />
einbezogen um gleiche Itemzahlen im Vergleich <strong>zur</strong> Skala mit nicht-konventionellem Mapping zu bewahren.<br />
39 Auch unter Einbezug des Vortests <strong>als</strong> Kovariate kann für den geplanten Kontrast der kombinierten Kontrastgruppe<br />
mit der Kontrollgruppe ein signifikanter Unterschied festgestellt werden (p = .02).<br />
165
Kapitel 8 - Ergebnisse<br />
Weiterhin zeigt der Vergleich mit der Baseline-Gruppe in einer 2 (Zeit) x 5 (Bedingung)-faktoriellen<br />
Varianzanalyse mit Messwiederholung auf dem erstem Faktor, dass sich die Größe des Lerneffekts für<br />
die vier Trainingsgruppen und die Baseline-Gruppe signifikant unterscheidet, F(4, 100) = 5.78,<br />
p < .001, η 2 = .19. Die geplanten Kontraste jeder Trainingsgruppe mit der Baseline-Gruppe über die<br />
Differenzwerte bestätigen, dass sich die strukturelle, inhaltliche und Kontrollgruppe in der Größe des<br />
Lerngewinns signifikant von der Baseline-Gruppe unterscheiden (struktureller Kontrast p < .05;<br />
inhaltlicher Kontrast p < .001; kein Kontrast p < .001). Lediglich für die kombinierte Kontrastgruppe<br />
kann kein signifikanter Unterschied im Lernerfolg im Vergleich <strong>zur</strong> Baseline-Gruppe festgestellt<br />
werden (p = .43). 40<br />
Es wurde vermutet, dass sich nur für die Kinder der kombinierten Kontrastgruppe, die bereits zu<br />
Beginn des Trainings Graphen gut interpretieren konnten, eine Verbesserung aufgrund des Trainings<br />
zeigt, da schlechtere Versuchsteilnehmer durch die Komplexität des kombinierten Kontrasttrainings<br />
überfordert sein könnten. Daher wurde eine einfaktorielle Kovarianzanalyse mit dem vierfach<br />
gestuften Bedingungsfaktor über die Testwerte des Nachtests mit den Vortestwerten <strong>als</strong> Kovariate<br />
gerechnet. Es zeigte sich, dass die Vortestleistung einen signifikanten Einfluss auf die Posttestleistung<br />
hat, F(1, 52) = 14.24, p < .001, η 2 = .22, und nach Kontrolle der Vortestleistungen der Gruppeneffekt<br />
die Signifikanzgrenze unterschreitet, F(3, 52) = 3.31, p < .02, η 2 = .16. Der Einfluss der Vortestleistungen<br />
auf die Posttestleistungen scheint tendenziell jedoch nicht für alle Gruppen vergleichbar zu<br />
sein, F(3, 52) = 1.76, p < .16, η 2 = .09.<br />
Korrelationen zwischen Vor- und Nachtestleistungen für jede der vier Trainingsgruppen zeigen, dass<br />
für die kombinierte Kontrastgruppe beide Werte signifikant hoch miteinander korrelieren (r = .83**),<br />
während für die anderen Kontrastgruppen nur mittlere nicht signifikante Korrelationen zu beobachten<br />
sind (struktureller Kontrast r = .35; inhaltlicher Kontrast r = .44) und sogar nur eine geringe Korrelation<br />
für die Kontrollgruppe zu beobachten ist (r = .16). Demnach scheint in der kombinierten Kontrastgruppe<br />
die Posttestleistung (wie auch in der Baseline-Gruppe, r = .64**) stärker durch die<br />
Vortestleistung determiniert <strong>als</strong> in den anderen experimentellen Gruppen, in denen die individuellen<br />
Posttestleistungen unabhängiger vom Ausgangsniveau sind.<br />
Um diese Muster weiter zu explorieren, wurde die Stichprobe nach dem Median des graphischen<br />
Vortestkennwertes (siehe Kapitel 8.2.1) geteilt, wobei sich die Verteilung der Kinder auf die entstehenden<br />
Subgruppen für die vier Bedingungen nicht unterschied, χ 2 (3, 60) = 1.33, p exact > .50;<br />
(struktureller Kontrast: 7 mit hohen vs. 8 mit geringen Vortestwerten, kombinierter Kontrast: 8 vs. 7<br />
inhaltlicher Kontrast: 6 vs. 9, Kontrollgruppe: 9 vs. 6). Abbildung 8-11 zeigt, dass für die inhaltliche<br />
Kontrastgruppe und die Kontrollgruppe eine größere Leistungsverbesserung für die Schüler mit<br />
geringeren Vortestleistungen zu beobachten ist, während in der strukturellen Kontrastgruppe Kinder<br />
40 Einen Vergleich der einzelnen um die Leistungsextreme reduzierten Trainingsgruppen mit der Baseline-<br />
Gruppe wird für diese Analysen nicht vorgenommen, da für die Baseline-Gruppe keine signifikante Verbesserung<br />
auf dem Ferntransfertest, der höhere Anforderungen <strong>als</strong> der Nahtransfertest stellt, erwartet werden kann.<br />
166
Kapitel 8 - Ergebnisse<br />
mit hohen Vortestwerten stärker vom Training zu profitieren scheinen <strong>als</strong> Kinder der anderen drei<br />
Trainingsgruppen.<br />
Eine 4 (Bedingung) x 2 (Subgruppe)-faktorielle Varianzanalyse über die Differenzwerte zwischen<br />
Vor- und Nachtest zeigt, dass sich gemittelt über alle vier Trainingsbedingungen kein Unterschied<br />
zwischen guten und schlechten Versuchsteilnehmern zeigt, F(1, 52) = 0.42, p > .50, η 2 = .01, dass sich<br />
der Unterschied zwischen den beiden Subgruppen sich für die vier Bedingungen jedoch signifikant<br />
unterscheidet, F(3, 52) = 4.2, p < .01, η 2 = .20. Einzelne Varianzanalysen für beide Subgruppen zeigen,<br />
dass sich die Kinder mit hohen Leistungen im Vortest in ihrem Lerngewinn zwischen den vier<br />
Bedingungen nicht unterscheiden, F(3, 26) = 0.57, p = .64, η 2 = .06, während sich für die schlechteren<br />
Kinder ein deutlicher Unterschied für die einzelnen Gruppen zeigt, F(3, 26) = 7.71, p = .001, η 2 = .47.<br />
Bonferroni-Einzelvergleiche zeigen, dass sich für Kinder mit geringen Vortestleistungen sowohl die<br />
kombinierte Kontrastgruppe signifikant von der Kontrollgruppe (p < . 01) und tendenziell auch von<br />
der inhaltlichen Kontrastgruppe (p = .06) unterscheidet. Weiterhin ist für die strukturelle Kontrastgruppe<br />
ein signifikanter Unterschied im Vergleich <strong>zur</strong> Kontrollgruppe (p < .01) zu beobachten.<br />
Demnach können sich Kinder mit weniger guten graphischen Interpretationsleistungen im Vortest<br />
sowohl in der Kontrollgruppe <strong>als</strong> auch in der inhaltlichen Kontrastgruppe stärker verbessern <strong>als</strong><br />
Kinder der kombinierten und der strukturellen Kontrastgruppe.<br />
geringer Vortestwert<br />
hoher Vortestwert<br />
3,0<br />
3,0<br />
Anzahl korrekt gelöster Aufgaben<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
Vortest<br />
Anzahl korrekt gelöster Aufgaben<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
Vortest<br />
0,0<br />
Nachtest<br />
0,0<br />
Nachtest<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
Abbildung 8-11: Mittlere Ausprägung korrekt gelöster Aufgaben für die vier experimentellen Bedingungen für<br />
die Items mit konventionellem Mapping im Multiple-Choice-Format im Vor- und Nachtest differenziert nach<br />
dem Niveau der Vortestleistung.<br />
Dieses Muster scheint die Hypothese zu bestätigen, dass Kinder mit schlechteren Vortest-Leistungen<br />
in der kombinierten Kontrastgruppe weniger vom Training profitierten <strong>als</strong> in ihren Vorkenntnissen<br />
vergleichbare Kinder in den anderen Trainingsgruppen. Allerdings scheint dies auch in begrenztem<br />
Maße für die schlechteren Kinder der strukturellen Kontrastgruppe zuzutreffen. Der deskriptiv höhere<br />
167
Kapitel 8 - Ergebnisse<br />
Lerngewinn für die Kinder mit hohen Vortestleistungen in der strukturellen Kontrastgruppe ließ sich<br />
signifikanzstatistisch nicht absichern. Demnach scheint die Wirkung des strukturellen und des<br />
kombinierten Kontrastes in gewissem Maße von dem Vorwissen der Probanden abhängig zu sein.<br />
Zusammenfassend kann festgehalten werden, dass für den Ferntransfertest mit konventionellem<br />
Mapping eine bessere Leistung der Kontrastgruppen im Vergleich <strong>zur</strong> Kontrollgruppe nicht bestätigt<br />
werden kann. Bei einer Beschriftung der Graphen gemäß der Konvention konnten Versuchsteilnehmer,<br />
die ohne eine Kontrastierung gelernt haben, ihr Wissen über die Steigung eines Graphen genauso<br />
gut auf neue Inhalte anwenden wie Kinder, welche die Gelegenheit hatten, mit einer einfachen<br />
kontrastierenden Variation im Lernmaterial zu lernen.<br />
Dies gilt jedoch nicht für die kombinierte Kontrastgruppe. Obwohl die Kinder dieser Gruppe bereits<br />
im Vortest ein tendenziell höheres Leistungsniveau erreichten <strong>als</strong> die Teilnehmer der anderen<br />
Trainingsgruppen (bereits drei der Versuchsteilnehmer erzielten im Vortest den Maximalwert im<br />
Gegensatz zu je einem in den anderen drei Bedingungen), gelingt es diesen sowohl im Vergleich <strong>zur</strong><br />
Baseline-Gruppe <strong>als</strong> auch im Vergleich <strong>zur</strong> Kontrollgruppe nicht, sich durch das Training in ihren<br />
Interpretationsleistungen zu verbessern. Dieser Effekt scheint vor allem auf das schlechte Abschneiden<br />
der leistungsschwächeren Schüler der kombinierten Kontrastgruppe im Vergleich zu den anderen<br />
Trainingsgruppen <strong>zur</strong>ückzugehen. Allerdings zeigte sich auch, dass die Versuchsteilnehmer mit<br />
geringeren Voraussetzungen in der strukturellen Kontrastgruppe ebenfalls vergleichsweise wenig vom<br />
Training profitierten. Demnach scheinen beide Kontraste, die mit einem Wechsel der Mappingrichtung<br />
arbeiten, Schüler mit schlechten Eingangsvoraussetzungen tendenziell zu überfordern.<br />
8.3.2.2 Vergleich zwischen Aufgaben mit konventioneller und nicht-konventioneller Achsenbeschriftung<br />
(Faktor 1 vs. Faktor 3)<br />
Es wurde angenommen, dass sich der Vorteil einer strukturellen Kontrastierung vor allem in Situationen<br />
zeigt, in denen ein oberflächliches Verständnis nicht zu einer korrekten Lösung führt, sondern das<br />
Wissen an eine neue Situation angepasst werden muss. Insbesondere der Vergleich von Aufgaben mit<br />
konventionellem und nicht-konventionellem Mapping kann einen Hinweis auf die Qualität des<br />
erworbenen Wissens geben. Als Indikator wurde die Diskrepanz in den Lösungsraten für Aufgaben<br />
mit konventionellem und nicht-konventionellem Mapping definiert. 41 Es wurde angenommen, dass<br />
Kinder der strukturellen Kontrastbedingung beide Typen von Aufgaben vergleichbar gut lösen<br />
können, während in den anderen Trainingsbedingungen die Lösungsrate für konventionelle Mappings<br />
im Vergleich zu nicht-konventionellen Mappings deutlich höher sein sollte. Insbesondere sollte sich<br />
dieser Vorteil der strukturellen Kontrastgruppe gegenüber der inhaltliche Kontrastgruppe zeigen.<br />
41 In diesem Abschnitt werden lediglich die Items im Multiple-Choice-Format miteinander verglichen (Faktor 1<br />
und 3 der explorativen Faktoranalyse). Die Auswertung für die Aufgaben im offenen Format erfolgt in<br />
Kapitel 8.3.2.3.<br />
168
Kapitel 8 - Ergebnisse<br />
Abbildung 8-12 zeigt die Gruppenmittelwerte der Leistungszuwächse vom Vor- zum Nachtest für die<br />
beiden Aufgabentypen des Transfertests. Für die Kontrollgruppe, die strukturelle und die inhaltliche<br />
Kontrastgruppe ist eine deutliche Diskrepanz im Lerngewinn für beide Arten des Mappings zu<br />
beobachten, wobei der Lerngewinn für die nicht-konventionellen Items um die Hälfte kleiner <strong>als</strong> für<br />
die konventionellen Mappings ist. Für die kombinierte Kontrastgruppe dagegen scheinen beide<br />
Verbesserungswerte annähernd gleich groß auszufallen. Da für diese Analyse insbesondere die<br />
Unterschiede zwischen den experimentellen Bedingungen interessieren und für die Baseline-Gruppe<br />
kein differentieller Effekt für beide Arten des Mappings zu erwarten ist, wird diese in die folgenden<br />
Analysen zunächst nicht miteinbezogen.<br />
Anzahl korrekt gelöster Aufgaben<br />
3<br />
2,5<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Konventionelles Mapping<br />
Nicht-konventionelles Mapping<br />
Kontrollgruppe Baseline-Gruppe<br />
Abbildung 8-12: Leistungszuwächse vom Vor- zum Nachtest für Aufgaben mit konventionellem und nichtkonventionellem<br />
Mapping für die vier Trainingsgruppen und die Baseline-Gruppe.<br />
Eine 2 (Zeit) x 2 (Mapping) x 3 (Bedingung)-faktorielle Varianzanalyse mit Messwiederholung auf<br />
dem erstem und dem zweitem Faktor zeigt, dass es für die drei Kontrastgruppen über beide Arten des<br />
Mappings hinweg einen signifikanten Lerngewinn vom Vor- zum Nachtest gibt, F(1, 42) = 29.13, p <<br />
.001, η 2 = .41, und dass es einen signifikanten Unterschied in der Größe der Veränderung zwischen<br />
beiden Mappingtypen gibt, F(1, 42) = 4.74, p < .05, η 2 = .10. Allerdings ist für die drei Kontrastgruppen<br />
kein unterschiedliches Muster im Lerngewinn für beide Aufgabentypen zu beobachten,<br />
F(2, 42) = 0.57, p > .50, η 2 = .03. Auch die geplanten Kontraste für den Vergleich der strukturellen<br />
Kontrastgruppe mit der inhaltlichen und kombinierten Kontrastgruppe für die Differenzen des<br />
individuellen Lerngewinns zwischen beiden Aufgabentypen zeigen, dass zwischen den drei Kontrastbedingungen<br />
entgegen den Erwartungen kein signifikanter Unterschied im Muster des Lerngewinns<br />
für beide Formen des Mappings festgestellt werden kann.<br />
Bezieht man die Kontrollgruppe in die Analyse mit ein, zeigt sich, dass es zum einen Unterschiede in<br />
der Größe der Veränderung zwischen beiden Mappingtypen gibt, F(1, 56) = 11.82, p = .001, η 2 = .17,<br />
sich diese Unterschiede für die vier experimentellen Bedingungen wiederum nicht unterscheiden,<br />
F(3, 56) = 1.63, p = .19, η 2 = .08. Auch die Kontraste über die Differenzwerte im Lerngewinn für beide<br />
169
Kapitel 8 - Ergebnisse<br />
Aufgabentypen für jede der drei Kontrastbedingungen im Vergleich <strong>zur</strong> Kontrollgruppe erreichten<br />
nicht die notwendige Signifikanzgrenze.<br />
Da in beiden vorangegangenen Analysen jeweils ein signifikanter Interaktionseffekt in der Verbesserung<br />
für beide Arten des Mappings vom Vor- zum Nachtest beobachtet wurde (Zeit x Mapping), soll<br />
getestet werden, ob sich dieser Effekt, trotz nicht signifikanter dreifach Interaktion mit dem Bedingungsfaktor,<br />
tatsächlich für alle vier Trainingsgruppen etablieren lässt. Testet man für jede der vier<br />
experimentellen Bedingungen in einer separaten Analyse, ob ein signifikanter Unterschied im<br />
Lerngewinn für beide Arten des Mappings besteht, zeigt sich, dass lediglich für die kombinierte<br />
Kontrastgruppe kein Unterschied zu entdecken ist (siehe Tabelle 8-10). Für die strukturelle und die<br />
inhaltliche Kontrastgruppe ist ein Trend zu beobachten. Demnach zeigt sich nur für die Kinder der<br />
kombinierten Kontrastgruppe ein ausgewogenes Profil im Lerngewinn für die Aufgaben beider Arten<br />
des Mappings, während in den anderen Bedingungen tendenziell höhere Lernzuwächse für Items mit<br />
konventionellem Mapping zu beobachten sind.<br />
Tabelle 8-10: Teststatistiken für den Unterschied in den Leistungszuwächse vom Vor- zum Nachtest für<br />
Multiple-Choice-Aufgaben mit konventionellem und nicht-konventionellem Mapping jeweils für die vier<br />
experimentellen Bedingungen getestet mit dem verteilungsfreien Kruskal-Wallis-Test bei exakter, einseitiger<br />
Testung.<br />
N df Z-Wert p-Wert<br />
Struktureller Kontrast 15 1 -1,57 .07<br />
Kombinierter Kontrast 15 1 -0,57 .32<br />
Inhaltlicher Kontrast 15 1 -1,47 .09<br />
Kontrollgruppe 15 1 -2,23 .02<br />
Da die Verbesserung für Items mit nicht-konventionellem Mapping deutlich geringer ist <strong>als</strong> für Items<br />
mit konventionellem Mapping, stellt sich weiterhin die Frage, ob die Lernzuwächse für die nichtkonventionellen<br />
Mappings sich überhaupt vom Lerngewinn in der Baseline-Gruppe abgrenzen lässt<br />
(siehe Abbildung 8-12). Scheinbar zeigt sich nur für die inhaltliche Kontrastgruppe eine deutliche<br />
Verbesserung, während diese für die anderen drei Trainingsgruppen kaum größer <strong>als</strong> für die Baseline-<br />
Gruppe ist.<br />
Eine 2 (Zeit) x 5 (Bedingung)–faktorielle Varianzanalyse mit Messwiederholung auf dem ersten<br />
Faktor zeigt, dass sich zwar eine signifikante Verbesserung vom Vor- zum Nachtest zeigen lässt,<br />
F(1, 100) = 8.09, p < .01, η 2 = .08, diese jedoch für die fünf Gruppen nicht unterschiedlich ausfällt,<br />
F(4, 100) = 0.80, p = .53, η 2 = .03. Einzelne Kontraste mit der Baseline-Gruppe über die Differenzwerte<br />
vom Vor- und Nachtest zeigen, dass sich lediglich die inhaltliche Kontrastgruppe im Lerngewinn<br />
für Items mit nicht-konventionellem Mapping signifikant von der Baseline-Gruppe unterscheidet<br />
(p = .02).<br />
170
Kapitel 8 - Ergebnisse<br />
Anzahl korrekt gelöster Aufgaben<br />
3<br />
2,5<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Vortest<br />
Nachtest<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-13: Leistungen im Vor- und Nachtest für Aufgaben mit nicht- konventionellem Mapping für die<br />
vier Trainingsgruppen und die Baseline-Gruppe.<br />
Da die inhaltliche Kontrastgruppe im Vortest tendenziell niedrigere Werte <strong>als</strong> die anderen Trainingsgruppen<br />
erzielte (siehe Abbildung 8-13), ist nicht auszuschließen, dass es sich bei dieser überdurchschnittlichen<br />
Leistungssteigerung im Vergleich zu den anderen Gruppen, um eine Regression <strong>zur</strong><br />
Mitte und damit um einen zufälligen Effekt handelt. Wenn die Vortestwerte <strong>als</strong> Kovariate in einen<br />
Vergleich der Posttestleistungen für die vier experimentellen Bedingungen mit der Baseline-Gruppe<br />
miteinbezogen werden, ist kein Unterschied für die inhaltliche Kontrastgruppe im Vergleich <strong>zur</strong><br />
Baseline-Gruppe zu identifizieren (p = .16) 42 . Gleichfalls ist in den Posttestwerten der vier Trainingsgruppen<br />
kein signifikanter Unterschied zu entdecken, wenn diese unabhängig von den Vortestleistungen<br />
betrachtet werden.<br />
Auch für die Items mit nicht-konventionellem Mapping soll exploriert werden, ob die schlechteren<br />
Versuchskinder in der kombinierten Kontrastgruppe bei diesen Aufgaben deutlich schlechter<br />
abschnitten <strong>als</strong> vergleichbare Kinder in den anderen drei Trainingsgruppen. Eine einfaktorielle<br />
Kovarianzanalyse mit dem vierfach gestuften Gruppierungsfaktor über die Testwerte des Nachtests<br />
und den Vortestwerten <strong>als</strong> Kovariate zeigte, dass die Vortestleistung einen signifikanten Einfluss auf<br />
die Posttestleistung hat, F(1, 52) = 37.92, p < .001, η 2 = .42, jedoch auch nach Kontrolle der Vortestleistungen<br />
kein Unterschied zwischen den experimentellen Bedingungen festzustellen ist,<br />
F(3, 52) = 0.39, p > .50, η 2 = .02. Außerdem scheint der Einfluss der Vortestleistungen auf die<br />
Posttestleistungen für alle vier Bedingungen vergleichbar zu sein, F(3, 52) = 0.77, p > .50, η 2 = .04.<br />
Demnach scheinen sich die Muster im Lerngewinn für Versuchspersonen mit hohen und niedrigen<br />
Eingangsvoraussetzungen für die vier experimentellen Bedingungen nicht zu unterscheiden.<br />
42 Da für diese Analyse keine Gleichverteilung der Fehlerkomponenten sowie durch den Einbezug der Baseline-<br />
Gruppe ungleiche Zellbesetzungen vorliegen, muss davon ausgegangen werden, dass dieser Test eher progressiv<br />
ausfällt und ein noch ungünstigeres Signifikanzniveau angenommen werden kann.<br />
171
Kapitel 8 - Ergebnisse<br />
Die Analysen dieses Abschnittes zeigen, dass es einen deutlichen Unterschied im Lerngewinn für<br />
Aufgaben des Transfertests mit konventionellem Mapping im Vergleich zu Aufgaben mit nichtkonventionellem<br />
Mapping im Multiple-Choice-Format gibt. Dies ist vor allem auf die nicht bedeutsame<br />
Veränderung bei Aufgaben mit nicht-konventionellem Mapping <strong>zur</strong>ückzuführen. Lediglich für die<br />
Kinder der inhaltlichen Kontrastgruppe ist im Vergleich <strong>zur</strong> Baseline-Gruppe ein signifikanter<br />
Lernfortschritt für nicht-konventionelle Mappings zu beobachten. Da sich bei Kontrolle der Vortestleistungen<br />
kein Unterschied in den Nachtestleistungen zwischen den vier Trainingsgruppen feststellen<br />
lässt, kann angenommen werden, dass dieser Effekt auf eine Regression <strong>zur</strong> Mitte <strong>zur</strong>ückgeht und die<br />
Kinder der inhaltlichen Kontrastgruppe im Vortest lediglich zufällig geringere Werte aufwiesen.<br />
Insgesamt lässt sich somit ein differenzieller Effekt der unterschiedlichen Trainings für die Aufgaben<br />
mit unterschiedlichem Mapping für dieses Aufgabenformat nicht bestätigen. Demnach gelingt es auch<br />
Kindern der strukturellen Kontrastgruppe nicht, ihre Aufgabenlösung an die veränderten Bedingungen<br />
bei Aufgaben mit nicht-konventionellem Mapping anzupassen. Besonders ausgeprägt ist diese<br />
Diskrepanz zwischen konventionellem und nicht-konventionellem Mapping für die Kontrollgruppe.<br />
Weiterhin ist für die Kinder der kombinierten Kontrastgruppe die beobachtete Diskrepanz zwischen<br />
beiden Aufgabentypen zwar gering, jedoch kann für diese Gruppe kein bedeutsamer Lerngewinn für<br />
beide Aufgabentypen festgestellt werden. Im Gegensatz zu Items mit konventionellem Mapping gibt<br />
es für die Aufgaben mit nicht-konventionellem Mapping jedoch keinen Unterschied im Lerngewinn<br />
für Versuchsteilnehmer mit hohen vs. niedrigen Eingangsvoraussetzungen.<br />
8.3.2.3 Aufgaben im offenen Antwortformat (Faktor 2)<br />
Diese Skala besteht aus vier Items, zu deren Lösung aus je zwei gegebenen Graphiken mit konventionellem<br />
<strong>als</strong> auch nicht-konventionellem Mapping die Steigungswerte für verschiedene Abschnitte des<br />
Graphen erschlossen werden mussten. Die richtige Lösung für diese Items erforderte, dass jeweils die<br />
richtige Basiseinheit für das Steigungsdreieck gewählt wird, die durch die Fragestellung bereits<br />
vorgegeben wurde. Für die Items mit nicht-konventioneller Achsenbeschriftung musste daher das<br />
Steigungsdreieck angepasst werden, da die vorgegebene Basiseinheit nunmehr auf der Y-Achse<br />
abgetragen wurde. Durch einen Vergleich der Aufgaben mit konventionellem und nichtkonventionellem<br />
Mapping kann somit abgeschätzt werden, wie gut das Steigungsdreieck <strong>als</strong> Hilfsmittel<br />
zum Finden des Steigungswertes verstanden wurde und an eine veränderte Situation flexibel<br />
angepasst werden kann. So ist es denkbar, dass Kinder die gelernte Prozedur lediglich nachahmen und<br />
das Steigungsdreieck einzeichnen, ohne jedoch verstanden zu haben, dass die beiden Schenkel des<br />
Dreiecks jeweils für die Veränderung eines Wertes gegenüber einer festgelegten Veränderung auf<br />
einer Basiseinheit stehen.<br />
Nach einer Analyse für die Effekte über alle vier Items der Skala wird daher in einer weiteren Analyse<br />
exploriert, ob sich Unterschiede im Lerngewinn zwischen beiden Arten des Mappings zeigen lassen,<br />
die für eine unflexible Anwendung der Strategie sprechen würden. Es wird wiederum erwartet, dass<br />
172
Kapitel 8 - Ergebnisse<br />
die Kinder der strukturellen Kontrastgruppe die Strategie flexibler auf veränderte Situationen anpassen<br />
können <strong>als</strong> die Kinder der inhaltlichen Kontrastgruppe.<br />
Anzahl korrekt gelöster Aufgaben<br />
4<br />
3,5<br />
3<br />
2,5<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Vortest<br />
Nachtest<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-14: Mittlere Anzahl korrekt gelöster Aufgaben des Transfertests für Aufgaben mit offenem<br />
Antwortformat im Vor- und im Nachtest für die vier Trainingsgruppen und die Baseline-Gruppe.<br />
Abbildung 8-14 zeigt die Vor- und Nachtestwerte für die gesamte Skala. Für die strukturelle Kontrastgruppe<br />
ist der größte Lerngewinn zu beobachten, gefolgt von der inhaltlichen Kontrastgruppe und der<br />
Kontrollgruppe, während sich die kombinierte Kontrastgruppe trotz hoher Vortestleistungen wiederum<br />
kaum verbesserte. Ein Kruskal-Wallis-Test 43 zeigt, dass es keinen Unterschied zwischen den drei<br />
Kontrastgruppen in den Veränderungswerten von Vor- zum Nachtest gibt, χ 2 (2, 45) = 1.41, p exact = .50.<br />
Der geplante Vergleich zwischen der strukturellen und der inhaltlichen Kontrastgruppe erreicht<br />
ebenfalls nicht die Signifikanzgrenze, χ 2 (1, 30) = 0.29, p = .62. Auch bei Hinzunahme der Kontrollgruppe<br />
zeigt sich kein signifikanter Unterschied im Lerngewinn zwischen den vier experimentellen<br />
Bedingungen, χ 2 (3, 60) = 1.76, p = .62, und auch für keinen Einzelvergleich der drei Kontrastgruppen<br />
mit der Kontrollgruppe sind signifikante Unterschiede zu beobachten. Demnach kann der deskriptiv<br />
größere Lerngewinn für die strukturelle Kontrastgruppe im Vergleich zu den anderen experimentellen<br />
Bedingungen statistisch nicht abgesichert werden.<br />
Zieht man jedoch die Vortestleistung jeder einzelnen Bedingung <strong>als</strong> Vergleichsstandard heran und<br />
prüft, welche der Trainingsgruppen ihre Leistungen überhaupt bedeutsam vom Vor- zum Nachtest<br />
verbessern konnten, ist dies nur für die strukturelle Kontrastgruppe der Fall, Z (1,15) = -1,78, p = .05,<br />
und für die inhaltliche Kontrastgruppe ist ein Trend zu beobachten, Z (1,15) = -1,66, p = .09.<br />
43 Da die Fehlervarianzen für die Messwerte des Vortests nicht gleichverteilt sind, wird das entsprechende<br />
verteilungsfreie Verfahren angewandt.<br />
173
Kapitel 8 - Ergebnisse<br />
Wird dagegen die Baseline-Gruppe für Einzelvergleiche herangezogen, zeigt sich, dass nur für die<br />
strukturelle Kontrastgruppe tendenziell ein größerer Lerngewinn im Vergleich <strong>zur</strong> Baseline-Gruppe<br />
besteht, χ 2 (1, 60) = 2.02, p = .16. Für alle anderen Trainingsbedingungen zeigt sich kein Vorteil des<br />
Trainings im Vergleich <strong>zur</strong> Baseline-Gruppe. Für die Aufgaben im offenen Antwortformat kann somit<br />
zunächst festgehalten werden, dass sich die Kinder der kombinierten Kontrastgruppe und der<br />
Kontrollgruppe auf diesen Items nicht verbessern konnten, während für die strukturelle und je nach<br />
Vergleichsstandard auch für die inhaltliche Kontrastgruppe eine Verbesserung festzustellen ist.<br />
In einer weiteren Analyse sollte exploriert werden, ob es zwischen den Items mit konventionellem und<br />
nicht-konventionellem Mapping einen deutlichen Unterschied im Lerngewinn gibt, der auf eine nicht<br />
flexible Anwendung des Steigungsdreiecks schließen lässt. Abbildung 8-15 zeigt die Veränderung der<br />
Lösungshäufigkeit vom Vor- zum Nachtest für beide Arten des Mappings. Für Aufgaben mit<br />
konventionellem Mapping ist für alle experimentellen Bedingungen außer der kombinierten Kontrastgruppe<br />
eine Leistungsverbesserung zu beobachten, während für Aufgaben mit nicht-konventionellem<br />
Mapping vor allem für die strukturelle Kontrastgruppe eine deutliche Verbesserung erkennbar ist.<br />
Verbesserung vom Vor- zum Nachtest in<br />
Anzahl der Aufgaben<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Konventionelles Mapping<br />
Nicht-konventionelles Mapping<br />
Kontrollgruppe Baseline-Gruppe<br />
Abbildung 8-15: Durchschnittliche Veränderung vom Vor- zum Nachtest für die Aufgaben des Transfertests mit<br />
offenem Antwortformat für die Items mit konventionellem und nicht- konventionellem Mapping für vier<br />
Trainingsgruppen und die Baseline-Gruppe.<br />
Es konnte jedoch weder für eine der experimentellen Bedingungen noch für die Baseline-Gruppe ein<br />
signifikanter Unterschied im Lerngewinn zwischen beiden Arten des Mapping statistisch abgesichert<br />
werden. Lediglich für die inhaltliche Kontrastgruppe ist ein Trend zu beobachten, Z (1, N = 15) = -1.66,<br />
p = .09. Demnach ist nur für die inhaltliche Kontrastgruppe eine Diskrepanz im Lerngewinn für beide<br />
Arten des Mappings feststellbar, die auf einen unflexiblen Gebrauch des Steigungsdreiecks schließen<br />
lässt. Vergleicht man den Unterschied zwischen den Mappings in der inhaltlichen Kontrastgruppe mit<br />
dem in der strukturellen Kontrastgruppe, scheint das Muster der Veränderung in beiden Bedingungen<br />
genau entgegengesetzt zu sein. Während in der strukturellen Kontrastgruppe für nicht-konventionelle<br />
174
Kapitel 8 - Ergebnisse<br />
Items ein größerer Lerngewinn <strong>als</strong> für konventionelle erzielt wurde, ist dies in der inhaltlichen<br />
Kontrastgruppe genau umgekehrt. Dieser Unterschied im Muster der Leistungsverbesserung ist für den<br />
Vergleich der strukturellen mit der inhaltlichen Kontrastgruppe signifikant, χ 2 (1, 30) = 3.45, p = .05.<br />
Weitere Gruppenvergleiche erreichen jedoch nicht die nötige Signifikanzgrenze.<br />
Um dieses Muster besser interpretieren zu können, soll abschließend wiederum betrachtet werden, für<br />
welche der experimentellen Bedingungen überhaupt ein signifikanter Lerngewinn für Items mit beiden<br />
Arten von Mappings festzustellen ist. Abbildung 8-16 zeigt die Vor- und Nachtestwerte für jede der<br />
fünf Gruppen für die zwei Items mit konventionellem Mapping. Den größten Lerngewinn scheinen die<br />
strukturelle und die inhaltliche Kontrastgruppe zu zeigen, während sich die Versuchsteilnehmer der<br />
kombinierten Kontrastgruppe wiederum nicht verbessern konnten, obwohl diese Versuchsteilnehmer<br />
bereits eine hohe Vortestleistung bei diesen Aufgaben zeigten.<br />
Anzahl korrekt gelöster Aufgaben<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Vortest<br />
Nachtest<br />
Baseline-Gruppe<br />
Abbildung 8-16: Durchschnittliche Anzahl korrekt gelöster Aufgaben des Transfertests mit konventionellem<br />
Mapping im offenen Antwortformat im Vor- und Nachtest für die vier Trainingsgruppen und die Baseline-<br />
Gruppe.<br />
Im Vergleich dazu scheint sich für Items mit nicht-konventionellem Mapping lediglich die Kinder der<br />
strukturellen Kontrastgruppe deutlich zu verbessern, während sich für die anderen Kontrastgruppen<br />
nur ein sehr geringer bzw. kein Lerneffekt zeigt (Abbildung 8-17).<br />
175
Kapitel 8 - Ergebnisse<br />
Anzahl korrekt gelöster Aufgaben<br />
2<br />
1,5<br />
1<br />
0,5<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Vortest<br />
Nachtest<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-17: Durchschnittliche Anzahl korrekt gelöster Aufgaben des Transfertests mit nichtkonventionellem<br />
Mapping und offenem Antwortformat für die vier Trainingsgruppen und die Baseline-Gruppe im<br />
Vor- und Nachtest.<br />
Wählt man wiederum die Veränderung vom Vor- zum Nachtest in der Baseline-Gruppe <strong>als</strong> Vergleichsstandard,<br />
kann sich bei Items mit konventionellem Mapping nur die inhaltliche Kontrastgruppe<br />
im Vergleich <strong>zur</strong> Baseline-Gruppe tendenziell verbessern, χ 2 (1, N = 60) = 2.58, p = .08, während für den<br />
Vergleich der strukturellen Kontrastgruppe mit der Baseline-Gruppe die Signifikanzgrenze nicht<br />
überschritten wird, χ 2 (1, N = 60) = 0.33, p = .49. Allerdings ist der Lerngewinn in der inhaltlichen<br />
Kontrastgruppe von dem der strukturellen Kontrastbedingung nicht signifikant verschieden, χ 2 (1, N = 30)<br />
= 0.20, p = .73.<br />
Für Aufgaben mit nicht-konventionellem Mapping dagegen verbessert sich lediglich die strukturelle<br />
Kontrastgruppe im Vergleich <strong>zur</strong> Baseline-Gruppe signifikant vom Vor- zum Nachtest,<br />
χ 2 (1, N = 60) = 7.95, p < .01. Im Vergleich zu den anderen Trainingsbedingungen unterscheidet sich der<br />
Lerngewinn der strukturellen Kontrastgruppe der Tendenz nach von der inhaltlichen Kontrastgruppe,<br />
χ 2 (1, N = 30) = 3.09, p = .08, und der Kontrollgruppe, χ 2 (1, N = 30) = 3.01, p = .06. Daraus kann die<br />
Schlussfolgerung gezogen werden, dass es nur den Versuchsteilnehmer der strukturellen Kontrastgruppe<br />
gelingt, die Strategie zum Erschließen des Steigungsdreiecks flexibel an die veränderte<br />
Situation anzupassen und ihre Leistungen bei Aufgaben mit nicht-konventionellem Mapping zu<br />
verbessern. Den Kindern der inhaltlichen Kontrastgruppe gelingt es dagegen nur sich bei Aufgaben<br />
mit konventionellem Mapping zu verbessern, die zwar den Transfer auf einen neuen Inhalt aber keine<br />
Anpassung der Strategie an eine veränderte Achsenbeschriftung erforderten.<br />
Gegen diesen Befund könnte eingewandt werden, dass es bereits im Training Unterschiede bezüglich<br />
der Möglichkeit gab, diese Strategie zu erlernen, so dass die beobachteten Unterschiede nicht auf eine<br />
unflexible Situationsanpassung, sondern auf ein mangelndes primäres Verständnis der Strategie im<br />
Training <strong>zur</strong>ückgeführt werden können. Diese Alternativhypothese kann mit Hilfe der entsprechenden<br />
176
Kapitel 8 - Ergebnisse<br />
Items des Kontrolltests überprüft werden. Für jeden Trainingsteil wurde mit zwei Aufgaben überprüft,<br />
ob die Versuchsteilnehmer nach dem entsprechenden Trainingsteil die Steigung korrekt ablesen<br />
konnten.<br />
Steigung Basisteil<br />
Anteil korrekt gelöster Aufgaben in<br />
Prozent<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Steigung Kontrastteil<br />
Baseline-<br />
Gruppe<br />
Abbildung 8-18: Mittlere Lösungshäufigkeit der Aufgaben <strong>zur</strong> Anwendung des Steigungsdreiecks im<br />
Kontrolltest des Basis- bzw. des Kontrastteils des Trainings für die experimentellen Bedingungen und die<br />
Baseline-Gruppe.<br />
Abbildung 8-18 zeigt die Lösungsraten der Items in den Kontrolltests, zu deren Lösung das Steigungsdreieck<br />
angewandt werden musste. In allen experimentellen Bedingungen sind die Lösungsraten<br />
für diese Aufgaben hoch, während für die Baseline-Gruppe wiederum deutlich wird, dass ohne eine<br />
Teilnahme am Training Aufgaben dieses Typs von Fünftklässlern nicht erfolgreich gelöst werden<br />
können.<br />
Kruskal-Wallis-Tests bestätigen, dass sich die fünf Bedingungen in ihrer Lösungsrate für die Steigungsaufgaben<br />
im Kontrolltest sowohl für den Basisteil des Trainings, χ 2 (4, N = 105) = 49.47, p < .001, <strong>als</strong><br />
auch für den Kontrastteil, χ 2 (4, N = 105) = 49.86, p < .001, deutlich unterscheiden. Weitere Einzelvergleiche<br />
bestätigen, dass dieser Effekt auf die geringeren Leistungen der Baseline-Gruppe im Vergleich zu<br />
den einzelnen Trainingsgruppen <strong>zur</strong>ückzuführen ist (alle Vergleiche mit der Baseline-Gruppe<br />
p < .001). Die vier Trainingsgruppen dagegen unterscheiden sich in ihrem Lerngewinn weder auf den<br />
Items des Basisteils, χ 2 (3, N = 60) = 1.43, p = .71, noch auf den Items des Kontrastteils, χ 2 (3, N = 60) = 1.64,<br />
p = .66. Demnach kann davon ausgegangen werden, dass das Steigungsdreieck <strong>als</strong> Strategie zum<br />
Erschließen des Steigungswertes von den Trainingsteilnehmern in den vier experimentellen Bedingungen<br />
erfolgreich gelernt wurde. Es kann <strong>als</strong>o ausgeschlossen werden, dass die beobachteten<br />
Unterschiede zwischen den experimentellen Bedingungen im Lerngewinn für die Aufgaben des<br />
Transfertests im offenen Antwortformat auf ein mangelndes Verständnis dieser Strategie bereits in den<br />
Trainingskontexten <strong>zur</strong>ückgeführt werden kann.<br />
177
Kapitel 8 - Ergebnisse<br />
Abschließend soll wiederum exploriert werden, ob es für Kinder mit unterschiedlichen hohen<br />
Leistungsvoraussetzungen Unterschiede im Lerngewinn für die Aufgaben des Transfertests im offenen<br />
Antwortformat gibt. Differenziert man wiederum in Kinder mit hohen und geringeren Eingangsvoraussetzungen<br />
anhand des Medians der graphischen Vortestleistungen, zeigt sich, dass vor allem die<br />
Kinder der strukturellen Kontrastgruppe mit guten Voraussetzungen ihre Leistungen bei Aufgaben mit<br />
beiden Arten des Mappings verbessern konnten, während sich für keine der anderen drei Trainingsbedingungen<br />
und Subgruppen der Leistungsfortschritt von dem in der Baseline-Gruppe deutlich zu<br />
unterscheiden scheint (Abbildung 8-19). Für die guten Versuchsteilnehmer der kombinierten und der<br />
inhaltlichen Kontrastgruppe dagegen ist für Items mit nicht-konventionellem Mapping sogar eine<br />
geringe Verschlechterung sichtbar. Kinder der inhaltlichen Kontrastgruppe mit hohen Eingangsvoraussetzungen<br />
zeigen lediglich für Items mit konventionellem Mapping einen mittleren Leistungsanstieg.<br />
Einzelne Kruskal-Wallis-Tests bestätigen dieses Muster. Für die Items mit nicht-konventionellem<br />
Mapping gibt es für die Versuchsteilnehmer mit hohen Eingangsvoraussetzungen einen signifikanten<br />
Unterschied im Lerngewinn zwischen den vier experimentellen Bedingungen, χ 2 (3, N = 30) = 8.25,<br />
p < .05, während dieser Effekt für die Aufgaben mit konventionellem Mapping nicht die Signifikanzgrenze<br />
erreicht, χ 2 (3, N = 30) = 4.62, p = .20. Vergleicht man nur die Kinder mit hohen Eingangsvoraussetzungen<br />
der drei Kontrastgruppen miteinander, zeigt sich ebenfalls ein signifikanter Unterschied im<br />
Lerngewinn für die Aufgaben mit nicht-konventionellem Mapping, χ 2 (2, N = 21) = 5.94, p < .05, während<br />
dieser Unterschied für Items mit konventionellem Mapping nicht signifikant wird, χ 2 (2, N = 21) = 3.05,<br />
p = .22. Einzelvergleiche zeigen, dass der signifikante Gruppenunterschied für Aufgaben mit nichtkonventionellem<br />
Mapping auf die guten Versuchsteilnehmer der strukturellen Kontrastgruppe<br />
<strong>zur</strong>ückgeht (Vergleich der strukturellen Kontrastgruppe mit der kombinierten Gruppe p = .03; mit der<br />
inhaltlichen Gruppe p = .06, mit der Kontrollgruppe p = .01). Im Gegensatz dazu gibt es für Kinder<br />
mit geringeren Eingangsvoraussetzungen keine signifikanten Unterschiede zwischen den Gruppen für<br />
Aufgaben mit beiden Arten des Mappings.<br />
178
Kapitel 8 - Ergebnisse<br />
Mittlere Verbesserung in Anzahl der Aufgaben<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
0,0<br />
-,5<br />
geringe Vortestleistungen<br />
Vortest<br />
Nachtest<br />
Mittlere Verbesserung in Anzahl der Aufgaben<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
0,0<br />
-,5<br />
hohe Vortestleistungen<br />
Vortest<br />
Nachtest<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
Abbildung 8-19: Durchschnittliche Verbesserung in der Anzahl der gelösten Aufgaben des Transfertests mit<br />
offenem Antwortformat differenziert nach Art des Mappings und der graphischen Vortestleistung für die vier<br />
experimentellen Bedingungen.<br />
Der Vorteil der strukturellen Kontrastgruppe scheint bei den offenen Items mit unkonventionellem<br />
Mapping vor allem auf die Versuchsteilnehmer mit guten Eingangsvoraussetzungen <strong>zur</strong>ückzugehen,<br />
wogegen schlechtere Versuchsteilnehmer in allen vier Trainingsbedingungen gleich wenig profitierten.<br />
Vergleicht man innerhalb jeder Trainingsgruppe Schüler mit guten und schlechten Voraussetzungen<br />
in ihrem Lerngewinn für beide Arten des Mappings, unterscheiden sich diese nur für die<br />
strukturelle Kontrastgruppe (für konventionelle Items χ 2 (1, N = 15) = 6.22, p = .01; für nichtkonventionelle<br />
Items χ 2 (1, N = 15) = 2.13, p = .19).<br />
Zusammenfassend kann festgehalten werden, dass bei Aufgaben im offenem Antwortformat, zu deren<br />
erfolgreichen Lösung eine im Training gelernte Strategie auf neue Situationen und Kontexte angewandt<br />
werden musste, sich ein Vorteil des Lernens mit strukturellem Kontrast zeigte. Die Versuchspersonen<br />
dieser Gruppe konnten die im Training gelernte Strategie flexibler auf neue Situationen<br />
anwenden. Die Subgruppenanalyse zeigte jedoch, dass dies nur für Versuchsteilnehmer mit hohen<br />
Eingangsvoraussetzungen zutrifft. Versuchsteilnehmer mit geringem Vorwissen konnten sich unter<br />
keiner der vier experimentellen Bedingungen signifikant verbessern.<br />
8.3.2.4 Explorative Analyse der Effekte des Aufgabenformates<br />
Die Analysen für die Aufgaben im Multiple-Choice- sowie im offenem Antwortformat haben gezeigt,<br />
dass sich die Wirksamkeit des Trainings nicht bei beiden Formaten gleichermaßen zeigt, sondern der<br />
Leistungszuwachs bei der Interpretation von Graphen vom Antwortformat abhängig ist (siehe Kritik<br />
von Berg & Phillips, 1984). Ebenso zeigten sich deutliche Unterschiede im Lerngewinn für Aufgaben<br />
mit konventionellem bzw. nicht-konventionellem Mapping. Da den Aufgaben des Transfertests ein<br />
2 x 2-Faktoren-Design mit den Faktoren Aufgabenformat (Multiple Choice vs. offen) und Mapping<br />
179
Kapitel 8 - Ergebnisse<br />
(konventionell vs. nicht-konventionell) zugrunde liegt und in den vorangegangenen Analysen lediglich<br />
die Effekte des Mappings für beide Aufgabenformate getrennt betrachtet wurden, sollen die beobachteten<br />
Lerneffekte für die einzelnen Bedingungen abschließend in einer Analyse über beide Aufgabenformate<br />
hinweg exploriert werden.<br />
In einer 2 (Format) x 2 (Mapping) x 4 (Bedingung)–faktoriellen Varianzanalyse mit Messwiederholung<br />
auf dem ersten und zweiten Faktor wurde untersucht, ob es Unterschiede zwischen den<br />
Gruppen in Abhängigkeit vom Antwortformat oder dem Mapping der Variablen gibt. Es zeigt sich,<br />
dass für Items im Multiple-Choice-Format tendenziell einen größeren Anstieg in den Leistungen gibt,<br />
F(1, 56) = 3.30, p = .07, η 2 = .06, und der Anstieg in den Leistungen für Items mit konventionellem<br />
Mapping signifikant größer <strong>als</strong> für nicht-konventionelle Items ist, F(1, 56) = 9.11, p < .01, η 2 = .14.<br />
Beide Effekte werden jedoch durch eine signifikante Interaktion der beiden Faktoren relativiert,<br />
F(1, 56) = 4.35, p = .04, η 2 = .07. So gibt es für Items mit unkonventioneller Achsenbeschriftung<br />
keinen Unterschied zwischen Items im offenen und Multiple-Choice-Format, während dieser<br />
Unterschied für konventionelle Items deutlich größer ist.<br />
,4<br />
,4<br />
Durchschn. anteilige Verbesserung<br />
,3<br />
,2<br />
,1<br />
Mapping<br />
konventionell<br />
Durchschn. anteilige Verbesserung<br />
,3<br />
,2<br />
,1<br />
Itemformat<br />
multiple-choice<br />
0,0<br />
unkonventionell<br />
0,0<br />
offen<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Abbildung 8-20: Visualisierung der Interaktionseffekte a) Mapping x Bedingung und b) Test x Bedingung.<br />
Weiterhin scheint sich der Unterschied im Lerngewinn für beide Arten des Mappings für die vier<br />
Trainingsgruppen tendenziell zu unterscheiden, F(3, 56) = 2.62, p = .06, η 2 = .10. So ist für Versuchsteilnehmer<br />
der strukturellen und der kombinierten Kontrastgruppe ein geringerer Unterschied in<br />
den Verbesserungen für beide Arten des Mappings festzustellen (p > .20), während dieser für die<br />
Versuchsteilnehmer der inhaltlichen und der Kontrollgruppe (p < .05 bzw. p < .01) signifikant ist<br />
(Abbildung 8-20).<br />
180
Kapitel 8 - Ergebnisse<br />
Die Interaktion der Faktoren Itemformat und Bedingung erreicht jedoch nicht die Signifikanzgrenze,<br />
F(3, 56) = 1.35, p = .26, η 2 = .07. Abbildung 8-20b legt jedoch nahe, dass es Unterschiede zwischen<br />
der strukturellen und der inhaltlichen bzw. der Kontrollgruppe geben könnte. Vergleicht man<br />
explorativ die Unterschiede zwischen beiden Itemformaten für jede Gruppe, zeigt sich, dass sich<br />
wiederum die strukturelle und die kombinierte Kontrastgruppe nicht in ihrer Verbesserung auf beiden<br />
Itemformaten unterscheiden (p >. 20), während für die inhaltliche und die Kontrollgruppe tendenziell<br />
eine höhere Verbesserungsrate für Multiple-Choice-Aufgaben zu beobachten ist (jeweils p < .08).<br />
Diese Ergebnisse bestätigen die Vermutung, dass die Kinder der inhaltlichen Kontrastgruppe und der<br />
Kontrollgruppe eine oberflächliche Bearbeitungsstrategie <strong>zur</strong> Lösung der Aufgaben des Transfertests<br />
anwendeten, da für diese eine deutliche Diskrepanz im Lösungsmuster für konventionell und nichtkonventionell<br />
beschriftete Aufgaben zu beobachten war, ebenso wie für offene und Multiple-Choice-<br />
Aufgaben. Für die strukturelle und die kombinierte Kontrastgruppe dagegen ist ein ausgeglicheneres<br />
Lösungsmuster festzustellen.<br />
Da sich in den vorangegangenen Analysen ein differenzieller Effekt der Vortestleistungen in Abhängigkeit<br />
von der Trainingsbedingung zeigte, der zudem für die einzelnen Skalen des Transfertests ein<br />
unterschiedliches Muster zeigte, wird der Subgruppenfaktor <strong>als</strong> zusätzlicher Faktor in die Analyse<br />
aufgenommen. Es zeigt sich, dass der Aufgabenformat x Mapping-Effekt, wonach es für Items mit<br />
konventionellem Mapping einen deutlich größeren Unterschied zwischen den beiden Itemformaten<br />
gibt <strong>als</strong> für Aufgaben mit nicht-konventionellem Mapping, sich für die beiden Subgruppen tendenziell<br />
unterscheidet, F(1, 52) = 3.26, p = .07, η 2 = .06.<br />
geringe Vortestleistungen<br />
hohe Vortestleistungen<br />
,5<br />
,5<br />
Durchschn. anteilige Verbesserung<br />
,4<br />
,3<br />
,2<br />
,1<br />
Mapping<br />
konventionell<br />
Durchschn. anteilige Verbesserung<br />
,4<br />
,3<br />
,2<br />
,1<br />
Mapping<br />
konventionell<br />
0,0<br />
multiple-choice<br />
offen<br />
unkonventionell<br />
0,0<br />
multiple-choice<br />
offen<br />
unkonventionell<br />
Itemformat<br />
Itemformat<br />
Abbildung 8-21: Visualisierung des Interaktionseffektes Mapping x Test x Subgruppe.<br />
Einzelne t-Tests zeigen, dass es für Kinder mit geringen Vortestleistungen bei Aufgaben im Multiple-<br />
Choice-Format einen signifikanten Unterschied im Lerngewinn für Aufgaben mit konventionellen und<br />
nicht-konventionellen Mappings gibt (p = .01), für Items im offenen Antwortformat jedoch nicht. Für<br />
181
Kapitel 8 - Ergebnisse<br />
Kinder mit höheren Vortestleistungen dagegen zeigt sich für beide Aufgabenformate tendenziell ein<br />
Unterschied zwischen Items mit konventionellem und nicht-konventionellem Mapping (p = .08 für<br />
Multiple-Choice-Items und p = .10 für offene Items). Darüber hinaus lässt sich lediglich für Kinder<br />
mit schlechteren Vortestleistungen ein signifikanter Effekt zwischen offenen und Multiple-Choice-<br />
Aufgaben mit konventionellem Mapping (p = .01) beobachten (siehe Abbildung 8-21).<br />
Weiterhin zeigte sich, dass zusätzlich zu den Effekten für die Subgruppen weitere Unterschiede<br />
zwischen den Trainingsgruppen bestehen (siehe Abbildung 8-22). Demnach kann der signifikante<br />
Mapping x Bedingung-Effekt der Tendenz nach für beide Subgruppen differenziert betrachtet werden,<br />
F(3, 52) = 1.98, p = .12, η 2 = .10. Einzelne t-Tests zeigen, dass lediglich für die schlechteren Schüler<br />
der inhaltlichen und der Kontrollgruppe ein bedeutsamer Unterschied für beide Arten des Mappings<br />
identifiziert werden kann, (p = .06 bzw. p < .01), während für die Schüler der strukturellen und der<br />
kombinierten Kontrastgruppe kein Unterschied festzustellen ist, (p = .51 bzw. p = .17; Abbildung<br />
8-22).<br />
,5<br />
geringe Vortestleistungen<br />
,5<br />
hohe Vortestleistungen<br />
Durchschn. anteilige Verbesserung<br />
,4<br />
,3<br />
,2<br />
,1<br />
0,0<br />
Mapping<br />
konventionell<br />
Durchschn. anteilige Verbesserung<br />
,4<br />
,3<br />
,2<br />
,1<br />
0,0<br />
Mapping<br />
konventionell<br />
-,1<br />
unkonventionell<br />
-,1<br />
unkonventionell<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Abbildung 8-22: Visualisierung des Interaktionseffektes Mapping x Bedingung x Subgruppe.<br />
Werden nur die Lernzuwächse für Items mit nicht-konventionellem Mapping verglichen, zeigt sich für<br />
die guten Teilnehmer der strukturellen Kontrastgruppe ein signifikant größerer Lerngewinn im<br />
Vergleich <strong>zur</strong> Kontrollgruppe (p = .03) und tendenziell auch im Vergleich <strong>zur</strong> inhaltlichen Kontrastgruppe<br />
(p = .12) und <strong>zur</strong> kombinierten Kontrastgruppe (p = .11).<br />
Für die Versuchsteilnehmer mit geringen Vortestleistungen zeigte sich, dass insbesondere Kinder der<br />
inhaltlichen Kontrastgruppe und der Kontrollgruppe die Tendenz <strong>zur</strong> oberflächlichen Bearbeitung<br />
aufweisen und bei Multiple-Choice-Aufgaben mit nicht-konventionellem Mapping überdurchschnittlich<br />
hohe Verbesserungsraten zeigen. Für Versuchsteilnehmer mit hohen Vortestleistungen dagegen<br />
zeigt sich dieses Muster nicht in Abhängigkeit vom Aufgabenformat. Diese Versuchsteilnehmer<br />
erzielen bei Items mit konventionellem Mappping höhere Zuwachsraten <strong>als</strong> für Aufgaben mit<br />
182
Kapitel 8 - Ergebnisse<br />
unkonventionellem Mapping unabhängig von der Art der Aufgabenstellung. Es könnte vermutet<br />
werden, dass dies auf ein generell besseres Verständnis der Steigungsstrategie <strong>zur</strong>ückgeführt werden<br />
kann. Die Analysen des vorangegangenen Abschnitts zeigten jedoch, dass lediglich Versuchsteilnehmer<br />
der strukturellen Kontrastgruppe sich bei diesen Aufgaben mit beiden Mappings deutlich<br />
verbesserten, während die Versuchsteilnehmer der inhaltlichen Kontrastgruppe nur Steigungen, die im<br />
Sinne der Konvention erschlossen werden mussten, gut ableiten konnten, bei veränderter Situation<br />
jedoch versagten.<br />
Die berichteten Analysen bestätigen, dass es deutliche Unterschiede im Lerngewinn der Trainingsteilnehmer<br />
für die Aufgaben des Transfertests mit unterschiedlichen Anforderungen gibt. Während es für<br />
die Verbesserung bei Items mit unkonventionellem Mapping keinen Unterschied macht, ob Items im<br />
Multiple-Choice- oder im offenen Format gestellt werden, ist dies für Aufgaben mit konventionellem<br />
Mapping der Fall. Für Aufgaben mit konventionellem Mapping ist ein deutlich größerer Leistungsanstieg<br />
infolge des Trainings zu beobachten <strong>als</strong> für Items mit nicht-konventioneller Achsenbeschriftung.<br />
Dies scheint ein Hinweis darauf zu sein, dass Multiple-Choice-Aufgaben mit konventioneller<br />
Achsenbeschriftung, wie vermutet, sensitiver für Oberflächenstrategien bei der Bearbeitung sind <strong>als</strong><br />
Aufgaben, bei denen ein konkreter Wert erschlossen werden muss bzw. ein verändertes Mapping<br />
vorliegt. Ausgehend von den Befunden des Transfertests kann demnach bestätigt werden, dass die<br />
einzelnen Kontraste bei den Versuchsteilnehmern unterschiedliche Teilfertigkeiten bzw. Strategien<br />
ausbildeten. Zusätzlich müssen je nach Gruppenzugehörigkeit jedoch Differenzierungen vorgenommen<br />
werden, nach denen sich die instruktionalen Bedingungen nicht für alle Schüler gleich auswirkten,<br />
sondern ATI-Effekte zu beobachten sind. 44<br />
8.3.3 Aufgaben zum Erklären bzw. Erschließen von neuen Bedeutungen der Steigung<br />
Dieser Test setzte sich aus vier Aufgaben und zwei verschiedenen Aufgabenformaten zusammen, bei<br />
denen die Versuchspersonen entweder erklären mussten, warum ein vorgegebenes Konzept anhand der<br />
Steigung eines Graphen abgelesen werden kann oder sich selbst erschließen sollten, welche inhaltliche<br />
Variable durch die Steigung in zwei konkreten Fällen repräsentiert wird (Aufgaben im Anhang Seite<br />
529 bis 262). Damit sollte überprüft werden, inwieweit die Kinder sprachlich explizieren konnten,<br />
dass die Bedeutung der Steigung von den Achsen abgeleitet werden muss und wie die gefundenen<br />
Mappings erklärt werden können. Es wurde angenommen, dass die Kinder der strukturellen Kontrastgruppe<br />
und die Kinder der kombinierten Kontrastgruppe mit guten Eingangsvoraussetzungen<br />
höherwertige Antworten <strong>als</strong> die Versuchsteilnehmer der inhaltlichen und der Kontrollgruppe geben.<br />
Weiterhin sollten Trainingsteilnehmer im Vergleich zu den Kindern der Baselinestichprobe bessere<br />
Erklärungen für die Bedeutung der Steigung liefern. Da für diese vier Aufgaben aus methodischen<br />
Gründen keine Vortestmessung vorgenommen wurde, ist für eine Abschätzung des Trainingseffektes<br />
44 Für den Nahtransfertest gibt es weder Effekte der Subgruppe noch der Kombination von Subgruppe und<br />
Bedingungsfaktor.<br />
183
Kapitel 8 - Ergebnisse<br />
der Vergleich mit der Baseline-Gruppe sowie der Vergleich mit der in den Eingangsvoraussetzungen<br />
ähnlicheren, d. h. der reduzierten, Stichprobe kritisch. 45<br />
Die Antworten der Kinder wurden nach einem einheitlichen siebenstufigen Kodierschema gemäß der<br />
Qualität der Antworten kodiert (siehe Punkt 8.1.3). Dabei wurde vor allem unterschieden, ob sich die<br />
Antworten der Kinder auf die in der Graphik gegebenen Größen bezogen (Kategorie 1 bis 3) oder<br />
inhaltliche Überlegungen herangezogen wurden. Für die auf den Graphen bezogenen Antworten<br />
wurde zudem kodiert, ob auf nur eine Variable (Kategorie 3) oder auf beide an den Achsen abgetragenen<br />
Variablen Bezug genommen wurde (Kategorie 2) und ob diese Variablen miteinander integriert<br />
wurden (Kategorie 1). Für die statistische Auswertung wurde für jede Versuchsperson aufaddiert, wie<br />
oft sie Antworten der einzelnen Kategorien gegeben hat. Tabelle 8-11 zeigt die prozentuale Verteilung<br />
der Häufigkeiten der Antworten für die sieben Kategorien für die Gesamtheit der gegebenen Antworten<br />
für die gesamte und die reduzierte Stichprobe.<br />
Tabelle 8-11: Prozentuale Verteilung der Antworthäufigkeiten in den einzelnen Kategorien für die vier<br />
Trainingsgruppen und die Baseline-Gruppe jeweils für die gesamte Stichprobe und für die um die Leistungsextreme<br />
reduzierte Stichprobe (Werte in Klammern). Die für jede Bedingung am häufigsten besetzte Kategorie ist<br />
jeweils in Fettschrift gekennzeichnet.<br />
Kategorie<br />
(1) Zweidimensional<br />
integrierte Antworten<br />
(2) Zweidimensional nichtintegrierte<br />
Antworten<br />
(3) Eindimensionale<br />
Antworten<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontroll-<br />
Gruppe<br />
Baseline-<br />
Gruppe<br />
13 (0) 11 (0) 11 (15) 23 (5) 2 (3)<br />
26 (17) 36 (32) 16 (30) 16 (10) 7 (9)<br />
33 (46) 25 (32) 28 (20) 23 (30) 12 (13)<br />
(4) Andere Antworten 15 (21) 10 (10) 21 (20) 30 (35) 25 (21)<br />
(5) Übergeneralisierung 6 (10) 10 (14) 10 (15) 6 (20) 9 (9)<br />
(6) Misskonzept 1 (0) 3 (7) 5 (0) 0 (0) 11 (7)<br />
(7) Fehlende Antworten 6 (6) 5 (5) 9 (0) 2 (0) 34 (38)<br />
Die Mehrzahl der Antworten der Versuchsteilnehmer der drei Kontrastgruppen geht auf die Kategorien<br />
zweidimensional nicht-integrierte und eindimensionale Antworten <strong>zur</strong>ück, während für die<br />
Kontrollgruppe eine andere nicht auf den Graphen bezogene Antwort die häufigste Antwortkategorie<br />
darstellt. Auch die Teilnehmer der Baseline-Gruppe geben vor allem solche inhaltlichen Erklärungen.<br />
Außerdem ist auffallend, dass über 30 Prozent der Antworten in der Baselinestichprobe fehlen, d. h.<br />
45 Die statistischen Analysen dieses Kapitels sind in Anhang VII dokumentiert.<br />
184
Kapitel 8 - Ergebnisse<br />
für viele Kinder einzelne oder mehrere der Aufgaben überhaupt nicht zu beantworten waren, obwohl<br />
sie vom Testleiter mehrm<strong>als</strong> dazu aufgefordert wurden. 46<br />
Vergleicht man die prozentualen Häufigkeiten der Antworten für die vier Trainingsbedingungen<br />
untereinander (Tabelle 8-11), scheinen die Versuchsteilnehmer der Kontrollgruppe häufiger Antworten<br />
der ersten Kategorie (zweidimensional integriert) zu geben, während für die strukturelle und die<br />
kombinierte Kontrastgruppe ein größerer Anteil zweidimensional nicht-integrierter Antworten<br />
(Kategorie 2) zu beobachten ist. Des Weiteren geben die Versuchsteilnehmer der Kontrollgruppe <strong>als</strong><br />
einzige Gruppe keine Misskonzept-Antworten im Vergleich zu einem relativ geringen Anteil solcher<br />
Äußerungen in den drei Kontrastbedingungen.<br />
Bei exakter, zweiseitiger Testung auf Unterschiede zwischen den vier Trainingsgruppen für die<br />
Antworten der einzelnen Kategorien, zeigt sich lediglich ein Trend für die Antwort-Kategorie „Andere<br />
Antworten“, χ 2 (3, 60) = 7.04, p = .03. Werden nur die drei Kontrastgruppen miteinander verglichen,<br />
ist ebenfalls ein Trend für diese Antwortkategorie zu beobachten, χ 2 (2, 45) = 4.22, p = .12. Einzelvergleiche<br />
zeigen, dass im Vergleich <strong>zur</strong> kombinierten Kontrastgruppe und der Tendenz nach auch im<br />
Vergleich <strong>zur</strong> strukturellen Kontrastgruppe in der Kontrollgruppe häufiger Antworten gegeben<br />
werden, die nicht auf den Graphen bezogen sind (p = .03 bzw. p = .08). Weiterhin scheint dies auch<br />
für die inhaltliche Kontrastgruppe im Vergleich <strong>zur</strong> kombinierten Kontrastgruppe tendenziell der Fall<br />
zu sein (p = .07).<br />
Tabelle 8-12: Teststatistiken der Kruskal-Wallis-Tests für den Vergleich der gesamten Trainingsstichprobe mit<br />
der Baselinestichprobe für die Häufigkeiten der einzelnen Antwortkategorien für die gesamte und die reduzierte<br />
Stichprobe bei exakter einseitiger Testung.<br />
Kategorie Gesamte Stichprobe Reduzierte Stichprobe<br />
Zweidimensional<br />
integrierte Antwort<br />
χ 2 (1, 105) = 9.18, p = .00 χ 2 (1, 49) = 0.25, p = .37<br />
Zweidimensional nichtintegrierte<br />
Antw.<br />
χ 2 (1, 105) = 13.51, p = .00 χ 2 (1, 49) = 4.41, p = .01<br />
Eindimensionale Antw. χ 2 (1, 105) = 10.57, p = .00 χ 2 (1, 49) = 8.94, p < .01<br />
Inhaltliche Erklärung χ 2 (1, 105) = 1.53, p = .10 χ 2 (1, 49) = 0.29, p = .30<br />
Übergeneralisierung χ 2 (1, 105) = 0.29, p = .30 χ 2 (1, 49) = 0.99, p = .16<br />
Misskonzept-Antwort χ 2 (1, 105) = 10.31, p = .00 χ 2 (1, 49) = 3.09, p = .06<br />
Für die anderen Antwortkategorien erreicht keiner der Einzelvergleiche die Signifikanzgrenze. Somit<br />
kann zunächst nicht bestätigt werden, dass die Versuchsteilnehmer der strukturellen und der kombinierten<br />
Kontrastgruppe qualitativ bessere Erklärungen für die Bedeutung der Steigung im Vergleich<br />
<strong>zur</strong> inhaltlichen Kontrastgruppe und <strong>zur</strong> Kontrollgruppe geben.<br />
46 Einzelne Kinder verweigerten sich sogar explizit, diese Aufgaben zu bearbeiten, was <strong>als</strong> deutliches Zeichen<br />
für eine Überforderung durch die Aufgaben interpretiert werden kann.<br />
185
Kapitel 8 - Ergebnisse<br />
Andererseits scheinen Teilnehmer der kombinierten und der strukturellen Kontrastgruppe ihre<br />
Erklärungen mehr auf die präsentierte Graphik zu beziehen <strong>als</strong> die Kinder der Kontrollgruppe, was <strong>als</strong><br />
ein schlechteres Verständnis in dieser Gruppe interpretiert werden kann. Für den Vergleich der<br />
Baseline-Gruppe mit der gesamten Trainingsgruppe bestätigen einzelne Kruskal-Wallis-Tests (siehe<br />
Tabelle 8-12), dass die Teilnehmer der Trainingsbedingungen häufiger <strong>als</strong> die Versuchsteilnehmer der<br />
Baselinestichprobe Antworten der ersten drei Kategorien (zweidimensional integriert, zweidimensional<br />
nicht-integriert, eindimensional) geben und ihre Antworten öfter auf die Graphik beziehen <strong>als</strong> die<br />
Kinder in der Baselinestichprobe. Des Weiteren geben die Trainingskinder signifikant weniger<br />
Misskonzept-Antworten <strong>als</strong> Teilnehmer der Baseline-Gruppe, während für die inhaltliche Antwortkategorie<br />
und die Übergeneralisierung von Geschwindigkeitsantworten kein Unterschied zu entdecken<br />
ist. Für den Vergleich der reduzierten Stichproben zeigt sich, dass die Trainingsteilnehmer signifikant<br />
häufiger zweidimensional nicht-integrierte und eindimensionale Erklärungen geben und außerdem<br />
weniger Misskonzepte zeigen <strong>als</strong> die Baseline-Gruppe. Insgesamt scheinen die Trainingsgruppen der<br />
Tendenz nach auch weniger inhaltliche Antworten zu geben <strong>als</strong> die der Baseline-Gruppe.<br />
Tabelle 8-13: Zusammenfassung der Ergebnisse der verschiedenen Kruskal-Wallis-Tests zum Vergleich jeder<br />
der Trainingsgruppen mit der Baseline-Gruppe für jede Antwortkategorie bei exakter einseitiger Testung).<br />
Kategorie<br />
Zweidimensional<br />
integrierte Antwort<br />
Baseline<br />
vs<br />
strukt.<br />
Gesamte Stichprobe<br />
Baseline<br />
vs<br />
komb.<br />
Baseline<br />
vs<br />
inhalt.<br />
Baseline<br />
vs<br />
Kontrolle<br />
** * ** ***<br />
Baseline<br />
vs<br />
strukt.<br />
Reduzierte Stichprobe<br />
Baseline<br />
vs<br />
komb.<br />
Baseline<br />
vs<br />
inhalt.<br />
Baseline<br />
vs<br />
Kontrolle<br />
- - * -<br />
Zweidim. nichtintegriert<br />
Antw.<br />
Eindimensionale<br />
Antwort<br />
*** *** ** * - ** * -<br />
*** ** * ** ** ** - *<br />
Inhaltliche Erklärung * ** - - - + - +<br />
Übergeneralisierung - - - - - - - -<br />
Misskonzept-Antwort * + + *** + - - -<br />
*** p
Kapitel 8 - Ergebnisse<br />
verglichen mit der Baseline-Gruppe, während für die kombinierte und die inhaltliche Kontrastgruppe<br />
lediglich ein Trend festzustellen ist. Bezogen auf inhaltliche Erklärungen geben die Kinder der<br />
strukturellen und der kombinierten Kontrastgruppe weniger Erklärungen dieser Art <strong>als</strong> die Kinder der<br />
Baseline-Gruppe, während für die inhaltliche und die Kontrollgruppe kein Unterschied feststellbar ist.<br />
Für die reduzierte Stichprobe zeigt sich, dass der beobachtete Trainingseffekt für die Kategorie<br />
„Eindimensionale Antwort“ vor allem auf die strukturelle, die kombinierte und die Kontrollgruppe<br />
<strong>zur</strong>ückgeführt werden muss, während der Effekt für die Kategorie „Zweidimensional nicht-integrierte<br />
Antworten“ offensichtlich durch die kombinierte und die inhaltliche Kontrastgruppe getragen wird.<br />
Der Trend für die geringere Anzahl der Misskonzeptantworten in den Trainingsbedingungen für die<br />
reduzierte Stichprobe scheint dagegen allein auf den Vergleich der Baseline-Gruppe mit der strukturellen<br />
Kontrastgruppe <strong>zur</strong>ückzugehen. Für die inhaltlichen Erklärungen zeigt sich, dass Versuchsteilnehmer<br />
der Kontrollgruppe tendenziell sogar mehr inhaltliche Erklärungen abgeben <strong>als</strong> Kinder der<br />
Baseline-Gruppe, während sich dieser Trend in der kombinierte Kontrastgruppe umkehrt.<br />
Diese Analysen der Antworthäufigkeiten für die einzelnen Kategorien zeigen, dass die Teilnahme am<br />
Training die Kinder befähigt, differenziertere Erklärungen zu generieren <strong>als</strong> die untrainierte Vergleichsgruppe<br />
und zudem weniger Erklärungen zu geben, die auf ein Misskonzept hindeuten. Für die<br />
in den Eingangsvoraussetzungen vergleichbare Trainings- und Baselinestichprobe ist dieses Muster<br />
jedoch nicht für jede der vier experimentellen Bedingungen replizierbar, so dass es Hinweise auf<br />
unterschiedliche Profile in den Erklärungen für die Teilnehmer der einzelnen Trainingsgruppen gibt.<br />
Demnach scheint besonders eine inhaltliche Kontrastierung die Kinder zu befähigen, häufiger<br />
zweidimensionale Antworten zu geben, während sich der Effekt der strukturellen Kontrastierung vor<br />
allem bei den eindimensionalen Antworten zeigt.<br />
Während in den bisherigen Analysen jede Antwortkategorie isoliert betrachtet wurde, sollen in einem<br />
zweiten Schritt die Antworten der Versuchsteilnehmer auf den verschiedenen Kategorien zueinander<br />
in Beziehung gesetzt werden. Dazu wurde über die sechs Summenwerte der Kategorien 1 bis 6 eine<br />
multivariate Varianzanalyse mit dem vierfach gestuften Gruppierungsfaktor gerechnet. Da für diesen<br />
Test keine Vortestmessungen erhoben wurden, es jedoch erwartet werden kann, dass auch bei diesem<br />
Test die Fähigkeit, Graphen zu Beginn des Trainings bereits gut interpretieren zu können, eine<br />
moderierende Rolle spielen könnte, wird der Summenwert auf den graphischen Vortests <strong>als</strong> Kovariate<br />
in die Analyse miteinbezogen. Es zeigte sich, dass für die vier Trainingsbedingungen auch bei<br />
multivariater Testung kein Unterschied im allgemeinen Muster der Erklärungen sichtbar wurde,<br />
F(18, 133) = 1.03, p = .43, η 2 = .12. Das graphische Vorwissen hat allerdings einen deutlichen Einfluss<br />
auf die Art der gegebenen Erklärungen, F(6, 47) = 4.36, p = .001, η 2 = .36, unterscheidet sich für die<br />
vier experimentellen Bedingungen jedoch nicht, F(18, 133) = 0.48, p = .96, η 2 = .06. Gleiches gilt,<br />
wenn wiederum nur die drei Kontrastgruppen miteinander verglichen werden.<br />
Werden alle Antwortkategorien mit in die Analyse einbezogen zeigt sich demnach kein Unterschied<br />
im Erklärungsmuster zwischen den vier experimentellen Bedingungen. Diese Analysen ließen aber die<br />
187
Kapitel 8 - Ergebnisse<br />
Angemessenheit bzw. Korrektheit einer Erklärung außer Betracht. Daher werden im Weiteren nur<br />
Antworten betrachtet, bei denen eindeutig auf die Graphik Bezug genommen wurde, d. h. zweidimensionale<br />
und eindimensionale Antworten. Da bei eindimensionalen Antworten deutlich wird, dass die<br />
integrierende Natur der Steigung nicht erkannt wurde, werden diese <strong>als</strong> f<strong>als</strong>che Antworten aufgefasst,<br />
während bei den anderen beiden Kategorien auf beide Achsenvariablen Bezug genommen wurde, so<br />
dass diese <strong>als</strong> richtige Antworten zu einer Kategorie zusammengefasst werden. 47 Die anderen f<strong>als</strong>chen<br />
Antwortkategorien wurden nicht mit in die Analyse einbezogen, da dort entweder nicht auf die<br />
Graphik Bezug genommen wurde oder aber ein Misskonzept vorlag, und somit nicht von einem<br />
Verständnis der Steigung bzw. der Graphik auszugehen ist.<br />
Eine 2 (Antwort) x 4 (Bedingung)–faktorielle Varianzanalyse mit Messwiederholung auf dem ersten<br />
Faktor und der Vortestleistung auf den graphischen Tests <strong>als</strong> Kovariate zeigte, dass eindimensionale<br />
Erklärungen insgesamt häufiger gegeben wurden <strong>als</strong> zweidimensionale, F(1, 52) = 6.86, p = .01,<br />
η 2 = .12, und der graphische Vortestwert einen bedeutsamen Einfluss auf die Art der Erklärung hat,<br />
F(1, 52) = 9.91, p < .01, η 2 = .16. Beide Effekte unterschieden sich jedoch für die vier experimentellen<br />
Bedingungen nicht. Die korrespondierende Analyse für die drei Kontrastgruppen zeigte dieselben<br />
Effekte. Demnach geben die Kinder der vier Trainingsbedingungen gleich häufig eindimensionale<br />
bzw. zweidimensionale Erklärungen.<br />
Da wiederum die graphische Vortestleistung einen signifikanten Einfluss auf die Güte der Erklärungen<br />
aufwies, soll abschließend exploriert werden, ob sich ein deutlicheres Muster in den Erklärungen zeigt,<br />
wenn die Gruppen nach dem Median der Vortestleistungen in zwei Subgruppen aufgeteilt werden. 48<br />
Für die kombinierte Kontrastgruppe wurde zudem angenommen, dass für Kinder mit hohen und<br />
niedrigen Eingangsvoraussetzungen ein unterschiedliches Muster der Erklärungen zu beobachten ist.<br />
Wird die Subgruppe anstelle der Kovariate in die obige Analyse aufgenommen, zeigt sich, dass<br />
Versuchsteilnehmer mit hohen Eingangsleistungen insgesamt mehr zweidimensionale <strong>als</strong> eindimensionale<br />
Antworten geben, F(1, 52) = 6.53, p < .05, η 2 = .11, dies jedoch nicht für alle vier Trainingsbedingungen<br />
gleichermaßen gültig ist, F(3, 52) = 3.42, p < .05, η 2 = .17. Diese Abhängigkeit des<br />
Effektes von der Trainingbedingung zeigte sich ebenfalls, wenn nur für die drei Kontrastgruppen<br />
getestet wird, F(2, 39) = 4.72, p = .01, η 2 = .20.<br />
Einzelne t-Tests zeigen, dass sich vor allem die strukturelle, die kombinierte und die Kontrollgruppe<br />
im Vergleich <strong>zur</strong> inhaltlichen Kontrastgruppe in ihrem Antwortmuster unterscheiden. Während in den<br />
ersten drei Bedingungen Kinder mit guten Vortestleistungen deutlich mehr zweidimensionale<br />
Erklärungen geben <strong>als</strong> Versuchsteilnehmer mit schlechteren Vortestleistungen (p = .006, p = .10 bzw.<br />
47 Dies scheint gerechtfertigt, da für Antworten in beiden Kategorien beide Achsenvariablen mindestens genannt<br />
werden mussten und somit davon auszugehen ist, dass diese Kinder die zweidimensionale Natur der Steigung<br />
wahrnehmen, auch wenn die beiden Variablen nicht immer erfolgreich miteinander integriert wurden.<br />
48 Diese Analyse wird nur explorativ vorgenommen und ist mit Vorsicht zu interpretieren, da in der vorangegangenen<br />
Analyse keine Interaktion des Bedingungsfaktors mit der Interaktion von Vorwissen und Art der<br />
Erklärung zeigte.<br />
188
Kapitel 8 - Ergebnisse<br />
p = .09), gibt es keinen Unterschied zwischen diesen in der inhaltlichen Kontrastgruppe. Vergleicht<br />
man gute Versuchsteilnehmer der strukturellen und der inhaltlichen Kontrastgruppe, erzielen erstere<br />
sogar tendenziell mehr zweidimensionale Erklärungen (p = .09). Für die f<strong>als</strong>chen eindimensionalen<br />
Erklärungen erzielen die Kinder der strukturellen Kontrastgruppe mit geringen Vortestleistungen einen<br />
tendenziell höheren Wert (p = .07), während es für die Versuchsteilnehmer der anderen drei Trainingsbedingungen<br />
keinen signifikanten Unterschied in der Häufigkeit eindimensionaler Erklärungen<br />
guter und schlechterer Schüler gibt (Abbildung 8-23). Vergleicht man für diese f<strong>als</strong>che Art der<br />
Erklärung Versuchsteilnehmer mit niedrigen Eingangsleistungen der strukturellen und der inhaltlichen<br />
Kontrastgruppe miteinander, ist tendenziell eine höhere Antwortrate für die strukturelle Kontrastgruppe<br />
zu beobachten (p = .07).<br />
Zweidimensionale Antworten<br />
4,0<br />
3,5<br />
4,0<br />
3,5<br />
Eindimensionale Antworten<br />
Anzahl der Anworten<br />
3,0<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
Vortest<br />
geringe Leistung<br />
Anzahl der Antworten<br />
3,0<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
,5<br />
Vortest<br />
geringe Leistung<br />
0,0<br />
hohe Leistung<br />
0,0<br />
hohe Leistung<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Kontrollgruppe<br />
inhaltl. Kontrast<br />
komb. Kontrast<br />
strukt. Kontrast<br />
Abbildung 8-23: Mittelwerte für die zweidimensionale und die eindimensionale Antwortkategorie für die vier<br />
Trainingsbedingungen in Abhängigkeit von hohen bzw. niedrigen Vortestleistungen auf den graphischen Tests.<br />
Die Art des Interaktionsmusters wird deutlicher, wenn für jede der vier Trainingsgruppen das<br />
Antwortmuster von Kindern mit hohen vs. niedrigen Eingangsvoraussetzungen kontrastiert wird. Für<br />
die strukturelle Kontrastgruppe zeigt sich für Kinder mit guten Eingangsvoraussetzungen eine höhere<br />
Antwortrate für die zweidimensionalen Erklärungen <strong>als</strong> für Kinder mit weniger Vorwissen,<br />
F(1, 13) = 7.85, p = .01, η 2 = .38, während der entgegensetzte Effekt für die f<strong>als</strong>chen eindimensionalen<br />
Erklärungen zu beobachten ist. Für die kombinierte Kontrastgruppe und die Kontrollgruppe lässt<br />
sich für dieses Interaktionsmuster ein Trend bei jedoch gleichzeitiger hoher Varianzaufklärung zeigen,<br />
F(1, 13) = 4.13, p = .06, η 2 = .24 bzw. F(1, 13) = 2.92, p = .11, η 2 = .18. Für die inhaltliche Kontrastgruppe<br />
dagegen gibt es nur dem Trend nach einen Unterschied in der Häufigkeit zwischen f<strong>als</strong>chen<br />
und richtigen Antworten, F(1, 13) = 2.87, p = .11, η 2 = .18, wobei mehr eindimensionale <strong>als</strong> zweidimensionale<br />
Erklärungen gegeben werden. Versuchsteilnehmer mit hohem vs. geringem Vorwissen<br />
unterscheiden sich für die inhaltliche Kontrastbedingung jedoch nicht.<br />
189
Kapitel 8 - Ergebnisse<br />
Die Analysen für den Test <strong>zur</strong> Erklärung von neuen Bedeutungen der Steigungen zeigen, dass<br />
Teilnehmer der Trainingsgruppen qualitativ hochwertigere Erklärungen geben und in ihren Antworten<br />
weniger Hinweise auf Misskonzepte zu finden sind <strong>als</strong> bei den Teilnehmern der untrainierten<br />
Baseline-Gruppe. Werden jedoch nur Versuchsteilnehmer mit vergleichbaren Eingangsvoraussetzungen<br />
verglichen, zeigt sich für die einzelnen Trainingsbedingungen im Vergleich <strong>zur</strong> Baseline-Gruppe<br />
ein uneinheitlicheres Muster in der Qualität der Erklärungen, welche auf Unterschiede zwischen den<br />
vier Trainingsbedingungen hindeuten. Für die Kinder der Kontrollgruppe gibt es Hinweise darauf,<br />
dass es diesen im Vergleich zu den Kindern der strukturellen und der kombinierte Kontrastgruppe<br />
weniger gut gelingt, ihre Erklärungen auf die Graphik zu beziehen und stattdessen mehr inhaltlich<br />
inspirierte Erklärungen geben bzw. die Aufgabenstellung wiederholen. Weiterhin konnte gezeigt<br />
werden, dass das Vorwissen der Versuchteilnehmer einen signifikanten Einfluss auf die Qualität der<br />
Erklärungen hat. Dieser Einfluss des Vorwissens unterscheidet sich für die einzelnen Trainingsbedingungen<br />
jedoch nicht.<br />
Explorative Analysen mit einer Dichotomisierung der Versuchsteilnehmer nach ihrem Vorwissen<br />
legen allerdings nahe, dass Schüler der strukturellen und der Tendenz nach auch Schüler der kombinierten<br />
und der Kontrollgruppe, in Abhängigkeit von ihrem Wissen zu Beginn des Trainings qualitativ<br />
unterschiedliche Erklärungen geben. Für die inhaltliche Kontrastgruppe dagegen scheint das Vorwissen<br />
keine Rolle zu spielen. Im Vergleich <strong>zur</strong> strukturellen Kontrastgruppe zeigen Kinder der inhaltlichen<br />
Kontrastgruppe mit wenig Vorwissen zwar eine tendenziell bessere Erklärungsleistung,<br />
Versuchsteilnehmer mit hohem Vorwissen können jedoch nicht das hohe Niveau der Antworten in der<br />
strukturellen Gruppe zeigen. Somit scheint der inhaltliche Kontrast homogenisierender zu wirken <strong>als</strong><br />
die anderen drei Trainingsbedingungen.<br />
8.4 Zusammenfassung der Ergebnisse<br />
In diesem Kapitel wurden der Einfluss eines Trainings auf die Interpretation von Graphen sowie der<br />
Effekt von verschiedenen Formen der Kontrastierung auf eine mögliche Leistungssteigerung bei der<br />
Interpretation von Graphen untersucht. Es wurde zwischen den Hypothesen bezüglich des allgemeinen<br />
Trainingseffektes und des generellen sowie des speziellen Kontrasteffektes unterschieden.<br />
Die Wirksamkeit des Trainings wurde durch den Vergleich mit einer untrainierten Baseline-Gruppe<br />
getestet. Da sich die Kinder dieser Baseline-Gruppe in ihrem Vorwissen über Graphen von den<br />
Kindern in den Trainingsgruppen deutlich unterschieden, wurde zugunsten einer konservativen<br />
Testung eine weitere reduzierte Stichprobe gebildet, für die diese Eingangsvoraussetzung vergleichbar<br />
war. Diese reduzierte Stichprobe umfasste jedoch nur ca. 40 Prozent der Trainingsteilnehmer aus dem<br />
unteren Leistungsbereich.<br />
Für die Interpretation von trainingsnahen Aufgaben im Geschwindigkeitskontext konnte eine deutliche<br />
Überlegenheit aller vier Trainingsbedingungen gegenüber der Baseline-Gruppe nach dem Training<br />
gezeigt werden. Gleichzeitig konnte exemplarisch für das räumliche Misskonzept gezeigt werden, dass<br />
190
Kapitel 8 - Ergebnisse<br />
die Teilnehmer der vier Trainingsbedingungen ihre Misskonzepte deutlich reduzierten. Für den<br />
Ferntransfer auf neue, unbekannte Inhalte war das Muster weniger einheitlich. Während für die<br />
gesamte Stichprobe ein größerer Lerngewinn der Trainingsteilnehmer nachgewiesen werden konnte,<br />
konnte dies anhand der reduzierten Stichprobe nur für die inhaltliche und die Kontrollgruppe gezeigt<br />
werden. Die weiteren Analysen zwischen den einzelnen Trainingsgruppen legen jedoch nahe, dass<br />
dieser Vorteil des inhaltlichen Kontrasts sowie des Kontrolltrainings nicht auf ein angemessenes<br />
Verständnis der Steigung <strong>zur</strong>ückzuführen ist. Diese Ergebnisse legen außerdem nahe, dass die<br />
beobachtete Leistungssteigerung der Kinder der strukturellen und der kombinierten Kontrastgruppe<br />
nicht für Kinder jedes Fähigkeitslevels gleichermaßen ausgeprägt ist, sondern Kinder aus dem unteren<br />
Fähigkeitsbereich tendenziell weniger gut in der Lage sind, ihr Wissen auf neue Inhalte zu übertragen.<br />
Weiterhin konnten die Trainingskinder im Vergleich zu den Kindern der Baseline-Gruppe qualitativ<br />
hochwertigere Erklärungen von neuen Steigungsbedeutungen generieren bzw. sich diese Bedeutungen<br />
besser erschließen. Kinder der Baseline-Gruppe dagegen gaben häufiger Erklärungen, die auf eine<br />
Fehlvorstellung bei der Interpretation von Graphen hindeuteten. Bei konservativer Testung konnte<br />
dieser Vorteil jedoch nur für die Kinder der kombinierten und der inhaltlichen Kontrastgruppe<br />
statistisch abgesichert werden, obwohl deskriptiv ein Vorteil für die Kinder aller Trainingsbedingungen<br />
in der reduzierten Stichprobe zu beobachten war. Dagegen konnte für die Kinder der strukturellen<br />
Kontrastgruppe abgesichert werden, dass weniger Hinweise auf bestehende Misskonzepte zu<br />
beobachten waren <strong>als</strong> für die Kinder der untrainierten Vergleichsgruppe.<br />
Die Annahme, dass <strong>Kontrastierungen</strong> einen größeren Lernfortschritt bewirken <strong>als</strong> eine ausgedehnte<br />
Übungsphase mit dem Aufgabenmaterial (d. h. ein genereller Effekt der Kontrastierung), konnte nicht<br />
bestätigt werden. Für die Teilnehmer der strukturellen und der inhaltlichen Kontrastgruppe konnte<br />
kein höherer Lerngewinn für Transferaufgaben mit konventionellem Mapping im Vergleich <strong>zur</strong><br />
Kontrollgruppe festgestellt werden. Allerdings ist der Lernfortschritt in der Kontrollgruppe deutlich<br />
größer <strong>als</strong> in der kombinierten Kontrastgruppe, für die keine signifikante Verbesserung der Interpretationsleistung<br />
festgestellt werden konnte. Weitere Analysen zeigen, dass dieser Effekt jedoch auf die<br />
Kinder mit geringen Vortestleistungen <strong>zur</strong>ückgeht, während für Schüler mit guten Eingangsvoraussetzungen<br />
kein Vorteil der verlängerten Auseinandersetzung mit ähnlichen Aufgaben im Kontrolltraining<br />
im Vergleich zu einer kombinierten Kontrastierung gefunden werden konnte.<br />
Weiterhin scheint die Verbesserung der Interpretationsleistung von der Art der Aufgabenstellung<br />
abzuhängen. So zeigte sich, dass die Kinder der Kontrollgruppe ihre Leistungen nur bei Multiple-<br />
Choice-Aufgaben mit gemäß der Konventionen beschrifteten Achsen verbesserten, wohingegen sie bei<br />
Multiple-Choice-Aufgaben mit nicht-konventionellen Mappings sowie bei Aufgaben im offenen<br />
Antwortformat keine höhere Leistungssteigerung im Vergleich <strong>zur</strong> Baseline-Gruppe zeigten. Kinder<br />
der Kontrollgruppe wiesen stattdessen eine ausgeprägte Diskrepanz in ihren Antworten für beide<br />
Arten des Mappings und für beide Aufgabenformate auf, was für einen weniger fundierten Wissenserwerb<br />
und die Tendenz zu oberflächlichen Lösungsstrategien spricht.<br />
191
Kapitel 8 - Ergebnisse<br />
Auch für das Erklären und Erschließen von neuen Steigungsbedeutungen zeigte sich, dass die Kinder<br />
der Kontrollgruppe im Vergleich <strong>zur</strong> Baseline-Gruppe ihre Antworten weniger auf den Graphen<br />
bezogen und stattdessen häufiger inhaltliche Erklärungen anbrachten oder aber die Aufgabenstellung<br />
wiederholten. Für Antworten, die auf ein integriertes zweidimensionales Verständnis der Steigung<br />
hinweisen, konnte jedoch kein Unterschied zu den Versuchsteilnehmern der Kontrastgruppe festgestellt<br />
werden.<br />
Für die Wirkung der einzelnen speziellen <strong>Kontrastierungen</strong> konnte zunächst nicht abgesichert werden,<br />
dass eine strukturelle Kontrastierung generell zu einem flexibleren und transferfähigerem Wissen <strong>als</strong><br />
eine inhaltliche Kontrastierung führt. Kinder beider Kontrastgruppen konnten ihre Leistungen bei den<br />
Multiple-Choice-Aufgaben des Transfertests deutlich verbessern, wenn die Achsen gemäß der<br />
Konvention beschriftet waren. Andernfalls ist kein deutlicher Leistungsanstieg zu erkennen. Ein<br />
Vorteil der strukturellen Kontrastierung scheint jedoch zu bestehen, wenn Aufgaben im offenen<br />
Antwortformat betrachtet werden, die eine flexible Anwendung einer im Training vermittelten<br />
Strategie erforderte. Die größere Leistungsverbesserung der strukturellen Kontrastgruppe lässt sich<br />
zwar nicht im direkten Vergleich mit der inhaltlichen Kontrastgruppe absichern, gleichzeitig verbessern<br />
sich jedoch nur die Kinder des strukturellen Kontrasts deutlich in ihren Leistungen vom Vor- zum<br />
Nachtest. Für die Kinder der inhaltlichen Gruppe ist dagegen nur ein Trend zu beobachten.<br />
Weiterhin wurde getestet, wie flexibel diese Strategie angewendet wurde, indem offene Aufgaben mit<br />
konventionellem und nicht-konventionellem Mapping betrachtet wurden. Es zeigte sich, dass die<br />
Kinder der inhaltlichen Kontrastgruppe ihre Strategie nicht auf eine veränderte Situation anpassen<br />
können, und keinen Lerngewinn für offene Aufgaben mit nicht-konventionellem Mapping erzielten.<br />
Für die Kinder der strukturellen Kontrastgruppe dagegen ist ein ausgeglicheneres Muster des<br />
Lernzuwachses zu beobachten, wobei diese ihre Leistungen auch bei den Aufgaben mit nichtkonventionellen<br />
Mappings steigern konnten.<br />
Explorative Analysen legen nahe, dass dieser Effekt vor allem auf die Kinder der strukturellen<br />
Kontrastgruppe mit vergleichsweise hohem Vorwissen <strong>zur</strong>ückzuführen ist. Für Kinder mit geringen<br />
Interpretationsleistungen im Vortest dagegen unterscheidet sich das Muster des Leistungszuwachses<br />
zwischen der inhaltlichen und der strukturellen Kontrastbedingung insgesamt nicht. Werden die drei<br />
Skalen miteinander verglichen, deren Aufgaben unterschiedliche Anforderungen an das erworbene<br />
Wissen stellen sollten (Multiple-Choice-Aufgaben mit konventionellem vs. nicht-konventionellem<br />
Mapping sowie offene Aufgaben), zeigt sich, dass das Muster der Leistungsverbesserung für diese drei<br />
Skalen für die inhaltliche Kontrastgruppe weniger ausgeglichen ist, wogegen für die strukturelle<br />
Kontrastgruppe keine Unterschiede in den Verbesserungen für die einzelnen Aufgabentypen zu<br />
entdecken waren. Dieser Befund muss jedoch wiederum mit Vorsicht betrachtet werden, da er<br />
wiederum nur indirekt über Vergleiche innerhalb der jeweiligen Gruppe und nicht durch einen<br />
signifikanten Interaktionseffekt abgesichert werden konnte.<br />
192
Kapitel 8 - Ergebnisse<br />
Werden die Skalen nach der Art des Mappings zusammengefasst und unabhängig vom Aufgabenformat<br />
betrachtet, zeigt sich wiederum, dass sich die Kinder der inhaltlichen Kontrastgruppe in ihrem<br />
Lerngewinn für beide Arten des Mappings deutlich unterscheiden und sich bei Aufgaben mit nichtkonventionellem<br />
Mapping weniger verbessern. Für die strukturelle Kontrastgruppe dagegen ist ein<br />
ausgeglicheneres Muster der Veränderung zu beobachten. Werden weiterhin die Effekte des Aufgabenformats<br />
(Multiple-Choice- vs. offene Aufgaben) betrachtet, sind die Ergebnisse weniger deutlich.<br />
Sie deuten jedoch darauf hin, dass Kinder der strukturellen Gruppe beide Aufgabenformate ähnlich gut<br />
lösten, während Kinder der inhaltlichen Kontrastgruppe tendenziell eine geringere Verbesserung für<br />
offene Aufgaben <strong>als</strong> für Multiple-Choice-Aufgaben zeigen.<br />
Weiterhin konnte für die strukturelle und die inhaltliche Kontrastgruppe kein Unterschied in der<br />
Qualität der Erklärungen von neuen Steigungsmappings festgestellt werden. Werden lediglich auf den<br />
Graphen bezogene Erklärungen betrachtet, bei denen entweder auf eine oder auf beide Achsenbeschriftungen<br />
Bezug genommen wurde, zeigte sich, dass Kinder der strukturellen Kontrastgruppe mit<br />
vergleichsweise hohen Eingangsvoraussetzungen tendenziell mehr zweidimensionale Erklärungen<br />
gaben <strong>als</strong> vergleichbare Kinder der inhaltlichen Kontrastgruppe, während es für Kinder mit einer<br />
geringeren Interpretationsleistung im Vortest keine Unterschiede zwischen beiden Kontrastgruppen<br />
gab. Einzelne Analysen für das Muster der Antworten innerhalb jeder Kontrastgruppe legen nahe, dass<br />
es in den Erklärungen von Versuchsteilnehmern der inhaltlichen Kontrastgruppe mit vergleichsweise<br />
hohen bzw. geringeren Voraussetzungen keinen Unterschied gab, während Kinder mit hohen<br />
Eingangsvoraussetzungen in der strukturellen Gruppe deutlich mehr zweidimensionale Antworten<br />
gaben <strong>als</strong> Kinder mit wenig Vorwissen. Wiederum sind diese Befunde nur explorativ, da sich der<br />
relevante Interaktionseffekt von Bedingung und Vortestwerten im Vorfeld nicht statistisch absichern<br />
ließ.<br />
Werden diese Erklärungsleistungen auf die der reduzierten Baseline-Gruppe <strong>als</strong> Vergleichsstandard<br />
bezogen, zeigt sich, dass die Kinder der reduzierten inhaltlichen Kontrastgruppe mehr hochwertige<br />
zweidimensionale Erklärungen gaben <strong>als</strong> Kinder der strukturellen Kontrastgruppe. Gleichzeitig<br />
scheinen Kinder, die denen der Baseline-Gruppe in ihren Eingangsvoraussetzungen ähnlich waren,<br />
lediglich in der strukturellen Kontrastgruppe weniger Erklärungen zu geben, die auf ein Misskonzept<br />
oder eine Fehlvorstellung hindeuten.<br />
Für die Wirkung des kombinierten Kontrastes konnte nicht bestätigt werden, dass diese Form der<br />
Kontrastierung Einsichten erlaubt, die zu einem erfolgreichen Transfer des erworbenen Wissens auf<br />
neue Inhalte befähigt, da die Kinder dieser Kontrastgruppe sich auf keiner der drei Skalen des<br />
Transfertests deutlich verbessern konnten. Diese fehlende Leistungssteigerung kann nicht durch einen<br />
Deckeneffekt erklärt werden, da die Kinder der kombinierten Kontrastgruppe auch im Nachtest nur<br />
ca. 50% der Aufgaben richtig beantworten konnten. Differenziert man die Kinder dieser Kontrastgruppe<br />
ebenfalls nach ihrer Vortestleistung, lässt sich für Kinder mit guten Eingangsvoraussetzungen<br />
nur für Multiple-Choice-Aufgaben mit konventionellem Mapping eine vergleichbare Leistung im<br />
193
Kapitel 8 - Ergebnisse<br />
Vergleich <strong>zur</strong> strukturellen und inhaltlichen Kontrastbedingungen zeigen. Kinder mit weniger guten<br />
Voraussetzungen dagegen konnten in der kombinierten Kontrastbedingung nur deutlich geringere<br />
Leistungszuwächse <strong>als</strong> vergleichbare Kinder in den anderen beiden Kontrastgruppen erzielen.<br />
Für die Erklärungen von neuen Steigungsmappings ließ sich zeigen, dass Versuchsteilnehmer der<br />
kombinierten Kontrastgruppe im Vergleich <strong>zur</strong> inhaltlichen Gruppe tendenziell weniger inhaltliche<br />
Antworten gaben und dass wiederum Kinder mit viel Vorwissen bessere Antworten gaben <strong>als</strong> Kinder<br />
mit eher wenig Vorwissen bezüglich der Interpretation von Graphen. Die Hypothese, dass nur Kinder<br />
mit vergleichsweise guten Voraussetzungen von einem kombinierten Kontrast profitieren, lässt sich<br />
somit teilweise bestätigen. Dabei scheinen im Vergleich zu den beiden anderen Kontrastgruppen die<br />
leistungsstarken Kinder in ihren Transferleistungen jedoch benachteiligt zu sein, was sich insbesondere<br />
für Aufgaben mit nicht-konventionellem Mapping sowie für das offene Aufgabenformat zeigt.<br />
194
Kapitel 9 - Diskussion<br />
9. Diskussion<br />
9.1 Interpretation der Ergebnisse<br />
Ziel der dargestellten empirischen Untersuchung war es, zu erforschen, ob Fünftklässler durch ein<br />
kurzes Training ein grundlegendes Verständnis der Steigung eines linearen Graphen erwerben können,<br />
wobei die Steigung <strong>als</strong> Integration der beiden an den Achsen abgetragenen Variablen verstanden wird.<br />
Weiterhin wurde untersucht, ob mit Hilfe von gezielten <strong>Kontrastierungen</strong> im Trainingsmaterial das<br />
Verständnis des Graphen <strong>als</strong> eine Repräsentationsform mit ihren Möglichkeiten der Repräsentation<br />
und ihren Einschränkungen der Anwendung, die sich aus den spezifischen Merkmalen der Repräsentationsform<br />
ergeben, gefördert werden kann. Darüber hinaus wurde für drei verschiedene Arten des<br />
Kontrasts (einer inhaltlichen, einer strukturellen sowie einer kombinierten Kontrastierung) untersucht,<br />
ob diese ein unterschiedliches Potenzial besitzen, dieses Verständnis zu fördern.<br />
Die Ergebnisse des dargestellten Trainingsexperiments sollen zunächst spezifisch im Hinblick auf die<br />
allgemeinen Effekte des Trainings und weiterhin speziell für die Effekte der drei Kontrastformen bzw.<br />
des Kontrolltrainings diskutiert werden. Anschließend werden die Befunde hinsichtlich ihrer Bedeutung<br />
für die beiden untersuchten Dimensionen der Variation des Inhalts bzw. innerhalb der Repräsentationsform<br />
betrachtet, Optimierungsmöglichkeiten des Trainings sowie Anschlussstudien aufgezeigt<br />
und der Einsatz von <strong>Kontrastierungen</strong> zum Erwerb von Wissen über Repräsentationen diskutiert.<br />
9.1.1 Das Training<br />
Die Ergebnisse der vorliegenden Studie zeigen, dass ein vierstündiges Training <strong>zur</strong> Interpretation von<br />
Graphen und deren Steigung einen deutlichen Einfluss auf die Leistung der Versuchsteilnehmer hatte.<br />
Die Trainingsteilnehmer konnten sowohl Graphen im Trainingskontext Geschwindigkeit <strong>als</strong> auch in<br />
weiteren, unbekannten Transferkontexten besser interpretieren <strong>als</strong> Schüler, die nicht am Training<br />
teilnahmen. Darüber hinaus ist die praktische Bedeutsamkeit der beobachteten Lerneffekte in Folge<br />
des Trainings <strong>als</strong> sehr stark einzuschätzen. Für die Interpretation von Graphen im Erwerbskontext liegt<br />
die durchschnittliche Leistung der Trainingsteilnehmer mehr <strong>als</strong> 1,5 Standardabweichungen über der<br />
Leistung der untrainierten Gruppe (Cohens d = 1,73) und für den Anwendung des Wissens auf neue<br />
Inhalte bei 0,8 Standardabweichungen, was ebenfalls einem großen Effekt entspricht. Außerdem<br />
konnte gezeigt werden, dass dieser starke Effekt nicht auf die in den Trainingsgruppen überrepräsentierten<br />
Kinder mit einem hohen Vorwissen bezüglich der Interpretation von Graphen <strong>zur</strong>ückgeführt<br />
werden kann (Nahtransfer d = 1.78 sowie Ferntransfer d = 0.40).<br />
Dieser förderliche Effekt des Trainings konnte (exemplarisch für das räumliche Misskonzept) auch für<br />
die typischen graphbezogenen Fehlvorstellungen nachgewiesen werden. Dies ist erstaunlich, da in der<br />
Trainingsstudie von Mevarech und Kramarski (1997) Sechstklässler über mehrere Wochen hinweg die<br />
Konventionen des Graphierens und Interpretierens von Graphen erlernten, wobei sich jedoch keine<br />
195
Kapitel 9 - Diskussion<br />
deutliche Reduktion der Misskonzepte zeigte. Es kann vermutet werden, dass das Erlernen der<br />
Konventionen allein nicht ausreicht, da in diesem Fall Fehlkonzepte in das neue Verständnis integriert<br />
werden (siehe z. B. Vosnaidou, 1999). Das hier untersuchte Training jedoch konfrontierte die Kinder<br />
mit Situationen, die mit einer solchen f<strong>als</strong>chen Vorstellung nicht vereinbar waren. Allerdings wurde<br />
dieses Merkmal in den einzelnen Trainings nicht systematisch zwischen den Gruppen variiert, so dass<br />
die Reduktion der Fehlvorstellungen nicht zwingend auf eine Auseinandersetzung mit den Fehlvorstellungen<br />
<strong>zur</strong>ückgeführt werden kann. Stattdessen könnte die beobachtete Reduktion der Misskonzepte<br />
auch durch andere Faktoren, wie beispielsweise die standardisierte Laborsituation und die komprimierte<br />
Form des Trainings, erklärt werden.<br />
Infolge des Trainings scheinen die Kinder erkannt zu haben, dass die von ihnen favorisierten, jedoch<br />
f<strong>als</strong>chen Erklärungen des Diagramms nicht nützlich sind, und haben stattdessen neue Strategien der<br />
Erklärung angenommen, die das Training ihnen anbot (Posner et al., 1982). Dies zeigte sich auch<br />
darin, dass die Versuchsteilnehmer sich nach dem Training in ihren Erklärungen mehr auf die im<br />
Koordinatensystem dargestellten Größen beziehen und stattdessen weniger inhaltliche Überlegungen<br />
auf der Basis des durch die Aufgabenstellungen definierten Inhaltsbereiches anstellen <strong>als</strong> die untrainierte<br />
Vergleichsgruppe. Dies könnte dahingehend interpretiert werden, dass die Aktivitäten des<br />
Trainings die Teilnehmer befähigte, den Graphen <strong>als</strong> Referenten für inhaltliche Zusammenhänge zu<br />
betrachten, welche durch die Variablen an den Achsen des Koordinatensystems definiert sind und<br />
somit gleichzeitig bestimmte Erklärungen ausschließen, die im repräsentierten Inhaltsgebiet durchaus<br />
plausibel sind.<br />
Die Ergebnisse dieser Trainingsstudie zeigen demnach, dass Fünftklässler in einem geeigneten<br />
Kontext und mit Hilfe eines gewissen Maßes an Lenkung durch einen Trainer in der Lage sind, sich<br />
die inhaltliche Bedeutung der Steigung eines linearen Graphen zu erarbeiten und die Steigung auch<br />
ohne ein vorheriges Verständnis von Funktionen zu verstehen. Es kann angenommen werden, dass<br />
solche bekannten inhaltlichen Zusammenhänge sich eher förderlich <strong>als</strong> hemmend auf das spätere<br />
Erlernen von Funktionen auswirken, da diese Erfahrungen <strong>als</strong> Anker und Referenzrahmen für das neu<br />
zu Lernende fungieren können (Cognition and Technology Group at Vanderbilt, 1990). So ist es<br />
vorstellbar, dass eventuell sogar auf der Basis der graphischen Repräsentation von Geschwindigkeiten<br />
funktionale Zusammenhänge erarbeitet werden können. Dazu können Reihen von Messwerten der<br />
Größen Weg und Zeit, die im Graphen repräsentiert sind, herangezogen werden, um eine algebraische<br />
Formulierung des Zusammenhangs der drei Größen zu entwickeln. Es kann angenommen werden,<br />
dass Kinder, die die Steigung im Sinne von Geschwindigkeit interpretiert haben, in einer solchen<br />
Formel gezielt nach einem Ausdruck suchen, welcher der Steigung bzw. der Geschwindigkeit<br />
entspricht. Tatsächlich konnte Koerber (2003) in einer Folgeuntersuchung zeigen, dass für Kinder<br />
eines Graphentrainings zum Erwerb des proportionalen Verständnisses direkt nach dem Training zwar<br />
kein Vorteil im proportionalen Denken gegenüber einem Balkenwaagentraining gefunden werden<br />
196
Kapitel 9 - Diskussion<br />
konnte: Ein Jahr später zeigten die Kinder der Graphengruppe jedoch ein deutlich höheres proportionales<br />
Verständnis <strong>als</strong> die des Balkenwaagentrainings.<br />
9.1.2 Die Kontraste<br />
In dieser Studie wurde untersucht, ob gezielte <strong>Kontrastierungen</strong> im Trainingsmaterial die Wahrnehmung<br />
der zentralen zugrundeliegenden Prinzipien der Repräsentation im Graphen und damit das<br />
Verständnis des Graphen <strong>als</strong> Repräsentationsform mit ihren Möglichkeiten der Repräsentation und<br />
ihren Einschränkungen der Anwendung fördert. Es wurde angenommen, dass die wesentlichen<br />
Merkmale der Repräsentationsform variiert werden müssen, damit erkannt wird, wie die Mappings<br />
von Inhalten auf die Steigung des Graphen zustande kommen. Dazu wurden drei Arten der Kontrastierung<br />
betrachtet, eine strukturelle Kontrastierung, die das Mapping der Variablen auf die Achsen<br />
variierte, nicht jedoch den repräsentierten Inhalt, eine inhaltliche Kontrastierung, welche den<br />
repräsentierten Inhalt variierte sowie die Kombination dieser beiden <strong>Kontrastierungen</strong>, bei der sowohl<br />
das Mapping der Variablen variiert wurde <strong>als</strong> auch der repräsentierte Inhalt (kombinierte Kontrastierung).<br />
9.1.2.1 Die strukturelle Kontrastierung<br />
Für den strukturellen Kontrast wurde angenommen, dass eine Variation des Mappings der Variablen<br />
auf die Achsen die Aufmerksamkeit der Versuchsteilnehmer auf die Beziehung zwischen Bedeutung<br />
der Steigung und der jeweiligen Achsenbeschriftung lenkt. Dadurch sollte das zugrundeliegende<br />
Prinzip der Steigung, wonach zwei Variablen zu einer neuen, nicht an den Achsen abgetragenen<br />
Variablen integriert werden können, besonders gut sichtbar werden. Dieses Verständnis sollte sich vor<br />
allem bei der Anwendung des im Training erworbenen Wissens auf neue, nicht trainierte Inhalte<br />
zeigen, bei denen eine oberflächliche Betrachtung der Steigung nicht erfolgreich ist, sondern flexibel<br />
an eine neue Situation angepasst werden muss.<br />
Dies ist jedoch auf der Basis der vorliegenden Ergebnisse nur bedingt der Fall, da sich ein deutlich<br />
verschiedenes Muster im Lerngewinn von Kindern mit vergleichsweise hohem und niedrigem<br />
Vorwissen zeigte.<br />
Für Schüler mit geringen Eingangsvoraussetzungen konnte für Aufgaben, die eine flexible Anpassung<br />
an eine veränderte neue Situation erforderte und die zudem das Anwenden einer oberflächlichen<br />
Lösungsheuristik (wie: „Ein steilerer Graph zeigt immer mehr von etwas.“) nicht zuließen, kein<br />
Lerngewinn identifiziert werden. Auch bei Aufgaben, bei denen diese Oberflächenstrategie zum<br />
erfolgreichen Beantworten der Aufgabe führte, zeigt sich für Trainingsteilnehmer der strukturellen<br />
Kontrastbedingung mit wenig Vorwissen kein Lernfortschritt. Demnach scheinen diese Kinder auch<br />
die oberflächliche Bearbeitungsstrategie nicht anzunehmen. Gleichzeitig gelingt es diesen Schülern<br />
mit schlechteren Leistungsvoraussetzungen jedoch ebenfalls nicht, die Strategie zum Erschließen des<br />
Steigungswertes flexibel anzuwenden. Die direktere Überprüfung des Verständnisses der einzelnen<br />
197
Kapitel 9 - Diskussion<br />
Trainingsteile durch die beiden Kontrolltests gibt jedoch keine Hinweise auf ein schlechteres<br />
Verständnis der Trainingsinhalte oder der Erschließungsstrategie im Training selbst. Zumindest für die<br />
Anwendung der Erschließungsstrategie kann jedoch vermutet werden, dass die weniger guten Kinder<br />
das Anwenden der Strategie mechanisch und ohne ein grundlegendes Verständnis lediglich nachvollzogen<br />
haben, da der Kontrolltest keine Transferleistung erforderte, sondern sehr eng an die Trainingsaufgaben<br />
gehalten war. Insgesamt kann aus den vorliegenden Ergebnissen geschlossen werden,<br />
dass Kinder mit einem geringeren Vorwissen bezüglich der Interpretation von Graphen durch eine<br />
strukturelle Kontrastierung tendenziell überfordert sind. Allerdings neigen sie im Gegensatz zu<br />
vergleichbaren Kindern der anderen Kontrastgruppen auch weniger dazu, eine oberflächliche<br />
Erklärung oder Bearbeitungsstrategie anzunehmen.<br />
Für Teilnehmer des strukturellen Kontrasttrainings mit hohem Vorwissen bezüglich der Interpretation<br />
von Graphen dagegen zeigt sich ein anderes Muster. Für diese Kinder konnte eine deutlichere<br />
Verbesserung in der Interpretation des Transfertests im Vergleich zu den anderen beiden <strong>Kontrastierungen</strong><br />
gezeigt werden. Allerdings weisen die Ergebnisse darauf hin, dass das flexible Übertragen des<br />
Gelernten an die Strategie zum Erschließen des Steigungsdreiecks gebunden ist, und sich nur bei<br />
Aufgaben zeigte, die die Anwendung dieser Strategie erforderten. Außerdem konnten Kinder mit<br />
hohem Vorwissen diese Strategie ebenfalls an eine veränderte Achsenbeschriftung anpassen, während<br />
dies den Kindern der inhaltlichen und der kombinierten Kontrastierung nicht möglich war.<br />
Es bleibt allerdings unklar, warum sich dieser Vorteil gegenüber den anderen Kontrastgruppen nicht<br />
auch für Multiple-Choice-Aufgaben mit einem veränderten Mapping zeigte, bei denen durch eine<br />
Anwendung der Erschließungsstrategie eine richtige Antwort hätte erzielt werden können. Drei<br />
Erklärungen bieten sich dafür an: Einerseits kann vermutet werden, dass das Multiple-Choice-Format<br />
generell zu einer oberflächlicheren Bearbeitung verleitet. Andererseits könnte dieser Befund ein Indiz<br />
dafür sein, dass das Wissen über die Steigung bei diesen Kindern noch nicht sehr gut integriert ist, so<br />
dass die erworbene Strategie noch nicht auf andere Aufgabenformate übersetzt werden kann.<br />
Außerdem könnte lediglich ein Nutzungsdefizit vorliegen (Schneider & Büttner, 1995), wonach die<br />
Strategie zwar beherrscht, jedoch nicht immer angewandt wird, da sie mit einem hohen kognitiven<br />
Aufwand verbunden ist. Die Daten sprechen eher für die zweite Erklärung, da weder für Versuchsteilnehmer<br />
mit geringen noch mit hohen Vortestleistungen ein überdurchschnittlicher Anstieg der<br />
Lösungsrate für Multiple-Choice-Aufgaben mit tradititionellem Mapping zu beobachten war, wie dies<br />
vergleichsweise für die schlechteren Schüler der Kontroll- oder der inhaltlichen Kontrastgruppe der<br />
Fall war. Offensichtlich wenden die Teilnehmer der strukturellen Kontrastgruppe diese oberflächliche<br />
Strategie nicht in demselben Maße an, kommen aber mit einer anderen, offensichtlich noch fehleranfälligeren<br />
Strategie nicht immer erfolgreich zum Ziel. Die Strategie zum Erschließen des Steigungswertes<br />
scheint somit noch nicht auf ein anderes Aufgabenformat generalisiert werden zu können.<br />
Weiterhin könnte gegen die dargestellten Befunde eingewendet werden, dass die Teilnehmer der<br />
strukturellen Gruppe die Strategie bei den offenen Aufgaben nur flexibel anwenden konnte, weil sie<br />
198
Kapitel 9 - Diskussion<br />
die Strategie bereits im Training an eine veränderte Achsenbeschriftung anpassen musste. Dagegen<br />
kann jedoch argumentiert werden, dass es sich bei den hier vorliegenden Aufgaben um Transferaufgaben<br />
mit neuen, nicht geübten Inhalten handelte und die Teilnehmer dieser Gruppe im Training<br />
lediglich Aufgaben im Geschwindigkeitskontext bearbeiteten. Außerdem wurde den Kindern in keiner<br />
der vier Trainingsbedingungen mitgeteilt oder nahe gelegt, welche die „richtige“ Art die Achsen zu<br />
beschriften darstellt oder wie man nach der allgemeinen Konvention bei der Achsenbeschriftung<br />
vorgeht. Außerdem kann angeführt werden, dass auch im kombinierten Kontrasttraining das Steigungsdreieck<br />
an eine veränderte Achsenbeschriftung angepasst werden musste. Für diese Gruppe<br />
konnte jedoch kein erfolgreicher Transfer der Strategie gezeigt werden. Vielmehr scheint es, dass<br />
lediglich der strukturelle Kontrast die Abhängigkeit der Bedeutung der Steigung von der Art der<br />
Beschriftung und damit auch der Strategie <strong>zur</strong> Erschließung eines bestimmten Konzeptes aus der<br />
Steigung explizieren und somit die Versuchsteilnehmer für diesen Zusammenhang sensibilisieren<br />
konnte.<br />
9.1.2.2 Die inhaltliche Kontrastierung<br />
Für den inhaltlichen Kontrast wurde angenommen, dass dieser die Kinder nicht in demselben Maße<br />
wie der strukturelle Kontrast befähigt, ein flexibles Verständnis der Steigung zu erwerben. Einerseits<br />
können die für die Steigung des Graphen bestehenden Möglichkeiten der Repräsentation prinzipiell<br />
aus dem vorliegenden Material erschlossen werden. Andererseits könnte dieser Kontrast eine intuitiv<br />
bestehende, aber nicht in allen Fällen korrekte Tendenz der Interpretation von Steigungen verstärken<br />
und eine Fehlvorstellung induzieren. So könnte geschlossen werden, dass der steilere Graph immer<br />
eine größere Ausprägung der repräsentierten Variable darstellt <strong>als</strong> ein flacherer Graph.<br />
Die vorliegenden Ergebnisse scheinen diese Vermutung zu unterstützen. Die Kinder dieser Kontrastgruppe<br />
scheinen ihr Wissen nicht auf Aufgaben übertragen zu können, die eine flexible Anpassung des<br />
Gelernten erforderten. Andererseits gelang es den Kindern, die Strategie des Erschließens der<br />
Steigungsbedeutung auf neue Inhalte anzuwenden, sofern sie nicht an eine veränderte Achsenbeschriftung<br />
angepasst werden musste. Weiterhin ist die Tendenz <strong>zur</strong> Inflexibilität bzw. die Neigung zu einer<br />
oberflächlichen Bearbeitung für diese Gruppe nicht so stark ausgeprägt wie in der Kontrollgruppe, die<br />
ohne einen Kontrast lernte.<br />
Insgesamt scheint ein inhaltlicher Kontrast zwar nicht zu einer flexiblen Interpretation der Steigung in<br />
neuen Kontexten zu führen, andererseits sind die Unterschiede zwischen guten und schlechten<br />
Versuchsteilnehmern nicht so ausgeprägt wie beim strukturellen Kontrast. Dieser Befund zeigte sich<br />
auch bei den Erklärungen von neuen Steigungsbedeutungen. Für diese Gruppe gibt es im Hinblick auf<br />
die Häufigkeit von korrekten zweidimensionalen Erklärungen keinen Unterschied zwischen den<br />
Kindern mit vergleichsweise hohem bzw. niedrigem Vorwissen. Dies könnte im Vergleich zu den<br />
anderen Trainingsbedingungen jedoch auf ein Zurückbleiben der guten Schüler und nicht auf eine<br />
überdurchschnittliche Verbesserung der schlechteren Schüler <strong>zur</strong>ückzugehen. Es hat den Anschein,<br />
199
Kapitel 9 - Diskussion<br />
dass schlechtere Versuchsteilnehmer durch einen inhaltlichen Kontrast zumindest nicht überfordert<br />
sind, Schüler mit guten Voraussetzungen in ihren Leistungen jedoch auch nicht beflügelt werden.<br />
Stattdessen geben die Ergebnisse Hinweise darauf, dass die intendierte Einsicht, nämlich dass die<br />
Bedeutung der Steigung von den Achsenbeschriftungen abgeleitet werden muss, nicht entwickelt<br />
wurde.<br />
9.1.2.3 Die kombinierte Kontrastierung<br />
Für eine kombinierte Kontrastierung wurde angenommen, dass sie ebenfalls das Potenzial besitzen<br />
könnte, ein flexibles Verständnis der Steigung zu fördern. Er wurde jedoch vermutet, dass sich dieser<br />
Kontrast tendenziell nur für Schüler mit besonders guten Eingangsvoraussetzungen vorteilhaft<br />
auswirkt und die Lernleistung bei Schülern mit geringem Vorwissen nicht gefördert wird.<br />
Diese Vermutung konnte insofern bestätigt werden, <strong>als</strong> dass dieser Kontrast die Versuchsteilnehmer<br />
insgesamt nicht zu einem erfolgreichen Transfer ihres Wissens auf neue Inhalte befähigte. Schüler in<br />
dieser Bedingung konnten das Gelernte offensichtlich nicht auf die Interpretation von Graphen in<br />
neuen Kontexten übertragen. Auch für das Erschließen von konkreten Steigungswerten in neuen<br />
Kontexten zeigte sich kein Vorteil der kombinierten Kontrastierung. Dies ist erstaunlich, da die<br />
Versuchsteilnehmer dieser Gruppe tendenziell das höchste Vorwissen besaßen. Andererseits erzielen<br />
die Teilnehmer dieser Bedingung zwar keine deutliche Verbesserung ihrer Leistungen, sie können<br />
aber ihr hohes Ausgangsniveau zumindest halten. Somit kann zumindest nicht von einem hemmenden<br />
oder schädlichen Effekt der kombinierten Kontrastierung ausgegangen werden.<br />
Weiterhin muss angemerkt werden, dass diese Kontrastierung die Versuchsteilnehmer anscheinend<br />
nicht dazu verleitet, eine oberflächliche Bearbeitungsstrategie anzuwenden, da allein für diese Gruppe<br />
keine Diskrepanz in den Leistungen zwischen beiden Formen des Mappings für Multiple-Choice-<br />
Aufgaben festzustellen ist. Allerdings kann nicht differenziert werden, ob das tendenziell höhere<br />
Niveau des Vorwissens die Versuchsteilnehmer davor schützt, diese Strategie anzunehmen oder ihre<br />
bereits entwickelte Strategie aufzugeben, oder ob bei dieser Kontrastierung generell eine geringere<br />
Wahrscheinlichkeit besteht, dass Schüler eine oberflächliche Strategie der Interpretation entwickeln.<br />
Beide Erklärungen haben eine hohe Plausibilität.<br />
9.1.2.4 Verlängerte Übung mit Material im Geschwindigkeitskontext (Kontrollgruppe)<br />
Es wurde angenommen, dass sich ein wiederholtes Bearbeiten der Aufgaben aus dem ursprünglichen<br />
Trainingskontext mit lediglich neuem Zahlenmaterial nicht vorteilhafter auf das Lernen der Steigung<br />
und den Transfer auf neue Kontexte auswirkt <strong>als</strong> eine Variation bzw. eine Kontrastierung. Versuchsteilnehmer<br />
der Kontrollgruppe sollten demnach nicht die Gelegenheit erhalten, ein flexibles<br />
Wissen über die Bedeutungskonstruktion für die Steigung in einem gegebenen Kontext zu erwerben.<br />
200
Kapitel 9 - Diskussion<br />
Diese Hypothese lässt sich mit den hier vorliegenden Ergebnissen bestätigen. Weder konnte für die<br />
Kontrollgruppe ein signifikant größerer Lerngewinn für Aufgaben im Erwerbskontext festgestellt<br />
werden, noch scheint dieser Gruppe ein Transfer auf neue Kontexte und Anwendungsbedingungen<br />
besser zu gelingen <strong>als</strong> in den Kontrastgruppen. Stattdessen finden sich deutliche Belege dafür, dass die<br />
Kinder dieser Trainingsgruppe eine oberflächliche Strategie der Bearbeitung anwendeten, die für<br />
Kinder mit geringem Vorwissen besonders deutlich ausgeprägt war. Es zeigte sich, dass auch<br />
verlängertes Üben der Erschließungsstrategie im Geschwindigkeitskontext keinen Vorteil für die<br />
flexible Anwendung dieser Strategie in Transferkontexten mit sich bringt.<br />
Obwohl in dieser Richtung erwartet, ist bemerkenswert, dass eine verlängerte Auseinandersetzung mit<br />
Graphen im ursprünglichen Erwerbskontext keinen weiteren Zugewinn für die Lösung von Aufgaben<br />
in diesem Inhaltsbereich mit sich bringt. Da aus methodischen Gründen keine Messung zwischen<br />
beiden Trainingsteilen vorgenommen wurde, kann zwar auf der Grundlage des vorliegenden Messdesigns<br />
nicht ausgeschlossen werden, dass es in Folge des zweiten Trainingsteils keine weitere Verbesserung<br />
mehr für diese Aufgaben gab. Die Ergebnisse des Manipulation-Checks für den für alle<br />
Gruppen identischen ersten Teil des Trainings legen jedoch nahe, dass es zumindest für die dort<br />
erfassten Aufgaben, die eng mit denen im Training korrespondierten, keinen Unterschied im Verständnis<br />
des Trainings im Vergleich zu den Kontrastgruppen zu geben scheint. Somit kann zumindest<br />
die Vermutung tendenziell ausgeschlossen werden, dass in der Gruppe ohne Variation in diesem<br />
Trainingsteil aufgrund von unsystematischen Einflüssen ein geringerer Lernerfolg <strong>als</strong> in den drei<br />
Kontrastgruppen erzielt und durch den zweiten Trainingsteil im selben Kontext kompensiert wurde.<br />
Stattdessen kann vermutet werden, dass den Schülern durch diesen zweiten Trainingsteil lediglich<br />
vermittelt wurde, dass es für die Interpretation der Graphen nichts Neues mehr zu lernen gibt und die<br />
von ihnen vermutlich erworbene Erkenntnis des ersten Trainingsteils „steiler ist schneller“ die Ultima<br />
Ratio darstellte. Allerdings lässt sich anhand der Erklärungen der Steigungsmappings nicht erhärten,<br />
dass Kinder dieser Gruppe stärker zu einer Übergeneralisierung einer Geschwindigkeitserklärung für<br />
andere Kontexte neigen <strong>als</strong> Kinder der drei Kontrastgruppen, obwohl die Inhaltsbereiche dieser Items<br />
so gewählt waren, dass sie eine solche Erklärung plausibel erschienen ließen. Insgesamt betrachtet<br />
lassen die vorliegenden Ergebnisse ein Wiederholen derselben Aufgaben mit neuem Zahlenmaterial<br />
nicht <strong>als</strong> eine besonders gute instruktionale Manipulation erscheinen, da dadurch offensichtlich f<strong>als</strong>che<br />
Strategien eingeübt bzw. verstärkt werden oder zumindest nicht korrigiert werden können.<br />
9.1.3 Variation der repräsentierten Inhalte vs. Variation innerhalb der Repräsentationsform<br />
Was lässt sich aus diesen Befunden für die Verwendung einer Variation von Unterrichtsmaterial auf<br />
der Ebene des repräsentierten Inhalts oder aber einer Variation innerhalb der Repräsentation für das<br />
Erlernen dieser Form schlussfolgern? Zunächst scheint sich die Vermutung zu bestätigen, dass eine<br />
einfache Kontrastierung generell einen positiven flexibilisierenderen Effekt auf das Lernen hat <strong>als</strong> ein<br />
wiederholendes Üben. Wenn die Variablen nach der Konvention auf den Achsen des Koordinatensys-<br />
201
Kapitel 9 - Diskussion<br />
tems abgetragen werden, können sowohl Teilnehmer beider einfacher Kontrastgruppen die Steigungswerte<br />
in neuen Inhaltsbereichen aus dem Graphen korrekt ablesen. Außerdem scheinen beide<br />
Variationen die Schüler nicht zu einer ausgeprägten oberflächlichen Bearbeitungsstrategie für<br />
Aufgaben im Multiple-Choice-Format zu verleiten, obwohl die Tendenz dazu bei einer inhaltlichen<br />
Kontrastierung für Versuchsteilnehmer mit geringem Vorwissen deutlicher scheint. Somit gibt es<br />
zumindest Hinweise für die Vermutung, dass eine intuitiv bestehende Mappingtendenz durch einen<br />
reinen inhaltlichen Kontrast ohne eine Variation des Mappings verstärkt wird.<br />
Für die Kombination beider Variationen in einer Instruktion scheint dies jedoch zumindest für die hier<br />
untersuchte Altersgruppe nicht zu gelten. Weitere Studien könnten demnach explorieren, ob sich das<br />
Potenzial einer doppelten Kontrastierung in einer höheren Altersstufe beziehungsweise bei Versuchsteilnehmern<br />
mit höherem Vorwissen bezüglich der Interpretation von Graphen besser entfaltet.<br />
Befunde der Transferforschung deuten darauf hin, dass bei hohem inhaltlichen Vorwissen eine hohe<br />
Transparenz des Mappings nicht nötig ist, um die zugrunde liegenden strukturellen Beziehungen zu<br />
erkennen (z. B. Chi et al., 1981).<br />
Im Vergleich zu einer Kombination von verschiedenen Variationen stellte sich eine Variation in der<br />
Struktur bzw. dem Mapping von Inhalten auf die Repräsentationsform bei gleichbleibendem Inhalt<br />
förderlicher für ein flexibles Anwenden der Strategie heraus. Damit geben diese Ergebnisse weitere<br />
Evidenz für den Befund der Forschung zum Lernen mit Analogien, wonach eine Übereinstimmung in<br />
den Oberflächenmerkmalen das Entdecken des zugrunde liegenden struktruellen Prinzips fördert. In<br />
diesem Sinne kann geschlussfolgert werden, dass eine inhaltliche Kontrastierung die für die flexible<br />
Anwendung des Wissens kritischen Unterschiede im Gebrauch der Repräsentationsform nicht<br />
transparent macht, da die wahrnehmbaren Differenzen (alignable differences nach Gentner, 1989)<br />
nicht auf die Struktur der Repräsentationsform, sondern auf den repräsentierten Inhalt ausgerichtet<br />
sind. Es stellt sich natürlich die Frage, ob demnach nur ein struktureller Kontrast für das Erlernen der<br />
Repräsentationsform Steigung eingesetzt werden sollte. Die vorliegenden Ergebnisse geben auch<br />
Hinweise darauf, dass eine strukturelle Kontrastierung nicht bei allen Schülern dieser Altersstufe<br />
gleich förderlich wirkt, während für den inhaltlichen Kontrast kaum Differenzen zu beobachten sind.<br />
So scheinen beide Kontraste jeweils Vor- und Nachteile zu besitzen, die durch einen kombinierten<br />
jedoch sequenziellen Einsatz ausgeglichen werden könnten.<br />
Abschließend soll der Frage nachgegangen werden, warum nur ein geringer Anteil der Schüler durch<br />
das Training befähigt wurde, neue Mappings auch unter Bezugnahme auf beide Achsenbeschriftungen<br />
zu erklären. Dieser Frage ist zunächst mit einer Einschränkung zu begegnen, da einerseits für diese<br />
Aufgaben keine Vortestmessung vorlag und somit nicht ausgeschlossen werden kann, dass diese<br />
Versuchsteilnehmer vergleichbare Antworten bereits vor dem Training gegeben hätten. Es scheint<br />
jedoch, dass Fünftklässler entweder noch nicht die notwendige meta-kognitive Bewusstheit mitbringen,<br />
die angewendeten Sachverhalte auch sprachlich auszudrücken oder das Wissen noch nicht auf<br />
einer dem sprachlichen Code zugänglichen Repräsentationsebene repräsentiert wurde (Karmilloff-<br />
202
Kapitel 9 - Diskussion<br />
Smith, 1992). Die Ergebnisse der Kontrollgruppe für die Erklärung neuer Steigungsmappings können<br />
einen Hinweis in diese Richtung geben, da für diese Gruppe deskriptiv ein höherer Anteil zweidimensional<br />
integrierter Antworten zu beobachten war. Im Sinne der repräsentationalen Umschreibung kann<br />
dies so interpretiert werden, dass die Einsichten der Kinder durch die fehlende Variation im zweiten<br />
Trainingsteil sich in dieser Gruppe schneller gefestigt haben und eher sprachlich zugänglich wurden.<br />
9.1.4 Optimierungsmöglichkeiten für das Training und mögliche Folgestudien<br />
In diesem Abschnitt werden Erkenntnisse, die über eine Reflexion der Trainingseffekte für die<br />
einzelnen experimentellen Bedingungen hinausgehen, aufgeführt.<br />
Die Ergebnisse dieser Studie geben weitere Evidenz für die Befunde von Berg und Smith (1994),<br />
wonach sich zwischen Aufgaben im Multiple-Choice- und offenem Antwortformat deutliche<br />
Unterschiede in den Leistungen der Kinder für die Interpretation von Graphen zeigen. Es wurde nicht<br />
vermutet, dass das hier eingesetzte offene Antwortformat diese Effekte zeigt, da bei Berg und Smith<br />
eine vollständige Erklärung bzw. Interpretation generiert und in dem hier vorliegenden offenen Format<br />
jedoch lediglich eine Zahl gefunden werden musste. Berg und Smith argumentierten, dass Multiple-<br />
Choice-Antworten nicht valide sind, da sie Kinder auf eine vorgegebene Antwort zwingen, die ihre<br />
eigene Interpretation nicht repräsentiert bzw. damit nicht korrespondiert. Für die hier verwendeten<br />
Multiple-Choice-Aufgaben trifft dies jedoch nicht zu, da umgekehrt von einer Situationsbeschreibung<br />
auf eine Repräsentation im Graphen geschlossen werden musste, und die im Material vorhandenen<br />
Variationen im Erscheinungsbild der Graphen in den Antwortalternativen aufgegriffen wurden. Es<br />
kann daher eher vermutet werden, dass Aufgaben <strong>zur</strong> Grapheninterpretation im Multiple-Choice-<br />
Format zu einem weniger reflektierten, oberflächlicheren Bearbeiten verleiten <strong>als</strong> Aufgaben, zu deren<br />
Lösung ein konkreter Zahlenwert erschlossen werden muss.<br />
Zur Methodik des Trainings ist anzumerken, dass die hier vorliegende Trainingsstudie das Potenzial<br />
der Kontraste eher konservativ testete, um eine Standardisierung der Versuchsbedingungen zu<br />
gewährleisten. So könnte sich eine deutlich größere Differenz in der Wirksamkeit der einzelnen<br />
Kontraste zeigen, wenn diese optimal gestaltet werden. Ausgehend von den Erkenntnissen zum Lernen<br />
mit Analogien kann vermutet werden, dass in dieser Altersgruppe, die noch wenig Vorwissen über<br />
Graphen besitzt, eine ausgedehnte Explizierung der Unterschiede zwischen beiden Kontrastteilen den<br />
Lerneffekt verstärken könnte. Auf ein solches explizites Inbezugsetzen der beiden Fälle miteinander<br />
wurde in der hier vorliegenden Studie jedoch verzichtet, da das Potenzial jedes Kontrasts, die<br />
Aufmerksamkeit der Schüler auf die entscheidenden Merkmale des Graphen und der Steigung zu<br />
lenken, untersucht werden sollte. Obwohl somit ein explizites Ausarbeiten der Gemeinsamkeiten und<br />
Unterschiede zwischen beiden Fällen durch den Versuchsleiter nicht vorgenommen wurde, wurden die<br />
Erkenntnisse der beiden Trainingsteile in jeder Bedingung dennoch gegenübergestellt, um den<br />
Kontrast zu verstärken. Im Falle eines expliziten Ausarbeitens und Diskutierens der Unterschiede und<br />
Gemeinsamkeiten wäre zudem die Kontrollgruppe nicht mehr mit den drei anderen Bedingungen<br />
203
Kapitel 9 - Diskussion<br />
vergleichbar gewesen. Die minimale Variation im Material dieser Gruppe hätte keine sinnvollen<br />
Vergleiche gestattet, so dass man auf diesen Teil des Trainings hätte verzichtet müssen.<br />
Mit der hier vorliegenden Untersuchung konnte mit Hilfe eines streng kontrollierten experimentellen<br />
Untersuchungsdesigns günstige Voraussetzungen für eine sich anschließende Feldtestung der<br />
Wirksamkeit von <strong>Kontrastierungen</strong> geschaffen werden. Einerseits können mit den hier vorliegenden<br />
Ergebnissen für die fünfte Jahrgangsstufe zwei zunächst plausible Manipulationen ausgeschlossen<br />
werden: das Kombinieren von zwei Variationen sowie das verlängerte Bearbeiten derselben Aufgaben<br />
mit lediglich neuem Zahlenmaterial. Andererseits werden durch den Ausschluss des wiederholten<br />
Bearbeitens von Aufgaben ohne eine Kontrastierung auch in einem experimentellen Setting neue<br />
Trainingsdesigns möglich, die einen expliziteren Vergleich der kontrastierenden Fälle vornehmen, da<br />
der Vorteil einer Kontrastierung bereits gezeigt werden konnte.<br />
In Folgestudien sollte daher vor allem die strukturelle und die inhaltliche Kontrastierung im Hinblick<br />
auf die Effekte des Vorwissens mit einer größeren Anzahl von Schülern untersucht werden. So stellt<br />
sich auf der Basis der hier vorliegenden Ergebnisse die Frage, ob die Kinder der strukturellen<br />
Kontrastgruppe mit geringerem Vorwissen lediglich mehr Lernzeit benötigen, um dasselbe Level des<br />
Verständnisses zu erwerben wie Kinder mit hohem Vorwissen. Außerdem gibt die Analyse der<br />
Testaufgaben Hinweise darauf, für welche Art von Anforderungen sich deutliche Verbesserungen der<br />
Leistungen sowie deutliche Unterschiede zwischen den Kontrastbedingungen zeigen und für welche<br />
nicht. Die Tests für weitere Studien können somit gezielter daraufhin abgestimmt werden, ein<br />
umfassenderes Bild der durch ein Training erworbenen Kompetenzen und Defizite zu erhalten.<br />
Insbesondere können die Tests gezielter dahingehend konstruiert werden, die jeweiligen Vor- und<br />
Nachteile der untersuchten <strong>Kontrastierungen</strong> bzw. die potenziellen Ursachen für beobachtete<br />
Vorwissenseffekte herauszuarbeiten. Insbesondere für einen Einsatz im Feld sind valide und reliable<br />
Testinstrumente von hoher Bedeutung, da hier eine höhere Fehlervarianz <strong>als</strong> im Labor zu erwarten ist.<br />
9.2 Lernen von und mit anspruchsvollen Repräsentationsformen<br />
Dieses Trainingsexperiment wurde durchgeführt, um die Wirkung von Kontrasten auf den Erwerb<br />
eines grundlegenden Verständnisses der Steigung eines linearen Graphen <strong>als</strong> einer Repräsentationsform<br />
zu untersuchen. Aus den oben diskutierten Ergebnissen können zwei wesentliche Schlussfolgerungen<br />
gezogen werden:<br />
1. Eine Auseinandersetzung und ein Erlernen der anspruchsvollen Repräsentationsform Graph und<br />
seiner Steigung ist bereits Schülern am Ende der fünften Klasse möglich.<br />
2. Eine Variation im Lernmaterial hat im Vergleich zu einem wiederholenden Üben generell einen<br />
deutlich positiveren Effekt auf das Verständnis der Steigung, während ein zu frühes Üben eher<br />
<strong>zur</strong> Verfestigung unangemessener Konzepte führt. Eine strukturelle sowie eine inhaltliche Kon-<br />
204
Kapitel 9 - Diskussion<br />
trastierung scheinen beide den Wissenserwerb zu fördern, wobei für jede Variation Einschränkungen<br />
der Wirksamkeit gegeben zu sein scheinen.<br />
Die Ergebnisse dieser Studie liefert weitere Belege dafür, dass anspruchsvolle Repräsentationsformen<br />
wie Graphen bereits früher <strong>als</strong> in der gängigen schulischen Praxis gehandhabt von Schülern verstanden<br />
und erarbeitet werden können. Zwar wird das Koordinatensystem bereits in der fünften Klasse<br />
eingeführt, doch dort lediglich zu einem Abtragen von Punkten und zum Üben der Spiegelung von<br />
geometrischen Objekten benutzt. Ein Repräsentieren von inhaltlichen Größen im Koordinatensystem<br />
dagegen, wie es in dieser Studie erfolgte, war in der Grundschule bisher nicht vorgesehen. Dies ist<br />
erstaunlich, da die Studie von Koerber (2003) zeigt, dass bereits Viertklässler dazu unter angemessener<br />
Anleitung in der Lage sind. Eine Studie von Pratt (1995) sowie die Arbeiten von Lehrer et al.<br />
(2001) legen nahe, dass graphische Repräsentationsformen gut eingeführt werden können, wenn<br />
inhaltliche Sachverhalte exploriert werden sollen. Außerdem geben diese Arbeiten wertvolle Anregungen<br />
wie das Erlernen von Repräsentationsformen durch bestimmte instruktional vermittelte<br />
Vorerfahrungen der Kinder unterstützt werden kann. Die Ergebnisse dieser Studie zeigen, dass ein<br />
grundlegendes Verständnis der Steigung eines linearen Graphen nicht nur im Zusammenhang mit<br />
Funktionen und proportionalen Beziehungen erworben werden kann.<br />
Die von Leinhardt et al. (1991) zusammengetragenen Arbeiten sowie die Befunde aus TIMSS<br />
(Baumert et al., 2000) legen sogar nahe, dass selbst ein funktionales Verständnis nicht davor schützt,<br />
Graphen f<strong>als</strong>ch zu interpretieren beziehungsweise ihre Möglichkeiten in Anwendungskontexten nicht<br />
zu erkennen. Stattdessen ist zu vermuten, dass reichhaltige inhaltliche Bezüge das Lernen und<br />
Repräsentieren mit Graphen bereits im Vorfeld für das Erlernen der funktionalen Beziehungen<br />
hilfreich sein könnten, da sie geeignete Anker darstellen. Es wäre daher wünschenswert, dass auf<br />
Graphen bzw. auf andere Repräsentationsformen, welche die Grundlagen für ein Verständnis des<br />
Graphen legen können (wie beispielsweise Balkendiagramme), im Sinne eines Spiralcurriculums in<br />
jeder Klassenstufe auf jeweils einer höheren Stufe der Konzeptualisierung <strong>zur</strong>ückgegriffen wird.<br />
Dabei ist jedoch nicht beliebig, in welchen Kontexten bzw. mit welchen Aufgabenstellungen Graphen<br />
exploriert werden sollten. Es kann vermutet werden, dass ein Abtragen von Punkten im Koordinatensystem<br />
und ein Verbinden der einzelnen Punkte zu einer geometrischen Figur f<strong>als</strong>che Vorstellungen<br />
über Graphen induzieren könnten, die sich <strong>als</strong> Fehlkonzepte verfestigen und sich in der Zukunft<br />
hinderlich für das Erlernen dieser Repräsentationsform erweisen 49 . Im Gegensatz zu der Studie von<br />
Mevarech und Kramarski (1997), bei der die Konventionen des Graphierens trainiert wurden und die<br />
Fehlkonzepte von Schülern nicht reduziert werden konnten, wurde ein Rückgang dieser Fehlkonzepte<br />
in der hier vorliegenden Untersuchung für alle Trainingsbedingungen exemplarisch am räumlichen<br />
Misskonzept gezeigt. Als besonders wirksam könnte sich dabei möglicherweise die Konfrontation mit<br />
49 Dies würde bei den Kindern die Tendenz verstärken, Graphen <strong>als</strong> in sich geschlossene Objekte und nicht <strong>als</strong><br />
eine Ansammlung von Messpunkten zu interpretieren. Letztere Sicht ist jedoch kritisch für einen flexiblen<br />
Umgang mit Graphen.<br />
205
Kapitel 9 - Diskussion<br />
Situationen (d. h. im konkreten Fall mit verschiedenen Konstellationen von Graphen; siehe Abbildung<br />
7-1 in Kapitel 7.3.2) erwiesen haben, die nicht mit dem Fehlkonzept in Übereinstimmung zu bringen<br />
waren. Auch hier wurde somit eine Art Kontrastierung genutzt, um f<strong>als</strong>che Strategien der Interpretation<br />
bzw. f<strong>als</strong>che Mappings aufzudecken.<br />
9.3 Der Einsatz von verschiedenen Kontrasten beim Lernen<br />
Kontraste bzw. Unterschiede und Variationen im Material sind beim Lernen allgegenwärtig und die<br />
Ergebnisse dieser Studie zeigen, dass sie gezielt für den Erwerb von Wissen über eine Repräsentationsform<br />
eingesetzt werden können. Insgesamt sprechen die Befunde dieser Studie dafür, dass das<br />
mathematikdidaktische Prinzip der Variation des Unwesentlichen von Aebli differenzierter betrachtet<br />
werden muss. Nicht jede Variation scheint sinnvoll zu sein und wirkt sich gleichsam fördernd auf den<br />
Lernprozess aus. Ziel der Variation von Unwesentlichem bei Aebli ist es, ein bestimmtes Konzept in<br />
definitorischer Weise abzugrenzen, d. h. die definierenden Merkmale von den zufällig kovariierenden<br />
zu unterscheiden. Die vorliegenden Befunde legen jedoch nahe, dass auch eine Variation des<br />
Wesentlichen zentrale Konzepte beleuchten kann, insbesondere wenn noch kein Wissen über diese<br />
Konzepte vorliegt. Außerdem wurde gezeigt, dass bestimmte Variationen des Wesentlichen mehr<br />
Potenzial haben <strong>als</strong> andere, beziehungsweise dass auch Variationen vorgenommen werden können, die<br />
zwar theoretisch sinnvoll, aber für den Lernenden nicht transparent sind und daher keine tiefgreifenden<br />
Einsichten ermöglichen, wie in diesem Fall eine kombinierte Kontrastierung.<br />
Eine strukturelle Kontrastierung scheint allerdings ein gewisses Vorwissen vorauszusetzen, da Kinder<br />
mit geringerem Vorwissen von diesem Kontrast tendenziell nicht profitierten. Dies spricht nicht<br />
notwendigerweise für einen Verzicht auf diesen Kontrast in der untersuchten Altersstufe, sondern es<br />
kann vermutet werden, dass eine frühere, systematische Auseinandersetzung mit Graphen und ihren<br />
Merkmalen bereits ausreichen sollte, um auch für diese Kinder bedeutsame Lernfortschritte unter<br />
dieser Kontrastbedingung zu ermöglichen.<br />
Von einem inhaltlichen Kontrast soll aufgrund seiner eher gleichmäßigeren Wirkung für Schüler mit<br />
unterschiedlich hohem Vorwissen nicht abgeraten werden, es gilt jedoch zu beachten, dass dieser<br />
Kontrast die Gefahr birgt, unangemessene oberflächliche Bearbeitungsstrategien aufzubauen bzw. zu<br />
verstärken. Daher scheint eine Kombination mit dem strukturellen Kontrast zwingend nötig. Vor dem<br />
Hintergrund der Arbeiten von Spiro et al. (1989) scheint es jedoch ratsam, den strukturellen Kontrast<br />
vor dem inhaltlichem zu präsentieren, da sich im umgekehrten Fall die f<strong>als</strong>chen Erklärungen schon<br />
verfestigt haben könnten. Zudem haben die Schüler in diesem Fall die Gelegenheit, auch für den<br />
zweiten Fall die Bedeutung der Steigung bei einem nicht-konventionellen Mapping zu explorieren.<br />
Es wurde argumentiert, dass es für eine flexible Anwendung der Graphen <strong>als</strong> Denkwerkzeuge<br />
notwendig ist, seine spezifischen Möglichkeiten und Einschränkungen zu erkennen, die sich aus<br />
seinen Konstruktionsbedingungen bzw. strukturellen Prinzipien ergeben. Den Prozess der Erfindung<br />
dieser kulturellen Werkzeuge im Unterricht nachzuvollziehen, wie es durch verschiedene Autoren<br />
206
Kapitel 9 - Diskussion<br />
vorgeschlagen wird (z. B. DiSessa et al., 1991), scheint dafür jedoch nicht zwingend notwendig zu<br />
sein. Stattdessen zeigt diese Studie, dass auch eine strukturelle Kontrastierung diese Bedingungen<br />
verdeutlichen und sie für die Lernenden wahrnehmbar machen kann.<br />
Abschließend soll noch einmal betont werden, dass es sicherlich nicht angemessen ist, nur einen<br />
bestimmten Kontrast <strong>als</strong> „Königsweg“ für das Verständnis der Steigung zu propagieren. Stattdessen<br />
zeigen die in dieser Arbeit dargestellten Arbeiten zum instruktionalen Einsatz von Analogien, dass es<br />
häufig notwendig ist, mehrere Kontraste und Vergleiche einzusetzen, um ein Konzept umfassend zu<br />
beleuchten, da ein spezifischer Vergleich der Komplexität der meisten Konzepte nicht gerecht werden<br />
kann (Spiro et al., 1989). Eine weitere sinnvolle Kontrastierung <strong>zur</strong> Erweiterung des Verständnisses<br />
der Steigung wäre beispielsweise der Vergleich von Graphen mit visuell unterschiedlicher Steigung,<br />
die jedoch aufgrund variierender Skalierung den gleichen numerischen Steigungswert präsentieren.<br />
Dieser Kontrast würde damit die Abhängigkeit der Steigung von der Skalierung der Achsen verdeutlichen.<br />
Dennoch scheinen für bestimmte Aspekte bestimmte Variationen sinnvoll (wie in dieser Arbeit<br />
die strukturelle Kontrastierung), die aus mathematikdidaktischer Sicht <strong>als</strong> fragwürdig angesehen<br />
werden können, da sie gängige Konventionen der Beschriftung der Achsen verletzen. Aus psychologischer<br />
Sicht dagegen ist diese Kontrastierung besonders geeignet, da sie diese Konventionen und deren<br />
Folgen für die Nutzung der Graphen wahrnehmbar macht.<br />
207
Literaturverzeichnis<br />
Literaturverzeichnis<br />
Aberg-Bengtsson, L. (1999). Entering a graphicate society. Göteborg: Acta Universitatis<br />
Gotheburgensis.<br />
Aberg-Bengtsson, L., & Ottosson, T. (2003). Relating students' results on a test of graphically<br />
represented quantitave information to formal academic achievement. Paper presented at<br />
the 10th biannual meeting of the European Association for Research on Learning and<br />
Instruction, Padova, Italy.<br />
Adams, D. D., & Shrum, J. S. (1990). The effect of microcomputer-based laboratory exercises<br />
on the acquisition of line graph construction and interpretations skills by high school biology<br />
students. Journal of Research in Science Teaching, 27(8), 777-787.<br />
Ainley, J., Nardi, E., & Pratt, D. (2000). The construction of meaning for trend in active<br />
graphing. International Journal of Computers for Mathematical Learning, 5, 85-114.<br />
Ainley, J., Pratt, D., & Nardi, E. (2001). Normalising: Childrens activity to construct meanings<br />
for trend. Educational Studies in Mathematics, 45, 131-146.<br />
Alexander, P. A., Willson, V. L., White, C. S., & Fuqua, J. D. (1987). Analogical reasoning in<br />
young children. Journal for Educational Psychology, 79, 401-408.<br />
Anderson, J. R. (1995). Kognitive Psychologie. Heidelberg: Spektrum Akademischer Verlag.<br />
Artelt, C., Baumert, J., Klieme, E., Neubrand, M., Prenzel, M., Schiefele, U., et al. (2001).<br />
PISA 2000: Zusammenfassung zentraler Befunde.<br />
Azmitia, M. (1988). Peer interaction and problem solving: When are two heads better than<br />
one? Child Development, 59(1), 87-96.<br />
Ball, S. (1990). Unintended effects in educational research. In H. J. Wahlberg & G. D. Haertel<br />
(Eds.), The international encyclopedia of educational evaluation (pp. 139-142). Oxford:<br />
Pergamon.<br />
Barab, S. A., & Squire, K. (2004). Design-based research: Putting a stake in the ground. The<br />
Journal of the Learning Sciences, 13, 1-14.<br />
Barclay, W. L. (1985). Graphing misconceptions and possible remidies using microcomputerbased<br />
laboratories (Technical Report No. TERC-TR-85-5). Cambridge, MA: Technical<br />
Education Research Center.<br />
Bassok, M. (2001). Semantic alignements in mathematical word problems. In D. Gentner, K.<br />
J. Holyoak & B. N. Kokinov (Eds.), The analogical mind: Perspectives from cognitive<br />
science (pp. 401-433). Cambridge, MA: MIT Press.<br />
Bauer, M. I., & Johnson-Laird, P. N. (1993). How diagrams can improve reasoning. Psychological<br />
Science, 4(6), 372-378.<br />
Baumert, J., Bos, W., Klieme, E., Lehmann, R., Lehrke, M., Hosenfeld, I., et al. (1999).<br />
Testaufgaben zu TIMSS/III. Mathematisch-naturwissenschaftliche Grundbildung und<br />
voruniversitäre Mathematik und Physik der Abschlussklassen der Sekundarstufe II (Po-<br />
208
Literaturverzeichnis<br />
pulation 3). Berlin: Max-Planck-Institut für Bildungsforschung (Materialien aus der<br />
Bildungsforschung, 62).<br />
Baumert, J., Bos, W., & Lehmann, R. (2000). TIMSS/III. Dritte Internationale Mathematikund<br />
Naturwissenschaftsstudie - Mathematische und naturwissenschaftliche Bildung am<br />
Ende der Schullaufbahn, Band 1: Mathematische und naturwissenschaftliche Grundbildung<br />
am Ende der Pflichtschulzeit. In. Opladen: Leske und Budrich.<br />
Baumert, J., Lehmann, R., Lehrke, M., Schmitz, B., Clausen, M., Hosenfeld, I., et al. (1997).<br />
TIMSS - Mathematisch-naturwissenschaftlicher Unterricht im internationalen Vergleich:<br />
Deskriptive Befunde. Opladen: Leske + Budrich.<br />
Beck, K., & Kell, A. (1991). Erziehungswissenschaftliche Bildungsforschung <strong>als</strong> Aufgabe<br />
und Problem. In K. Beck & A. Kell (Eds.), Bilanz der Bildungsforschung (pp. 5-13).<br />
Weinheim: Deutscher Studien Verlag.<br />
Beichner, R. J. (1990). The effect of simultaneous motion presentation and graph generation<br />
in a kinematics lab. Journal of Research in Science Teaching, 27(8), 803-815.<br />
Bell, A. (1987). Diagnostic teaching: 4 graphical interpretation. Mathematics Teaching, 119,<br />
56-60.<br />
Bell, A., & Janvier, C. (1981). The interpretation of graphs representing situations. For the<br />
Learning of Mathematics, 2, 34-42.<br />
Bereiter, C. (1997). Situated cognition and how to overcome it. In D. Kirshner & J. A.<br />
Whitson (Eds.), Situated cognition: Social, semiotic, and psychological perspectives<br />
(pp. 281-300). Hillsdale, NJ: Erlbaum.<br />
Berg, C., & Phillips, D. G. (1994). An investigation of the relationship between logical<br />
thinking structures and the ability to construct and interpret line graphs. Journal of Research<br />
in Science Teaching, 31, 323-344.<br />
Berg, C., & Smith, P. (1994). Assessing students' ability to construct and interpret line graphs:<br />
Disparities between multiple-choice and free-response instruments. Science Education,<br />
78(6), 527-554.<br />
Bertin, J. (1983). Semiology of graphics. Greenbay, WI: University of Wisconsin Press.<br />
(original work published 1967).<br />
Bierhoff, H. W., & Rudinger, G. (1996). Quasi-Experimentelle Untersuchungsmethoden. In<br />
E. Erdfelder (Ed.), Handbuch quantitative Methoden (pp. 47-58). Weinheim: Beltz.<br />
Blackwell, A. F. (2002). Psychological perspectives on diagrams and their users. In M.<br />
Anderson, B. Meyer & P. Olivier (Eds.), Diagrammatic representation and reasoning<br />
(pp. 109-123). Berlin: Springer.<br />
Blades, M., & Spencer, C. (1989). Young children's ability to use coordinate references. The<br />
Journal of Genetic Psychology, 150(1), 5-18.<br />
Blanchette, I., & Dunbar, K. (2000). How analogies are generated: The roles of structural and<br />
superficial similarity. Memory and Cognition, 28, 108-124.<br />
209
Literaturverzeichnis<br />
Borg, W. (1984). Dealing with two treats to internal validity that randomisation does not rule<br />
out. Educational Researcher, 13, 11-14.<br />
Bortz, J., & Döring, N. (2002). Forschungsmethoden und Evaluation für Human- und<br />
Sozialwissenschaftler (3 ed.). Berlin: Springer.<br />
Boruch, R., de Moya, D., & Snyder, B. (2002). The importance of randomized field tri<strong>als</strong> in<br />
education and related areas. In F. Mosteller & R. Boruch (Eds.), Evidence matters:<br />
Randomized field tri<strong>als</strong> in education research (pp. 50-79). Washington, DC: Institution<br />
Press.<br />
Bransford, J. D., Franks, J. J., Vye, N. J., & Sherwood, R. D. (1989). New approaches to<br />
instruction: Because wisdom cant't be told. In S. Vosnaidou & A. Ortony (Eds.), Similarity<br />
and analogical reasoning (pp. 470-497). New York: Cambridge University Press.<br />
Bransford, J. D., & Schwartz, D. L. (1999). Rethinking transfer: A simple proposal with<br />
multiple implications. In A. Iran-Nejad & P. D. Pearson (Eds.), Review of research in<br />
education (Vol. 24, pp. 61-100). Washington, DC: American Educational Research Association.<br />
Bransford, J. D., Zech, L., Schwartz, D., Barron, B., Vye, N., & CTGV. (2000). Designs for<br />
environments that invite and sustain mathematical thinking. In P. Cobb, E. Yackel & K.<br />
McClain (Eds.), Symbolizing and communicating in mathematics classrooms: Perspectives<br />
on discourse, tools, and instructional design. Mahwah, NJ: Lawrence Erlbaum Associates.<br />
Brasell, H. (1987). The effect of real-time laboratory graphing on learning graphic representations<br />
of distance and velocity. Journal of Research in Science Teaching, 24, 385-395.<br />
Bredenkamp, J. (1979). Das Problem der externen Validität pädagogisch-psychologischer<br />
Untersuchungen. In J. Brandstätter (Ed.), Pädagogische Psychologie, Probleme und<br />
Perspektiven. Stuttgart: Klett-Cotta.<br />
Bredenkamp, J. (1996). Grundlagen experimenteller Methoden. In E. Erdfelder (Ed.),<br />
Handbuch quantitative Methoden (pp. 37-46). Weinheim: Beltz.<br />
Brown, A. (1992). Design experiments: Theoretical and methodological challenges in creating<br />
complex interventions. The Journal of the Learning Sciences, 2, 141-178.<br />
Brown, A., & Kane, M. (1988). Preschool children can learn to transfer: Learning to learn and<br />
learning from example. Cognitive Psychology, 20, 493-523.<br />
Brown, A., Kane, M., & Long, C. (1989). Analogical transfer in young children: Analogies as<br />
tools for communication and exposition. Applied Cognitive Psychology, 3, 275-293.<br />
Brown, A. L., & Kane, M. J. (1988). Preschool children can learn to transfer: Learning to<br />
learn and learning from examples. Cognitive Psychology, 20, 493-523.<br />
Brown, D. (1993). Refocusing core intuitions: A concretizing role for analogy in conceptual<br />
change. Journal of Research in Science Teaching, 30(10), 1273-1290.<br />
Bryant, D., Tversky, B., & Franklin, N. (1992). Internal and external spatial frameworks for<br />
representing described scenes. Journal of Memory and Language, 31, 74-98.<br />
210
Literaturverzeichnis<br />
Bryant, P., & Somerville, S. (1986). The spatial demands of graphs. British Journal of<br />
Psychology, 77, 187-197.<br />
Bryk, A. S., & Raudenbusch, S. W. (1992). Hierachical linear models: Applications and data<br />
analysis methods. Newbury Park: Sage.<br />
Bulgren, J. A., Deshler, D. D., Schumaker, J. B., & Lenz, B. K. (2000). The use and effectiveness<br />
of analogical instruction in diverse secondary content classrooms. Journal for<br />
Educational Psychology, 92, 426-441.<br />
Bulgren, J. A., Lenz, B. K., Schumaker, J. B., Deshler, D. D., & Marquis, J. G. (2002). The<br />
use and effectiveness of a comparison routine in diverse secondary content classrooms.<br />
Journal of Educational Psychology, 94, 356-371.<br />
Capon, N., & Kuhn, D. (2004). What's so good about problem-based learning? Cognition and<br />
Instruction, 22(1), 61-79.<br />
Carpenter, P. A., & Shah, P. (1998). A model of the perceptual and conceptual processes in<br />
graph comprehension. Journal of Experimental Psychology: Applied, 4(2), 75-100.<br />
Carswell, C. M., & Wickens, C. D. (1987). Information integration and the object display: An<br />
interaction of task demand and display superiority. Ergonomics, 30, 511-527.<br />
Catrambone, R., & Holyoak, K. J. (1989). Overcoming contextual limitations on problemsolving<br />
tranfer. Journal of Experimental Psychology: Learning, Memory, and Cognition,<br />
15(6), 1147-1156.<br />
Champagne, A. B., Gunstone, R. F., & Klopfer, L. E. (1985). Instructional consequences of<br />
students' knowledge abour physical phenomena. In L. H. T. West & A. L. Pines (Eds.),<br />
Cognitive structure and conceptual change (pp. 259-266). Orlando, FL: Academic<br />
Press.<br />
Chase, W. G., & Simon, H. A. (1973). Perception in chess. Cognitive Psychology, 4, 55-81.<br />
Chen, Z., Sanchez, R. P., & Campbell, T. (1997). From beyond to within their grap: Analogical<br />
problem solving in 10- and 13-month-olds. Developmental Psychology, 33, 790-801.<br />
Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P., & Glaser, R. (1989). Self-<br />
Explanations: How students study and use examples in learning to solve problems.<br />
Cognitive Science, 13, 145-182.<br />
Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). Categorization and representation of<br />
physics problems by experts and novices. Cognitive Science, 5, 121-152.<br />
Clement, J. (1989). The concept of variation and misconceptions in cartesian graphing. Focus<br />
on Learning Problems in Mathematics, 11, 77-87.<br />
Clement, J. (1993). Using bridging analogies and anchoring intuitions to deal with students'<br />
preconceptions in physics. Journal of Research in Science Teaching, 30(10), 1241-<br />
1257.<br />
Cobb, P. (1994). Where is the mind? Constructivist and sociocultural perspectives on<br />
mathmatical development. Educational Researcher, 23(7), 13-20.<br />
211
Literaturverzeichnis<br />
Cobb, P. (2000). Conducting teaching experiments in collaboration with teachers. In A. E.<br />
Kelly & R. A. Lesh (Eds.), Handbook of research design in mathematics and science<br />
education (pp. 307-333). Mahwah, New Jersey: Lawrence Erlbaum Associates.<br />
Cobb, P., & Bowers, J. (1999). Cognitive and situated learning perspectives in theory and<br />
practice. Educational Researcher, 4-15.<br />
Cobb, P., Confrey, J., diSessa, A., Lehrer, R., & Schauble, L. (2003). Design experiments in<br />
educational research. Educational Researcher, 32(1), 9-13.<br />
Cobb, P., Yackel, E., & McClain, K. (2000). Symbolizing and communicating in mathematics<br />
classrooms. Mahwah, NJ: Lawrence Erlbaum Associates.<br />
Cognition and Technology Group at Vanderbilt. (1990). Anchored instruction and its<br />
relationship to situated cognition. Educational Researcher, 19, 2-10.<br />
Collins, A. (1992). Toward a design science of education. In E. Scanlon & T. O'Shea (Eds.),<br />
New directions in educational technology. Berlin: Springer-Verlag.<br />
Collins, A. (1999). The changing infrastructure of education research. In E. C. Lagemann &<br />
L. S. Shulman (Eds.), Issues in education research (pp. 289-298). San Francisco: Jossey-Bass<br />
Publishers.<br />
Collins, A., & Burstein, M. (1989). A framework for a theory of comparison and mapping. In<br />
S. Vosnaidou & A. Ortony (Eds.), Similarity and analogical reasoning (pp. 546-565).<br />
Cambridge, MA: Cambridge University Press.<br />
Collins, A., & Ferguson, R. W. (1993). Epistemic forms and epistemic games: Structures and<br />
strategies to guide inquiry. Educational Psychologist, 28(1), 25-42.<br />
Collins, A., Joseph, D., & Bielaczyc, K. (2004). Design research: Theoretical and methodological<br />
issues. The Journal of the Learning Sciences, 13, 15-42.<br />
Confrey, J., & Lachance, A. (2000). Transformative teaching experiments through conjecturedriven<br />
research design. In A. E. Kelly & R. A. Lesh (Eds.), Handbook of research design<br />
in mathematics and science education (pp. 231-266). Mahwah, New Jersey: Lawrence<br />
Erlbaum Associates.<br />
Cook, T. D., & Campbell, D. T. (1979). Quasi-Experimentation: Design and analysis issues<br />
for field settings. Chicago: Rand McNally.<br />
Cook, T. D., & Shadish, W. R. (1994). Social experiments: Some developments over the past<br />
fifteen years. Annual Review of Psychology, 45, 545-580.<br />
Cox, R. (1999). Representation construction, externalised cognition and individual differences.<br />
Learning and Instruction, 9, 343-363.<br />
Cox, R., & Brna, P. (1995). Supporting the use of external representations in problem solving:<br />
The need for flexible environments. Journal of Artificial Intelligence in Education, 6,<br />
239-302.<br />
Curcio, F. R. (1987). Comprehension of mathematical relationships expressed in graphs.<br />
Journal for Research in Mathematics Education, 18(5), 382-393.<br />
212
Literaturverzeichnis<br />
Curtis, R. V., & Reigeluth, C. M. (1984). The use of analogies in written text. Instructional<br />
Science, 13, 99-117.<br />
De Bock, D., Verschaffel, L., & Janssens, D. (1998). The predominance of the linear model in<br />
secondary school students' solutions of word problems using length and area of similar<br />
plane figures. Educational Studies in Mathematics, 35, 65-83.<br />
De Bock, D., Verschaffel, L., Janssens, D., Van Dooren, W., & Claes, K. (2003). Do realistic<br />
contexts and graphical representations always have a beneficial impact on students' performance?<br />
Negative evidence from a study on modelling non-linear geometry problems.<br />
Learning and Instruction, 13, 441-463.<br />
DiSessa, A., Hammer, D., Sherin, B., & Kolpakowski, T. (1991). Inventing graphing: Metarepresentational<br />
expertise in children. Journal of Mathematical Behavior, 10, 117-160.<br />
Dörner, D., & Lantermann, E. D. (1990). Experiment und Empirie in der Psychologie. In K.<br />
Grawe, R. Hänni, N. Semmer & F. Tschan (Eds.), Über die richtige Art, Psychologie zu<br />
betreiben. Göttingen: Hogrefe.<br />
Duit, R. (1991). On the role of analogies and metaphors in learning science. Science Education,<br />
30, 1241-1257.<br />
Duit, R. (1999). Conceptual change approaches in science education. In W. Schnotz, S.<br />
Vosnaidou & M. Carretero (Eds.), New perspectives on conceptual change (pp. 263-<br />
282): Pergamon.<br />
Duit, R., Roth, W.-M., Komorek, M., & Wilbers, J. (2001). Fosterig conceptual change by<br />
analogies- between Scylla and Carybdis. Learning and Instruction, 11, 283-303.<br />
Dunbar, K. (1999). The scientist in vivo: How scientists think and reason in the laboratory. In<br />
L. Magnani, N. Nersessian & P. R. Thagard (Eds.), Model-based reasoning in scientific<br />
discovery (pp. 89-98). New York: Plenum Press.<br />
Dunbar, K. (2001). The analogical paradox: Why analogy is so easy in naturalistic settings,<br />
yet so difficult in the psychological laboratory. In D. Gentner, K. J. Holyoak & B. N.<br />
Kokinov (Eds.), The analogical mind: Perspectives from cognitive science (pp. 313-<br />
334). Cambridge, MA: MIT Press.<br />
Ericsson, A. K. (1994). Expert performance: Its structure and acquisition. American Psychologist,<br />
49, 725-747.<br />
Ferguson, R. W. (1994). MAGI: A model of analogy-based encoding using symmetry and<br />
regularity. In A. Ram & K. Eiselt (Eds.), Proceedings of the 16th Annual Conference of<br />
the Cognitive Science Society (pp. 283-288). Hillsdale, NJ: Erlbaum.<br />
Ferguson, R. W., & Forbus, K. D. (1991). Telling juxtapositions: Using repretition and<br />
alignable differences in diagram understanding. In K. J. Holyoak, D. Gentner & B. N.<br />
Kokinov (Eds.), Advances in analogy research (Vol. 109-117). Sofia, Bulgaria: New<br />
Bulgarian University.<br />
Freedman, E. G., & Shah, P. (2002). Toward a model of knowledge-based graph comprehension.<br />
In M. Hegarty, B. Meyer & N. H. Narayanan (Eds.), Proceedings of the Second In-<br />
213
Literaturverzeichnis<br />
ternational Conference on Diagrammatic Representation and Inference, Callaway Garden,<br />
GA, USA (pp. 18-30). Heidelberg: Springer.<br />
Friel, S. N., Curcio, F. R., & Bright, G. W. (2001). Making sense of graphs: Critical factors<br />
influencing comprehension and instructional implications. Journal for Research in Mathematics<br />
Education, 32, 124-158.<br />
Garner, W. R. (1974). The processing of information and structure. Potomac, MD: Lawrence<br />
Erlbaum Associates.<br />
Gattis, M. (2001). Reading pictures: Constraints on mapping conceptual and spatial schemas.<br />
In M. Gattis (Ed.), Spatial schemas and abstract thought (pp. 223-246). Cambridge,<br />
MA: MIT Press.<br />
Gattis, M. (2002). Structure mapping in spatial reasoning. Cognitive Development, 17, 1157-<br />
1183.<br />
Gattis, M., & Holyoak, K. J. (1996). Mapping conceptual to spatial relations in visual<br />
reasoning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 22,<br />
231-239.<br />
Gentner, D. (1983). Structure-mapping: A theoretical framework for Analogy. Cognitive<br />
Science, 7, 155-170.<br />
Gentner, D. (1988). Metaphor as structure mapping: The relational shift. Child Development,<br />
59, 47-59.<br />
Gentner, D. (1989). The mechanisms of analogical learning. In S. Vosnaidou & A. Ortony<br />
(Eds.), Similarity and analogical reasoning (pp. 199-241). London: Cambridge University<br />
Press.<br />
Gentner, D. (2002). Psychology of mental models. In N. J. Smelser & P. B. Baltes (Eds.),<br />
International encyclopedia of the social and behavioral sciences (pp. 9683-9687). Amsterdam:<br />
Elsevier Science.<br />
Gentner, D., Brem, S., Ferguson, R. W., Markman, A. B., Levidow, B. B., Wolff, P., et al.<br />
(1997). Analogical reasoning and conceptual change: A case study of Johannes Kepler.<br />
The Journal of the Learning Sciences, 6, 3-40.<br />
Gentner, D., & Gentner, D. R. (1983). Flowing waters or teaming crowd: Mental models of<br />
electricity. In D. Gentner & A. L. Stevens (Eds.), Mental models (Vol. 99-129). Hillsdale,<br />
NJ: Erlbaum.<br />
Gentner, D., & Gunn, V. (2001). Structural alignment facilitates the noticing of differences.<br />
Memory and Cognition, 29, 565-577.<br />
Gentner, D., & Holyoak, K. J. (1997). Reasoning and learning by analogy. American Psychologist,<br />
52(1), 32-34.<br />
Gentner, D., Holyoak, K. J., & Kokinov, B. N. (2001). The analogical mind: Perspectives<br />
from cognitive science. Cambrindge, MA: MIT Press.<br />
214
Literaturverzeichnis<br />
Gentner, D., & Landers, R. (1985). Analogical reminding: A good match is hard to find.<br />
Paper presented at the International Conference on Systems, Man, and Cybernetics,<br />
Tuscon, AZ.<br />
Gentner, D., & Markman, A. B. (1994). Structural alignment in comparison. Psychological<br />
Science, 5, 152-158.<br />
Gentner, D., & Markman, A. B. (1997). Structure mapping in analogy and similarity.<br />
American Psychologist, 52(1), 45-56.<br />
Gentner, D., & Medina, J. (1998). Similarity and the development of rules. Cognition, 65,<br />
263-297.<br />
Gentner, D., & Namy, L. L. (1999). Comparison in the development of categories. Cognitive<br />
Development, 14(4), 487-513.<br />
Gentner, D., & Toupin, C. (1986). Systematicity and surface similarity in the development of<br />
analogy. Cognitive Science, 10, 277-300.<br />
Gerstenmaier, J., & Mandl, H. (1995). Wissenserwerb unter konstruktivistischer Perspektive.<br />
Zeitschrift für Pädagogik, 41(6), 867-888.<br />
Gibson, J., & Gibson, E. (1955). Perceptual learning: Differentiation or enrichment. Psychological<br />
Review, 62, 32-51.<br />
Gick, M. L., & Holyoak, K. J. (1983). Schema induction and analogical transfer. Cognitive<br />
Psychology, 15, 1-38.<br />
Glass, G. V., McGraw, B., & Smith, M. L. (1981). Meta-analysis in social research. London:<br />
Sage Publications.<br />
Glynn, S. M., Duit, R., & Thiele, R. B. (1995). Teaching science with analogies: A strategy<br />
for constructing knowledge. In S. M. Glynn & R. Duit (Eds.), Learning science in the<br />
schools: Research reforming practice (pp. 247-273). Mahwah, N.J.: Lawrence Erlbaum<br />
Associates.<br />
Glynn, S. M., Duit, R., & Thiele, R. B. (1996). Teaching science with analogies: A strategy<br />
for constructing knowledge. In S. M. Glynn & R. Duit (Eds.), Learning science in the<br />
schools: Research reforming practice (pp. 247-273). Mahwah, N.J.: Lawrence Erlbaum<br />
Associates.<br />
Goswami, U. (2001). Analogical reasoning in children. In D. Gentner, K. J. Holyoak & B. N.<br />
Kokinov (Eds.), The analogical mind: Perspectives from cognitive science (pp. 437-<br />
470). Cambridge, MA: MIT Press.<br />
Goswami, U., & Brown, A. (1989). Melting snow and melting snowmen: Analogical reasoning<br />
and causal relations. Cognition, 35, 69-95.<br />
Greeno, J. G. (1998). The situativity of knowing, learning, and research. American Psychologist,<br />
53(1), 5-26.<br />
Greeno, J. G., Collins, A., & Resnick, L. B. (1996). Cognition and learning. In D. Berliner &<br />
R. Calfee (Eds.), Handbook of educational psychology (pp. 15-46). New York: Maxmillan.<br />
215
216<br />
Literaturverzeichnis<br />
Greeno, J. G., & Hall, R. G. (1997). Learning with and about representational forms. Phi<br />
Delta Kappan, 78(5), 361-367.<br />
Greeno, J. G., Smith, D. R., & Moore, J. L. (1993). Transfer of situated learning. In D. K.<br />
Detterman & R. J. Sternberg (Eds.), Transfer on trail: Intelligence, cognition, and instruction<br />
(pp. 99-167). Norwood, NJ: Ablex Publishing Corp.<br />
Grossen, B., & Carnine, D. (1990). Diagramming a logic strategy: Effects on difficult<br />
problem types and transfer. Learning Disability Quarterly, 13, 168-182.<br />
Hager, W. (1998). Zur Validität pädagogisch-psychologischer Versuche. Empirische Pädagogik,<br />
12, 167-201.<br />
Hager, W., & Hasselhorn, M. (1995). Zuwendung <strong>als</strong> Faktor der Wirksamkeit kognitiver<br />
Trainings für Kinder. Zeitschrift für Pädagogische Psychologie, 9, 163-179.<br />
Hager, W., & Hasselhorn, M. (1998). The effectiveness of the cognitive training for children<br />
from a differential perspective: A meta-evaluation. Learning and Instruction, 8, 411-<br />
438.<br />
Hardy, I. (2001). The relationship between the use of representations and instructional<br />
discourse in mathematics tasks. Paper presented at the Annual Meeting of the American<br />
Educational Research Association, Seattle, WA, USA.<br />
Hardy, I. (2002). Repräsentationsaktivitäten <strong>zur</strong> Förderung proportionalen und graphischvisuellen<br />
Verständnisses im Grundschulalter. In H. Petillon (Ed.), Individuelles und soziales<br />
Lernen in der Grundschule. Kinderperspektive und pädagogische Konzepte (Vol.<br />
Jahrbuch Grundschulforschung, 5, pp. 43-49). Opladen: Leske + Budrich.<br />
Harp, S. F., & Mayer, R. E. (1998). How seductive details do their damage: A theory of<br />
cognitive interest in science learning. Journal of Educational Psychology, 90(3), 414-<br />
434.<br />
Hofstadter, D. R. (2000). Analogy as the core of cognition. In D. Gentner, K. J. Holyoak & B.<br />
N. Kokinov (Eds.), The analogical mind: Perspectives from cognitive science (pp. 499-<br />
538). Cambridge, MA: MIT Press.<br />
Holyoak, K. J., Gentner, D., & Kokinov, B. N. (2001). The analogical mind: Perspectives<br />
from cognitive science. Cambridge, MA: MIT Press.<br />
Holyoak, K. J., & Koh, K. (1987). Surface and structural similarity in analogical transfer.<br />
Memory and Cognition, 15(4), 332-340.<br />
Holyoak, K. J., & Thagard, P. R. (1995). Mental leaps: Analogy in creative thought. Cambridge,<br />
MA: MIT Press.<br />
Imai, M., Gentner, D., & Uchida, N. (1994). Children's theories of word meaning: The role of<br />
shape similarity in early acquisition. Cognitive Development, 45-75, 45-75.<br />
Janvier, C. (1981). Use of situations in mathematics education. Educational Studies in<br />
Mathematics, 12, 113-122.<br />
Johnson-Laird, P. N. (1983). Mental models: Toward a cognitive science of language,<br />
inference, and consciousness. Cambridge: Cambridge University Press.
Literaturverzeichnis<br />
Jonides, J., & Smith, E. E. (1997). The architecture of working memory. In M. D. Rugg (Ed.),<br />
Cognitive neurosciences (pp. 243–276). Cambridge, MA: MIT Press.<br />
Karmiloff-Smith, A. (1992). Beyond modularity. London: MIT Press.<br />
Karmiloff-Smith, A. (1996). Internal representations and external notations: A developmental<br />
perspective. Exeter: Intellect Press.<br />
Kawanaka, T., Stigler, J. W., & Hiebert, J. (1999). Studying mathematics classrooms in<br />
Germany, Japan and the United States: Lessons from the TIMSS Videotape Study. In G.<br />
Kaiser, E. Luna & I. Huntley (Eds.), International comparisons in mathematics education<br />
(pp. 86-103). London: Falmer Press.<br />
Keane, M. T. (1988). Analogical mechanisms. Artificial Intelligence Review, 2, 229-250.<br />
Kelly, A. E. (2004). Design research in education: Yes, but is it methodological? The Journal<br />
of the Learning Sciences, 13(1), 115-128.<br />
Kerslake, D. (1981). Graphs. In K. M. Hart (Ed.), Childrens understanding of mathematics<br />
concepts 11-16 (pp. 120-136). London: John Murray.<br />
Kintsch, W., & Van Dijk, T. A. (1978). Toward a model of text comprehension and production.<br />
Psychological Review, 85(5), 363-394.<br />
Klauer, K. J. (1980). Experimentelle Unterrichtsforschung. Unterrichtswissenschaft, 1, 61-72.<br />
Klieme, E., & Bos, W. (2000). Mathematikleistung und mathematischer Unterricht in<br />
Deutschland und Japan. Zeitschrift für Erziehungswissenschaft, 3(3), 359-379.<br />
KMK. (2004). Bildungsstandards im Fach Mathematik für den Hauptschulabschluss, Jahrgangsstufe<br />
9. Retrieved Januar, 15, 2004, from<br />
http://www.kmk.org/schul/Bildungsstandards/Hauptschule_Mathematik_BS_307KMK.<br />
pdf<br />
Koerber, S. (2003). Visualisierungen <strong>als</strong> Werkzeug im Mathematik-Unterricht. Der Einfluss<br />
externer Repräsentationsformen auf proportionales Denken im Grundschulalter. Hamburg:<br />
Verlag Dr. Kovac.<br />
Koerber, S., & Stern, E. (1999). Young children's spontaneous interpretation of slopes in<br />
graphs. Paper presented at the Biennal Meeting of the Society for Research in Child<br />
Development, Albuquerque, 1999.<br />
Kolodner, J. L. (1997). Educational implications of anaolgy: A view from case based<br />
reasoning. American Psychologist, 52, 57-66.<br />
Kosslyn, S. M. (1989). Understanding charts and graphs. Applied Cognitive Psychology, 3,<br />
185-226.<br />
Kosslyn, S. M. (1994). Image and brain. Cambridge, MA: MIT Press.<br />
Kotovsky, L., & Gentner, D. (1996). Comparison and categorization in the development of<br />
relational similarity. Child Development, 67, 2797-2822.<br />
217
Literaturverzeichnis<br />
Kurtz, K. J., Miao, C.-H., & Gentner, D. (2001). Learning by analogical bootstrapping. The<br />
Journal of the Learning Sciences, 10(4), 417-446.<br />
Lakoff, G., & Johnson, M. (1980). Metaphors we live by. Chicago: The University of Chicago<br />
Press.<br />
Lamon, S. J. (1995). Ration and proportion: Elementary didactical phenomenology. In J. T.<br />
Sowder & B. P. Schappelle (Eds.), Providing a foundation for teaching mathematics in<br />
the middle grades (pp. 167-198). Albany: State University of New York Press.<br />
Larkin, J. H., & Simon, H. A. (1987). Why a diagram is (sometimes) worth ten thousand<br />
words. Cognitive Science, 11, 65-99.<br />
Lassaline, M. E., & Murphy, G. L. (1998). Alignment and category learning. Journal of<br />
Experimental Psychology: Learning, Memory, & Cognition, 24, 144-160.<br />
Lawson, A. E. (1993). The importance of analogy: A prelude to the special issue. Journal of<br />
Research in Science Teaching, 30(10), 1213-1214.<br />
Lehrer, R., & Schauble, L. (2000). Developing model-based reasoning in mathematics and<br />
science. Journal of Applied Developmental Psychology, 21(1), 39-48.<br />
Lehrer, R., Schauble, L., Strom, D., & Pligge, M. (2001). Similarity of form and substance:<br />
Modeling material kind. In S. M. Carver & D. Klahr (Eds.), Cognition and instruction:<br />
25 years of progress (pp. 39-74). Mahwah, NJ: Erlbaum.<br />
Leinhardt, G., Zaslavsky, O., & Stein, M. K. (1990). Functions, graphs, and graphing: Tasks,<br />
learning and teaching. Review of Educational Research, 60, 1-64.<br />
Lemke, J. L. (1998). Multiplying meaning: Visual and verbal semiotics in scientific texts. In<br />
J. R. Martin & R. Veel (Eds.), Reading Science (pp. 87-113). London: Routledge.<br />
Lesh, R., & Doerr, H. M. (2000). Symbolizing, communicating, and mathematizing: Key<br />
components of models and modeling. In P. Cobb, E. Yackel & K. McClain (Eds.), Symbolizing<br />
and communicating in mathematics classrooms: Perspectives on discourse,<br />
tools, and instructional design (pp. 361-384). Mahwah, NJ: Lawrence Erlbaum Associates.<br />
Lesh, R., & Kelly, A. E. (2000). Multi-tiered teaching experiments. In A. E. Kelly & R. A.<br />
Lesh (Eds.), Handbook of research design in mathematics and science education (pp.<br />
197-230). Mahwah, New Jersey: Lawrence Erlbaum Associates.<br />
Lesh, R., Lovitts, B., & Kelly, A. E. (2000). Purposes and assumptions of this book. In A. E.<br />
Kelly & R. A. Lesh (Eds.), Handbook of research design in mathematics and science<br />
education (pp. 17-33). Mahwah, New Jersey: Lawrence Erlbaum Associates.<br />
Levin, J. R., Anglin, G. J., & Carney, R. N. (1987). On empirically validating functions of<br />
pictures in prose. In D. M. Willows & H. A. Houghton (Eds.), The Psychology of illustration<br />
(pp. 51-86). New York: Academic Press.<br />
Lewandowsky, S., & Behrens, J. T. (1999). Statistical maps and graphs. In F. T. Durso, R. S.<br />
Nickerson, R. W. Schvaneveldt, S. T. Dumais, D. S. Lindsay & M. T. Chi (Eds.),<br />
Handbook of applied cognition (pp. 513-549). Chichester, UK: Wiley.<br />
218
Literaturverzeichnis<br />
Linn, M. C., Layman, J. W., & Nachmias, R. (1987). Cognitive consequences of microcomputer-based<br />
laboratories: Graphing skill development. Contemporary Educational Psychology,<br />
12, 244-253.<br />
Lobato, J., Ellis, A. B., & Munoz, R. (2003). How "focusing phenomena" in the instructional<br />
environment support individual students generalizations. Mathematical Thinking and<br />
Learning, 5, 1-36.<br />
Loewenstein, J., & Gentner, D. (2001). Spatial mapping in preschoolers: Close comparisons<br />
facilitate far mappings. Journal of Cognition and Development, 2(2), 189-219.<br />
Loewenstein, J., Thompson, L., & Gentner, D. (1999). Analogical encoding facilitates<br />
knowledge transfer in negotiation. Psychonomic Bulletin and Review, 6(4), 586-597.<br />
Loewenstein, J., Thompson, L., & Gentner, D. (2003). Analogical learning in negotiating<br />
teams: Comparing cases promotes learning and transfer. Academy of Management<br />
Learning and Education, 2, 119-127.<br />
Lohse, G. (1993). A cognitive model for understanding graphical perception. Human Computer<br />
Interaction, 8, 353-388.<br />
Lohse, G. (1997). Models of graphical perception. In M. Helander, T. K. Landauer & P.<br />
Prabhu (Eds.), Handbook of human computer interaction (pp. 107-135). Amsterdam:<br />
Elsevier Science.<br />
Lohse, G., Biolisi, K., Walker, N., & Rueter, H. H. (1994). A classification of visual representations.<br />
Communications of the ACM, 37(12), 36-49.<br />
Lüdtke, O., & Köller, O. (2002). Individuelle Bezugsnormorientierung und soziale Vergleiche<br />
im Mathematikunterricht. Zeitschrift für Entwicklungspsychologie und Pädagogische<br />
Psychologie, 34(3), 156-.<br />
Macdonald-Ross, M. (1977). How numbers are shown: A review of research on the presentation<br />
of quantitative data in texts. AV Communication Review, 25, 359-409.<br />
Mandler, J. M. (1984). Stories, scripts, and scenes: Aspects of schema theory. Hillsdale, NJ:<br />
Lawrence Erlbaum.<br />
Marcus, G. F., Vijayan, S., Bandi Rao, S., & Vishton, P. M. (1999). Rule learning by sevenmonth-old<br />
infants. Science, 283, 77-80.<br />
Markman, A. B., & Gentner, D. (1996). Commonalities and differences in similarity comparisons.<br />
Memory and Cognition, 24, 235-249.<br />
Marr, D. (1982). Vision: A computational investigation into human representation and<br />
processing of visual information. San Francisco: W. H. Freeman and Co.<br />
Martin, T., Schwartz, D. L., & Veit, A. (2003). Co-evolution of model and symbol: Inventing<br />
math with a new fraction manipulative. Paper presented at the 9th EARLI Conference,<br />
Padua, Italy.<br />
Mayer, R. E. (1993). Illustrations that instruct. In R. Glaser (Ed.), Advances in instructional<br />
psychology. (pp. 253-284). Hillsdale, NJ: Lawrence Erlbaum Associates.<br />
219
Literaturverzeichnis<br />
Mayer, R. E. (1994). Building mental representations from pictures and words. In W. Schnotz<br />
& R. W. Kulhavy (Eds.), Comprehension of graphics (pp. 125-138). Amsterdam: Elsevier.<br />
Mayer, R. E. (2003). Learning environments: The case for evidence-based practice and issuedriven<br />
research. Educational Psychology Review, 15(4), 359-366.<br />
Mayer, R. E., & Anderson, R. B. (1992). The instructive animation: Helping students build<br />
connections between words and pictures in multimedia learning. Journal of Educational<br />
Psychology, 84, 444-452.<br />
Mayer, R. E., & Gallini, J. K. (1990). When is an illustration worth ten thousand words?<br />
Journal of Educational Psychology, 82(4), 715-726.<br />
Mayer, R. E., & Moreno, R. (2002). Animation as an aid to multimedia learning. Educational<br />
Psychology Review, 14(1), 87-99.<br />
Mayer, R. E., & Sims, V. K. (1994). For whom is a picture worth a thousand words? Journal<br />
of Educational Psychology, 86(3), 389-401.<br />
McCandliss, B. D., Kalchman, M., & Bryant, P. (2003). Design experiments and laboratory<br />
approaches to learning: Steps toward collaborative exchange. Educational Researcher,<br />
32(1), 14-16.<br />
McDermott, L. C., Rosenquist, M. L., & van Zee, E. H. (1987). Students difficulties in<br />
connecting graphs and physics: Examples from kinematics. American Journal of Physics,<br />
55, 503-513.<br />
McKenzie, D. L., & Padilla, M. J. (1986). The construction and validation of the test of<br />
graphing in science (TOGS). Journal of Research in Science Teaching, 23(7), 571-579.<br />
Medin, D. L., Goldstone, R. L., & Gentner, D. (1993). Respects for similarity. Psychological<br />
Review, 100, 254-278.<br />
Medin, D. L., & Ross, B. H. (1989). The specific character of abstract thought: Categorization,<br />
problem solving and induction. In R. J. Sternberg (Ed.), Advances in the psychology<br />
of human Intelligence (pp. 189-223). Hillsdale, NJ: Erlbaum.<br />
Meira, L. (1998). Making sense of instructional devices: The emergence of transparency in<br />
mathematical activity. Journal for Research in Mathematics Education, 29(2), 121-142.<br />
Meltzoff, A., & Moore, M. K. (1997). Explaining facial imitation: A theoretical model. Early<br />
Development & Parenting, 6, 179-192.<br />
Mevarech, Z. R., & Kramarsky, B. (1997). From verbal descriptions to graphic representations:<br />
Stability and change in students' alternative conceptions. Educational Studies in<br />
Mathematics, 32, 229-263.<br />
Meyer, J., Kuskin, S., & Gopher, D. (2000). Information structure and the relative efficacy of<br />
tables and graphs. Human Factors, 41, 570-587.<br />
Miyake, A., & Shah, P. (1999). Toward unified theories of working memory: Emerging<br />
general concensus, unresolved theoretical issues, and future directions. In A. Miyake &<br />
220
Literaturverzeichnis<br />
P. Shah (Eds.), Models of working memory: Mechanisms of active maintenance and e-<br />
xecuitve control (pp. 442–481). New York: Cambridge University Press.<br />
Mokros, J. R., & Tinker, R. F. (1987). The impact of microcomputer-based labs on children's<br />
ability to interpret graphs. Journal of Research in Science Teaching, 24, 369-383.<br />
Möller, K., Jonen, A., Hardy, I., & Stern, E. (2002). Die Förderung von naturwissenschaftlichem<br />
Verständnis bei Grundschulkindern durch Strukturierung der Lernumgebung. In<br />
M. Prenzel & J. Doll (Eds.), Bildungsqualität von Schule: Schulische und außerschulische<br />
Bedingungen mathematischer, naturwissenschaftlicher und überfachlicher Kompetenzen<br />
(pp. 176–191). Weinheim: Beltz (Zeitschrift für Pädagogik, 45. Beiheft).<br />
Moore, J. L., & Schwartz, D. L. (in press). Understanding the relationship between representations<br />
and their quantitative referents: A study in the domain of statistics. Journal for<br />
Research in Mathematics Education.<br />
Murphy, L. D. (1999). Graphing misinterpretations and microcomputer-based laboratory<br />
instruction, with an emphasis on kinematics. Retrieved July, 1st, 2004, from<br />
http://www.mste.uiuc.edu/murphy/Papers/GraphInterpPaper.html<br />
Namy, L. L., & Gentner, D. (2002). Making a silk purse out of two sow's ears: Young<br />
children's use of comparison in category learning. Journal of Experimental Psychology:<br />
General, 131(1), 5-15.<br />
Narayanan, N. H. (1997). Diagrammatic communication: A taxonomic overview. In B. N.<br />
Kokinov (Ed.), Perspectives on cognitive science (Vol. 3). Sofia: New Bulgarian University.<br />
Needham, D. R., & Begg, I. M. (1991). Problem-oriented training promotes spontaneous<br />
analogical transfer: Memory-oriented training promotes memory for training. Memory<br />
and Cognition, 19, 543-557.<br />
Nemirovsky, R., & Noble, T. (1997). On mathematical visualizations and the place where we<br />
live. Educational Studies in Mathematics, 33, 99-131.<br />
Niegemann, H. (2001). Lehr-Lern-Forschung. In D. H. Rost (Ed.), Handwörterbuch Pädagogische<br />
Psychologie (pp. 387-393). Weinheim: Beltz.<br />
Noelting, G. (1980). The development of proportional reasoning and the ration concept: Part I<br />
- differentiation of stages. Educational Studies in Mathematics, 11, 217-253.<br />
Novick, L. R. (1988). Analogical transfer, problem similiarity, and expertise. Journal of<br />
Experimental Psychology: Learning, Memory, & Cognition, 14, 510-520.<br />
Novick, L. R., & Hmelo, C. E. (1994). Transferring symbolic representations across nonisomorphic<br />
problems. Journal of Experimental Psychology: Learning, Memory and Cognition,<br />
20, 1296-1321.<br />
Novick, L. R., & Holyoak, K. J. (1991). Mathematical problem solving by analogy. Journal<br />
of Experimental Psychology: Learning, Memory, & Cognition, 17(3), 398-415.<br />
Novick, L. R., Hurley, S. M., & Francis, M. (1999). Evidence for abstract, schematic knowledge<br />
of three spatial diagram representation. Memory and Cognition, 27(2), 288-308.<br />
221
Literaturverzeichnis<br />
O'Donnell, A. (1993). Searching for information in knowledge maps and texts. Contemporary<br />
Educational Psychology, 18, 222-239.<br />
OECD. (2001). Main study national report - Germany. Paris: OECD.<br />
Oerter, R. (1979). Welche Realität erfasst Unterrichtsforschung? Unterrichtswissenschaft, 7,<br />
24-43.<br />
Padilla, J. P., McKenzie, D. L., & Shaw, E. L. (1986). An examination of line graphing ability<br />
of students in grades seven through twelve. School Science and Mathematics, 86, 20-26.<br />
Paivio, A. (1978). A dual coding approach to perception and cognition. In H. L. Pick & E.<br />
Saltzmann (Eds.), Modes of perceiving and processing information (pp. 39-52). Hillsdale,<br />
NJ: Earlbaum.<br />
Paivio, A. (1990). Mental representations. A dual coding approach. New York: Oxford<br />
University Press.<br />
Papert, S. (1996). An exploration in the space of mathematics educations. International<br />
Journal of Computers for Mathematical Learning, 1(1), 95-123.<br />
Phillips, R. J. (1997). Can Juniors read graphs? Journal of Information Technology in Teacher<br />
Education, 6(1), 49-58.<br />
Piaget, J., & Inhelder, B. (1956). The child's conception of space. London: Routledge &<br />
Kegan Paul.<br />
Piaget, J., Inhelder, B., & Szeminska, A. (1960). The child's conception of geometry. London:<br />
Routledge & Kegan Paul.<br />
Piaget, J., Montangero, J., & Billeter, J. (1977). Les correlats. In J. Piaget (Ed.), L'abstraction<br />
reflechissante (pp. 115-129). Paris: Presses Universitaires de France.<br />
Pinker, S. (1990). A theory of graph comprehension. In R. Freedle (Ed.), Artificial intelligence<br />
and the future of testing (pp. 73-126). Hillsdale, NJ: Lawrence Erlbaum Associates.<br />
Pirolli, P., & Anderson, J. R. (1985). The role of learning from examples in the acquisition of<br />
recursive programming skills. Canadian Journal of Psychology, 39, 240-272.<br />
Pisan, Y. (1995). A visual routines based model of graph understandig. In Proceedings of the<br />
Seventeenth Annual Conference of the Cognitive Science Society (pp. 692-697). Pittsburgh,<br />
PA: Lawrence Erlbaum Associates.<br />
Pittman, K. M. (1999). Student-generated analogies: Another way of knowing. Journal of<br />
Research in Science Teaching, 36(1), 1-22.<br />
Posner, G. J., Strike, K. A., Hewson, P. W., & Gertzog, W. A. (1982). Accomodation of a<br />
scientific conception: Toward a theory of conceptual change. Science Education, 66,<br />
211-227.<br />
Pratt, D. (1995). Young children's active and passive graphing. Journal of Computer Assisted<br />
Learning, 11, 157-169.<br />
222
Literaturverzeichnis<br />
Preece, J. (1983). Graphs are not straightforward. In T. R. G. Green & S. J. Payne (Eds.), The<br />
psychology of computer use: A European perspective (pp. 41-56). London: Academic<br />
Press.<br />
Rattermann, M. J., & Gentner, D. (1998). More evidence for a relational shift in the development<br />
of analogy: Children's performance of a causal-mapping task. Cognitive Development,<br />
13, 453-478.<br />
Reed, S. K. (1987). A structure-mapping model for word problems. Journal of Experimental<br />
Psychology: Learning, Memory, & Cognition, 13(124), 139.<br />
Reed, S. K., Dempster, A., & Ettinger, M. (1985). Usefulness of analogous solutions for<br />
solving algebra word problems. Journal of Experimental Psychology: Learning, Memory,<br />
& Cognition, 11, 106-125.<br />
Reeves, L. M., & Weisberg, R. W. (1994). The role of content and abstract information in<br />
analogical transfer. Psychological Bulletin, 115(3), 381-400.<br />
Reigeluth, C. M. (1989). Educational technology at the crossroad: New mind sets and new<br />
directions. Educational Technology Research and Development, 37, 67-80.<br />
Reinmann-Rothmeier, G., & Mandl, H. (2001). Unterrichten und Lernumgebungen gestalten.<br />
In A. Krapp & B. Weidenmann (Eds.), Pädagogische Psychologie (pp. 603-646).<br />
Weinheim: Beltz Psychologie Verlags Union.<br />
Reusser, K., & Stebler, R. (1997). Every word problem has a solution - the social rationality<br />
of mathematical modeling in schools. Learning and Instruction, 7, 309-327.<br />
Richland, L. E., Holyoak, K. J., & Stigler, J. W. (2004). Analogy use in eight-grade mathematics<br />
classrooms. Cognition and Instruction, 22(1), 37-60.<br />
Rittle-Johnson, B., & Alibali, M. W. (1999). Conceptual and procedural knowledge of<br />
mathematics: Does one lead to the other? Journal of Educational Psychology, 91(1),<br />
175-189.<br />
Rode, C., & Stern, E. (1999). Secondary school students' diagrammatic literacy: Competencies<br />
and deficits.Unpublished manuscript, Max-Planck-Institut für Bildungsforschung,<br />
Berlin.<br />
Romberg, T. A., Fennema, E., & Carpenter, T. P. (1993). Integrating research on the<br />
graphical representation of functions. Hillsdale, NJ: Lawrence Earlbaum Associates.<br />
Ross, B. H. (1987). This is like that: The use of earlier problems and the separation of<br />
similiarity effects. Journal of Experimental Psychology: Learning, Memory, & Cognition,<br />
13(4), 629-639.<br />
Ross, B. H. (1989a). Distinguishing types of superficial similiarities: Different effects on the<br />
access and use of earlier problems. Journal of Experimental Psychology: Learning,<br />
Memory, & Cognition, 15(3), 456-468.<br />
Ross, B. H. (1989b). Remindings in learning and instruction. In S. Vosnaidou & A. Ortony<br />
(Eds.), Similarity and analogical reasoning (pp. 438-469). Cambridge, MA: Cambridge<br />
University Press.<br />
223
224<br />
Literaturverzeichnis<br />
Roth, W.-M., & Bowen, G. M. (1994). Mathematization of experience in a grade 8 openinquiry<br />
environment: An introduction to the representational practices of science. Journal<br />
of Research in Science Teaching, 31, 293-318.<br />
Roth, W.-M., Bowen, G. M., & McGinn, M. K. (1999). Differences in graph-related practices<br />
between high school biology textbooks and scientific ecology journ<strong>als</strong>. Journal of Research<br />
in Science Teaching, 36, 977-1019.<br />
Roth, W.-M., Lee, Y. J., & Peebles, D. (2003). Interpreting unfamiliar graphs: A generative,<br />
activity theoretic model. In W.-M. Roth (Ed.), Connections ’03 (pp. 31-58). Victoria,<br />
British Columbia: University of Victoria.<br />
Roth, W.-M., & McGinn, M. K. (1997). Graphing: Cognitive ability or practice? Science<br />
Education, 81, 91-106.<br />
Roth, W.-M., & McGinn, M. K. (1998). Inscriptions: Toward a theory of representing as<br />
social practice. Review of Educational Research, 68, 35-59.<br />
Salomon, G., & Perkins, D. N. (1989). Rocky road to transfer: Rethinking mechanisms of a<br />
neglected phenomenon. Educational Psychologist, 24, 113-142.<br />
Saretzky, G. (1972). The OEO P.C. experiment and the John Henry effect. Phi Delta Kappan,<br />
53, 579-581.<br />
Scaife, M., & Rogers, Y. (1996). External cognition: How do graphical representations work?<br />
International Journal of Human-Computer Studies, 45, 185-213.<br />
Scheiter, K., & Gerjets, P. (2001). The impact of problem order: Sequencing problems as a<br />
strategy for improving one's performance. Paper presented at the 9th Biannual Meeting<br />
of the European Association for Research on Learning and Instruction, Fribourg, Switzerland.<br />
Scheiter, K., & Gerjets, P. (2003). Sequence effects in solving knowledge-rich problems: The<br />
ambiguous role of surface similarities. In R. Alterman & D. Kirsh (Eds.), Proceedings<br />
of the 25th Annual Conference of the Cognitive Science Society (pp. 1035-1040). Mahwah,<br />
NJ: Erlbaum.<br />
Schiano, D. J., & Tversky, B. (1992). Structure and strategy in encoding simplified graphs.<br />
Memory and Cognition, 20, 12-20.<br />
Schneider, W., & Büttner, G. (1995). Die Entwicklung des Gedächtnis. In R. Oerter & L.<br />
Montada (Eds.), Entwicklungspsychologie: Ein Lehrbuch (3. Auflage) (pp. 654-704).<br />
Weinheim: PVU.<br />
Schnotz, W. (2001). Visuelles Lernen. In D. H. Rost (Ed.), Handwörterbuch Pädagogische<br />
Psychologie (2. vollständig überarbeitete Auflage ed.). Weinheim: Beltz.<br />
Schnotz, W., Picard, E., & Henninger, M. (1994). The use of graphics and texts in constructing<br />
mental models. In W. Schnotz & R. W. Kulhavy (Eds.), Comprehension of Graphics<br />
(pp. 185-205). Amsterdam: Elsevier.<br />
Schoenfeld, A. H., & Herrmann, D. J. (1982). Problem perception and knowledge structure in<br />
expert and novice mathematical problem solvers. Journal of Experimental Psychology:<br />
Learning, Memory, & Cognition, 8, 484-494.
Literaturverzeichnis<br />
Schütte, S. (2004). Zur didaktischen Bedeutung eigenkonstruktiver Zahlbilder. Praxis<br />
Grundschule, 27(2), 5-10.<br />
Schwartz, D. L. (1993). The construction and analogical transfer of symbolic visualizations.<br />
Journal of Research in Science Teaching, 30(10), 1309-1325.<br />
Schwartz, D. L. (1995). The emergence of abstract representations in dyad problem solving.<br />
The Journal of the Learning Sciences, 4, 321-354.<br />
Schwartz, D. L., & Bransford, J. D. (1998). A time for telling. Cognition and Instruction, 16,<br />
475-522.<br />
Scriven, M. (1991). The evaluation thesaurus (4th ed. ed.). Newsbury Park: Sage.<br />
Seifert, C. M., McKoon, G., Abelson, R. P., & Ratcliff, R. (1986). Memory connection<br />
between thematically similar episodes. Journal of Experimental Psychology: Learning,<br />
Memory, & Cognition, 12, 220-231.<br />
Senatsverwaltung für Schule Jugend und Sport. (2004a). Rahmenlehrplan für Unterricht und<br />
Erziehung in der Berliner Schule - Das Fach Physik. Retrieved January, 10, 2005, from<br />
http://www.sensjs.berlin.de/schule/rahmenplaene/rahmenplan/phy-o-8-10.pdf<br />
Senatsverwaltung für Schule Jugend und Sport. (2004b). Rahmenlehrplan Grundschule -<br />
Sachunterricht. Retrieved January, 10, 2005, from<br />
http://www.sensjs.berlin.de/schule/rahmenplaene/Rahmenplan/sach-gr-1-4.pdf<br />
Shah, P. (2002). Graph comprehension: The role of format, content and individual differences.<br />
In M. Anderson, B. Meyer & P. Olivier (Eds.), Diagrammatic representation and<br />
reasoning (pp. 173-185). Berlin: Springer.<br />
Shah, P., & Carpenter, P. A. (1995). Conceptual limitations in comprehending line graphs.<br />
Journal of Experimental Psychology: General, 124, 43-61.<br />
Shah, P., & Hoeffner, J. (2002). Review of graph comprehension research: Implications for<br />
instruction. Educational Psychology Review, 14(1), 47-69.<br />
Shah, P., Mayer, R. E., & Hegarty, M. (1999). Graphs as aids to knowledge construction:<br />
Signaling techniques for guiding the process of graph comprehension. Journal of Educational<br />
Psychology, 91(4), 690-702.<br />
Shah, P., & Shellhammer, D. (1999). The role of domain knowldge and graph reading skills<br />
in graph comprehension. Paper presented at the Meeting of the Society for Applied Research<br />
in Memory and Cognition, Boulder, CO.<br />
Shavelson, R. J., Phillips, D. C., Towne, L., & Feuer, M. J. (2003). On the science of education<br />
design studies. Educational Researcher, 32(1), 25-28.<br />
Siegler, R. S., & Crowley, K. (1991). The microgenetic method: A direct means for studying<br />
cognitive development. American Psychologist, 46, 606-620.<br />
Siegler, R. S., & Stern, E. (1998). Conscious and unconscious strategy discoveries: A<br />
microgenetic analysis. Journal of Experimental Psychology: General, 127(4), 377-397.<br />
225
Literaturverzeichnis<br />
Siegler, R. S., & Vago, S. (1978). The development of a proportionality concept: Judging<br />
relative fullness. Journal of Experimental Child Psychology, 25(3), 371-395.<br />
Simkin, D. K., & Hastie, R. (1987). An information processing analysis of graph perception.<br />
Journal of American Statistical Association, 82, 454-465.<br />
Simon, H. A., & Hayes, J. R. (1976). The understanding process: Problems isomorphs.<br />
Cognitive Psychology, 8, 165-190.<br />
Slavin, R. E. (2004). Education research can and must address "what works" questions.<br />
Educational Researcher, 33(1), 27-28.<br />
Sloane, F. C., & Gorard, S. (2003). Exploring modeling aspects of design experiments.<br />
Educational Researcher, 23(1), 29-31.<br />
Somerville, S. C., & Bryant, P. (1985). Young children's use of spatial coordinates. Child<br />
Development, 56, 604-613.<br />
Spiro, R. J., Feltovich, P. J., Coulson, R. L., & Anderson, D. K. (1989). Multiple analogies for<br />
complex concepts: Antidotes for analogy-induced misconceptions in advanced knowledge<br />
acquisition. In S. Vosnaidou & A. Ortony (Eds.), Similiarity and analogical reasoning<br />
(pp. 498-531). Cambridge, MA: Cambridge University Press.<br />
Staub, F. C., & Stern, E. (2002). The nature of teachers' pedagogical content beliefs matters<br />
for students' achievement gains: Quasi-experimental evidence from elementary mathematics.<br />
Journal of Educational Psychology, 94(2), 344-355.<br />
Steffe, L., & Ambrosio, B. (1996). Using teaching experiements to understand students'<br />
mathematics. In D. F. Treagust & B. J. Fraser (Eds.), Improving teaching and learning<br />
in science and mathematics (pp. 65-76). New York: Teacher College Press.<br />
Steffe, L., & Thompson, P. W. (2000). Teching experiment methodology: Underlying<br />
principles and essential elements. In A. E. Kelly & R. A. Lesh (Eds.), Handbook of research<br />
design in mathematics and science education (pp. 267-306). Mahwah, New Jersey:<br />
Lawrence Erlbaum Associates.<br />
Stenning, K., & Oberlander, J. (1995). A cognitive theory of graphical and linguistic reasoning:<br />
Logic and implementation. Cognitive Science, 19, 97-140.<br />
Stern, E., Aprea, C., & Ebner, H. G. (2003). Improving cross-content transfer in text processing<br />
by means of active graphical representation. Learning and Instruction, 13, 191-<br />
203.<br />
Stern, E., Rode, C., Zhu, L., & Fang, G. (2001). Active grammatic competencies in Chinese<br />
and German secondary school students. Paper presented at the Conference of the Socienty<br />
for Research in Child Development, Minneapolis.<br />
Sternberg, R. J., & Nigro, G. (1980). Developmental patterns in the development of analogical<br />
reasoning processes. Journal of Experimental Child Psychology, 51, 27-38.<br />
Stump, S. (1999). Secondary mathematics teachers' knowledge of slope. Mathematics<br />
Education Research Journal, 11(2), 124-144.<br />
226
Literaturverzeichnis<br />
Suthers, D. (1999). Representational support for collaborative inquiry. Proceedings of the<br />
32nd Annual Hawaii International Conference on System Sciences (HICSS-32) Retrieved<br />
January 20, 2004, from http://lilt.ics.hawaii.edu/lilt/papers/hicss99.pdf<br />
Tate, R. (1990). Experimental design. In H. J. Wahlberg & G. D. Haertel (Eds.), The international<br />
encyclopedia of educational evaluation (pp. 553-561). Oxford: Pergamon.<br />
Thiele, R. B., & Treagust, D. F. (1994). An interpretative examination of high school<br />
chemistry teachers' analogical explanations. Journal of Research in Science Teaching,<br />
31(3), 227-242.<br />
Thompson, L., Gentner, D., & Loewenstein, J. (2000). Avoiding missed opportunities in<br />
managerial life: Analogical training more powerful than individual case training. Organizational<br />
Behavior and Human Decision Processes, 82, 60-75.<br />
Thornton, R. K., & Sokoloff, D. R. (1990). Learning motion concepts using real-time microcomputer-based<br />
laboratory tools. American Journal of Physics, 58, 858-867.<br />
Toth, E. E. (2000). Representational scaffolding during scientific inquiry: Interpretive and<br />
expressive use of inscriptions in classroom learing. In L. R. Gleitman & A. K. Joshi<br />
(Eds.), Proceedings of the 22nd Annual Conference of the Cognitive Science Society.<br />
Mahwah, NJ: LEA.<br />
Toth, E. E., Suthers, D. D., & Lesgold, A. M. (2002). "Mapping to know": The effects of<br />
representational guidance and reflective assessment on scientific inquiry. Science Education,<br />
86(2), 264-286.<br />
Treagust, D. F., Duit, R., Joslin, P., & Lindauer, I. (1990). A naturalistic study of science<br />
teachers' use of analogies as part of their regular teaching. Paper presented at the Annual<br />
Meeting of the American Educational Research Association, Boston.<br />
Trickett, S. B., Ratwani, R. M., & Trafton, J. G. (under review). Real-world graph comprehension:<br />
High-level questions, complex graphs, and spatial cognition. Retrieved January<br />
5, 2004, from http://archlab.gmu.edu/~rratwani/real_world_graph_comprehension.pdf<br />
Tversky, B., Kugelmass, S., & Winter, A. (1991). Cross-cultural and developmental trends in<br />
graphic production. Cognitive Psychology, 23, 515-557.<br />
Tversky, B., & Schiano, D. J. (1989). Perceptual and conceptual factors in distortions in<br />
memory for graphs and maps. Journal of Experimental Psychology: General, 118(4),<br />
387-398.<br />
Vekiri, I. (2002). What is the value of graphical displays? Educational Psychology Review,<br />
14(3), 261-312.<br />
Vosnaidou, S. (1989). Analogical reasoning as a mechanism in knowledge acquisition: A<br />
developmental perspective. In S. Vosnaidou & A. Ortony (Eds.), Similarity and analogical<br />
reasoning (pp. 413-437). Cambridge, MA: Cambridge University Press.<br />
Vosnaidou, S. (1999). Conceptual change research: State of the art and future directions. In<br />
W. Schnotz, S. Vosnaidou & M. Carretero (Eds.), New perspectives on conceptual<br />
change (pp. 3-13): Pergamon.<br />
227
228<br />
Literaturverzeichnis<br />
Vosnaidou, S., Ioannides, C., Dimitrakopoulou, A., & Papademetriou, E. (2001). Designing<br />
learning environments to promote conceptual change in science. Learning and Instruction,<br />
11, 381-419.<br />
Vygotsky, L. S. (1981). The instrumental method in psychology. In J. V. Wertsch (Ed.), The<br />
concept of activity in Soviet psychology. Armonk, NY: M. E. Sharp.<br />
Wainer, H. (1980). Test of graphicacy in children. Applied Psychological Measurement, 4,<br />
331-340.<br />
Wainer, H. (1992). Understanding graphs and tables. Educational Researcher, 21, 14-23.<br />
Wavering, M. J. (1989). Logical reasoning necessary to make line graphs. Journal of Research<br />
in Science Teaching, 26, 373-379.<br />
Weisberg, R. W., DiCamillo, M., & Phillips, D. (1978). Transferring old associations to new<br />
situations: A nonautomatic process. Journal of Verbal Learning and Behavior, 17, 219-<br />
228.<br />
Westermann, R. (1987). Wissenschaftstheoretische Grundlagen der experimentellen Psychologie.<br />
In G. Lüer (Ed.), Allgemeine experimentelle Psychologie (pp. 5-42). G. Fischer:<br />
Stuttgart.<br />
White, B. (1993). Thinker tools: Causal models, conceptual change and science education.<br />
Cognition and Instruction, 10, 1-100.<br />
Wilkening, F. (1982). Children's knowledge about time, distance and velocity interrelations.<br />
In W. J. Friedman (Ed.), The developmental psychology of time (pp. 87-112). New Y-<br />
ork: Academic Press.<br />
Winn, W. (1994). Contributions of perceptual and cognitive processes to the comprehension<br />
of graphics. In W. Schnotz & R. W. Kulhavy (Eds.), Comprehension of graphics (pp. 3-<br />
27). Amsterdam: North-Holland.<br />
Winn, W. (2003). Research methods and types of evidence for research in educational<br />
technology. Educational Psychology Review, 15(4), 367-373.<br />
Winn, W., Li, T.-Z., & Schill, D. (1991). Diagrams as aids to problem solving: Their role in<br />
facilitating search and computation. Educational Technology Research & Development,<br />
39, 17-29.<br />
Wong, E. D. (1993). Self-generated analogies as a tool for constructing and evaluating<br />
explanations of scientific phenomena. Journal of Research in Science Teaching, 30(4),<br />
367-380.<br />
Zacks, J., Levy, E., Tversky, B., & Schiano, D. J. (2002). Graphs in print. In M. Anderson, B.<br />
Meyer & P. Olivier (Eds.), Diagrammatic representation and reasoning (pp. 187-206).<br />
Berlin: Springer.<br />
Zacks, J., & Tversky, B. (1999). Bars and lines: A study of graphic communication. Memory<br />
and Cognition, 27, 1073-1079.<br />
Zaritsky, R., Kelly, A. E., Flowers, W., Rogers, E., & O'Neill, P. (2003). Clinical design<br />
sciences: A view from sister design efforts. Educational Researcher, 32(1), 32-34.
Literaturverzeichnis<br />
Zech, F. (1998). Grundkurs Mathematikdidaktik. Weinheim: Beltz (9. Auflage).<br />
Zhang, J. (1997). The nature of external representations in problem solving. Cognitive<br />
Science, 21(2), 179-217.<br />
229
Anhang<br />
Anhang<br />
Anhang I Trainingsmaterial ................................................................... 231<br />
Anhang II Testmaterial ........................................................................... 235<br />
II–1 Test zum Proportionalen Denken .................................................. 235<br />
II–2 Nahtransfertest und Misskonzepte ................................................ 237<br />
II–3 Ferntransfertest .......................................................................... 243<br />
II–4 Kontrolltests............................................................................... 253<br />
II–5 Aufgaben zum Erschließen des Steigungsmappings ......................... 259<br />
Anhang III Skalenanalysen ....................................................................... 263<br />
Anhang IV Voranalysen <strong>zur</strong> Vergleichbarkeit der Stichproben ............... 274<br />
IV-I Trainingsgruppen im Vergleich <strong>zur</strong> Baseline-Gruppe ....................... 274<br />
IV-II Vergleich der Trainingsgruppen untereinander ................................ 278<br />
IV-III Kontrollanalyse zum Verständnis der Trainingsteile ........................ 279<br />
Anhang V Analyse der abhängigen Variablen (Nahtransfer) ................. 283<br />
Anhang VI Analyse der abhängigen Variablen (Ferntransfer) ................ 293<br />
VI-I Ferntransfer: Multiple Choice mit konventionellem Mapping<br />
(Faktor 1) .................................................................................. 293<br />
VI-II Ferntransfer: Multiple Choice mit konventionellem und nichtkonventionellem<br />
Mapping (Faktor 1+ 3) ........................................ 297<br />
VI-III Ferntransfer: offene Aufgaben (Faktor 2) ....................................... 301<br />
VI-IV Explorative Analysen zum Vergleich der Aufgabenformate .............. 308<br />
Anhang VII Analyse der abhängigen Variablen (Erschließen).................. 313<br />
Anhang VIII Mittelwerte und Standardabweichungen................................ 321<br />
230
Anhang I<br />
Anhang I – Trainingsmaterial<br />
Abbildung I-1: Gruppenarbeitsblatt <strong>zur</strong> Erarbeitung der proportionalen Struktur des Konzepts Geschwindigkeit<br />
X<br />
Caro<br />
Bert<br />
Anna<br />
Meter<br />
Sek.<br />
Meter<br />
Sek.<br />
Meter<br />
Sek.<br />
Meter<br />
Sek.<br />
15 m 30 m 45 m 75 m<br />
0 5 s 10 s 15 s 20 s 25 s 30 s 35 s 40 s 45 s<br />
5 m 10 m<br />
0 5 s 10 s 15 s 20 s 25 s 30 s 35 s 40 s 45 s<br />
12,5 m 50 m<br />
0 5 s 10 s 15 s 20 s 25 s 30 s 35 s 40 s 45 s<br />
0 5 s 10 s 15 s 20 s 25 s 30 s 35 s 40 s 45 s<br />
50 s<br />
50 s<br />
50 s<br />
50 s<br />
231
Anhang I<br />
Abbildung I-2: Arbeitsblatt <strong>zur</strong> Familiarisierung mit dem Koordinatensystem und dem Graphen<br />
Weg in Metern<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
60<br />
55<br />
50<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100<br />
Zeit in Sekunden<br />
Anna: 75m in 25s<br />
Bert: 15m in 30s<br />
Caro: 87,5m in 35s<br />
Schnellster: ___________<br />
2. Schnellster: _________<br />
Langsamster: _________<br />
Abbildung I-3: Arbeitsblatt zum Vergleich von verschiedenen Geschwindigkeiten bei konstanter Zeit<br />
gleiche Zeit<br />
Weg in Metern<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
60<br />
55<br />
50<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100<br />
Zeit in Sekunden<br />
in 20 Sekunden läuft ....<br />
Anna ___ Meter<br />
Bert ___ Meter<br />
Caro ___ Meter<br />
Schnellster: ___________<br />
2. Schnellster: _________<br />
Langsamster: _________<br />
232
Anhang I<br />
Abbildung I-4: Arbeitsblatt zum Vergleich von verschiedenen Geschwindigkeiten bei konstantem Weg<br />
gleicher Weg<br />
Weg in Metern<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
60<br />
55<br />
50<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100<br />
Zeit in Sekunden<br />
für 50 Meter braucht ...<br />
Anna ___ Sekunden<br />
Bert ___ Sekunden<br />
Caro ___ Sekunden<br />
Schnellster: ___________<br />
2. Schnellster: _________<br />
Langsamster: _________<br />
Abbildung I-5: Arbeitsblatt <strong>zur</strong> Erfassung der Hypothesen über die Beziehungen zwischen Merkmalen des<br />
Graphen und der repräsentierten Inhalte<br />
An welchem Merkmal des Grafen erkennt man was?<br />
Merkmale: Länge<br />
Steilheit<br />
Höhe<br />
Weite<br />
die Geschwindigkeit<br />
die benötigte Zeit<br />
den <strong>zur</strong>ückgelegten Weg<br />
233
Anhang I<br />
Abbildung I-6: Arbeitsblatt I <strong>zur</strong> Anwendung des Steigungsdreiecks<br />
Weg in Metern<br />
20<br />
19<br />
18<br />
17<br />
16<br />
15<br />
14<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20<br />
Zeit in Sekunden<br />
im 1. Abschnitt: ____ Meter pro Sekunde<br />
im 2. Abschnitt: ____ Meter pro Sekunde<br />
im 3. Abschnitt: ____ Meter pro Sekunde<br />
im 4. Abschnitt: ____ Meter pro Sekunde<br />
Abbildung I-7: Arbeitsblatt II <strong>zur</strong> Anwendung des Steigungsdreiecks bei der Konstruktion von verschiedenen<br />
Steigungen<br />
Weg in Metern<br />
20<br />
19<br />
18<br />
17<br />
16<br />
15<br />
14<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20<br />
Zeit in Sekunden<br />
1. : ____ Meter pro Sekunde<br />
2. : ____ Meter pro Sekunde<br />
3. : ____ Meter pro Sekunde<br />
4. : ____ Meter pro Sekunde<br />
234
Anhang II<br />
Anhang II – Testmaterial<br />
II – 1 Test zum Proportionalen Denken<br />
Abbildung II-1-a: Proportionales Denken Item 1 (Item PD-1) 50<br />
Peter läuft<br />
Michael läuft<br />
40 Meter in 80 Sekunden 30 Meter in 70 Sekunden<br />
Laufen beide mit derselben Geschwindigkeit?<br />
Ja, beide laufen gleich schnell.<br />
Nein, Peter läuft schneller.<br />
Nein, Michael läuft schneller.<br />
Abbildung II-1-b: Proportionales Denken Item 2 (Item PD-2)<br />
In welcher Zeit muss Mareike die 60 Meter laufen, damit sie genauso schnell ist wie Peter?<br />
Peter:<br />
Mareike:<br />
80 Meter in 40 Sekunden 60 Meter in __30__ Sekunden<br />
Abbildung II-1-c: Proportionales Denken Item 3 (Item PD-3)<br />
Wie viele Gläser Fanta muss Getränkmischung 2 enthalten, damit sie genauso schmeckt wie<br />
Getränkemischung 1?<br />
Getränkemischung 1 Getränkemischung 2<br />
30 Gläser Cola und 60 Gläser Fanta 20 Gläser Cola und __40__ Gläser Fanta<br />
50 Grau hinterlegte Antwortalternativen zeigen die richtige Antwort. Misskonzeptantworten wurden jeweils rot<br />
markiert.<br />
235
Anhang II<br />
Abbildung II-1-d: Proportionales Denken Item 4 (Item PD-4)<br />
Es gibt zwei Transportzüge mit unterschiedlich vielen Waggons, in denen Kühe transportiert<br />
werden:<br />
Zug A: In 13 Waggons sind insgesamt 190 Kühe.<br />
Zug B: In 10 Waggons sind insgesamt 160 Kühe.<br />
Bei welchem Zug sind mehr Kühe in einem Waggon?<br />
Bei Zug A sind mehr Kühe in einem Waggon.<br />
Bei Zug B sind mehr Kühe in einem Waggon.<br />
In den Waggons beider Züge sind gleich viele Kühe.<br />
236
Anhang II<br />
II – 2 Nahtransfertest und Misskonzepte<br />
Abbildung II-2-a: Nahtransfer/Misskonzepte Item 1 (Item NT/M-1) 51<br />
In der folgenden Abbildung ist eine Wanderung von Lars und Tim dargestellt.<br />
Entfernung in Kilometer<br />
10<br />
8<br />
6<br />
4<br />
2<br />
0<br />
Lars<br />
Tim<br />
12:00 13:00 14:00<br />
Uhrzeit<br />
Welcher der beiden Jungen legt den längeren Weg <strong>zur</strong>ück?<br />
Lars<br />
Tim<br />
Beide laufen gleich weit.<br />
Diese Frage kann man mit Hilfe der Abbildung nicht beantworten.<br />
51 Grau hinterlegte Antwortalternativen zeigen die richtige Antwort. Misskonzeptantworten wurden jeweils mit<br />
einer gestrichelten Linie unterstrichen.<br />
237
Anhang II<br />
Abbildung II-2-b: Nahtransfer/Misskonzepte Item 2 (Item NT/M-2)<br />
In der folgenden Abbildung sind die Fahrradfahrten von Anna und Beate abgebildet.<br />
Beantworte mit Hilfe der Abbildung die folgenden Fragen.<br />
Weg in Kilometern<br />
50<br />
40<br />
30<br />
20<br />
10<br />
Anna<br />
Beate<br />
0<br />
0<br />
1<br />
2 3 4 5<br />
Zeit in Stunden<br />
Welches Mädchen fährt in der ersten Stunde schneller?<br />
Anna<br />
Beate<br />
Beide fahren gleich schnell.<br />
Das kann man mit Hilfe der Abbildung nicht beantworten.<br />
238
Anhang II<br />
Abbildung II-2-c: Nahtransfer/Misskonzepte Item 3 (Item NT/M-3)<br />
Kreuze alle Abbildungen an, bei denen zu sehen ist, dass Wandergruppe A schneller gewandert<br />
ist <strong>als</strong> Gruppe B (es können auch mehrere Abbildungen sein).<br />
Beachte genau, wie die Achsen beschriftet sind!<br />
Weg in Kilometern<br />
Gruppe A<br />
Gruppe B<br />
Weg in Kilometern<br />
Gruppe A<br />
Gruppe B<br />
Zeit in Stunden<br />
Zeit in Stunden<br />
Weg in Kilometern<br />
Gruppe B<br />
Gruppe A<br />
Weg in Kilometern<br />
Gruppe B Gruppe A<br />
Zeit in Stunden<br />
Zeit in Stunden<br />
Weg in Kilometern<br />
Gruppe A<br />
Gruppe B<br />
Weg in Kilometern<br />
Gruppe B<br />
Gruppe A<br />
Zeit in Stunden<br />
Zeit in Stunden<br />
239
Anhang II<br />
Abbildung II-2-d: Nahtransfer/Misskonzepte Item 4 (Item NT/M-4)<br />
Diese Abbildung zeigt ebenfalls die Wanderung einer Wandergruppe.<br />
Überlege dir, warum der Graph (die grüne Linie) in den einzelnen drei Abschnitten der<br />
Wanderung unterschiedlich aussieht.<br />
Was könnte das bedeuten?<br />
Zum Beispiel: Warum sieht der Graph für den 2. Abschnitt ihres Weges anders aus<br />
<strong>als</strong> der 1. Abschnitt? Was könnte da passiert sein?<br />
Entfernung vom Start in<br />
Metern<br />
500<br />
0<br />
1<br />
2<br />
3<br />
0<br />
Zeit in Minuten<br />
5<br />
Beschreibe kurz, was in den drei Abschnitten passiert sein könnte.<br />
Typische richtige<br />
Antwort<br />
Typische Misskonzept-<br />
Antwort<br />
1. Abschnitt:<br />
Sie laufen immer weiter<br />
weg vom Start.<br />
Sie laufen Berg auf<br />
2. Abschnitt: Sie machen eine Pause. Sie laufen gerade.<br />
3. Abschnitt:<br />
Sie nähern sich wieder<br />
dem Start.<br />
Sie laufen Berg ab.<br />
240
Anhang II<br />
Abbildung II-2-e: Nahtransfer/Misskonzepte Item 5 (Item NT/M-5)<br />
Sascha und Mark machen ein Wettrennen.<br />
Am Anfang läuft Mark schneller <strong>als</strong> Sascha.<br />
Mittendrin wird Sascha schneller, holt auf und überholt Mark.<br />
Sascha kommt am Ende <strong>als</strong> Erster ins Ziel.<br />
Kreuze alle Grafiken an, die den Verlauf dieser Geschichte genau zeigen.<br />
SaschaMark<br />
Sascha<br />
Mark<br />
Weg<br />
Weg<br />
Zeit<br />
Zeit<br />
Sascha<br />
Weg<br />
Mark<br />
Weg<br />
Sascha<br />
Mark<br />
Zeit<br />
Zeit<br />
Mark<br />
Weg<br />
Sascha<br />
Weg<br />
Mark<br />
Sascha<br />
Zeit<br />
Zeit<br />
241
Abbildung II-2-f: Nahtransfer Item 6 (Item NT-6) 52<br />
Anhang II<br />
In der Grafik siehst du bereits eine Linie für die Wanderung von Maria. Zeichne jeweils eine<br />
Linie für ein weiteres Kind dazu, so dass man genau sehen kann, dass dieses Kind genau so<br />
gut gelaufen ist, wie es daneben angegeben ist.<br />
<strong>zur</strong>ückgelegter Weg<br />
Jan<br />
Maria<br />
Jan lief schneller <strong>als</strong> Maria.<br />
Er lief aber einen kürzeren Weg <strong>als</strong> Maria.<br />
benötigte Zeit<br />
Lisa lief genau so schnell wie Maria.<br />
Sie lief aber einen längeren Weg <strong>als</strong> Maria.<br />
<strong>zur</strong>ückgelegter Weg<br />
Maria<br />
Lisa<br />
benötigte Zeit<br />
<strong>zur</strong>ückgelegter Weg<br />
Maria<br />
Christoph<br />
Christoph lief langsamer <strong>als</strong> Maria.<br />
Er lief aber einen längeren Weg <strong>als</strong> Maria.<br />
benötigte Zeit<br />
52 Die gestrichelten Linien zeigen die richtigen von den Kindern einzutragenden Lösungen.<br />
242
Anhang II<br />
II – 3 Ferntransfertest<br />
Abbildung II-3-a: Ferntransfer Item 1 mit intuitivem Mapping (Item KM-1)<br />
Den Benzinverbrauch eines Autos bestimmt man, indem man feststellt wie viele Liter Benzin<br />
pro Kilometer verbraucht wurden.<br />
Aus den Grafiken kannst du den Benzinverbrauch von zwei Autos ablesen.<br />
Kreuze alle Grafiken an, die zeigen, dass Auto A (oranger Graph) einen größeren Benzinverbrauch<br />
pro Kilometer hat <strong>als</strong> Auto B.<br />
Liter Benzin<br />
Auto A<br />
Auto B<br />
Liter Benzin<br />
Auto B<br />
Auto A<br />
Kilometer<br />
Kilometer<br />
Liter Benzin<br />
Auto B<br />
Auto A<br />
Liter Benzin<br />
Auto A<br />
Auto B<br />
Kilometer<br />
Kilometer<br />
Auto A<br />
Auto B<br />
Liter Benzin<br />
Auto B<br />
Liter Benzin<br />
Auto A<br />
Kilometer<br />
Kilometer<br />
243
Anhang II<br />
Abbildung II-3-b: Ferntransfer Item 1 mit nicht-intuitivem Mapping (Item NKM-1)<br />
Den Stromverbrauch einer Lampe bestimmt man, indem man feststellt<br />
wie viel Strom pro Stunde von der Lampe verbraucht wurde.<br />
Aus den Grafiken kannst du den Stromverbrauch von zwei Lampen ablesen.<br />
Kreuze alle Grafiken an, die zeigen, dass Lampe A (roter Graph) einen größeren Stromverbrauch<br />
pro Stunde hat <strong>als</strong> Lampe B.<br />
Lampe B<br />
Lampe A<br />
Stunden<br />
Lampe A<br />
Stunden<br />
Lampe B<br />
Strom<br />
Strom<br />
Stunden<br />
Lampe B<br />
Lampe A<br />
Stunden<br />
Lampe A<br />
Lampe B<br />
Strom<br />
Strom<br />
Lampe A<br />
Lampe B<br />
Stunden<br />
Lampe B<br />
Stunden<br />
Lampe A<br />
Strom<br />
Strom<br />
244
Anhang II<br />
Abbildung II-3-c: Ferntransfer Item 2 mit intuitivem Mapping (Item KM-2)<br />
Kreuze alle Grafiken an, die zeigen, dass beide Autos gleich viel Benzin pro Kilometer<br />
verbrauchen.<br />
Auto B<br />
Auto A<br />
Liter Benzin<br />
Auto A<br />
Liter Benzin<br />
Auto B<br />
Kilometer<br />
Kilometer<br />
Liter Benzin<br />
Auto A<br />
Auto B<br />
Liter Benzin<br />
Auto A<br />
Auto B<br />
Kilometer<br />
Kilometer<br />
Liter Benzin<br />
Auto B<br />
Auto A<br />
Liter Benzin<br />
Auto A<br />
Auto B<br />
Kilometer<br />
Kilometer<br />
245
Anhang II<br />
Abbildung II-3-d: Ferntransfer Item 2 mit nicht-intuitivem Mapping (Item NKM-2)<br />
Kreuze alle Grafiken an, die zeigen, dass beide Lampen gleich viel Strom pro Stunde<br />
verbrauchen.<br />
Stunden<br />
Lampe B<br />
Lampe A<br />
Stunden<br />
Lampe B Lampe A<br />
Strom<br />
Strom<br />
Stunden<br />
Lampe A<br />
Lampe B<br />
Stunden<br />
Lampe A<br />
Lampe B<br />
Strom<br />
Strom<br />
Stunden<br />
Lampe B<br />
Lampe A<br />
Stunden<br />
Lampe A<br />
Lampe B<br />
Strom<br />
Strom<br />
246
Anhang II<br />
Abbildung II-3-e: Ferntransfer Item 3 und 4 mit intuitivem Mapping (Item KM-3 und KM-4)<br />
Anzahl Bälle<br />
Person A<br />
Person C<br />
Person B<br />
Person D<br />
(Item KM-3)<br />
0<br />
0<br />
Anzahl Stunden<br />
Welche Person hat am wenigsten Bälle pro Stunde hergestellt?<br />
Person A.<br />
Person B.<br />
Person C.<br />
Person D.<br />
Person _____ und Person ____.<br />
Alle vier Personen haben gleich viele Bälle pro Stunde hergestellt.<br />
Das kann man aus der Grafik nicht ablesen.<br />
(Item KM-4)<br />
Gibt es zwei Personen, die gleich viele Bälle pro Stunde herstellen?<br />
Wenn ja, welche?<br />
Nein, alle Personen stellen unterschiedlich viele Bälle pro Stunde her.<br />
Ja, die Personen A und B.<br />
Ja, die Personen A und C.<br />
Ja, die Personen A und D.<br />
Ja, die Personen B und C.<br />
Ja, die Personen B und D.<br />
Ja, die Personen C und D.<br />
Das kann man aus der Grafik nicht ablesen.<br />
247
Anhang II<br />
Abbildung II-3-f: Ferntransfer Item 3 und 4 mit nicht-intuitivem Mapping (Item NKM-3 und NKM-4)<br />
Anzahl Minuten<br />
Maschine A<br />
Maschine C<br />
Maschine D<br />
0<br />
0 Anzahl Knöpfe<br />
(Item NKM-3)<br />
Maschine B<br />
Welche Maschine hat am wenigsten Knöpfe pro Minute angenäht?<br />
Maschine A.<br />
Maschine B.<br />
Maschine C.<br />
Maschine D.<br />
Maschine _____ und Maschine ____.<br />
Alle vier Maschinen haben gleich viele Knöpfe pro Minute angenäht.<br />
Das kann man aus der Grafik nicht ablesen.<br />
(Item NKM-4)<br />
Gibt es zwei Maschinen, die gleich viele Knöpfe pro Minute annähen?<br />
Wenn ja, welche?<br />
Nein, alle Maschinen nähen unterschiedlich viele Knöpfe pro Minute an.<br />
Ja, die Maschinen A und B.<br />
Ja, die Maschinen A und C.<br />
Ja, die Maschinen A und D.<br />
Ja, die Maschinen B und C.<br />
Ja, die Maschinen B und D.<br />
Ja, die Maschinen C und D.<br />
Das kann man aus der Grafik nicht ablesen.<br />
248
Anhang II<br />
Abbildung II-3-g: Ferntransfer Item 5 mit intuitivem Mapping (Item NM-5)<br />
Der Graph zeigt die Tagesleistung eines Malers beim Anstreichen von Rohren.<br />
Beantworte anhand der Grafik die folgende Frage.<br />
Liter Farbe verbraucht<br />
1<br />
2<br />
Meter Rohre gestrichen<br />
In welchem Abschnitt hat der Maler mehr Liter Farbe pro Meter Rohrleitung<br />
verbraucht?<br />
in Abschnitt 1<br />
in Abschnitt 2<br />
In beiden Abschnitten hat er gleich viel Farbe pro Meter Rohrleitung verbraucht.<br />
Das kann man mit Hilfe der Abbildung nicht beantworten.<br />
249
Anhang II<br />
Abbildung II-3-h: Ferntransfer Item 5 mit nicht-intuitivem Mapping (Item NKM-5)<br />
Der Graph zeigt die Tagesleistung eines Arbeiters beim Streuen von Wegen im Winter.<br />
Beantworte anhand der Grafik die folgende Frage.<br />
Meter Weg gestreut<br />
A<br />
B<br />
Kilogramm Sand verbraucht<br />
In welchem Abschnitt hat der Arbeiter mehr Kilogramm Sand pro Meter Weg<br />
gestreut?<br />
in Abschnitt A<br />
in Abschnitt B<br />
In beiden Abschnitten hat er gleich viel Sand pro Meter Weg gestreut.<br />
Das kann man mit Hilfe der Abbildung nicht beantworten.<br />
250
Anhang II<br />
Abbildung II-3-i: Ferntransfer Item 6 a und b mit intuitivem Mapping (Item KM-6a und KM-6b)<br />
Die Grafik zeigt, wie viele Kilogramm Schweine in einem Monat zunehmen, wenn man ihnen<br />
eine gewisse Futtermenge am Tag zu fressen gibt.<br />
5<br />
Gewichtszunahme<br />
in kg<br />
4<br />
3<br />
2<br />
1<br />
1<br />
2<br />
0<br />
200 300 400 500 600 700<br />
Futtermenge in Gramm<br />
Beantworte mit Hilfe der Abbildung!<br />
Wie viele Kilogramm nehmen die Schweine zusätzlich zu, wenn man ihnen 100 Gramm<br />
Futter mehr zu fressen gibt?<br />
(Item KM-6a)<br />
1. Abschnitt: __1,5__ Kilogramm pro 100 Gramm Futter<br />
(Item KM-6b)<br />
2. Abschnitt: __0,5__ Kilogramm pro 100 Gramm Futter<br />
251
Anhang II<br />
Abbildung II-3-j: Ferntransfer Item 6 a und b mit nicht-intuitivem Mapping (Item NKM-6a und NKM-6b)<br />
Die Grafik zeigt, wie viele Kilogramm Frau Lehmann in einer Woche abnimmt, wenn sie<br />
täglich eine gewisse Anzahl Minuten am Tag Sport treibt.<br />
70<br />
Sport in Minuten<br />
60<br />
50<br />
40<br />
30<br />
A<br />
B<br />
20<br />
0 1 2 3 4 5<br />
Gewichtsabnahme in kg<br />
Beantworte mit Hilfe der Abbildung!<br />
Wie viele Kilogramm nimmt Frau Lehmann zusätzlich ab, wenn sie ihr Training um<br />
10 Minuten verlängert?<br />
(Item NKM-6a)<br />
Abschnitt A: __1,5__ Kilogramm pro 10 Minuten Sport<br />
(Item NKM-6b)<br />
Abschnitt B: __0,5__ Kilogramm pro 10 Minuten Sport<br />
252
Anhang II<br />
II – 4 Kontrolltests<br />
Abbildung II-4-a: Kontrolltest Basisteil Item 1 bis 5 (Item KT-BA-1 bis 5)<br />
Lars:<br />
45 Meter<br />
8 Sekunden<br />
Christian:<br />
30 Meter<br />
2 Sekunden<br />
Weg in Metern<br />
50<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
Christian<br />
Lars<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Zeit in Sekunden<br />
Die gestrichelten Linien<br />
zeigen die Lösung für<br />
Item KT-BA-1 und -4<br />
(Item KT-BA-1)<br />
Zeichne in das Koordinatensystem einen Graphen für die Fahrten von Lars und<br />
Christian.<br />
Vergiss nicht die Graphen zu beschriften<br />
(Item KT-BA-2)<br />
Entscheide mit Hilfe der Graphen!<br />
Welcher von beiden Jungen fuhr schneller?<br />
Lars fuhr schneller.<br />
Christian fuhr schneller.<br />
Beide Jungen fuhren gleich schnell.<br />
Das kann man mit Hilfe der Grafik nicht bestimmen.<br />
(Item KT-BA-3)<br />
Woran erkennt man bei den Graphen sofort, welcher Junge schneller fuhr?<br />
Man erkennt es daran, dass der Graph steiler ist .<br />
(Item KT-BA-4)<br />
Finde mit Hilfe der Graphen heraus, wie viele Sekunden Christan auf seinem Band<br />
hätte fahren müsste, damit er genauso weit fährt wie Lars (<strong>als</strong>o 45 Meter).<br />
(Item KT-BA-5)<br />
Wie weit ist Lars nach 3 Sekunden ungefähr gekommen?<br />
Lars hat in 3 Sekunden ungefähr __15__ Meter geschafft.<br />
253
Anhang II<br />
Abbildung II-4-b: Kontrolltest Basisteil Item 6 bis 8 (Item KT-BA-6 bis 8)<br />
Hier sollte ein Schüler mit Hilfe der Stufen die Geschwindigkeiten der beiden Abschnitte<br />
dieser Fahrt bestimmen.<br />
Weg in Metern<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0<br />
3<br />
2<br />
1<br />
1 2 3 4 5 6 7 8 9 10<br />
Zeit in Sekunden<br />
Er schrieb dazu:<br />
„Die Geschwindigkeit ist in beiden<br />
Abschnitten gleich groß, da die Stufen<br />
in beiden Abschnitten gleich hoch sind,<br />
nämlich genau ein Kästchen.“<br />
Die gestrichelte Linie zeigt die Lösung<br />
für Item KT-BA-8.<br />
(Item KT-BA-6)<br />
Hat der Schüler die Aufgabe richtig gelöst?<br />
Ja, er hat die Aufgabe richtig gelöst.<br />
Nein, er hat es f<strong>als</strong>ch gemacht, weil …die Stufen nicht gleich groß sind.<br />
Er hat es richtig gemacht, aber es gibt noch eine andere Erklärung, nämlich:<br />
_______________________________________________.<br />
Weiß nicht.<br />
Typische richtige<br />
Antwort:<br />
Bestimme die genaue, richtige Geschwindigkeit für die beiden Abschnitte:<br />
(Item KT-BA-7a)<br />
1. Abschnitt: ___1___ Meter pro Sekunde<br />
(Item KT-BA-7b)<br />
2. Abschnitt: __0,5__ Meter pro Sekunde<br />
(Item KT-BA-8)<br />
Zeichne einen dritten Abschnitt dazu. Das Transportband fuhr in diesem Abschnitt mit<br />
einer Geschwindigkeit von 3 Metern pro Sekunde.<br />
254
Anhang II<br />
Abbildung II-4-c: Kontrolltest Item 1a,b und 2 (Item KT-KON-1a,b und 2) Version: struktureller Kontrast<br />
Hier siehst du wieder eine Fahrt auf dem Transportband.<br />
Zeit in Sekunden<br />
14<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0<br />
1<br />
2<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16<br />
Weg in Metern<br />
3<br />
Die gestrichelte Linie<br />
zeigt die Lösung für<br />
Item KT-KON-2<br />
Bestimme die genaue, richtige Geschwindigkeit für die beiden Abschnitte<br />
Beachte genau, wie die Achsen beschriftet sind!<br />
(Item KT-KON-1a)<br />
1. Abschnitt: __0,25__ Meter pro Sekunde<br />
(Item KT-KON-1b)<br />
2. Abschnitt: ___4___ Meter pro Sekunde<br />
Zeichne dazu die Treppen ein, mit denen man die Geschwindigkeit hier bestimmt!<br />
(Item KT-KON-2)<br />
Zeichne einen dritten Abschnitt der Fahrt dazu.<br />
Das Transportband fuhr in diesem Abschnitt mit einer Geschwindigkeit von<br />
3 Metern pro Sekunde.<br />
255
Anhang II<br />
Abbildung II-4-d: Kontrolltest Item 1a,b und 2 (Item KT-KON-1a,b und 2) Version: kein Kontrast<br />
Hier siehst du wieder eine Fahrt auf dem Transportband.<br />
Weg in Metern<br />
2,8<br />
2,6<br />
2,4<br />
2,2<br />
2<br />
1,8<br />
1,6<br />
1,4<br />
1,2<br />
1<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
0<br />
0<br />
1<br />
2<br />
3<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16<br />
Zeit in Sekunden<br />
Die gestrichelte Linie<br />
zeigt die Lösung für<br />
Item KT-KON-2<br />
Bestimme die genaue, richtige Geschwindigkeit für die beiden Abschnitte<br />
Beachte genau, wie die Achsen beschriftet sind!<br />
(Item KT-KON-1a)<br />
1. Abschnitt: __0,8__ Meter pro Sekunde<br />
(Item KT-KON-1b)<br />
2. Abschnitt: __0,1__ Meter pro Sekunde<br />
Zeichne dazu die Treppen ein, mit denen man die Geschwindigkeit hier bestimmt!<br />
(Item KT-KON-2)<br />
Zeichne einen dritten Abschnitt der Fahrt dazu.<br />
Das Transportband fuhr in diesem Abschnitt mit einer Geschwindigkeit von<br />
0,6 Metern pro Sekunde (60 cm pro Sekunde).<br />
256
Anhang II<br />
Abbildung II-4-e: Kontrolltest Item 1a,b und 2 (Item KT-KON-1a,b und 2) Version: kombinierter Kontrast<br />
Hier siehst du wieder einen Verkauf von Saft.<br />
Verkaufte Liter Getränk<br />
14<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0<br />
1<br />
2<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16<br />
Gesamteinnahmen in Euro<br />
3<br />
Die gestrichelte Linie<br />
zeigt die Lösung für<br />
Item KT-KON-2<br />
Bestimme für beide Abschnitt den Literpreis, <strong>als</strong>o wie teuer das Getränk verkauft wurde.<br />
Beachte genau, wie die Achsen beschriftet sind!<br />
(Item KT-KON-1a)<br />
1. Abschnitt: __0,25__ Euro pro Liter<br />
(Item KT-KON-1b)<br />
2. Abschnitt: ___4___ Euro pro Liter<br />
Zeichne dazu die Treppen ein, mit denen man den Literpreis hier bestimmt!<br />
(Item KT-KON-2)<br />
Zeichne einen dritten Abschnitt des Verkaufs dazu.<br />
Das Kind verkaufte sein Getränk in diesem Abschnitt für einen Literpreis von<br />
3 Euro pro Liter.<br />
257
Anhang II<br />
Abbildung II-4-f: Kontrolltest Kontrastteil VeNo Item 1a,b und 2 (Item KT-KON-1a,b und 2) Version:<br />
inhaltlicher Kontrast<br />
Hier siehst du wieder einen Verkauf von Saft.<br />
Gesamteinnahmen in Euro<br />
14<br />
13<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0<br />
1<br />
2<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16<br />
verkaufte Liter Getränk<br />
3<br />
Die gestrichelte Linie<br />
zeigt die Lösung für<br />
Item KT-KON-2<br />
Bestimme für beide Abschnitt den Literpreis, <strong>als</strong>o wie teuer das Getränk verkauft wurde.<br />
Beachte genau, wie die Achsen beschriftet sind!<br />
(Item KT-KON-1a)<br />
1. Abschnitt: __0,25__ Euro pro Liter<br />
(Item KT-KON-1b)<br />
2. Abschnitt: ___4___ Euro pro Liter<br />
Zeichne dazu die Treppen ein, mit denen man den Literpreis hier bestimmt!<br />
(Item KT-KON-2)<br />
Zeichne einen dritten Abschnitt des Verkaufs dazu.<br />
Das Kind verkaufte sein Getränk in diesem Abschnitt für einen Literpreis von<br />
3 Euro pro Liter.<br />
258
Anhang II<br />
II – 5 Aufgaben zum Erschließen des Steigungsmappings<br />
Abbildung II-6-a: Erschließen des Mappings Item 1a und b (Item OF-1a und b)<br />
Im Training hast du gelernt, dass bei dieser Grafik folgende Regel gilt:<br />
„Graph B ist flacher <strong>als</strong> Graph A, deshalb ist die Person B langsamer gefahren <strong>als</strong> Person A.“<br />
B<br />
Weg in Metern<br />
A<br />
Zeit in Sekunden<br />
Stell dir vor, du gehst mit dieser Regel zu deinem Mathelehrer und er glaubt dir nicht, dass<br />
die Regel stimmt.<br />
(OF-1a)<br />
Wie kannst du deinem Lehrer BEWEISEN, dass man an dem flacheren Graphen sehen kann,<br />
dass diese Person langsamer gefahren ist?<br />
Erkläre, so genau du kannst!<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
(OF-1b)<br />
Stimmt diese Regel immer?<br />
Oder kannst du dir etwas vorstellen, wann man an dem flacheren Graphen nicht sehen kann,<br />
dass die Fahrt langsamer war?<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
259
Anhang II<br />
Abbildung II-6-b: Erschließen des Mappings Item 2 (Item OF-2)<br />
Diese Grafik zeigt die Ergebnisse von zwei Handballmannschaften.<br />
Beide Teams haben unterschiedlich oft gegen andere Mannschaften gespielt und dafür Punkte<br />
erhalten.<br />
Punkte insgesamt<br />
Team A<br />
Team B<br />
0<br />
0<br />
Anzahl gespielter Spiele<br />
Obwohl Team A weniger Gesamt-Punkte gesammelt hat <strong>als</strong> Team B, kann man an der<br />
Steilheit der beiden Graphen sehen, dass Team A erfolgreicher <strong>als</strong> Team B gespielt hat.<br />
Erkläre so genau du kannst, warum man hier an dem steileren Graphen ablesen kann, dass<br />
Team A erfolgreicher und damit besser gespielt hat <strong>als</strong> Team B!<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
260
Anhang II<br />
Abbildung II-6-c Erschließen des Mappings Item 3 (Item OF-3)<br />
Im Training hast du gelernt, dass man an der Steilheit der Graphen etwas ablesen kann.<br />
Überlege für die nächsten zwei Aufgaben, was es jeweils bedeuten könnte, dass die Graphen<br />
unterschiedlich steil sind!<br />
Beachte genau, wie die Achsen und die Graphen beschriftet sind!<br />
Anzahl an Schweinen<br />
transportiert<br />
Typ A<br />
Typ C<br />
Typ B<br />
Anzahl an LKWs<br />
LKW-Typ A hat den steilsten Graphen im Vergleich zu den anderen beiden LKW-Typen.<br />
Das bedeutet, dass bei LKW-Typ A im Vergleich zu LKW- Typ B und C...<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
261
Anhang II<br />
Abbildung II-6-d: Erschließen des Mappings Item 4 (Item OF-4)<br />
Anzahl Tiere im Stall<br />
Enten<br />
Hühner<br />
Gänse<br />
Quadratmeter Fläche des<br />
Stalls<br />
Die Entenzucht hat den steilsten Graphen im Vergleich zu den anderen beiden Arten der<br />
Geflügelzuchthaltung (Gänse und Hühner).<br />
Das bedeutet, dass bei der Entenzucht ...<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
___________________________________________________________________________<br />
262
Anhang III<br />
Anhang III – Skalenanalysen<br />
Tabelle III-1: Itemkennwerte für die Skala des Tests Nahtransfer im Vortest.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. NT1 ,1714 ,3787 105,0<br />
2. NT2 ,4667 ,5013 105,0<br />
3. NT3 ,1048 ,3077 105,0<br />
4. NT4 ,1048 ,3077 105,0<br />
5. NT5 ,0952 ,2950 105,0<br />
6. NT6 ,0381 ,1923 105,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE ,9810 1,4035 1,1847 6<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
NT1 ,8095 1,0980 ,2042 ,6072<br />
NT2 ,5143 ,8868 ,2811 ,6062<br />
NT3 ,8762 1,0134 ,4768 ,4934<br />
NT4 ,8762 1,0134 ,4768 ,4934<br />
NT5 ,8857 1,0830 ,3804 ,5331<br />
NT6 ,9429 1,2275 ,3262 ,5666<br />
Reliability Coefficients<br />
N of Cases = 105,0 N of Items = 6<br />
Alpha = ,5946<br />
Tabelle III-2: Itemkennwerte für die Skala des Tests Nahtransfer im Nachtest.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. NT1 ,1810 ,3868 105,0<br />
2. NT2 ,6381 ,4829 105,0<br />
3. NT3 ,4095 ,4941 105,0<br />
4. NT4 ,3333 ,4737 105,0<br />
5. NT5 ,2571 ,4392 105,0<br />
6. NT6 ,1238 ,3309 105,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,9429 3,1313 1,7696 6<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
NT1 1,7619 2,4332 ,4545 ,7342<br />
NT2 1,3048 2,5216 ,2456 ,7937<br />
NT3 1,5333 2,1551 ,5046 ,7225<br />
NT4 1,6095 2,0480 ,6336 ,6828<br />
NT5 1,6857 2,1214 ,6387 ,6839<br />
NT6 1,8190 2,3996 ,6068 ,7061<br />
Reliability Coefficients<br />
N of Cases = 105,0 N of Items = 6<br />
Alpha = ,7579<br />
263
Anhang III<br />
Tabelle III-3: Ergebnisse der explorativen Faktoranalyse mit allen 14 Items des Ferntransfertest im Nachtest.<br />
Kommunalitäten<br />
Anfänglich<br />
Extraktion<br />
KM-1 1,000 ,581<br />
KM-2 1,000 ,804<br />
KM-3 1,000 ,600<br />
KM-4 1,000 ,790<br />
KM-5 1,000 ,791<br />
KM-6A 1,000 ,793<br />
KM-6B 1,000 ,783<br />
NKM-1 1,000 ,675<br />
NKM-2 1,000 ,839<br />
NKM-3 1,000 ,739<br />
NKM-4 1,000 ,764<br />
NKM-5 1,000 ,647<br />
NKM-6A 1,000 ,735<br />
NKM-6B 1,000 ,671<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
Erklärte Gesamtvarianz<br />
Komponente<br />
Gesamt<br />
Anfängliche Eigenwerte<br />
% der<br />
Varianz<br />
Kumulierte %<br />
Summen von quadrierten<br />
Faktorladungen für Extraktion<br />
Gesamt<br />
% der<br />
Varianz<br />
Kumulierte % Gesamt<br />
Rotierte Summe der<br />
quadrierten Ladungen<br />
% der<br />
Varianz<br />
Kumulierte %<br />
1 5,815 41,536 41,536 5,815 41,536 41,536 4,224 30,172 30,172<br />
2 1,949 13,918 55,454 1,949 13,918 55,454 3,029 21,638 51,810<br />
3 1,275 9,106 64,560 1,275 9,106 64,560 1,501 10,723 62,532<br />
4 1,172 8,370 72,931 1,172 8,370 72,931 1,456 10,398 72,931<br />
5 ,817 5,838 78,768<br />
6 ,686 4,897 83,665<br />
7 ,551 3,933 87,598<br />
8 ,414 2,959 90,557<br />
9 ,384 2,742 93,299<br />
10 ,324 2,317 95,616<br />
11 ,216 1,546 97,162<br />
12 ,161 1,150 98,312<br />
13 ,131 ,938 99,251<br />
14 ,105 ,749 100,000<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
Rotierte Komponentenmatrix<br />
Komponente<br />
1 2 3 4<br />
KM-1 ,686 -1,476E-02 -5,513E-02 ,327<br />
KM-2 ,848 ,260 ,134 1,764E-02<br />
KM-3 ,620 ,299 -,266 ,235<br />
KM-4 ,821 ,103 ,286 ,156<br />
KM-5 ,326 -,120 -,169 ,801<br />
KM-6A 1,859E-03 ,843 ,218 ,189<br />
KM-6B ,130 ,831 ,160 ,221<br />
NKM-1 ,468 ,475 ,464 ,119<br />
NKM-2 ,853 ,278 ,170 -6,805E-02<br />
NKM-3 ,194 6,525E-02 ,834 -2,336E-02<br />
NKM-4 ,764 ,109 ,380 ,154<br />
NKM-5 5,641E-02 ,361 ,338 ,632<br />
NKM-6A ,297 ,772 -7,843E-02 -,210<br />
NKM-6B ,440 ,632 -,145 -,237<br />
Extraktionsmethode: Hauptkomponentenanalyse. Rotationsmethode: Varimax mit Kaiser-Normalisierung.<br />
a Die Rotation ist in 12 Iterationen konvergiert.<br />
264
Anhang III<br />
Tabelle III-4: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 1.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. KM-1 ,5000 ,5042 60,0<br />
2. KM-2 ,5333 ,5031 60,0<br />
3. KM-3 ,7167 ,4544 60,0<br />
4. KM-4 ,4333 ,4997 60,0<br />
5. NKM-2 ,5333 ,5031 60,0<br />
6. NKM-4 ,4667 ,5031 60,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 3,1833 5,8133 2,4111 6<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-1 2,6833 4,3895 ,5535 ,9039<br />
KM-2 2,6500 3,8924 ,8401 ,8593<br />
KM-3 2,4667 4,5243 ,5600 ,9010<br />
KM-4 2,7500 3,9534 ,8103 ,8642<br />
NKM-2 2,6500 3,9263 ,8195 ,8627<br />
NKM-4 2,7167 4,0370 ,7534 ,8733<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 6<br />
Alpha = ,8966<br />
Tabelle III-5: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 2.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. KM-6A ,2833 ,4544 60,0<br />
2. KM-6B ,3333 ,4754 60,0<br />
3. NKM-6A ,2833 ,4544 60,0<br />
4. NKM-6B ,3500 ,4810 60,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,2500 2,2924 1,5141 4<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-6A ,9667 1,3887 ,6510 ,7830<br />
KM-6B ,9167 1,2980 ,7093 ,7554<br />
NKM-6A ,9667 1,3548 ,6911 ,7650<br />
NKM-6B ,9000 1,4136 ,5661 ,8219<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 4<br />
Alpha = ,8271<br />
265
Anhang III<br />
Tabelle III-6: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 3.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. NKM-1 ,3167 ,4691 60,0<br />
2. NKM-3 ,2500 ,4367 60,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE ,5667 ,5887 ,7673 2<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
NKM-1 ,2500 ,1907 ,4344 .<br />
NKM-3 ,3167 ,2201 ,4344 .<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 2<br />
Alpha = ,6046<br />
Tabelle III-7: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 4.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. KM-5 ,5333 ,5031 60,0<br />
2. NKM-5 ,5500 ,5017 60,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,0833 ,6540 ,8087 2<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-5 ,5500 ,2517 ,2955 .<br />
NKM-5 ,5333 ,2531 ,2955 .<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 2<br />
Alpha = ,4562<br />
Tabelle III-8: Ergebnisse der auf drei Faktoren beschränkten Faktoranalyse mit allen 14 Items des Ferntransfertest<br />
im Nachtest.<br />
Kommunalitäten<br />
Anfänglich<br />
Extraktion<br />
KM-1 1,000 ,543<br />
KM-2 1,000 ,795<br />
KM-3 1,000 ,465<br />
KM-4 1,000 ,767<br />
KM-5 1,000 ,458<br />
KM-6A 1,000 ,772<br />
KM-6B 1,000 ,744<br />
NKM-1 1,000 ,636<br />
NKM-2 1,000 ,811<br />
NKM-3 1,000 ,338<br />
NKM-4 1,000 ,717<br />
NKM-5 1,000 ,597<br />
NKM-6A 1,000 ,729<br />
NKM-6B 1,000 ,666<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
266
Erklärte Gesamtvarianz<br />
Komponente<br />
Gesamt<br />
Anfängliche Eigenwerte<br />
% der<br />
Varianz<br />
Kumulierte %<br />
Anhang III<br />
Summen von quadrierten Faktorladungen<br />
für Extraktion<br />
Gesamt<br />
% der<br />
Varianz<br />
Kumulierte % Gesamt<br />
Rotierte Summe der<br />
quadrierten Ladungen<br />
% der<br />
Varianz<br />
Kumulierte %<br />
1 5,815 41,536 41,536 5,815 41,536 41,536 4,192 29,940 29,940<br />
2 1,949 13,918 55,454 1,949 13,918 55,454 2,742 19,585 49,526<br />
3 1,275 9,106 64,560 1,275 9,106 64,560 2,105 15,034 64,560<br />
4 1,172 8,370 72,931<br />
5 ,817 5,838 78,768<br />
6 ,686 4,897 83,665<br />
7 ,551 3,933 87,598<br />
8 ,414 2,959 90,557<br />
9 ,384 2,742 93,299<br />
10 ,324 2,317 95,616<br />
11 ,216 1,546 97,162<br />
12 ,161 1,150 98,312<br />
13 ,131 ,938 99,251<br />
14 ,105 ,749 100,000<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
Rotierte Komponentenmatrix<br />
Komponente<br />
1 2 3<br />
KM-1 ,725 -5,992E-02 ,117<br />
KM-2 ,824 ,317 ,126<br />
KM-3 ,626 ,270 3,365E-02<br />
KM-4 ,829 ,104 ,264<br />
KM-5 ,446 -,379 ,340<br />
KM-6A -2,179E-02 ,669 ,569<br />
KM-6B ,110 ,666 ,537<br />
NKM-1 ,453 ,400 ,520<br />
NKM-2 ,816 ,366 ,101<br />
NKM-3 ,191 2,506E-02 ,549<br />
NKM-4 ,773 9,659E-02 ,332<br />
NKM-5 ,128 5,166E-02 ,760<br />
NKM-6A ,214 ,824 6,451E-02<br />
NKM-6B ,359 ,731 -5,850E-02<br />
Extraktionsmethode: Hauptkomponentenanalyse. Rotationsmethode: Varimax mit Kaiser-Normalisierung.<br />
a Die Rotation ist in 7 Iterationen konvergiert.<br />
Tabelle III-9: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 1b.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 3,7167 6,9184 2,6303 7<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-1 3,2167 5,2573 ,6084 ,8648<br />
KM-2 3,1833 4,8980 ,7936 ,8399<br />
KM-3 3,0000 5,4915 ,5730 ,8686<br />
KM-4 3,2833 4,9184 ,7897 ,8406<br />
KM-5 3,1833 5,8133 ,3512 ,8966<br />
NKM-2 3,1833 4,9319 ,7757 ,8424<br />
NKM-4 3,2500 5,0042 ,7379 ,8476<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 7<br />
Alpha = ,8761<br />
267
Anhang III<br />
Tabelle III-10: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 3b.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,1167 1,1218 1,0591 3<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
NKM-1 ,8000 ,5356 ,5332 ,3481<br />
NKM-3 ,8667 ,6599 ,3823 ,5702<br />
NKM-5 ,5667 ,5887 ,3655 ,6046<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 3<br />
Alpha = ,6142<br />
Tabelle III-11: Ergebnisse der explorativen Faktoranalyse mit 10 Items des Ferntransfertest (ohne Füllitems) im<br />
Nachtest.<br />
Kommunalitäten<br />
Anfänglich<br />
Extraktion<br />
KM-1 1,000 ,682<br />
KM-3 1,000 ,561<br />
KM-5 1,000 ,715<br />
KM-6A 1,000 ,709<br />
KM-6B 1,000 ,701<br />
NKM-1 1,000 ,638<br />
NKM-3 1,000 ,535<br />
NKM-5 1,000 ,510<br />
NKM-6A 1,000 ,759<br />
NKM-6B 1,000 ,708<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
Erklärte Gesamtvarianz<br />
Anfängliche Eigenwerte<br />
Komponente Gesamt % der Varianz Kumulierte % Gesamt<br />
Summen von quadrierten Faktorladungen<br />
für Extraktion<br />
% der<br />
Varianz<br />
Kumulierte %<br />
Gesamt<br />
Rotierte Summe der<br />
quadrierten Ladungen<br />
% der<br />
Varianz<br />
Kumulierte<br />
%<br />
1 3,716 37,164 37,164 3,716 37,164 37,164 2,738 27,383 27,383<br />
2 1,599 15,993 53,157 1,599 15,993 53,157 1,944 19,438 46,820<br />
3 1,202 12,022 65,179 1,202 12,022 65,179 1,836 18,358 65,179<br />
4 ,997 9,970 75,149<br />
5 ,712 7,120 82,269<br />
6 ,558 5,578 87,847<br />
7 ,417 4,174 92,022<br />
8 ,382 3,815 95,837<br />
9 ,282 2,819 98,656<br />
10 ,134 1,344 100,000<br />
Extraktionsmethode: Hauptkomponentenanalyse.<br />
268
Rotierte Komponentenmatrix<br />
Anhang III<br />
Komponente<br />
1 2 3<br />
KM-1 ,161 8,940E-02 ,805<br />
KM-3 ,440 1,699E-02 ,607<br />
KM-5 -,182 ,168 ,808<br />
KM-6A ,629 ,550 -,101<br />
KM-6B ,673 ,498 1,309E-02<br />
NKM-1 ,447 ,615 ,245<br />
NKM-3 -3,575E-02 ,730 -8,933E-03<br />
NKM-5 9,882E-02 ,658 ,259<br />
NKM-6A ,862 ,101 7,220E-02<br />
NKM-6B ,826 -4,127E-02 ,155<br />
Extraktionsmethode: Hauptkomponentenanalyse. Rotationsmethode: Varimax mit Kaiser-Normalisierung.<br />
a Die Rotation ist in 6 Iterationen konvergiert.<br />
Tabelle III-12: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 1c.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,7500 1,2754 1,1293 3<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-1 1,2500 ,5975 ,5436 ,4615<br />
KM-3 1,0333 ,7446 ,4135 ,6373<br />
KM-5 1,2167 ,6472 ,4634 ,5762<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 3<br />
Alpha = ,6605<br />
Tabelle III-13: Itemkennwerte für die Skala des Tests Ferntransfertest nach Faktor 2c getrennt nach Mapping.<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE ,6167 ,7828 ,8847 2<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KM-6A ,3333 ,2260 ,8108 .<br />
KM-6B ,2833 ,2065 ,8108 .<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 2<br />
Alpha = ,8950<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE ,6333 ,7446 ,8629 2<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
NKM-6A ,3500 ,2314 ,7018 .<br />
NKM-6B ,2833 ,2065 ,7018 .<br />
Reliability Coefficients<br />
N of Cases = 60,0 N of Items = 2<br />
Alpha = ,8240<br />
269
Anhang III<br />
Tabelle III-14: Ergebnisse der multivariaten Varianzanalyse mit den between-subjects-Faktoren Bedingung<br />
(struktureller Kontrast, inhaltlicher Kontrast, kombinierter Kontrast, Kontrolle), Reihenfolge (konventionell zu<br />
erst, nicht-konventionell zuerst) und Inhalt (Set 1, Set2) für die abhängige Variablen Lerngewinn konventionelle<br />
Multiple-Choice-Aufgaben, Lerngewinn nicht-konventionelle Multiple-Choice-Aufgaben und Lerngewinn offene<br />
Aufgaben.<br />
Multivariate Tests<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,565 18,153 3,000 42,000 ,000 ,565<br />
Wilks-Lambda ,435 18,153 3,000 42,000 ,000 ,565<br />
Hotelling-Spur 1,297 18,153 3,000 42,000 ,000 ,565<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
1,297 18,153 3,000 42,000 ,000 ,565<br />
Bedingung Pillai-Spur ,234 1,238 9,000 132,000 ,277 ,078<br />
Wilks-Lambda ,782 1,208 9,000 102,368 ,299 ,079<br />
Hotelling-Spur ,259 1,168 9,000 122,000 ,321 ,079<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,143 2,102 3,000 44,000 ,114 ,125<br />
Reihenfolge Pillai-Spur ,122 1,949 3,000 42,000 ,136 ,122<br />
Wilks-Lambda ,878 1,949 3,000 42,000 ,136 ,122<br />
Hotelling-Spur ,139 1,949 3,000 42,000 ,136 ,122<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,139 1,949 3,000 42,000 ,136 ,122<br />
Inhalt Pillai-Spur ,021 ,307 3,000 42,000 ,820 ,021<br />
Wilks-Lambda ,979 ,307 3,000 42,000 ,820 ,021<br />
Hotelling-Spur ,022 ,307 3,000 42,000 ,820 ,021<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,022 ,307 3,000 42,000 ,820 ,021<br />
Bedingung *<br />
Pillai-Spur ,085 ,428 9,000 132,000 ,918 ,028<br />
Reihenfolge Wilks-Lambda ,917 ,413 9,000 102,368 ,926 ,029<br />
Hotelling-Spur ,089 ,401 9,000 122,000 ,933 ,029<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,047 ,694 3,000 44,000 ,561 ,045<br />
Bedingung * Inhalt Pillai-Spur ,079 ,395 9,000 132,000 ,935 ,026<br />
Wilks-Lambda ,923 ,381 9,000 102,368 ,942 ,026<br />
Hotelling-Spur ,082 ,369 9,000 122,000 ,948 ,026<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,048 ,702 3,000 44,000 ,556 ,046<br />
Reihenfolge * Inhalt Pillai-Spur ,042 ,616 3,000 42,000 ,608 ,042<br />
Wilks-Lambda ,958 ,616 3,000 42,000 ,608 ,042<br />
Hotelling-Spur ,044 ,616 3,000 42,000 ,608 ,042<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,044 ,616 3,000 42,000 ,608 ,042<br />
Bedingung *<br />
Pillai-Spur ,184 ,959 9,000 132,000 ,477 ,061<br />
Reihenfolge * Inhalt Wilks-Lambda ,822 ,953 9,000 102,368 ,483 ,063<br />
Hotelling-Spur ,209 ,943 9,000 122,000 ,490 ,065<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
,166 2,439 3,000 44,000 ,077 ,143<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung+Reihenfolge+Inhalt+ Bedingung * Reihenfolge + Bedingung * Inhalt + Reihenfolge * Inhalt + Bedingung *<br />
Reihenfolge * Inhalt<br />
270
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige<br />
Variable<br />
Anhang III<br />
Quadratsumme<br />
vom Typ I<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Gewinn konventionell Multiple Choice 18,733 15 1,249 1,085 ,397 ,270<br />
Modell Gewinn unkonventionell Multiple Choice 8,983 15 ,599 ,680 ,789 ,188<br />
Gewinn offene Items 14,317 15 ,954 ,454 ,951 ,134<br />
Intercept Gewinn konventionell Multiple Choice 48,600 1 48,600 42,205 ,000 ,490<br />
Gewinn unkonventionell Multiple Choice 4,267 1 4,267 4,845 ,033 ,099<br />
Gewinn offene Items 11,267 1 11,267 5,364 ,025 ,109<br />
Bedingung Gewinn konventionell Multiple Choice 7,133 3 2,378 2,065 ,119 ,123<br />
Gewinn unkonventionell Multiple Choice 1,733 3 ,578 ,656 ,583 ,043<br />
Gewinn offene Items 5,533 3 1,844 ,878 ,460 ,056<br />
Reihenfolge Gewinn konventionell Multiple Choice 3,536 1 3,536 3,071 ,087 ,065<br />
Gewinn unkonventionell Multiple Choice 1,674 1 1,674 1,901 ,175 ,041<br />
Gewinn offene Items ,430 1 ,430 ,205 ,653 ,005<br />
Inhalt Gewinn konventionell Multiple Choice ,742 1 ,742 ,644 ,427 ,014<br />
Gewinn unkonventionell Multiple Choice ,127 1 ,127 ,145 ,705 ,003<br />
Gewinn offene Items ,163 1 ,163 ,077 ,782 ,002<br />
Bedingung * Gewinn konventionell Multiple Choice 1,535 3 ,512 ,444 ,723 ,029<br />
Reihenfolge Gewinn unkonventionell Multiple Choice 1,280 3 ,427 ,484 ,695 ,032<br />
Gewinn offene Items 1,281 3 ,427 ,203 ,894 ,014<br />
Bedingung * Gewinn konventionell Multiple Choice 1,031 3 ,344 ,299 ,826 ,020<br />
Inhalt Gewinn unkonventionell Multiple Choice ,534 3 ,178 ,202 ,894 ,014<br />
Gewinn offene Items 4,404 3 1,468 ,699 ,558 ,045<br />
Reihenfolge * Gewinn konventionell Multiple Choice 1,641 1 1,641 1,425 ,239 ,031<br />
Inhalt Gewinn unkonventionell Multiple Choice ,130 1 ,130 ,147 ,703 ,003<br />
Gewinn offene Items 7,853E-02 1 7,853E-02 ,037 ,848 ,001<br />
Bedingung * Gewinn konventionell Multiple Choice 3,115 3 1,038 ,902 ,448 ,058<br />
Reihenfolge * Gewinn unkonventionell Multiple Choice 3,505 3 1,168 1,327 ,278 ,083<br />
Inhalt Gewinn offene Items 2,428 3 ,809 ,385 ,764 ,026<br />
Fehler Gewinn konventionell Multiple Choice 50,667 44 1,152<br />
Gewinn unkonventionell Multiple Choice 38,750 44 ,881<br />
Gewinn offene Items 92,417 44 2,100<br />
Gesamt Gewinn konventionell Multiple Choice 118,000 60<br />
Gewinn unkonventionell Multiple Choice 52,000 60<br />
Gewinn offene Items 118,000 60<br />
Korrigierte Gewinn konventionell Multiple Choice 69,400 59<br />
Gesamtvariation Gewinn unkonventionell Multiple Choice 47,733 59<br />
Gewinn offene Items 106,733 59<br />
a R-Quadrat = ,270 (korrigiertes R-Quadrat = ,021)<br />
b R-Quadrat = ,188 (korrigiertes R-Quadrat = -,089)<br />
c R-Quadrat = ,134 (korrigiertes R-Quadrat = -,161)<br />
271
Anhang III<br />
Tabelle III-15: Itemkennwerte für die Skala des Kontrolltest Basis<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. KT-BA-1 ,7000 ,4608 90,0<br />
2. KT-BA-2 ,7444 ,4386 90,0<br />
3. KT-BA-3 ,4556 ,5008 90,0<br />
4. KT-BA-4 ,5889 ,4948 90,0<br />
5. KT-BA-5 ,6778 ,4699 90,0<br />
6. KT-BA-6 ,4667 ,5017 90,0<br />
7. KT-BA-7a ,6778 ,4699 90,0<br />
8. KT-BA-7b ,3889 ,4902 90,0<br />
9. KT-BA-8 ,4778 ,5023 90,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 5,1778 10,5298 3,2450 9<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KT-BA-1 4,4778 8,9714 ,4876 ,9041<br />
KT-BA-2 4,4333 9,0573 ,4849 ,9039<br />
KT-BA-3 4,7222 8,0231 ,7952 ,8814<br />
KT-BA-4 4,5889 8,2448 ,7180 ,8876<br />
KT-BA-5 4,5000 8,7697 ,5530 ,8997<br />
KT-BA-6 4,7111 8,0729 ,7735 ,8831<br />
KT-BA-7a 4,5000 8,2978 ,7429 ,8859<br />
KT-BA-7b 4,7889 8,2583 ,7209 ,8874<br />
KT-BA-8 4,7000 8,1000 ,7616 ,8841<br />
Reliability Coefficients<br />
N of Cases = 90,0 N of Items = 9<br />
Alpha = ,9021<br />
Tabelle III-16: Itemkennwerte für die Skala des Kontrolltest Kontrast<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. KT-KON-1a ,4667 ,5017 90,0<br />
2. KT-KON-1b ,3556 ,4814 90,0<br />
3. KT-KON-2 ,4778 ,5023 90,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,3000 1,5831 1,2582 3<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
KT-KON-1a ,8333 ,7697 ,6382 ,7423<br />
KT-KON-1b ,9444 ,7722 ,6847 ,6946<br />
KT-KON-2 ,8222 ,7770 ,6254 ,7558<br />
Reliability Coefficients<br />
N of Cases = 90,0 N of Items = 3<br />
Alpha = ,8029<br />
272
Anhang III<br />
Tabelle III-17: Itemkennwerte für die Skala des Tests Proportionales Denken im Vortest 53<br />
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)<br />
Mean Std Dev Cases<br />
1. PD-1 ,4286 ,4972 105,0<br />
2. PD-2 ,3333 ,4737 105,0<br />
3. PD-3 ,1714 ,3787 105,0<br />
4. PD-4 ,3619 ,4829 105,0<br />
N of<br />
Statistics for Mean Variance Std Dev Variables<br />
SCALE 1,2952 1,3255 1,1513 4<br />
Item-total Statistics<br />
Scale Scale Corrected<br />
Mean Variance Item- Alpha<br />
if Item if Item Total if Item<br />
Deleted Deleted Correlation Deleted<br />
PD-1 ,8667 ,9051 ,1829 ,5041<br />
PD-2 ,9619 ,7870 ,3738 ,3110<br />
PD-3 1,1238 ,9749 ,2770 ,4156<br />
PD-4 ,9333 ,8321 ,2954 ,3913<br />
Reliability Coefficients<br />
N of Cases = 105,0 N of Items = 4<br />
Alpha = ,4801<br />
53 Da für Items nur Kodierung gelöst/nicht gelöst verwendet wurde, entspricht der Mittelwert eines Items der<br />
prozentualen Lösungshäufigkeit/ 100 bzw. der Schwierigkeit des Items.<br />
273
Anhang IV<br />
Anhang IV - Voranalysen <strong>zur</strong> Vergleichbarkeit der Stichproben<br />
IV-I Trainingsgruppen im Vergleich <strong>zur</strong> Baseline-Gruppe<br />
Tabelle IV-1: Ergebnisse der multivariaten Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängigen Variablen Proportionales Denken, Nahtransfer und Ferntransfer im Vortest.<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,035 1,197 3,000 98,000 ,315 ,035<br />
Wilks-Lambda ,965 1,197 3,000 98,000 ,315 ,035<br />
Hotelling-Spur ,037 1,197 3,000 98,000 ,315 ,035<br />
Größte charakteristische Wurzel nach Roy ,037 1,197 3,000 98,000 ,315 ,035<br />
Bedingung Pillai-Spur ,260 2,370 12,000 300,000 ,006 ,087<br />
Wilks-Lambda ,752 2,465 12,000 259,575 ,005 ,091<br />
Hotelling-Spur ,315 2,541 12,000 290,000 ,003 ,095<br />
Größte charakteristische Wurzel nach Roy ,259 6,484 4,000 100,000 ,000 ,206<br />
Quelle<br />
274<br />
Abhängige Variable<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Proportionales Denken 3,071 4 ,768 ,761 ,553 ,030<br />
Korrigiertes Modell<br />
Vortest Nahtransfer 11,151 4 2,788 3,003 ,022 ,107<br />
Vortest Ferntransfer 20,533 4 5,133 6,150 ,000 ,197<br />
Intercept Proportionales Denken ,204 1 ,204 ,202 ,654 ,002<br />
Vortest Nahtransfer 1,785 1 1,785 1,923 ,169 ,019<br />
Vortest Ferntransfer 2,666 1 2,666 3,194 ,077 ,031<br />
Bedingung Proportionales Denken 3,071 4 ,768 ,761 ,553 ,030<br />
Vortest Nahtransfer 11,151 4 2,788 3,003 ,022 ,107<br />
Vortest Ferntransfer 20,533 4 5,133 6,150 ,000 ,197<br />
Fehler Proportionales Denken 100,929 100 1,009<br />
Vortest Nahtransfer 92,849 100 ,928<br />
Vortest Ferntransfer 83,467 100 ,835<br />
Gesamt Proportionales Denken 104,000 105<br />
Vortest Nahtransfer 104,000 105<br />
Vortest Ferntransfer 104,000 105<br />
Korrigierte Proportionales Denken 104,000 104<br />
Gesamtvariation Vortest Nahtransfer 104,000 104<br />
Vortest Ferntransfer 104,000 104<br />
a R-Quadrat = ,030 (korrigiertes R-Quadrat = -,009) b R-Quadrat = ,107 (korrigiertes R-Quadrat = ,072) c R-Quadrat = ,197 (korrigiertes<br />
R-Quadrat = ,165)<br />
Tabelle IV-2: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängigen<br />
Variablen Proportionales Denken, Nahtransfer und Ferntransfer im Vortest.<br />
Abhängige Variable<br />
Bedingung Prop. Denken Nahtransfer Ferntransfer<br />
Struktureller Kontrast Kontrastschätzer 9,651E-02 ,657 ,577<br />
gegen Baseline-Gruppe Hypothesenwert 0 0 0<br />
Differenz (Schätzung - Hypothesen) 9,651E-02 ,657 ,577<br />
Standardfehler ,300 ,287 ,272<br />
Signifikanz ,748 ,024 ,037<br />
95% Konfidenzintervall<br />
Untergrenze -,498 8,656E-02 3,631E-02<br />
für die Differenz Obergrenze ,691 1,226 1,117<br />
Kombinierter Kontrast Kontrastschätzer ,502 ,544 1,160<br />
gegen Baseline-Gruppe Hypothesenwert 0 0 0<br />
Differenz (Schätzung - Hypothesen) ,502 ,544 1,160<br />
Standardfehler ,300 ,287 ,272<br />
Signifikanz ,097 ,061 ,000<br />
95% Konfidenzintervall<br />
Untergrenze -9,239E-02 -2,598E-02 ,620<br />
für die Differenz Obergrenze 1,096 1,114 1,701<br />
Fortsetzung der Tabelle auf der Folgeseite
Anhang IV<br />
Abhängige Variable<br />
Bedingung Prop. Denken Nahtransfer Ferntransfer<br />
Inhaltlicher Kontrast Kontrastschätzer ,212 ,488 ,396<br />
gegen Baseline-Gruppe Hypothesenwert 0 0 0<br />
Differenz (Schätzung - Hypothesen) ,212 ,488 ,396<br />
Standardfehler ,300 ,287 ,272<br />
Signifikanz ,480 ,093 ,149<br />
95% Konfidenzintervall<br />
Untergrenze -,382 -8,226E-02 -,145<br />
für die Differenz Obergrenze ,807 1,058 ,936<br />
Kontrollgruppe gegen Kontrastschätzer 3,860E-02 ,825 ,939<br />
Baseline-Gruppe Hypothesenwert 0 0 0<br />
Differenz (Schätzung - Hypothesen) 3,860E-02 ,825 ,939<br />
Standardfehler ,300 ,287 ,272<br />
Signifikanz ,898 ,005 ,001<br />
95% Konfidenzintervall<br />
Untergrenze -,556 ,255 ,398<br />
für die Differenz Obergrenze ,633 1,395 1,479<br />
Tabelle IV-3: Ergebnisse der einfaktoriellen Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängige Variablen Graphenverständnis im Vortest.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 18,969 4 4,742 5,577 ,000 ,182<br />
Konstanter Term 2,886 1 2,886 3,394 ,068 ,033<br />
Bedingung 18,969 4 4,742 5,577 ,000 ,182<br />
Fehler 85,031 100 ,850<br />
Gesamt 104,000 105<br />
Korrigierte Gesamtvariation 104,000 104<br />
a R-Quadrat = ,182 (korrigiertes R-Quadrat = ,150)<br />
Tabelle IV-4: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängige<br />
Variable Graphenverständnis im Vortest.<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Einfacher Kontrast<br />
Vortest Graphenverständnis<br />
Struktureller Kontrast<br />
Kontrastschätzer ,706<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,706<br />
Standardfehler ,275<br />
Signifikanz ,012<br />
95% Konfidenzintervall für die Differenz Untergrenze ,160<br />
Obergrenze 1,251<br />
Kombinierter Kontrast<br />
Kontrastschätzer ,975<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,975<br />
Standardfehler ,275<br />
Signifikanz ,001<br />
95% Konfidenzintervall für die Differenz Untergrenze ,430<br />
Obergrenze 1,521<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer ,506<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,506<br />
Standardfehler ,275<br />
Signifikanz ,069<br />
95% Konfidenzintervall für die Differenz Untergrenze -3,993E-02<br />
Obergrenze 1,051<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
275
Anhang IV<br />
Abhängige Variable<br />
Einfacher Kontrast<br />
Vortest Graphenverständnis<br />
Kontrollgruppe gegen<br />
Kontrastschätzer 1,010<br />
Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,010<br />
Standardfehler ,275<br />
Signifikanz ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze ,464<br />
Obergrenze 1,555<br />
Tabelle IV-5: Ergebnisse des Chi-Quadrat-Tests mit dem vierfach abgestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die Verteilung auf dem Test<br />
Graphenverständnis im Vortest.<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz<br />
(2-seitig)<br />
Exakte<br />
Signifikanz<br />
(2-seitig)<br />
Exakte<br />
Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 10,396 6 ,109 ,110<br />
Likelihood-Quotient 10,638 6 ,100 ,148<br />
Exakter Test nach Fisher 7,649 ,223<br />
Zusammenhang linear-mit-linear ,286 1 ,593 ,659 ,329 ,061<br />
Anzahl der gültigen Fälle 60<br />
a 4 Zellen (33,3%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 1,25.<br />
b Die standardisierte Statistik ist ,535.<br />
Tabelle IV-6: Ergebnisse der multivariaten Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängigen Variablen Proportionales Denken und Graphenverständnis im Vortest für die reduzierte Stichprobe.<br />
Multivariate Tests<br />
Effekt Wert F<br />
276<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,801 86,461 2,000 43,000 ,000 ,801<br />
Wilks-Lambda ,199 86,461 2,000 43,000 ,000 ,801<br />
Hotelling-Spur 4,021 86,461 2,000 43,000 ,000 ,801<br />
Größte charakteristische<br />
Wurzel nach Roy<br />
4,021 86,461 2,000 43,000 ,000 ,801<br />
Bedingung Pillai-Spur ,116 ,677 8,000 88,000 ,711 ,058<br />
Wilks-Lambda ,887 ,666 8,000 86,000 ,720 ,058<br />
Hotelling-Spur ,125 ,655 8,000 84,000 ,730 ,059<br />
Größte charakteristische Wurzel nach Roy ,091 1,004 4,000 44,000 ,416 ,084<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige<br />
Variable<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell Proportionales Denken 1,599 4 ,400 ,656 ,626 ,056<br />
Vortest Graphenverständnis ,104 4 2,589E-02 ,623 ,648 ,054<br />
Intercept Proportionales Denken 3,978 1 3,978 6,526 ,014 ,129<br />
Vortest Graphenverständnis 6,537 1 6,537 157,330 ,000 ,781<br />
Bedingung Proportionales Denken 1,599 4 ,400 ,656 ,626 ,056<br />
Vortest<br />
Graphenverständnis<br />
,104 4 2,589E-02 ,623 ,648 ,054<br />
Fehler Proportionales Denken 26,824 44 ,610<br />
Vortest Graphenverständnis 1,828 44 4,155E-02<br />
Gesamt Proportionales Denken 33,674 49<br />
Vortest Graphenverständnis 10,425 49<br />
Korrigierte Gesamtvariation<br />
Proportionales Denken 28,423 48<br />
Vortest Graphenverständnis 1,932 48<br />
a R-Quadrat = ,056 (korrigiertes R-Quadrat = -,030) b R-Quadrat = ,054 (korrigiertes R-Quadrat = -,032)
Anhang IV<br />
Tabelle IV-7: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängigen<br />
Variablen Proportionales Denken und Graphenverständnis im Vortest für die reduzierte Stichprobe.<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Vortest Graphenverständnis<br />
Proportionales Denken<br />
Struktureller Kontrast Kontrastschätzer -5,460E-02 3,242E-02<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -5,460E-02 3,242E-02<br />
Standardfehler ,334 ,087<br />
Signifikanz ,871 ,712<br />
95% Konfidenzintervall für die Differenz Untergrenze -,727 -,143<br />
Obergrenze ,618 ,208<br />
Kombinierter Kontrast Kontrastschätzer ,194 -1,192E-02<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) ,194 -1,192E-02<br />
Standardfehler ,334 ,087<br />
Signifikanz ,565 ,892<br />
95% Konfidenzintervall für die Differenz Untergrenze -,479 -,188<br />
Obergrenze ,866 ,164<br />
Inhaltlicher Kontrast Kontrastschätzer ,243 -8,700E-02<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) ,243 -8,700E-02<br />
Standardfehler ,383 ,100<br />
Signifikanz ,528 ,388<br />
95% Konfidenzintervall für die Differenz Untergrenze -,528 -,288<br />
Obergrenze 1,014 ,114<br />
Kontrollgruppe Kontrastschätzer -,452 -,122<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -,452 -,122<br />
Standardfehler ,383 ,100<br />
Signifikanz ,244 ,230<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,223 -,323<br />
Obergrenze ,319 7,971E-02<br />
Tabelle IV-8: Ergebnisse der einfaktoriellen Varianzanalysen mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängigen Variablen Nahtransfer und Ferntransfer im Vortest für die reduzierte Stichprobe.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige Variable<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell Vortest Nahtransfer ,259 4 6,485E-02 ,355 ,839 ,031<br />
Vortest Ferntransfer ,520 4 ,130 1,102 ,367 ,091<br />
Intercept Vortest Nahtransfer 4,025 1 4,025 22,058 ,000 ,334<br />
Vortest Ferntransfer 6,059 1 6,059 51,373 ,000 ,539<br />
Bedingung Vortest Nahtransfer ,259 4 6,485E-02 ,355 ,839 ,031<br />
Vortest Ferntransfer ,520 4 ,130 1,102 ,367 ,091<br />
Fehler Vortest Nahtransfer 8,029 44 ,182<br />
Vortest Ferntransfer 5,189 44 ,118<br />
Gesamt Vortest Nahtransfer 13,035 49<br />
Vortest Ferntransfer 14,202 49<br />
Vortest Nahtransfer 8,288 48<br />
Korrigierte Gesamtvariation<br />
Vortest Ferntransfer 5,709 48<br />
a R-Quadrat = ,031 (korrigiertes R-Quadrat = -,057)<br />
b R-Quadrat = ,091 (korrigiertes R-Quadrat = ,008)<br />
277
Anhang IV<br />
Tabelle IV-9: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängigen<br />
Variablen Nahtransfer und Ferntransfer im Vortest für die reduzierte Stichprobe.<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Vortest Vortest<br />
Nahtransfer Ferntransfer<br />
Struktureller Kontrast Kontrastschätzer -9,165E-02 ,148<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -9,165E-02 ,148<br />
Standardfehler ,183 ,147<br />
Signifikanz ,618 ,318<br />
95% Konfidenzintervall für die Differenz Untergrenze -,460 -,148<br />
Obergrenze ,276 ,444<br />
Kombinierter Kontrast Kontrastschätzer -,212 ,191<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -,212 ,191<br />
Standardfehler ,183 ,147<br />
Signifikanz ,252 ,199<br />
95% Konfidenzintervall für die Differenz Untergrenze -,580 -,105<br />
Obergrenze ,156 ,487<br />
Inhaltlicher Kontrast Kontrastschätzer -6,753E-02 -8,449E-02<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -6,753E-02 -8,449E-02<br />
Standardfehler ,209 ,168<br />
Signifikanz ,748 ,618<br />
95% Konfidenzintervall für die Differenz Untergrenze -,489 -,424<br />
Obergrenze ,354 ,255<br />
Kontrollgruppe gegen Kontrastschätzer -6,753E-02 -,145<br />
Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) -6,753E-02 -,145<br />
Standardfehler ,209 ,168<br />
Signifikanz ,748 ,394<br />
95% Konfidenzintervall für die Differenz Untergrenze -,489 -,484<br />
Obergrenze ,354 ,194<br />
IV-II<br />
Vergleich der Trainingsgruppen untereinander<br />
Tabelle IV-10: Ergebnisse der multivariaten Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängigen<br />
Variablen Proportionales Denken, Nahtransfer und Ferntransfer im Vortest.<br />
Multivariate Tests<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,093 1,855 3,000 54,000 ,148 ,093<br />
Wilks-Lambda ,907 1,855 3,000 54,000 ,148 ,093<br />
Hotelling-Spur ,103 1,855 3,000 54,000 ,148 ,093<br />
Größte charakteristische Wurzel nach Roy ,103 1,855 3,000 54,000 ,148 ,093<br />
Bedingung Pillai-Spur ,143 ,937 9,000 168,000 ,495 ,048<br />
Wilks-Lambda ,861 ,927 9,000 131,572 ,504 ,049<br />
Hotelling-Spur ,156 ,914 9,000 158,000 ,514 ,050<br />
Größte charakteristische Wurzel nach Roy ,109 2,041 3,000 56,000 ,118 ,099<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung<br />
278
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige Variable<br />
Anhang IV<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell Proportionales Denken 1,911 3 ,637 ,578 ,632 ,030<br />
Vortest Nahtransfer ,998 3 ,333 ,231 ,875 ,012<br />
Vortest Ferntransfer 5,373 3 1,791 1,478 ,230 ,073<br />
Intercept Proportionales Denken ,497 1 ,497 ,450 ,505 ,008<br />
Vortest Nahtransfer 4,352 1 4,352 3,021 ,088 ,051<br />
Vortest Ferntransfer 6,497 1 6,497 5,364 ,024 ,087<br />
Bedingung Proportionales Denken 1,911 3 ,637 ,578 ,632 ,030<br />
Vortest Nahtransfer ,998 3 ,333 ,231 ,875 ,012<br />
Vortest Ferntransfer 5,373 3 1,791 1,478 ,230 ,073<br />
Fehler Proportionales Denken 61,765 56 1,103<br />
Vortest Nahtransfer 80,657 56 1,440<br />
Vortest Ferntransfer 67,836 56 1,211<br />
Gesamt Proportionales Denken 64,173 60<br />
Vortest Nahtransfer 86,006 60<br />
Vortest Ferntransfer 79,706 60<br />
Korrigierte Gesamtvariation<br />
Proportionales Denken 63,676 59<br />
Vortest Nahtransfer 81,654 59<br />
Vortest Ferntransfer 73,209 59<br />
a R-Quadrat = ,030 (korrigiertes R-Quadrat = -,022)<br />
b R-Quadrat = ,012 (korrigiertes R-Quadrat = -,041)<br />
c R-Quadrat = ,073 (korrigiertes R-Quadrat = ,024)<br />
IV-III Kontrollanalyse zum Verständnis der Trainingsteile<br />
Tabelle IV-11: Ergebnisse der multivariaten Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängigen Variablen Kontrolltest Basisteil und Kontrolltest Kontrastteil.<br />
Multivariate Tests<br />
Effekt Wert F Hypothese df Fehler df<br />
Signifikanz<br />
Partielles Eta-<br />
Quadrat<br />
Intercept Pillai-Spur ,938 637,263 2,000 84,000 ,000 ,938<br />
Wilks-Lambda ,062 637,263 2,000 84,000 ,000 ,938<br />
Hotelling-Spur 15,173 637,263 2,000 84,000 ,000 ,938<br />
Größte charakteristische Wurzel nach Roy 15,173 637,263 2,000 84,000 ,000 ,938<br />
Bedingung Pillai-Spur ,800 14,173 8,000 170,000 ,000 ,400<br />
Wilks-Lambda ,204 25,534 8,000 168,000 ,000 ,549<br />
Hotelling-Spur 3,891 40,373 8,000 166,000 ,000 ,661<br />
Größte charakteristische Wurzel nach Roy 3,886 82,588 4,000 85,000 ,000 ,795<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige Variable<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell Kontrolltest Basisteil 89056,740 4 22264,185 71,034 ,000 ,770<br />
Kontrolltest Kontrastteil 102815,937 4 25703,984 40,656 ,000 ,657<br />
Intercept Kontrolltest Basisteil 385545,188 1 385545,188 1230,087 ,000 ,935<br />
Kontrolltest Kontrastteil 267686,211 1 267686,211 423,400 ,000 ,833<br />
Bedingung Kontrolltest Basisteil 89056,740 4 22264,185 71,034 ,000 ,770<br />
Kontrolltest Kontrastteil 102815,937 4 25703,984 40,656 ,000 ,657<br />
Fehler Kontrolltest Basisteil 26641,476 85 313,429<br />
Kontrolltest Kontrastteil 53739,618 85 632,231<br />
Gesamt Kontrolltest Basisteil 413580,247 90<br />
Kontrolltest Kontrastteil 325555,556 90<br />
Korrigierte Gesamtvariation<br />
Kontrolltest Basisteil 115698,217 89<br />
Kontrolltest Kontrastteil 156555,556 89<br />
a R-Quadrat = ,770 (korrigiertes R-Quadrat = ,759)<br />
b R-Quadrat = ,657 (korrigiertes R-Quadrat = ,641)<br />
279
Anhang IV<br />
Tabelle IV-12: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängigen<br />
Variablen Kontrolltest Basisteil und Kontrolltest Kontrastteil.<br />
Kontrastergebnisse (K-Matrix)<br />
Bedingung<br />
Kontrolltest<br />
Basisteil<br />
Abhängige Variable<br />
Kontrolltest<br />
Kontrastteil<br />
Struktureller Kontrast Kontrastschätzer 68,777 72,189<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 68,777 72,189<br />
Standardfehler 5,955 8,457<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 56,937 55,373<br />
Obergrenze 80,616 89,004<br />
Kombinierter Kontrast Kontrastschätzer 61,706 69,158<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 61,706 69,158<br />
Standardfehler 5,955 8,457<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 49,866 52,343<br />
Obergrenze 73,546 85,974<br />
Inhaltlicher Kontrast Kontrastschätzer 59,686 66,128<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 59,686 66,128<br />
Standardfehler 5,955 8,457<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 47,846 49,313<br />
Obergrenze 71,525 82,943<br />
Kontrollgruppe<br />
Kontrastschätzer 60,864 62,593<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 60,864 62,593<br />
Standardfehler 5,752 8,169<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 49,428 46,350<br />
Obergrenze 72,300 78,835<br />
Tabelle IV-13: Ergebnisse der multivariaten Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die<br />
abhängigen Variablen Kontrolltest Basisteil und Kontrolltest Kontrastteil für die reduzierte Stichprobe.<br />
Multivariate Tests<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,946 334,927 2,000 38,000 ,000 ,946<br />
Wilks-Lambda ,054 334,927 2,000 38,000 ,000 ,946<br />
Hotelling-Spur 17,628 334,927 2,000 38,000 ,000 ,946<br />
Größte charakteristische Wurzel nach Roy 17,628 334,927 2,000 38,000 ,000 ,946<br />
Bedingung Pillai-Spur ,874 7,567 8,000 78,000 ,000 ,437<br />
Wilks-Lambda ,157 14,477 8,000 76,000 ,000 ,604<br />
Hotelling-Spur 5,173 23,925 8,000 74,000 ,000 ,721<br />
Größte charakteristische Wurzel nach Roy 5,135 50,063 4,000 39,000 ,000 ,837<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung<br />
280
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige Variable<br />
Quadratsumme<br />
vom Typ III<br />
Anhang IV<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles Eta-<br />
Quadrat<br />
Korrigiertes Modell Kontrolltest Basisteil 40961,167 4 10240,292 41,073 ,000 ,808<br />
Kontrolltest Kontrastteil 52051,515 4 13012,879 26,805 ,000 ,733<br />
Intercept Kontrolltest Basisteil 161678,402 1 161678,402 648,479 ,000 ,943<br />
Kontrolltest Kontrastteil 112197,753 1 112197,753 231,112 ,000 ,856<br />
Bedingung Kontrolltest Basisteil 40961,167 4 10240,292 41,073 ,000 ,808<br />
Kontrolltest Kontrastteil 52051,515 4 13012,879 26,805 ,000 ,733<br />
Fehler Kontrolltest Basisteil 9723,457 39 249,319<br />
Kontrolltest Kontrastteil 18933,333 39 485,470<br />
Gesamt Kontrolltest Basisteil 176790,123 44<br />
Kontrolltest Kontrastteil 136666,667 44<br />
Korrigierte<br />
Kontrolltest Basisteil 50684,624 43<br />
Gesamtvariation Kontrolltest Kontrastteil 70984,848 43<br />
a R-Quadrat = ,808 (korrigiertes R-Quadrat = ,788)<br />
b R-Quadrat = ,733 (korrigiertes R-Quadrat = ,706)<br />
Tabelle IV-14: Ergebnisse der geplanten Kontraste für den fünffach gestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängigen<br />
Variablen Kontrolltest Basisteil und Kontrolltest Kontrastteil für die reduzierte Stichprobe.<br />
Kontrastergebnisse (K-Matrix)<br />
Bedingung<br />
Kontrolltest<br />
Basisteil<br />
Abhängige Variable<br />
Kontrolltest<br />
Kontrastteil<br />
Struktureller Kontrast Kontrastschätzer 66,222 84,000<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 66,222 84,000<br />
Standardfehler 7,735 10,794<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 50,576 62,167<br />
Obergrenze 81,869 105,833<br />
Kombinierter Kontrast Kontrastschätzer 55,111 57,333<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 55,111 57,333<br />
Standardfehler 7,735 10,794<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 39,465 35,500<br />
Obergrenze 70,757 79,166<br />
Inhaltlicher Kontrast Kontrastschätzer 66,222 70,667<br />
gegen Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 66,222 70,667<br />
Standardfehler 7,735 10,794<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 50,576 48,834<br />
Obergrenze 81,869 92,500<br />
Kontrollgruppe gegen Kontrastschätzer 56,222 57,333<br />
Baseline-Gruppe Hypothesenwert 0 0<br />
Differenz (Schätzung - Hypothesen) 56,222 57,333<br />
Standardfehler 8,503 11,865<br />
Signifikanz ,000 ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 39,023 33,333<br />
Obergrenze 73,421 81,333<br />
281
282<br />
Anhang IV<br />
Tabelle IV-15: Ergebnisse der multivariaten Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängigen<br />
Variablen Kontrolltest Basisteil und Kontrolltest Kontrastteil.<br />
Multivariate Tests<br />
Effekt Wert F Hypothese df Fehler df Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,974 747,126 2,000 40,000 ,000 ,974<br />
Wilks-Lambda ,026 747,126 2,000 40,000 ,000 ,974<br />
Hotelling-Spur 37,356 747,126 2,000 40,000 ,000 ,974<br />
Größte charakteristische Wurzel nach Roy 37,356 747,126 2,000 40,000 ,000 ,974<br />
Bedingung Pillai-Spur ,062 ,434 6,000 82,000 ,854 ,031<br />
Wilks-Lambda ,939 ,428 6,000 80,000 ,858 ,031<br />
Hotelling-Spur ,065 ,421 6,000 78,000 ,863 ,031<br />
Größte charakteristische Wurzel nach Roy ,058 ,798 3,000 41,000 ,502 ,055<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Bedingung<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Abhängige Variable<br />
Quadratsumme<br />
Mittel der<br />
Partielles<br />
df<br />
F Signifikanz<br />
vom Typ III<br />
Quadrate<br />
Eta-Quadrat<br />
Korrigiertes Kontrolltest Basisteil 557,426 3 185,809 ,796 ,503 ,055<br />
Modell Kontrolltest Kontrastteil 581,369 3 193,790 ,204 ,893 ,015<br />
Intercept Kontrolltest Basisteil 355387,524 1 355387,524 1523,191 ,000 ,974<br />
Kontrolltest Kontrastteil 267441,077 1 267441,077 280,986 ,000 ,873<br />
Bedingung Kontrolltest Basisteil 557,426 3 185,809 ,796 ,503 ,055<br />
Kontrolltest Kontrastteil 581,369 3 193,790 ,204 ,893 ,015<br />
Fehler Kontrolltest Basisteil 9566,031 41 233,318<br />
Kontrolltest Kontrastteil 39023,569 41 951,794<br />
Gesamt Kontrolltest Basisteil 365679,012 45<br />
Kontrolltest Kontrastteil 306666,667 45<br />
Korrigierte Kontrolltest Basisteil 10123,457 44<br />
Gesamtvariation Kontrolltest Kontrastteil 39604,938 44<br />
a R-Quadrat = ,055 (korrigiertes R-Quadrat = -,014)<br />
b R-Quadrat = ,015 (korrigiertes R-Quadrat = -,057)<br />
Mehrfachvergleiche Bonferroni<br />
95% Konfidenzintervall<br />
Abhängige<br />
Mittlere Standardfehler<br />
grenze grenze<br />
Unter- Ober-<br />
(I) Exp. Gruppe (J) Exp. Gruppe<br />
Signifikanz<br />
Variable<br />
Differenz (I-J)<br />
Kontrolltest Struktureller Kontrast Kombinierter Kontrast 7,0707 6,51317 1,000 -10,9861 25,1275<br />
Basisteil Inhaltlicher Kontrast 9,0909 6,51317 1,000 -8,9659 27,1477<br />
Kontrollgruppe 7,9125 6,37604 1,000 -9,7642 25,5891<br />
Kombinierter Kontrast Struktureller Kontrast -7,0707 6,51317 1,000 -25,1275 10,9861<br />
Inhaltlicher Kontrast 2,0202 6,51317 1,000 -16,0366 20,0770<br />
Kontrollgruppe ,8418 6,37604 1,000 -16,8349 18,5184<br />
Inhaltlicher Kontrast Struktureller Kontrast -9,0909 6,51317 1,000 -27,1477 8,9659<br />
Kombinierter Kontrast -2,0202 6,51317 1,000 -20,0770 16,0366<br />
Kontrollgruppe -1,1785 6,37604 1,000 -18,8551 16,4982<br />
Kontrollgruppe Struktureller Kontrast -7,9125 6,37604 1,000 -25,5891 9,7642<br />
Kombinierter Kontrast -,8418 6,37604 1,000 -18,5184 16,8349<br />
Inhaltlicher Kontrast 1,1785 6,37604 1,000 -16,4982 18,8551<br />
Kontrolltest Struktureller Kontrast Kombinierter Kontrast 3,0303 13,15498 1,000 -33,4400 39,5006<br />
Kontrastteil Inhaltlicher Kontrast 6,0606 13,15498 1,000 -30,4097 42,5309<br />
Kontrollgruppe 9,5960 12,87800 1,000 -26,1064 45,2983<br />
Kombinierter Kontrast Struktureller Kontrast -3,0303 13,15498 1,000 -39,5006 33,4400<br />
Inhaltlicher Kontrast 3,0303 13,15498 1,000 -33,4400 39,5006<br />
Kontrollgruppe 6,5657 12,87800 1,000 -29,1367 42,2680<br />
Inhaltlicher Kontrast Struktureller Kontrast -6,0606 13,15498 1,000 -42,5309 30,4097<br />
Kombinierter Kontrast -3,0303 13,15498 1,000 -39,5006 33,4400<br />
Kontrollgruppe 3,5354 12,87800 1,000 -32,1670 39,2377<br />
Kontrollgruppe Struktureller Kontrast -9,5960 12,87800 1,000 -45,2983 26,1064<br />
Kombinierter Kontrast -6,5657 12,87800 1,000 -42,2680 29,1367<br />
Inhaltlicher Kontrast -3,5354 12,87800 1,000 -39,2377 32,1670<br />
Basiert auf beobachteten Mittelwerten.
Anhang V<br />
Anhang V - Analyse der abhängigen Variablen (Nahtransfer)<br />
Tabelle V-1: Ergebnisse der zweifaktoriellen Varianzanalyse mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
und dem fünffach abgestuften Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängige Variable Nahtransfer.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles Eta-<br />
Quadrat<br />
Messzeitpunkt Sphärizität angenommen 70,401 1 70,401 97,478 ,000 ,494<br />
Greenhouse-Geisser 70,401 1,000 70,401 97,478 ,000 ,494<br />
Huynh-Feldt 70,401 1,000 70,401 97,478 ,000 ,494<br />
Untergrenze 70,401 1,000 70,401 97,478 ,000 ,494<br />
Messzeitpunkt * Sphärizität angenommen 25,702 4 6,425 8,897 ,000 ,262<br />
Bedingung Greenhouse-Geisser 25,702 4,000 6,425 8,897 ,000 ,262<br />
Huynh-Feldt 25,702 4,000 6,425 8,897 ,000 ,262<br />
Untergrenze 25,702 4,000 6,425 8,897 ,000 ,262<br />
Fehler (Messzeitpunkt)<br />
Sphärizität angenommen 72,222 100 ,722<br />
Greenhouse-Geisser 72,222 100,000 ,722<br />
Huynh-Feldt 72,222 100,000 ,722<br />
Untergrenze 72,222 100,000 ,722<br />
Tabelle V-2: Ergebnisse der geplanten Kontraste für die Differenzwerte zwischen Vor- und Nachtest für die<br />
abhängige Variablen Nahtransfer für den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Lerngewinn Nahtransfer<br />
Struktureller Kontrast<br />
Kontrastschätzer 1,089<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,089<br />
Standardfehler ,358<br />
Signifikanz ,003<br />
95% Konfidenzintervall für die Differenz Untergrenze ,378<br />
Obergrenze 1,800<br />
Kombinierter Kontrast<br />
Kontrastschätzer 1,556<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,556<br />
Standardfehler ,358<br />
Signifikanz ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze ,845<br />
Obergrenze 2,266<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer 1,222<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,222<br />
Standardfehler ,358<br />
Signifikanz ,001<br />
95% Konfidenzintervall für die Differenz Untergrenze ,511<br />
Obergrenze 1,933<br />
Kontrollgruppe gegen<br />
Kontrastschätzer 1,622<br />
Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,622<br />
Standardfehler ,358<br />
Signifikanz ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze ,911<br />
Obergrenze 2,333<br />
283
Anhang V<br />
Tabelle V-3: Ergebnisse der zweifaktoriellen Varianzanalyse mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
und dem fünffach abgestuften Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängige Variable Nahtransfer für die<br />
reduzierte Stichprobe.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 25,853 1 25,853 45,151 ,000 ,506<br />
Greenhouse-Geisser 25,853 1,000 25,853 45,151 ,000 ,506<br />
Huynh-Feldt 25,853 1,000 25,853 45,151 ,000 ,506<br />
Untergrenze 25,853 1,000 25,853 45,151 ,000 ,506<br />
Messzeitpunkt * Sphärizität angenommen 14,581 4 3,645 6,366 ,000 ,367<br />
Bedingung Greenhouse-Geisser 14,581 4,000 3,645 6,366 ,000 ,367<br />
Huynh-Feldt 14,581 4,000 3,645 6,366 ,000 ,367<br />
Untergrenze 14,581 4,000 3,645 6,366 ,000 ,367<br />
Fehler<br />
Sphärizität angenommen 25,194 44 ,573<br />
(Messzeitpunkt) Greenhouse-Geisser 25,194 44,000 ,573<br />
Huynh-Feldt 25,194 44,000 ,573<br />
Untergrenze 25,194 44,000 ,573<br />
Tabelle V-4: Ergebnisse der geplanten Kontraste für die Differenzwerte zwischen Vor- und Nachtest für die<br />
abhängige Variablen Nahtransfer für den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die reduzierte Stichprobe.<br />
Kontrastergebnisse (K-Matrix)<br />
Bedingung<br />
Abhängige Variable<br />
Lerngewinn Nahtransfer<br />
Struktureller Kontrast Kontrastschätzer ,960<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,960<br />
Standardfehler ,458<br />
Signifikanz ,042<br />
95% Konfidenzintervall für die Differenz Untergrenze 3,775E-02<br />
Obergrenze 1,882<br />
Kombinierter Kontrast Kontrastschätzer 1,246<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,246<br />
Standardfehler ,458<br />
Signifikanz ,009<br />
95% Konfidenzintervall für die Differenz Untergrenze ,323<br />
Obergrenze 2,168<br />
Inhaltlicher Kontrast Kontrastschätzer 1,560<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,560<br />
Standardfehler ,524<br />
Signifikanz ,005<br />
95% Konfidenzintervall für die Differenz Untergrenze ,503<br />
Obergrenze 2,617<br />
Kontrollgruppe gegen Kontrastschätzer 2,160<br />
Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 2,160<br />
Standardfehler ,524<br />
Signifikanz ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze 1,103<br />
Obergrenze 3,217<br />
284
Anhang V<br />
Tabelle V-5: Ergebnisse der einfaktoriellen Varianzanalysen mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
für jede der Faktorstufen des Faktors Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängige Variable Nahtransfer.<br />
Tests der Innersubjekteffekte<br />
Bedingung<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Struktureller Messzeitpunkt Sphärizität angenommen 12,033 1 12,033 17,796 ,001 ,560<br />
Kontrast Greenhouse-Geisser 12,033 1,000 12,033 17,796 ,001 ,560<br />
Huynh-Feldt 12,033 1,000 12,033 17,796 ,001 ,560<br />
Untergrenze 12,033 1,000 12,033 17,796 ,001 ,560<br />
Fehler<br />
Sphärizität angenommen 9,467 14 ,676<br />
(Messzeitpunkt) Greenhouse-Geisser 9,467 14,000 ,676<br />
Huynh-Feldt 9,467 14,000 ,676<br />
Untergrenze 9,467 14,000 ,676<br />
Kombinierter Messzeitpunkt Sphärizität angenommen 22,533 1 22,533 17,083 ,001 ,550<br />
Kontrast Greenhouse-Geisser 22,533 1,000 22,533 17,083 ,001 ,550<br />
Huynh-Feldt 22,533 1,000 22,533 17,083 ,001 ,550<br />
Untergrenze 22,533 1,000 22,533 17,083 ,001 ,550<br />
Fehler<br />
Sphärizität angenommen 18,467 14 1,319<br />
(Messzeitpunkt) Greenhouse-Geisser 18,467 14,000 1,319<br />
Huynh-Feldt 18,467 14,000 1,319<br />
Untergrenze 18,467 14,000 1,319<br />
Messzeitpunkt Sphärizität angenommen 14,700 1 14,700 13,025 ,003 ,482<br />
Inhaltlicher Kontrast<br />
Greenhouse-Geisser 14,700 1,000 14,700 13,025 ,003 ,482<br />
Huynh-Feldt 14,700 1,000 14,700 13,025 ,003 ,482<br />
Untergrenze 14,700 1,000 14,700 13,025 ,003 ,482<br />
Fehler<br />
Sphärizität angenommen 15,800 14 1,129<br />
(Messzeitpunkt) Greenhouse-Geisser 15,800 14,000 1,129<br />
Huynh-Feldt 15,800 14,000 1,129<br />
Untergrenze 15,800 14,000 1,129<br />
Kontroll- Messzeitpunkt Sphärizität angenommen 24,300 1 24,300 23,958 ,000 ,631<br />
gruppe Greenhouse-Geisser 24,300 1,000 24,300 23,958 ,000 ,631<br />
Huynh-Feldt 24,300 1,000 24,300 23,958 ,000 ,631<br />
Untergrenze 24,300 1,000 24,300 23,958 ,000 ,631<br />
Fehler<br />
(Messzeitpunkt)<br />
Sphärizität angenommen 14,200 14 1,014<br />
Greenhouse-Geisser 14,200 14,000 1,014<br />
Huynh-Feldt 14,200 14,000 1,014<br />
Untergrenze 14,200 14,000 1,014<br />
Baseline-Gruppe Messzeitpunkt Sphärizität angenommen ,711 1 ,711 2,190 ,146 ,047<br />
Greenhouse-Geisser ,711 1,000 ,711 2,190 ,146 ,047<br />
Huynh-Feldt ,711 1,000 ,711 2,190 ,146 ,047<br />
Untergrenze ,711 1,000 ,711 2,190 ,146 ,047<br />
Fehler<br />
Sphärizität angenommen 14,289 44 ,325<br />
(Messzeitpunkt) Greenhouse-Geisser 14,289 44,000 ,325<br />
Huynh-Feldt 14,289 44,000 ,325<br />
Untergrenze 14,289 44,000 ,325<br />
285
Anhang V<br />
Tabelle V-6: Ergebnisse der einfaktoriellen Varianzanalysen mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
für jede der Faktorstufen des Faktors Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast, Kontrollgruppe, Baseline-Gruppe) für die abhängige Variable Nahtransfer für die reduzierte<br />
Stichprobe.<br />
Tests der Innersubjekteffekte<br />
Bedingung<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles Eta-<br />
Quadrat<br />
Struktureller Messzeitpunkt Sphärizität angenommen 3,500 1 3,500 10,500 ,018 ,636<br />
Kontrast Greenhouse-Geisser 3,500 1,000 3,500 10,500 ,018 ,636<br />
Huynh-Feldt 3,500 1,000 3,500 10,500 ,018 ,636<br />
Untergrenze 3,500 1,000 3,500 10,500 ,018 ,636<br />
Fehler<br />
Sphärizität angenommen 2,000 6 ,333<br />
(Messzeitpunkt) Greenhouse-Geisser 2,000 6,000 ,333<br />
Huynh-Feldt 2,000 6,000 ,333<br />
Untergrenze 2,000 6,000 ,333<br />
Kombinierter Messzeitpunkt Sphärizität angenommen 5,786 1 5,786 3,984 ,093 ,399<br />
Kontrast Greenhouse-Geisser 5,786 1,000 5,786 3,984 ,093 ,399<br />
Huynh-Feldt 5,786 1,000 5,786 3,984 ,093 ,399<br />
Untergrenze 5,786 1,000 5,786 3,984 ,093 ,399<br />
Fehler<br />
Sphärizität angenommen 8,714 6 1,452<br />
(Messzeitpunkt) Greenhouse-Geisser 8,714 6,000 1,452<br />
Huynh-Feldt 8,714 6,000 1,452<br />
Untergrenze 8,714 6,000 1,452<br />
Inhaltlicher Messzeitpunkt Sphärizität angenommen 6,400 1 6,400 7,111 ,056 ,640<br />
Kontrast Greenhouse-Geisser 6,400 1,000 6,400 7,111 ,056 ,640<br />
Huynh-Feldt 6,400 1,000 6,400 7,111 ,056 ,640<br />
Untergrenze 6,400 1,000 6,400 7,111 ,056 ,640<br />
Fehler<br />
Sphärizität angenommen 3,600 4 ,900<br />
(Messzeitpunkt) Greenhouse-Geisser 3,600 4,000 ,900<br />
Huynh-Feldt 3,600 4,000 ,900<br />
Untergrenze 3,600 4,000 ,900<br />
Kontrollgruppe Messzeitpunkt Sphärizität angenommen 12,100 1 12,100 14,235 ,020 ,781<br />
Greenhouse-Geisser 12,100 1,000 12,100 14,235 ,020 ,781<br />
Huynh-Feldt 12,100 1,000 12,100 14,235 ,020 ,781<br />
Untergrenze 12,100 1,000 12,100 14,235 ,020 ,781<br />
Fehler<br />
Sphärizität angenommen 3,400 4 ,850<br />
(Messzeitpunkt) Greenhouse-Geisser 3,400 4,000 ,850<br />
Huynh-Feldt 3,400 4,000 ,850<br />
Untergrenze 3,400 4,000 ,850<br />
Baseline-Gruppe Messzeitpunkt Sphärizität angenommen 2,000E-02 1 2,000E-02 ,064 ,802 ,003<br />
Greenhouse-Geisser 2,000E-02 1,000 2,000E-02 ,064 ,802 ,003<br />
Huynh-Feldt 2,000E-02 1,000 2,000E-02 ,064 ,802 ,003<br />
Untergrenze 2,000E-02 1,000 2,000E-02 ,064 ,802 ,003<br />
Fehler<br />
Sphärizität angenommen 7,480 24 ,312<br />
(Messzeitpunkt) Greenhouse-Geisser 7,480 24,000 ,312<br />
Huynh-Feldt 7,480 24,000 ,312<br />
Untergrenze 7,480 24,000 ,312<br />
286
Anhang V<br />
Tabelle V-7: Ergebnisse der 2 x 4-faktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) und Messwiederholung auf<br />
dem zweifach gestuftem Faktor Messzeitpunkt für die abhängige Variable Nahtransfer.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 72,075 1 72,075 69,670 ,000 ,554<br />
Greenhouse-Geisser 72,075 1,000 72,075 69,670 ,000 ,554<br />
Huynh-Feldt 72,075 1,000 72,075 69,670 ,000 ,554<br />
Untergrenze 72,075 1,000 72,075 69,670 ,000 ,554<br />
Messzeitpunkt * Sphärizität angenommen 1,492 3 ,497 ,481 ,697 ,025<br />
Bedingung Greenhouse-Geisser 1,492 3,000 ,497 ,481 ,697 ,025<br />
Huynh-Feldt 1,492 3,000 ,497 ,481 ,697 ,025<br />
Untergrenze 1,492 3,000 ,497 ,481 ,697 ,025<br />
Fehler<br />
Sphärizität angenommen 57,933 56 1,035<br />
(Messzeitpunkt) Greenhouse-Geisser 57,933 56,000 1,035<br />
Huynh-Feldt 57,933 56,000 1,035<br />
Untergrenze 57,933 56,000 1,035<br />
Tabelle V-8: Ergebnisse der geplanten Kontraste für die Differenzwerte zwischen Vor- und Nachtest für die<br />
abhängige Variablen Nahtransfer für den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Lerngewinn Nahtransfer<br />
Struktureller Kontrast<br />
Kontrastschätzer -,533<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,533<br />
Standardfehler ,525<br />
Signifikanz ,314<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,586<br />
Obergrenze ,519<br />
Kombinierter Kontrast Kontrastschätzer<br />
-6,667E-02<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen)<br />
-6,667E-02<br />
Standardfehler ,525<br />
Signifikanz ,899<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,119<br />
Obergrenze ,986<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer -,400<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,400<br />
Standardfehler ,525<br />
Signifikanz ,450<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,452<br />
Obergrenze ,652<br />
287
Anhang V<br />
Tabelle V-9: Ergebnisse der zweifaktoriellen Varianzanalyse mit dem zweifach abgestuften Faktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) und Messwiederholung mit dem Faktor Messzeitpunkt für die abhängige<br />
Variable Misskonzepte.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen ,953 1 ,953 7,970 ,006 ,072<br />
Greenhouse-Geisser ,953 1,000 ,953 7,970 ,006 ,072<br />
Huynh-Feldt ,953 1,000 ,953 7,970 ,006 ,072<br />
Untergrenze ,953 1,000 ,953 7,970 ,006 ,072<br />
Messzeitpunkt * Sphärizität angenommen ,115 1 ,115 ,959 ,330 ,009<br />
Stichprobe Greenhouse-Geisser ,115 1,000 ,115 ,959 ,330 ,009<br />
Huynh-Feldt ,115 1,000 ,115 ,959 ,330 ,009<br />
Untergrenze ,115 1,000 ,115 ,959 ,330 ,009<br />
Fehler<br />
Sphärizität angenommen 12,314 103 ,120<br />
(Messzeitpunkt) Greenhouse-Geisser 12,314 103,000 ,120<br />
Huynh-Feldt 12,314 103,000 ,120<br />
Untergrenze 12,314 103,000 ,120<br />
Tabelle V-10: Ergebnisse der einfaktoriellen Varianzanalysen mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
für jede der Faktorstufen des Faktors Bedingung (Trainingsgruppen, Baseline-Gruppe) für die abhängige<br />
Variable Misskonzepte.<br />
Tests der Innersubjekteffekte<br />
Stichprobe<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Trainingsgruppen<br />
Messzeitpunkt Sphärizität angenommen 1,008 1 1,008 9,164 ,004 ,134<br />
Greenhouse-Geisser 1,008 1,000 1,008 9,164 ,004 ,134<br />
Huynh-Feldt 1,008 1,000 1,008 9,164 ,004 ,134<br />
Untergrenze 1,008 1,000 1,008 9,164 ,004 ,134<br />
Fehler<br />
Sphärizität angenommen 6,492 59 ,110<br />
(Messzeitpunkt) Greenhouse-Geisser 6,492 59,000 ,110<br />
Huynh-Feldt 6,492 59,000 ,110<br />
Untergrenze 6,492 59,000 ,110<br />
Baseline- Messzeitpunkt Sphärizität angenommen ,178 1 ,178 1,344 ,253 ,030<br />
Gruppe Greenhouse-Geisser ,178 1,000 ,178 1,344 ,253 ,030<br />
Huynh-Feldt ,178 1,000 ,178 1,344 ,253 ,030<br />
Untergrenze ,178 1,000 ,178 1,344 ,253 ,030<br />
Fehler<br />
Sphärizität angenommen 5,822 44 ,132<br />
(Messzeitpunkt) Greenhouse-Geisser 5,822 44,000 ,132<br />
Huynh-Feldt 5,822 44,000 ,132<br />
Untergrenze 5,822 44,000 ,132<br />
Tabelle V-11: Ergebnisse der zweifaktoriellen Varianzanalyse mit dem zweifach abgestuften Faktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) und Messwiederholung mit dem Faktor Messzeitpunkt für die abhängige<br />
Variable Misskonzepte für die reduzierte Stichprobe.<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen ,823 1 ,823 6,827 ,012 ,127<br />
Greenhouse-Geisser ,823 1,000 ,823 6,827 ,012 ,127<br />
Huynh-Feldt ,823 1,000 ,823 6,827 ,012 ,127<br />
Untergrenze ,823 1,000 ,823 6,827 ,012 ,127<br />
Messzeitpunkt * Sphärizität angenommen 6,803E-03 1 6,803E-03 ,056 ,813 ,001<br />
Stichprobe Greenhouse-Geisser 6,803E-03 1,000 6,803E-03 ,056 ,813 ,001<br />
Huynh-Feldt 6,803E-03 1,000 6,803E-03 ,056 ,813 ,001<br />
Untergrenze 6,803E-03 1,000 6,803E-03 ,056 ,813 ,001<br />
Fehler<br />
Sphärizität angenommen 5,667 47 ,121<br />
(Messzeitpunkt) Greenhouse-Geisser 5,667 47,000 ,121<br />
Huynh-Feldt 5,667 47,000 ,121<br />
Untergrenze 5,667 47,000 ,121<br />
288
Anhang V<br />
Tabelle V-12: Ergebnisse der einfaktoriellen Varianzanalysen mit Messwiederholung mit dem Faktor Messzeitpunkt<br />
für jede der Faktorstufen des Faktors Bedingung (Trainingsgruppen, Baseline-Gruppe) für die abhängige<br />
Variable Misskonzepte für die reduzierte Stichprobe.<br />
Stichprobe<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles Eta-<br />
Quadrat<br />
Trainingsgruppen<br />
Messzeitpunkt Sphärizität angenommen ,333 1 ,333 4,600 ,043 ,167<br />
Greenhouse-Geisser ,333 1,000 ,333 4,600 ,043 ,167<br />
Huynh-Feldt ,333 1,000 ,333 4,600 ,043 ,167<br />
Untergrenze ,333 1,000 ,333 4,600 ,043 ,167<br />
Fehler<br />
Sphärizität angenommen 1,667 23 7,246E-02<br />
(Messzeitpunkt) Greenhouse-Geisser 1,667 23,000 7,246E-02<br />
Huynh-Feldt 1,667 23,000 7,246E-02<br />
Untergrenze 1,667 23,000 7,246E-02<br />
Baseline- Messzeitpunkt Sphärizität angenommen ,500 1 ,500 3,000 ,096 ,111<br />
Gruppe Greenhouse-Geisser ,500 1,000 ,500 3,000 ,096 ,111<br />
Huynh-Feldt ,500 1,000 ,500 3,000 ,096 ,111<br />
Untergrenze ,500 1,000 ,500 3,000 ,096 ,111<br />
Fehler<br />
Sphärizität angenommen 4,000 24 ,167<br />
(Messzeitpunkt) Greenhouse-Geisser 4,000 24,000 ,167<br />
Huynh-Feldt 4,000 24,000 ,167<br />
Untergrenze 4,000 24,000 ,167<br />
Tabelle V-13: Ergebnisse der zweifaktoriellen Varianzanalyse mit dem zweifach abgestuften Faktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) und Messwiederholung mit dem Faktor Messzeitpunkt für die abhängige<br />
Variable richtige Antwort (Misskonzepte).<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 2,115 1 2,115 28,733 ,000 ,218<br />
Greenhouse-Geisser 2,115 1,000 2,115 28,733 ,000 ,218<br />
Huynh-Feldt 2,115 1,000 2,115 28,733 ,000 ,218<br />
Untergrenze 2,115 1,000 2,115 28,733 ,000 ,218<br />
Messzeitpunkt * Sphärizität angenommen 1,677 1 1,677 22,780 ,000 ,181<br />
Stichprobe Greenhouse-Geisser 1,677 1,000 1,677 22,780 ,000 ,181<br />
Huynh-Feldt 1,677 1,000 1,677 22,780 ,000 ,181<br />
Untergrenze 1,677 1,000 1,677 22,780 ,000 ,181<br />
Fehler<br />
Sphärizität angenommen 7,581 103 7,360E-02<br />
(Messzeitpunkt) Greenhouse-Geisser 7,581 103,000 7,360E-02<br />
Huynh-Feldt 7,581 103,000 7,360E-02<br />
Untergrenze 7,581 103,000 7,360E-02<br />
Tabelle V-14: Ergebnisse der zweifaktoriellen Varianzanalyse mit dem zweifach abgestuften Faktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) und Messwiederholung mit dem Faktor Messzeitpunkt für die abhängige<br />
Variable richtige Antwort (Misskonzepte) für die reduzierte Stichprobe.<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen ,861 1 ,861 14,388 ,000 ,234<br />
Greenhouse-Geisser ,861 1,000 ,861 14,388 ,000 ,234<br />
Huynh-Feldt ,861 1,000 ,861 14,388 ,000 ,234<br />
Untergrenze ,861 1,000 ,861 14,388 ,000 ,234<br />
Messzeitpunkt * Sphärizität angenommen ,861 1 ,861 14,388 ,000 ,234<br />
Stichprobe Greenhouse-Geisser ,861 1,000 ,861 14,388 ,000 ,234<br />
Huynh-Feldt ,861 1,000 ,861 14,388 ,000 ,234<br />
Untergrenze ,861 1,000 ,861 14,388 ,000 ,234<br />
Fehler<br />
Sphärizität angenommen 2,812 47 5,984E-02<br />
(Messzeitpunkt) Greenhouse-Geisser 2,812 47,000 5,984E-02<br />
Huynh-Feldt 2,812 47,000 5,984E-02<br />
Untergrenze 2,812 47,000 5,984E-02<br />
289
Anhang V<br />
Tabelle V-15: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang von Misskonzeptantwort<br />
im Vortest für den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe).<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische Exakte Signifikanz<br />
Signifikanz (2-seitig) (2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 10,656 2 ,005 ,004<br />
Likelihood-Quotient 14,137 2 ,001 ,002<br />
Exakter Test nach Fisher 11,419 ,003<br />
Zusammenhang linear-mit-linear 5,677 1 ,017 ,022 ,013 ,009<br />
Anzahl der gültigen Fälle 44<br />
a 2 Zellen (33,3%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 4,30.<br />
b Die standardisierte Statistik ist 2,383.<br />
Tabelle V-16: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang von Misskonzeptantwort<br />
im Vortest für den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe) für die reduzierte<br />
Stichprobe.<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz (2-seitig)<br />
Exakte Signifikanz<br />
(2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 7,471 2 ,024 ,018<br />
Likelihood-Quotient 9,130 2 ,010 ,018<br />
Exakter Test nach Fisher 6,958 ,018<br />
Zusammenhang linear-mit-linear ,141 1 ,708 ,775 ,466 ,214<br />
Anzahl der gültigen Fälle 22<br />
a 4 Zellen (66,7%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 1,36.<br />
b Die standardisierte Statistik ist ,375.<br />
Tabelle V-17: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang <strong>zur</strong> richtigen Antwort für<br />
den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe).<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz (2-seitig)<br />
Exakte Signifikanz<br />
(2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 10,330 1 ,001 ,002 ,001<br />
Kontinuitätskorrektur 8,065 1 ,005<br />
Likelihood-Quotient 13,795 1 ,000 ,002 ,001<br />
Exakter Test nach Fisher ,002 ,001<br />
Zusammenhang linear-mit-linear 10,096 1 ,001 ,002 ,001 ,001<br />
Anzahl der gültigen Fälle 44<br />
a Wird nur für eine 2x2-Tabelle berechnet.<br />
b Zwei Zellen (50,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 4,30.<br />
c Die standardisierte Statistik ist 3,177.<br />
Tabelle V-18: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang <strong>zur</strong> richtigen Antwort für<br />
den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe) für die reduzierte Stichprobe.<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz (2-seitig)<br />
Exakte Signifikanz<br />
(2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 4,168 1 ,041 ,078 ,078<br />
Kontinuitätskorrektur 2,010 1 ,156<br />
Likelihood-Quotient 5,308 1 ,021 ,078 ,078<br />
Exakter Test nach Fisher ,078 ,078<br />
Zusammenhang linear-mit-linear 3,979 1 ,046 ,078 ,078 ,078<br />
Anzahl der gültigen Fälle 22<br />
a Wird nur für eine 2x2-Tabelle berechnet.<br />
b Zwei Zellen (50,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 1,36.<br />
c Die standardisierte Statistik ist 1,995.<br />
290
Anhang V<br />
Tabelle V-19: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang zu anderer f<strong>als</strong>cher<br />
Antwort für den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe).<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz (2-seitig)<br />
Exakte Signifikanz<br />
(2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 1,494 1 ,222 ,246 ,179<br />
Kontinuitätskorrektur ,847 1 ,357<br />
Likelihood-Quotient 1,503 1 ,220 ,246 ,179<br />
Exakter Test nach Fisher ,246 ,179<br />
Zusammenhang linear-mit-linear 1,460 1 ,227 ,246 ,179 ,116<br />
Anzahl der gültigen Fälle 44<br />
a Wird nur für eine 2x2-Tabelle berechnet.<br />
b 0 Zellen (0,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 10,02.<br />
c Die standardisierte Statistik ist -1,208.<br />
Tabelle V-20: Ergebnisse des Chi-Quadrat-Tests für die abhängige Variable Übergang zu anderer f<strong>als</strong>cher<br />
Antwort für den zweifach gestuften Faktor Bedingung (Trainingsgruppen, Baseline-Gruppe) für die reduzierte<br />
Stichprobe.<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz (2-seitig)<br />
Exakte Signifikanz<br />
(2-seitig)<br />
Exakte Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson ,733 1 ,392 ,670 ,335<br />
Kontinuitätskorrektur ,183 1 ,669<br />
Likelihood-Quotient ,738 1 ,390 ,670 ,335<br />
Exakter Test nach Fisher ,670 ,335<br />
Zusammenhang linear-mit-linear ,700 1 ,403 ,670 ,335 ,236<br />
Anzahl der gültigen Fälle 22<br />
a Wird nur für eine 2x2-Tabelle berechnet.<br />
b 0 Zellen (0,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 5,00.<br />
c Die standardisierte Statistik ist ,837.<br />
Tabelle V-21: Ergebnisse der einfaktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängige Variable<br />
Misskonzepte im Vortest.<br />
Tests der Zwischensubjekteffekte<br />
Abhängige Variable: Vortest Misskonzept<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 1,250 3 ,417 1,804 ,157 ,088<br />
Konstanter Term 8,817 1 8,817 38,175 ,000 ,405<br />
Bedingung 1,250 3 ,417 1,804 ,157 ,088<br />
Fehler 12,933 56 ,231<br />
Gesamt 23,000 60<br />
Korrigierte Gesamtvariation 14,183 59<br />
a R-Quadrat = ,088 (korrigiertes R-Quadrat = ,039)<br />
291
Anhang V<br />
Tabelle V-22: Ergebnisse der geplanten Kontraste für die Variable Misskonzept im Vortest für den Faktor<br />
Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Misskonzept-Antwort Prä<br />
Kombinierter Kontrast<br />
Kontrastschätzer -,200<br />
gegen struktureller Kontrast Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,200<br />
Standardfehler ,175<br />
Signifikanz ,259<br />
95% Konfidenzintervall für die Differenz Untergrenze -,552<br />
Obergrenze ,152<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer -,267<br />
gegen struktureller Kontrast Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,267<br />
Standardfehler ,175<br />
Signifikanz ,134<br />
95% Konfidenzintervall für die Differenz Untergrenze -,618<br />
Obergrenze<br />
8,486E-02<br />
Kontrollgruppe gegen<br />
Kontrastschätzer -,400<br />
Struktureller Kontrast Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,400<br />
Standardfehler ,175<br />
Signifikanz ,026<br />
95% Konfidenzintervall für die Differenz Untergrenze -,752<br />
Obergrenze<br />
-4,847E-02<br />
Tabelle V-23: Ergebnisse der einfaktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängige Variable<br />
Misskonzepte im Nachtest und der Variable Misskonzepte im Vortest <strong>als</strong> Kovariate.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 2,148 4 ,537 3,964 ,007 ,224<br />
Konstanter Term ,103 1 ,103 ,762 ,387 ,014<br />
Misskonzept-Antwort Prä 1,882 1 1,882 13,890 ,000 ,202<br />
Bedingung 9,252E-02 3 3,084E-02 ,228 ,877 ,012<br />
Fehler 7,452 55 ,135<br />
Gesamt 12,000 60<br />
Korrigierte Gesamtvariation 9,600 59<br />
a R-Quadrat = ,224 (korrigiertes R-Quadrat = ,167)<br />
292
Anhang VI<br />
Anhang VI - Analyse der abhängigen Variablen (Ferntransfer)<br />
VI-I Ferntransfer: Multiple Choice mit konventionellem Mapping (Faktor 1)<br />
Tabelle VI-1: Ergebnisse der 2 x 4-faktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe)und Messwiederholung auf<br />
dem Faktor Messzeitpunkt und für die abhängige Variable Ferntransfer Multiple Choice konventionell.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme vom<br />
Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 24,300 1 24,300 43,709 ,000 ,438<br />
Greenhouse-Geisser 24,300 1,000 24,300 43,709 ,000 ,438<br />
Huynh-Feldt 24,300 1,000 24,300 43,709 ,000 ,438<br />
Untergrenze 24,300 1,000 24,300 43,709 ,000 ,438<br />
Messzeitpunkt * Sphärizität angenommen 3,567 3 1,189 2,138 ,106 ,103<br />
Bedingung Greenhouse-Geisser 3,567 3,000 1,189 2,138 ,106 ,103<br />
Huynh-Feldt 3,567 3,000 1,189 2,138 ,106 ,103<br />
Untergrenze 3,567 3,000 1,189 2,138 ,106 ,103<br />
Fehler<br />
Sphärizität angenommen 31,133 56 ,556<br />
(Messzeitpunkt) Greenhouse-Geisser 31,133 56,000 ,556<br />
Huynh-Feldt 31,133 56,000 ,556<br />
Untergrenze 31,133 56,000 ,556<br />
Tabelle VI-2: Ergebnisse der geplanten Kontraste für die Differenzwerte zwischen Vor- und Nachtest für die<br />
abhängige Variablen Ferntransfer Multiple Choice konventionell für den Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Gewinn konventionell<br />
Multiple Choice<br />
Struktureller Kontrast<br />
Kontrastschätzer -,533<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,533<br />
Standardfehler ,385<br />
Signifikanz ,172<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,305<br />
Obergrenze ,238<br />
Kombinierter Kontrast<br />
Kontrastschätzer -,933<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,933<br />
Standardfehler ,385<br />
Signifikanz ,019<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,705<br />
Obergrenze -,162<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer -,267<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,267<br />
Standardfehler ,385<br />
Signifikanz ,491<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,038<br />
Obergrenze ,505<br />
293
Anhang VI<br />
Tabelle VI-3: Ergebnisse der 2 x 5-faktoriellen Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) und<br />
Messwiederholung auf dem Faktor Messzeitpunkt für die abhängige Variable Ferntransfer Multiple Choice<br />
konventionell.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 24,701 1 24,701 55,605 ,000 ,357<br />
Greenhouse-Geisser 24,701 1,000 24,701 55,605 ,000 ,357<br />
Huynh-Feldt 24,701 1,000 24,701 55,605 ,000 ,357<br />
Untergrenze 24,701 1,000 24,701 55,605 ,000 ,357<br />
Messzeitpunkt * Sphärizität angenommen 10,273 4 2,568 5,781 ,000 ,188<br />
Bedingung Greenhouse-Geisser 10,273 4,000 2,568 5,781 ,000 ,188<br />
Huynh-Feldt 10,273 4,000 2,568 5,781 ,000 ,188<br />
Untergrenze 10,273 4,000 2,568 5,781 ,000 ,188<br />
Fehler<br />
Sphärizität angenommen 44,422 100 ,444<br />
(Messzeitpunkt) Greenhouse-Geisser 44,422 100,000 ,444<br />
Huynh-Feldt 44,422 100,000 ,444<br />
Untergrenze 44,422 100,000 ,444<br />
Tabelle VI-4: Ergebnisse der geplanten Kontraste für die Differenzwerte zwischen Vor- und Nachtest für die<br />
abhängige Variablen Ferntransfer Multiple Choice konventionell für den Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle, Baseline-Gruppe).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Gewinn konventionell<br />
Multiple Choice<br />
Struktureller Kontrast<br />
Kontrastschätzer ,622<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,622<br />
Standardfehler ,281<br />
Signifikanz ,029<br />
95% Konfidenzintervall für die Differenz Untergrenze 6,468E-02<br />
Obergrenze 1,180<br />
Kombinierter Kontrast<br />
Kontrastschätzer ,222<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,222<br />
Standardfehler ,281<br />
Signifikanz ,431<br />
95% Konfidenzintervall für die Differenz Untergrenze -,335<br />
Obergrenze ,780<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer ,889<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,889<br />
Standardfehler ,281<br />
Signifikanz ,002<br />
95% Konfidenzintervall für die Differenz Untergrenze ,331<br />
Obergrenze 1,446<br />
Kontrollgruppe<br />
Kontrastschätzer 1,156<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) 1,156<br />
Standardfehler ,281<br />
Signifikanz ,000<br />
95% Konfidenzintervall für die Differenz Untergrenze ,598<br />
Obergrenze 1,713<br />
294
Anhang VI<br />
Tabelle VI-5: Ergebnisse der einfaktoriellen Kovarianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) und der Kovariate Vortest<br />
für die abhängige Variable FerntransferMultiple Choice konventionell im Nachtest.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 27,374 7 3,911 4,247 ,001 ,364<br />
Konstanter Term 51,883 1 51,883 56,352 ,000 ,520<br />
Vortest Multiple Choice konventionell 13,114 1 13,114 14,244 ,000 ,215<br />
Bedingung 9,146 3 3,049 3,311 ,027 ,160<br />
Bedingung * Vortest Multiple Choice<br />
konventionell<br />
4,871 3 1,624 1,763 ,166 ,092<br />
Fehler 47,876 52 ,921<br />
Gesamt 259,000 60<br />
Korrigierte Gesamtvariation 75,250 59<br />
a R-Quadrat = ,364 (korrigiertes R-Quadrat = ,278)<br />
Tabelle VI-6: Ergebnisse des Chi-Quadrattests für den vierfach abgestuften Faktor Bedingung (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) und Mediangruppe (unter Median, über<br />
Median) für die abhängige Variable Ferntransfer Multiple Choice konventionell im Vortest.<br />
Chi-Quadrat-Tests<br />
Wert<br />
df<br />
Asymptotische<br />
Signifikanz<br />
(2-seitig)<br />
Exakte<br />
Signifikanz<br />
(2-seitig)<br />
Exakte<br />
Signifikanz<br />
(1-seitig)<br />
Punkt-<br />
Wahrscheinlichkeit<br />
Chi-Quadrat nach Pearson 1,333 3 ,721 ,823<br />
Likelihood-Quotient 1,342 3 ,719 ,823<br />
Exakter Test nach Fisher 1,380 ,823<br />
Zusammenhang linear-mit-linear ,210 1 ,647 ,732 ,366 ,082<br />
Anzahl der gültigen Fälle 60<br />
a 0 Zellen (,0%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 7,50.<br />
b Die standardisierte Statistik ist ,458.<br />
Tabelle VI-7: Ergebnisse der 2x4-faktoriellen Varianzanalyse dem zweifach gestuften Faktor Mediangruppe<br />
(niedrig, hoch), dem vierfach abgestuften Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast,<br />
inhaltlicher Kontrast, Kontrollgruppe) für die abhängige Variable Differenz Nachtest-Vortest Ferntransfer<br />
Multiple Choice konventionell.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Quadratsumme vom<br />
Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 19,642 7 2,806 2,932 ,012 ,283<br />
Intercept 49,815 1 49,815 52,059 ,000 ,500<br />
Bedingung 8,894 3 2,965 3,098 ,035 ,152<br />
Subgruppe ,402 1 ,402 ,421 ,520 ,008<br />
Bedingung * Subgruppe 12,179 3 4,060 4,242 ,009 ,197<br />
Fehler 49,758 52 ,957<br />
Gesamt 118,000 60<br />
Korrigierte Gesamtvariation 69,400 59<br />
a R-Quadrat = ,283 (korrigiertes R-Quadrat = ,187)<br />
295
Anhang VI<br />
Tabelle VI-8: Ergebnisse der einfaktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängige Variable<br />
Differenz Nachtest-Vortest Ferntransfer Multiple Choice konventionell für jede der beiden Mediangruppen.<br />
Tests der Zwischensubjekteffekte<br />
Subgruppe<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Unter Median Korrigiertes Modell 17,401 3 5,800 7,708 ,001 ,471<br />
Intercept 29,586 1 29,586 39,316 ,000 ,602<br />
Bedingung 17,401 3 5,800 7,708 ,001 ,471<br />
Fehler 19,565 26 ,753<br />
Gesamt 65,000 30<br />
Korrigierte Gesamtvariation 36,967 29<br />
Über Median Korrigiertes Modell 1,974 3 ,658 ,567 ,642 ,061<br />
Intercept 20,631 1 20,631 17,766 ,000 ,406<br />
Bedingung 1,974 3 ,658 ,567 ,642 ,061<br />
Fehler 30,192 26 1,161<br />
Gesamt 53,000 30<br />
Korrigierte Gesamtvariation 32,167 29<br />
a R-Quadrat = ,471 (korrigiertes R-Quadrat = ,410)<br />
b R-Quadrat = ,061 (korrigiertes R-Quadrat = -,047)<br />
Paarweise Vergleiche(Bonferroni)<br />
Mittlere<br />
Differenz<br />
(I-J)<br />
Standardfehler<br />
Signifikanz<br />
95% Konfidenzintervall<br />
für die Differenz<br />
Subgruppe (I) Exp. Gruppe (J) Exp. Gruppe Untergrenze Obergrenze<br />
Unter Median Struktureller Kontrast Kombinierter Kontrast ,232 ,449 1,000 -1,050 1,514<br />
Inhaltlicher Kontrast -,958 ,422 ,189 -2,162 ,245<br />
Kontrollgruppe -1,792 ,468 ,004 -3,129 -,454<br />
Kombinierter Kontrast Struktureller Kontrast -,232 ,449 1,000 -1,514 1,050<br />
Inhaltlicher Kontrast -1,190 ,437 ,068 -2,439 5,787E-02<br />
Kontrollgruppe -2,024 ,483 ,002 -3,402 -,646<br />
Inhaltlicher Kontrast Struktureller Kontrast ,958 ,422 ,189 -,245 2,162<br />
Kombinierter Kontrast 1,190 ,437 ,068 -5,787E-02 2,439<br />
Kontrollgruppe -,833 ,457 ,479 -2,139 ,472<br />
Kontrollgruppe Struktureller Kontrast 1,792 ,468 ,004 ,454 3,129<br />
Kombinierter Kontrast 2,024 ,483 ,002 ,646 3,402<br />
Inhaltlicher Kontrast ,833 ,457 ,479 -,472 2,139<br />
Über Median Struktureller Kontrast Kombinierter Kontrast ,661 ,558 1,000 -,932 2,253<br />
Inhaltlicher Kontrast ,619 ,600 1,000 -1,093 2,331<br />
Kontrollgruppe ,508 ,543 1,000 -1,043 2,059<br />
Kombinierter Kontrast Struktureller Kontrast -,661 ,558 1,000 -2,253 ,932<br />
Inhaltlicher Kontrast -4,167E-02 ,582 1,000 -1,704 1,620<br />
Kontrollgruppe -,153 ,524 1,000 -1,648 1,342<br />
Inhaltlicher Kontrast Struktureller Kontrast -,619 ,600 1,000 -2,331 1,093<br />
Kombinierter Kontrast 4,167E-02 ,582 1,000 -1,620 1,704<br />
Kontrollgruppe -,111 ,568 1,000 -1,733 1,511<br />
Kontrollgruppe Struktureller Kontrast -,508 ,543 1,000 -2,059 1,043<br />
Kombinierter Kontrast ,153 ,524 1,000 -1,342 1,648<br />
Inhaltlicher Kontrast ,111 ,568 1,000 -1,511 1,733<br />
Basiert auf den geschätzten Randmitteln<br />
* Die mittlere Differenz ist auf dem Niveau ,05 signifikant<br />
a Anpassung für Mehrfachvergleiche: Bonferroni.<br />
296
Anhang VI<br />
VI-II<br />
Ferntransfer: Multiple Choice mit konventionellem und nicht-konventionellem<br />
Mapping (Faktor 1+ 3)<br />
Tabelle VI-9: Ergebnisse der 3x3x2-faktoriellen Varianzanalyse mit dem dreifach abgestuften Faktor Bedingung (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast), dem zweifach gestuftem Faktor Mapping (konventionell, nicht-konventionell) mit<br />
Messwiederholung auf dem Faktor Messzeitpunkt für die abhängigen Variablen Ferntransfer Multiple Choice konventionell und<br />
Ferntransfer Multiple Choice nicht-konventionell.<br />
Quelle<br />
Quadratsumme vom<br />
Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Mapping Sphärizität angenommen 4,672 1 4,672 6,434 ,015 ,133<br />
Greenhouse-Geisser 4,672 1,000 4,672 6,434 ,015 ,133<br />
Huynh-Feldt 4,672 1,000 4,672 6,434 ,015 ,133<br />
Untergrenze 4,672 1,000 4,672 6,434 ,015 ,133<br />
Mapping * Sphärizität angenommen 3,078 2 1,539 2,119 ,133 ,092<br />
Kontraste Greenhouse-Geisser 3,078 2,000 1,539 2,119 ,133 ,092<br />
Huynh-Feldt 3,078 2,000 1,539 2,119 ,133 ,092<br />
Untergrenze 3,078 2,000 1,539 2,119 ,133 ,092<br />
Fehler (Mapping) Sphärizität angenommen 30,500 42 ,726<br />
Greenhouse-Geisser 30,500 42,000 ,726<br />
Huynh-Feldt 30,500 42,000 ,726<br />
Untergrenze 30,500 42,000 ,726<br />
Messzeitpunkt Sphärizität angenommen 13,339 1 13,339 29,128 ,000 ,410<br />
Greenhouse-Geisser 13,339 1,000 13,339 29,128 ,000 ,410<br />
Huynh-Feldt 13,339 1,000 13,339 29,128 ,000 ,410<br />
Untergrenze 13,339 1,000 13,339 29,128 ,000 ,410<br />
Messzeitpunkt * Sphärizität angenommen 1,678 2 ,839 1,832 ,173 ,080<br />
Kontraste Greenhouse-Geisser 1,678 2,000 ,839 1,832 ,173 ,080<br />
Huynh-Feldt 1,678 2,000 ,839 1,832 ,173 ,080<br />
Untergrenze 1,678 2,000 ,839 1,832 ,173 ,080<br />
Fehler<br />
Sphärizität angenommen 19,233 42 ,458<br />
(Messzeitpunkt) Greenhouse-Geisser 19,233 42,000 ,458<br />
Huynh-Feldt 19,233 42,000 ,458<br />
Untergrenze 19,233 42,000 ,458<br />
Mapping * Sphärizität angenommen 2,006 1 2,006 4,741 ,035 ,101<br />
Messzeitpunkt Greenhouse-Geisser 2,006 1,000 2,006 4,741 ,035 ,101<br />
Huynh-Feldt 2,006 1,000 2,006 4,741 ,035 ,101<br />
Untergrenze 2,006 1,000 2,006 4,741 ,035 ,101<br />
Mapping * Sphärizität angenommen ,478 2 ,239 ,565 ,573 ,026<br />
Messzeitpunkt * Greenhouse-Geisser ,478 2,000 ,239 ,565 ,573 ,026<br />
Kontraste Huynh-Feldt ,478 2,000 ,239 ,565 ,573 ,026<br />
Untergrenze ,478 2,000 ,239 ,565 ,573 ,026<br />
Fehler<br />
Sphärizität angenommen 17,767 42 ,423<br />
(Mapping * Greenhouse-Geisser 17,767 42,000 ,423<br />
Messzeitpunkt) Huynh-Feldt 17,767 42,000 ,423<br />
Untergrenze 17,767 42,000 ,423<br />
Tabelle VI-10: Ergebnisse der geplanten Kontraste für die Differenzwerte der Leistungszuwächse zwischen den<br />
abhängigen Variablen Ferntransfer Multiple Choice konventionell und Ferntransfer Multiple Choice nichtkonventionell<br />
für den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast).<br />
Abhängige Variable<br />
Kontraste<br />
Einfacher Kontrast<br />
Diskrepanz im Lerngewinn<br />
zwischen Mappings<br />
Struktureller Kontrast<br />
Kontrastschätzer<br />
-6,667E-02<br />
gegen inhaltlicher Kontrast Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen)<br />
-6,667E-02<br />
Standardfehler ,475<br />
Signifikanz ,889<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,025<br />
Obergrenze ,892<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
297
Anhang VI<br />
Abhängige Variable<br />
Kontraste<br />
Einfacher Kontrast<br />
Diskrepanz im Lerngewinn<br />
zwischen Mappings<br />
Kombinierter Kontrast<br />
Kontrastschätzer -,467<br />
gegen inhaltlicher Kontrast Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,467<br />
Standardfehler ,475<br />
Signifikanz ,331<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,425<br />
Obergrenze ,492<br />
a Referenzkategorie = 3<br />
Tabelle VI-11: Ergebnisse der 4x3x2-faktoriellen Varianzanalyse mit dem vierfach abgestuften Faktor<br />
Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle), dem zweifach<br />
gestuftem Faktor Mapping (konventionell, nicht-konventionell) mit Messwiederholung auf dem Faktor<br />
Messzeitpunkt für die abhängigen Variablen Ferntransfer Multiple Choice konventionell und Ferntransfer<br />
Multiple Choice nicht-konventionell.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Mapping Sphärizität angenommen 6,017 1 6,017 7,341 ,009 ,116<br />
Greenhouse-Geisser 6,017 1,000 6,017 7,341 ,009 ,116<br />
Huynh-Feldt 6,017 1,000 6,017 7,341 ,009 ,116<br />
Untergrenze 6,017 1,000 6,017 7,341 ,009 ,116<br />
Mapping * Sphärizität angenommen 3,083 3 1,028 1,254 ,299 ,063<br />
Bedingung Greenhouse-Geisser 3,083 3,000 1,028 1,254 ,299 ,063<br />
Huynh-Feldt 3,083 3,000 1,028 1,254 ,299 ,063<br />
Untergrenze 3,083 3,000 1,028 1,254 ,299 ,063<br />
Fehler<br />
Sphärizität angenommen 45,900 56 ,820<br />
(Mapping) Greenhouse-Geisser 45,900 56,000 ,820<br />
Huynh-Feldt 45,900 56,000 ,820<br />
Untergrenze 45,900 56,000 ,820<br />
Messzeitpunkt Sphärizität angenommen 20,417 1 20,417 44,603 ,000 ,443<br />
Greenhouse-Geisser 20,417 1,000 20,417 44,603 ,000 ,443<br />
Huynh-Feldt 20,417 1,000 20,417 44,603 ,000 ,443<br />
Untergrenze 20,417 1,000 20,417 44,603 ,000 ,443<br />
Messzeitpunkt * Sphärizität angenommen 1,950 3 ,650 1,420 ,247 ,071<br />
Bedingung Greenhouse-Geisser 1,950 3,000 ,650 1,420 ,247 ,071<br />
Huynh-Feldt 1,950 3,000 ,650 1,420 ,247 ,071<br />
Untergrenze 1,950 3,000 ,650 1,420 ,247 ,071<br />
Fehler<br />
Sphärizität angenommen 25,633 56 ,458<br />
(Messzeitpunkt) Greenhouse-Geisser 25,633 56,000 ,458<br />
Huynh-Feldt 25,633 56,000 ,458<br />
Untergrenze 25,633 56,000 ,458<br />
Mapping * Sphärizität angenommen 6,017 1 6,017 11,822 ,001 ,174<br />
Messzeitpunkt Greenhouse-Geisser 6,017 1,000 6,017 11,822 ,001 ,174<br />
Huynh-Feldt 6,017 1,000 6,017 11,822 ,001 ,174<br />
Untergrenze 6,017 1,000 6,017 11,822 ,001 ,174<br />
Mapping * Sphärizität angenommen 2,483 3 ,828 1,627 ,194 ,080<br />
Messzeitpunkt * Greenhouse-Geisser 2,483 3,000 ,828 1,627 ,194 ,080<br />
Bedingung Huynh-Feldt 2,483 3,000 ,828 1,627 ,194 ,080<br />
Untergrenze 2,483 3,000 ,828 1,627 ,194 ,080<br />
Fehler<br />
Sphärizität angenommen 28,500 56 ,509<br />
(Mapping * Greenhouse-Geisser 28,500 56,000 ,509<br />
Messzeitpunkt) Huynh-Feldt 28,500 56,000 ,509<br />
Untergrenze 28,500 56,000 ,509<br />
298
Anhang VI<br />
Tabelle VI-12: Ergebnisse der geplanten Kontraste für die Differenzwerte der Leistungszuwächse zwischen den<br />
abhängigen Variablen Ferntransfer Multiple Choice konventionell und Ferntransfer Multiple Choice nichtkonventionell<br />
für den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast,<br />
Kontrolle).<br />
Kontrastergebnisse (K-Matrix)<br />
Abhängige Variable<br />
Bedingung<br />
Diskrepanz im Lerngewinn<br />
zwischen Mappings<br />
Struktureller Kontrast<br />
Kontrastschätzer -,667<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,667<br />
Standardfehler ,521<br />
Signifikanz ,206<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,710<br />
Obergrenze ,377<br />
Kombinierter Kontrast<br />
Kontrastschätzer -1,133<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -1,133<br />
Standardfehler ,521<br />
Signifikanz ,034<br />
95% Konfidenzintervall für die Differenz Untergrenze -2,177<br />
Obergrenze<br />
-8,967E-02<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer -,733<br />
gegen Kontrollgruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) -,733<br />
Standardfehler ,521<br />
Signifikanz ,165<br />
95% Konfidenzintervall für die Differenz Untergrenze -1,777<br />
Obergrenze ,310<br />
Tabelle VI-13: Ergebnisse des Wilcoxon-Tests auf Unterschiede zwischen den abhängigen Variablen Lerngewinn<br />
Ferntransfer Multiple Choice konventionell und Ferntransfer Multiple Choice nicht-konventionell jeweils<br />
für die vier Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) bei<br />
exakter Testung.<br />
Statistik für Test<br />
Bedingung<br />
Gewinn unkonventionell Multiple Choice -<br />
Gewinn konventionell Multiple Choice<br />
Struktureller Kontrast Z -1,565<br />
Asymptotische Signifikanz (2-seitig) ,118<br />
Exakte Signifikanz (2-seitig) ,140<br />
Exakte Signifikanz (1-seitig) ,070<br />
Punkt-Wahrscheinlichkeit ,031<br />
Kombinierter Kontrast Z -,574<br />
Asymptotische Signifikanz (2-seitig) ,566<br />
Exakte Signifikanz (2-seitig) ,641<br />
Exakte Signifikanz (1-seitig) ,320<br />
Punkt-Wahrscheinlichkeit ,062<br />
Inhaltlicher Kontrast Z -1,467<br />
Asymptotische Signifikanz (2-seitig) ,142<br />
Exakte Signifikanz (2-seitig) ,189<br />
Exakte Signifikanz (1-seitig) ,095<br />
Punkt-Wahrscheinlichkeit ,031<br />
Kontrollgruppe Z -2,225<br />
Asymptotische Signifikanz (2-seitig) ,026<br />
Exakte Signifikanz (2-seitig) ,024<br />
Exakte Signifikanz (1-seitig) ,012<br />
Punkt-Wahrscheinlichkeit ,001<br />
a Basiert auf positiven Rängen.<br />
b Wilcoxon-Test<br />
299
Anhang VI<br />
Tabelle VI-14: Ergebnisse der zweifaktoriellen Varianzanalyse mit dem fünffach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle, Baseline-Gruppe) und Messwiederholung<br />
auf dem Faktor Messzeitpunkt für die abhängige Variable Ferntransfer Multiple Choice nichtkonventionell.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
Mittel der<br />
Partielles<br />
df<br />
F Signifikanz<br />
vom Typ III<br />
Quadrate<br />
Eta-Quadrat<br />
Messzeitpunkt Sphärizität angenommen 2,585 1 2,585 8,091 ,005 ,075<br />
Greenhouse-Geisser 2,585 1,000 2,585 8,091 ,005 ,075<br />
Huynh-Feldt 2,585 1,000 2,585 8,091 ,005 ,075<br />
Untergrenze 2,585 1,000 2,585 8,091 ,005 ,075<br />
Messzeitpunkt * Sphärizität angenommen 1,025 4 ,256 ,802 ,527 ,031<br />
Bedingung Greenhouse-Geisser 1,025 4,000 ,256 ,802 ,527 ,031<br />
Huynh-Feldt 1,025 4,000 ,256 ,802 ,527 ,031<br />
Untergrenze 1,025 4,000 ,256 ,802 ,527 ,031<br />
Fehler<br />
Sphärizität angenommen 31,956 100 ,320<br />
(Messzeitpunkt) Greenhouse-Geisser 31,956 100,000 ,320<br />
Huynh-Feldt 31,956 100,000 ,320<br />
Untergrenze 31,956 100,000 ,320<br />
Tabelle VI-15: Ergebnisse der geplanten Kontraste mit den Kruskal-Wallis-Test für die Differenzwerte<br />
zwischen Vor- und Nachtest für die abhängige Variablen Ferntransfer Multiple Choice nicht-konventionell für<br />
den Faktor Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle, Baseline-<br />
Gruppe).<br />
Strutureller Kontrast vs.<br />
Baseline-Gruppe<br />
Kombinierter Kontarst<br />
vs. Baseline-Gruppe<br />
Inhaltlicher Kontrast<br />
vs. Baseline-Gruppe<br />
Kontrollgruppe<br />
vs. Baseline-Gruppe<br />
Chi-Quadrat ,022 1,124 5,402 ,028<br />
df 1 1 1 1<br />
Asymptotische Signifikanz ,882 ,289 ,020 ,868<br />
Exakte Signifikanz ,992 ,297 ,022 ,843<br />
Punkt-Wahrscheinlichkeit ,032 ,009 ,004 ,003<br />
a Kruskal-Wallis-Test<br />
Tabelle VI-16: Ergebnisse der geplanten Kontraste mit den Faktor Bedingung (struktureller Kontrast, kombinierter<br />
Kontrast, inhaltlicher Kontrast, Kontrolle, Baseline-Gruppe) für die abhängige Variable Ferntransfer<br />
Multiple Choice nicht-konventionell im Nachtest nach Kontrolle der Vortestleistungen (Kontraste in Kovarianzanalyse).<br />
Kontraste<br />
Einfacher Kontrast<br />
Abhängige Variable<br />
FA2_2<br />
Struktureller Kontrast<br />
Kontrastschätzer ,239<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,239<br />
Standardfehler ,280<br />
Signifikanz ,395<br />
95% Konfidenzintervall für die Differenz Untergrenze -,317<br />
Obergrenze ,796<br />
Kombinierter Kontrast<br />
Kontrastschätzer ,645<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,645<br />
Standardfehler ,303<br />
Signifikanz ,036<br />
95% Konfidenzintervall für die Differenz Untergrenze 4,442E-02<br />
Obergrenze 1,246<br />
Inhaltlicher Kontrast<br />
Kontrastschätzer ,357<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,357<br />
Standardfehler ,252<br />
Signifikanz ,160<br />
95% Konfidenzintervall für die Differenz Untergrenze -,144<br />
Obergrenze ,858<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
300
Anhang VI<br />
Kontraste<br />
Einfacher Kontrast<br />
Abhängige Variable<br />
FA2_2<br />
Kontrollgruppe<br />
Kontrastschätzer ,244<br />
gegen Baseline-Gruppe Hypothesenwert 0<br />
Differenz (Schätzung - Hypothesen) ,244<br />
Standardfehler ,303<br />
Signifikanz ,423<br />
95% Konfidenzintervall für die Differenz Untergrenze -,357<br />
Obergrenze ,845<br />
a Referenzkategorie = 5<br />
Tabelle VI-17: Ergebnisse der zweifaktoriellen Kovarianzanalyse mit dem vierfach abgestuften Faktor<br />
Bedingung (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) und der Kovariate<br />
Ferntransfer Multiple Choice nicht-konventionell im Vortest für die abhängige Variable FerntransferMultiple<br />
Choice nicht-konventionell im Nachtest.<br />
Tests der Zwischensubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Korrigiertes Modell 28,818 7 4,117 5,729 ,000 ,435<br />
Intercept 11,461 1 11,461 15,949 ,000 ,235<br />
Prä unkonventionell Multiple Choice 27,250 1 27,250 37,924 ,000 ,422<br />
Bedingung ,840 3 ,280 ,389 ,761 ,022<br />
Bedingung * Prä unkonventionell Multiple Choice 1,653 3 ,551 ,767 ,518 ,042<br />
Fehler 37,365 52 ,719<br />
Gesamt 141,000 60<br />
Korrigierte Gesamtvariation 66,183 59<br />
a R-Quadrat = ,435 (korrigiertes R-Quadrat = ,359)<br />
VI-III Ferntransfer: Offene Aufgaben (Faktor 2)<br />
Tabelle VI-18: Ergebnisse der Kruskal-Wallis-Analyse mit dem dreifach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast) für die abhängige Variable Lerngewinn<br />
Ferntransfer offen bei exakter Testung.<br />
Statistik für Test<br />
Gewinn offene Items<br />
Chi-Quadrat 1,413<br />
df 2<br />
Asymptotische Signifikanz ,493<br />
Exakte Signifikanz ,503<br />
Punkt-Wahrscheinlichkeit ,000<br />
a Kruskal-Wallis-Test<br />
Tabelle VI-19: Ergebnisse der Kruskal-Wallis-Analyse mit dem zweifach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, inhaltlicher Kontrast) für die abhängigen Variable Lerngewinn Ferntransfer offen bei<br />
exakter Testung.<br />
Gewinn offene Items<br />
Chi-Quadrat ,285<br />
df 1<br />
Asymptotische Signifikanz ,593<br />
Exakte Signifikanz ,620<br />
Punkt-Wahrscheinlichkeit ,019<br />
a Kruskal-Wallis-Test<br />
301
Anhang VI<br />
Tabelle VI-20: Ergebnisse der Kruskal-Wallis-Analyse mit dem vierfach abgestuften Faktor Bedingung<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die abhängigen Variable<br />
Lerngewinn Ferntransfer offen.<br />
Bedingung<br />
Chi-Quadrat 1,766<br />
df 3<br />
Asymptotische Signifikanz ,622<br />
a Kruskal Wallis Test<br />
c Einige oder alle exakten Signifikanezn können aufgrund un<strong>zur</strong>eichenden Speichers nicht berechnet werden.<br />
Tabelle VI-21: Ergebnisse der Kruskal-Wallis-Analysen mit dem jeweils zweifach abgestuften Faktor<br />
Bedingung für den Vergleich jeder Kontrastgruppe (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast) mit der Kontrollgruppe für die abhängige Variable Lerngewinn Ferntransfer offen bei exakter Testung.<br />
Struktureller Kontrast<br />
vs. Kontrollgruppe<br />
Kombinierter Kontrast<br />
vs. Kontrollgruppe<br />
Inhaltlicher Kontrast<br />
vs. Kontrollgruppe<br />
Chi-Quadrat ,917 ,127 ,325<br />
df 1 1 1<br />
Asymptotische Signifikanz ,338 ,722 ,569<br />
Exakte Signifikanz ,349 ,728 ,633<br />
Punkt-Wahrscheinlichkeit ,005 ,021 ,070<br />
a Kruskal-Wallis-Test<br />
Tabelle VI-22: Ergebnisse des Wilcoxon-Tests mit dem jeweils zweifach abgestuften Faktor Messzeitpunkt für<br />
jede der vier Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) der<br />
für die abhängige Variable Lerngewinn Ferntransfer offen im Vor- und Nachtest bei exakter Testung.<br />
Bedingung<br />
Nachtest Ferntransfer offen -<br />
Vortest Ferntransfer offen<br />
Struktureller Kontrast Z -1,778<br />
Asymptotische Signifikanz (2-seitig) ,075<br />
Exakte Signifikanz (2-seitig) ,102<br />
Exakte Signifikanz (1-seitig) ,051<br />
Punkt-Wahrscheinlichkeit ,025<br />
Kombinierter Kontrast Z -,364<br />
Asymptotische Signifikanz (2-seitig) ,716<br />
Exakte Signifikanz (2-seitig) ,811<br />
Exakte Signifikanz (1-seitig) ,405<br />
Punkt-Wahrscheinlichkeit ,059<br />
Inhaltlicher Kontrast Z -1,656<br />
Asymptotische Signifikanz (2-seitig) ,098<br />
Exakte Signifikanz (2-seitig) ,188<br />
Exakte Signifikanz (1-seitig) ,094<br />
Punkt-Wahrscheinlichkeit ,063<br />
Kontrollgruppe Z -,962<br />
Asymptotische Signifikanz (2-seitig) ,336<br />
Exakte Signifikanz (2-seitig) ,500<br />
Exakte Signifikanz (1-seitig) ,250<br />
Punkt-Wahrscheinlichkeit ,125<br />
a Basiert auf negativen Rängen.<br />
b Wilcoxon-Test<br />
302
Anhang VI<br />
Tabelle VI-23: Ergebnisse der Kruskal-Wallis-Analysen mit dem jeweils zweifach abgestuften Faktor<br />
Bedingung für den Vergleich jeder Kontrastgruppe (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast,) mit der Kontrollgruppe für die abhängige Variable Lerngewinn Ferntransfer offen bei exakter<br />
Testung.<br />
Baseline-Gruppe vs.<br />
struktureller Kontrast<br />
Baseline-Gruppe vs.<br />
kombinierter Kontrast<br />
Baseline-Gruppe vs.<br />
inhaltlicher Kontrast<br />
Baseline-Gruppe vs.<br />
Kontrollgruppe<br />
Chi-Quadrat 2,015 ,204 ,776 ,025<br />
df 1 1 1 1<br />
Asymptotische Signifikanz ,156 ,652 ,378 ,874<br />
Exakte Signifikanz ,161 ,651 ,309 ,998<br />
Punkt-Wahrscheinlichkeit ,019 ,002 ,012 ,006<br />
Tabelle VI-24: Ergebnisse des Wilcoxon-Tests mit dem jeweils zweifach abgestuften Messwiederholungs-<br />
Faktor Mapping für jede der vier Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast, Kontrolle, Baseline-Gruppe) für die abhängigen Variablen Lerngewinn Ferntransfer offen mit<br />
konventionellem und nicht-konventionellem Mapping.<br />
Statistik für Test<br />
Bedingung<br />
Gewinn offen konventionell -<br />
Gewinn offen nicht-konventionell<br />
Struktureller Kontrast Z -1,265<br />
Asymptotische Signifikanz (2-seitig) ,206<br />
Exakte Signifikanz (2-seitig) ,359<br />
Exakte Signifikanz (1-seitig) ,180<br />
Punkt-Wahrscheinlichkeit ,125<br />
Kombinierter Kontrast Z -,491<br />
Asymptotische Signifikanz (2-seitig) ,623<br />
Exakte Signifikanz (2-seitig) ,750<br />
Exakte Signifikanz (1-seitig) ,375<br />
Punkt-Wahrscheinlichkeit ,117<br />
Inhaltlicher Kontrast Z -1,656<br />
Asymptotische Signifikanz (2-seitig) ,098<br />
Exakte Signifikanz (2-seitig) ,188<br />
Exakte Signifikanz (1-seitig) ,094<br />
Punkt-Wahrscheinlichkeit ,063<br />
Kontrollgruppe Z -,707<br />
Asymptotische Signifikanz (2-seitig) ,480<br />
Exakte Signifikanz (2-seitig) ,750<br />
Exakte Signifikanz (1-seitig) ,375<br />
Punkt-Wahrscheinlichkeit ,219<br />
Baseline-Gruppe Z -1,000<br />
Asymptotische Signifikanz (2-seitig) ,317<br />
Exakte Signifikanz (2-seitig) ,531<br />
Exakte Signifikanz (1-seitig) ,266<br />
Punkt-Wahrscheinlichkeit ,172<br />
a Basiert auf negativen Rängen.<br />
b Basiert auf positiven Rängen.<br />
c Wilcoxon-Test<br />
Tabelle VI-25: Ergebnisse des Kruskal-Wallis-Test für den Vergleich der beiden Bedingungen (struktureller<br />
Kontrast, inhaltlicher Kontrast) für die abhängigen Variable Differenz im Lerngewinn Ferntransfer offen mit<br />
konventionellem und unkonventionellem Mapping.<br />
Struktureller vs. inhaltlicher Kontrast<br />
Chi-Quadrat 3,449<br />
df 1<br />
Asymptotische Signifikanz ,063<br />
Exakte Signifikanz ,051<br />
Punkt-Wahrscheinlichkeit ,008<br />
a Kruskal-Wallis-Test<br />
303
Anhang VI<br />
Tabelle VI-26: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich jeder der vier Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) mit der Baseline-Gruppe für die abhängige<br />
Variable Lerngewinn Ferntransfer offen mit konventionellem Mapping.<br />
Baseline-Gruppe vs.<br />
struktureller Kontrast<br />
Baseline-Gruppe vs.<br />
kombinierter Kontrast<br />
Baseline-Gruppe vs.<br />
inhaltlicher Kontrast<br />
Baseline-Gruppe vs.<br />
Kontrollgruppe<br />
Chi-Quadrat ,330 ,331 2,580 ,000<br />
df 1 1 1 1<br />
Asymptotische Signifikanz ,565 ,565 ,108 ,990<br />
Exakte Signifikanz ,497 ,718 ,087 1,000<br />
Punkt-Wahrscheinlichkeit ,002 ,011 ,032 ,007<br />
Tabelle VI-27: Ergebnisse des Kruskal-Wallis-Test für den Vergleich der beiden Bedingungen (struktureller<br />
Kontrast, inhaltlicher Kontrast) für die abhängigen Variable Lerngewinn Ferntransfer offen mit konventionellem<br />
Mapping.<br />
Struktureller Kontrast vs inhaltlicher Kontrast<br />
Chi-Quadrat ,199<br />
df 1<br />
Asymptotische Signifikanz ,655<br />
Exakte Signifikanz ,733<br />
Punkt-Wahrscheinlichkeit ,065<br />
Tabelle VI-28: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich jeder der vier Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) mit der Baseline-Gruppe für die abhängige<br />
Variable Lerngewinn Ferntransfer offen mit nicht-konventionellem Mapping.<br />
Struktureller Kontrast<br />
vs. Baseline-Gruppe<br />
Kombinierter Kontrast<br />
vs. Baseline-Gruppe<br />
Inhaltlicher Kontrast<br />
vs. Baseline-Gruppe<br />
Kontrollgruppe<br />
vs. Baseline-Gruppe<br />
Chi-Quadrat 7,945 ,084 ,182 ,115<br />
df 1 1 1 1<br />
Asymptotische Signifikanz ,005 ,773 ,670 ,735<br />
Exakte Signifikanz ,002 1,000 1,000 1,000<br />
Punkt-Wahrscheinlichkeit ,000 ,004 ,011 ,434<br />
Tabelle VI-29: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich jeder der drei Bedingungen (kombinierter<br />
Kontrast, inhaltlicher Kontrast, Kontrolle) mit der strukturellen Kontrastgruppe für die abhängige Variable<br />
Lerngewinn Ferntransfer offen mit nicht-konventionellem Mapping.<br />
Struktureller vs.<br />
inhaltlicher Kontrast<br />
Struktureller vs.<br />
kombinierter Kontrast<br />
Struktureller Kontrast<br />
vs. Kontrollgruppe<br />
Chi-Quadrat 3,093 1,917 3,014<br />
df 1 1 1<br />
Asymptotische Signifikanz ,079 ,166 ,083<br />
Exakte Signifikanz ,081 ,201 ,064<br />
Punkt-Wahrscheinlichkeit ,018 ,056 ,012<br />
Tabelle VI-30: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich jeder der fünf Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle, Baseline-Gruppe) für die abhängige Variable<br />
Steigungsitems Kontrolltests Basis und Steigungsitems Kontrolltests Kontrastteil.<br />
Steigung Kontrolltest Basis<br />
Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 49,471 49,859<br />
df 4 4<br />
Asymptotische Signifikanz ,000 ,000<br />
Exakte Signifikanz ,000 ,000<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
304
Anhang VI<br />
Tabelle VI-31: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich jeder der vier Bedingungen(struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) mit der Baseline-Gruppe für die abhängige<br />
Variable Steigungsitems Kontrolltests Basis und Steigungsitems Kontrolltests Kontrastteil.<br />
Baseline-Gruppe vs. struktureller Kontrast Steigung Kontrolltest Basis Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 23,129 27,539<br />
df 1 1<br />
Asymptotische Signifikanz ,000 ,000<br />
Exakte Signifikanz ,000 ,000<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
Baseline-Gruppe vs. kombinierter Kontrast Steigung Kontrolltest Basis Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 19,735 26,635<br />
df 1 1<br />
Asymptotische Signifikanz ,000 ,000<br />
Exakte Signifikanz ,000 ,000<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
Baseline-Gruppe vs. inhaltlicher Kontrast Steigung Kontrolltest Basis Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 15,916 28,483<br />
df 1 1<br />
Asymptotische Signifikanz ,000 ,000<br />
Exakte Signifikanz ,000 ,000<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
Baseline-Gruppe vs. Kontrollgruppe Steigung Kontrolltest Basis Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 23,238 19,291<br />
df 1 1<br />
Asymptotische Signifikanz ,000 ,000<br />
Exakte Signifikanz ,000 ,000<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
Tabelle VI-32: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich der vier Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die abhängige Variable Steigungsitems<br />
Kontrolltests Basis und Steigungsitems Kontrolltests Kontrastteil.<br />
Steigung Kontrolltest Basis<br />
Steigung Kontrolltest Kontrast<br />
Chi-Quadrat 1,432 1,644<br />
df 3 3<br />
Asymptotische Signifikanz ,698 ,649<br />
Exakte Signifikanz ,719 ,664<br />
Punkt-Wahrscheinlichkeit ,033 ,005<br />
Tabelle VI-33: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich der vier Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die abhängigen Variablen Lerngewinn<br />
Ferntransfer offen konventionell und Lerngewinn Ferntransfer offen nicht-konventionell getrennt nach<br />
Mediangruppe.<br />
Subgruppe Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Unter Median Chi-Quadrat 3,690 ,149<br />
df 3 3<br />
Asymptotische Signifikanz ,297 ,985<br />
Exakte Signifikanz ,347 ,964<br />
Punkt-Wahrscheinlichkeit ,001 ,001<br />
Über Median Chi-Quadrat 4,624 8,252<br />
df 3 3<br />
Asymptotische Signifikanz ,201 ,041<br />
Exakte Signifikanz ,203 ,029<br />
Punkt-Wahrscheinlichkeit ,000 ,000<br />
305
Anhang VI<br />
Tabelle VI-34: Ergebnisse des Kruskal-Wallis-Tests für den Vergleich der drei Bedingungen(struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast) für die abhängigen Variablen Lerngewinn Ferntransfer<br />
offen konventionell und Lerngewinn Ferntransfer offen nicht-konventionell getrennt nach Mediangruppe.<br />
Subgruppe Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Unter Median Chi-Quadrat 2,506 ,126<br />
df 2 2<br />
Asymptotische Signifikanz ,286 ,939<br />
Exakte Signifikanz ,350 ,900<br />
Punkt-Wahrscheinlichkeit ,004 ,008<br />
Über Median Chi-Quadrat 3,049 5,937<br />
df 2 2<br />
Asymptotische Signifikanz ,218 ,051<br />
Exakte Signifikanz ,223 ,047<br />
Punkt-Wahrscheinlichkeit ,003 ,001<br />
Tabelle VI-35: Ergebnisse des Kruskal-Wallis-Tests für die Einzelvergleiche der drei Bedingungen (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast) für die abhängigen Variablen Lerngewinn Ferntransfer<br />
offen konventionell und Lerngewinn Ferntransfer offen nicht-konventionell getrennt nach Mediangruppe.<br />
Struktureller vs. inhaltlicher Kontrast<br />
Subgruppe Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Unter Median Chi-Quadrat 3,022 ,038<br />
df 1 1<br />
Asymptotische Signifikanz ,082 ,846<br />
Exakte Signifikanz ,124 ,735<br />
Punkt-Wahrscheinlichkeit ,124 ,106<br />
Über Median Chi-Quadrat ,377 3,887<br />
df 1 1<br />
Asymptotische Signifikanz ,539 ,049<br />
Exakte Signifikanz ,709 ,061<br />
Punkt-Wahrscheinlichkeit ,297 ,030<br />
a Kruskal-Wallis-Test<br />
Kombinierter Kontrast vs. struktureller Kontrast<br />
Subgruppe Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Unter Median Chi-Quadrat ,553 ,039<br />
df 1 1<br />
Asymptotische Signifikanz ,457 ,844<br />
Exakte Signifikanz ,631 ,827<br />
Punkt-Wahrscheinlichkeit ,072 ,117<br />
Über Median Chi-Quadrat 2,576 4,612<br />
df 1 1<br />
Asymptotische Signifikanz ,108 ,032<br />
Exakte Signifikanz ,140 ,033<br />
Punkt-Wahrscheinlichkeit ,052 ,020<br />
Struktureller Kontrast vs. Kontrollgruppe<br />
Subgruppe Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Unter Median Chi-Quadrat 2,625 ,000<br />
df 1 1<br />
Asymptotische Signifikanz ,105 1,000<br />
Exakte Signifikanz ,264 1,000<br />
Punkt-Wahrscheinlichkeit ,154 ,168<br />
Über Median Chi-Quadrat 2,935 6,330<br />
df 1 1<br />
Asymptotische Signifikanz ,087 ,012<br />
Exakte Signifikanz ,115 ,019<br />
Punkt-Wahrscheinlichkeit ,045 ,019<br />
306
Anhang VI<br />
Tabelle VI-36: Ergebnisse der Kruskal-Wallis-Tests für den Vergleich der beiden Mediangruppen getrennt für<br />
jede der fünf Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle,<br />
Baseline-Gruppe) für die abhängigen Variablen Lerngewinn Ferntransfer offen konventionell und Lerngewinn<br />
Ferntransfer offen nicht-konventionell getrennt nach Mediangruppe<br />
Bedingung Lerngewinn offen konventionell Lerngewinn offen nicht-konventionell<br />
Struktureller Kontrast Chi-Quadrat 6,224 2,133<br />
df 1 1<br />
Asymptotische Signifikanz ,013 ,144<br />
Exakte Signifikanz ,013 ,191<br />
Punkt-Wahrscheinlichkeit ,013 ,070<br />
Kombinierter Kontrast Chi-Quadrat ,039 ,845<br />
df 1 1<br />
Asymptotische Signifikanz ,844 ,358<br />
Exakte Signifikanz ,830 ,352<br />
Punkt-Wahrscheinlichkeit ,131 ,117<br />
Inhaltlicher Kontrast Chi-Quadrat 2,077 ,972<br />
df 1 1<br />
Asymptotische Signifikanz ,150 ,324<br />
Exakte Signifikanz ,235 ,633<br />
Punkt-Wahrscheinlichkeit ,066 ,501<br />
Kontrollgruppe Chi-Quadrat ,317 1,500<br />
df 1 1<br />
Asymptotische Signifikanz ,574 ,221<br />
Exakte Signifikanz ,533 ,400<br />
Punkt-Wahrscheinlichkeit ,101 ,400<br />
Baseline-Gruppe Chi-Quadrat ,024 ,146<br />
df 1 1<br />
Asymptotische Signifikanz ,877 ,702<br />
Exakte Signifikanz 1,000 1,000<br />
Punkt-Wahrscheinlichkeit ,003 ,870<br />
307
Anhang VI<br />
VI-IV Explorative Analysen zum Vergleich der Aufgabenformate<br />
Tabelle VI-37: Ergebnisse der dreifaktoriellen Varianzanalyse mit den Messwiederholungsfaktoren Testformat<br />
(Multiple Choice, offen) und Mapping (konventionell, unkonventionell) und dem vierfach gestuften Gruppierungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die Verbesserungswerte<br />
des Transfertests gesamt.<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Testformat Sphärizität angenommen ,445 1 ,445 3,300 ,075 ,056<br />
Greenhouse-Geisser ,445 1,000 ,445 3,300 ,075 ,056<br />
Huynh-Feldt ,445 1,000 ,445 3,300 ,075 ,056<br />
Untergrenze ,445 1,000 ,445 3,300 ,075 ,056<br />
Testformat * Bedingung Sphärizität angenommen ,546 3 ,182 1,349 ,268 ,067<br />
Greenhouse-Geisser ,546 3,000 ,182 1,349 ,268 ,067<br />
Huynh-Feldt ,546 3,000 ,182 1,349 ,268 ,067<br />
Untergrenze ,546 3,000 ,182 1,349 ,268 ,067<br />
Fehler (Testformat) Sphärizität angenommen 7,551 56 ,135<br />
Greenhouse-Geisser 7,551 56,000 ,135<br />
Huynh-Feldt 7,551 56,000 ,135<br />
Untergrenze 7,551 56,000 ,135<br />
Mapping Sphärizität angenommen ,778 1 ,778 9,106 ,004 ,140<br />
Greenhouse-Geisser ,778 1,000 ,778 9,106 ,004 ,140<br />
Huynh-Feldt ,778 1,000 ,778 9,106 ,004 ,140<br />
Untergrenze ,778 1,000 ,778 9,106 ,004 ,140<br />
Mapping * Bedingung Sphärizität angenommen ,672 3 ,224 2,620 ,060 ,123<br />
Greenhouse-Geisser ,672 3,000 ,224 2,620 ,060 ,123<br />
Huynh-Feldt ,672 3,000 ,224 2,620 ,060 ,123<br />
Untergrenze ,672 3,000 ,224 2,620 ,060 ,123<br />
Fehler(Mapping) Sphärizität angenommen 4,786 56 8,547E-02<br />
Greenhouse-Geisser 4,786 56,000 8,547E-02<br />
Huynh-Feldt 4,786 56,000 8,547E-02<br />
Untergrenze 4,786 56,000 8,547E-02<br />
Testformat * Mapping Sphärizität angenommen ,567 1 ,567 4,352 ,042 ,072<br />
Greenhouse-Geisser ,567 1,000 ,567 4,352 ,042 ,072<br />
Huynh-Feldt ,567 1,000 ,567 4,352 ,042 ,072<br />
Untergrenze ,567 1,000 ,567 4,352 ,042 ,072<br />
Testformat *<br />
Sphärizität angenommen ,372 3 ,124 ,951 ,422 ,048<br />
Mapping * Bedingung Greenhouse-Geisser ,372 3,000 ,124 ,951 ,422 ,048<br />
Huynh-Feldt ,372 3,000 ,124 ,951 ,422 ,048<br />
Untergrenze ,372 3,000 ,124 ,951 ,422 ,048<br />
Fehler<br />
Sphärizität angenommen 7,297 56 ,130<br />
(Testformat * Mapping) Greenhouse-Geisser 7,297 56,000 ,130<br />
Huynh-Feldt 7,297 56,000 ,130<br />
Untergrenze 7,297 56,000 ,130<br />
308
Anhang VI<br />
Tabelle VI-38: Ergebnisse der gepaarten T-Tests (Messwiederholung) für jeden Gruppierungsfaktor (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die Verbesserungswerte im Transfertest<br />
mit konventionellem Mapping und dem Transfertest unkonventionelles Mapping..<br />
Test bei gepaarten Stichproben<br />
Bedingung<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Paaren 1<br />
Paaren 1<br />
Paaren 1<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Mittelwert<br />
Gepaarte<br />
Differenzen<br />
Standardabweichung<br />
Standard-fehler<br />
des Mittelwertes<br />
95%<br />
Konfidenzintervall<br />
der Differenz<br />
Untere Obere T df<br />
Sig.<br />
(2-seitig)<br />
,0667 ,56273 ,14530 -,2450 ,3783 ,459 14 ,653<br />
-,0222 ,61999 ,16008 -,3656 ,3211 -,139 14 ,892<br />
,3778 ,56508 ,14590 ,0648 ,6907 2,589 14 ,021<br />
,4889 ,58914 ,15212 ,1626 ,8151 3,214 14 ,006<br />
Tabelle VI-39: Ergebnisse der gepaarten T-Tests (Messwiederholung) für jeden Gruppierungsfaktor (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) für die Verbesserungswerte im Transfertest<br />
mit Multiple-Choice-Format und im Transfertest offenes Format.<br />
Bedingung<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Paaren 1<br />
Paaren 1<br />
Paaren 1<br />
Paaren 1<br />
Offenes - Multiple-<br />
Choice-Format<br />
Offenes - Multiple-<br />
Choice-Format<br />
Offenes - Multiple-<br />
Choice-Format<br />
Offenes - Multiple-<br />
Choice-Format<br />
Mittelwert<br />
Gepaarte<br />
Differenzen<br />
Standardabwei-chung<br />
Standardfehler<br />
des<br />
Mittelwertes<br />
95%<br />
Konfidenzintervall<br />
der Differenz<br />
Untere Obere T df<br />
Sig.<br />
(2-seitig)<br />
-,1333 ,87333 ,22549 -,6170 ,3503 -,591 14 ,564<br />
,1556 ,65607 ,16940 -,2078 ,5189 ,918 14 ,374<br />
,3333 ,69293 ,17892 -,0504 ,7171 1,863 14 ,084<br />
,3333 ,69579 ,17965 -,0520 ,7187 1,855 14 ,085<br />
Tabelle VI-40: Ergebnisse der vierfaktoriellen Varianzanalyse für die Messwiederholungsfaktoren Testformat<br />
(Multiple Choice, offen) und Mapping (konventionell, unkonventionell) und den vierfach gestuften Gruppierungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) sowie den zweifach<br />
gestuften Gruppierungsfaktor Median Vortestleistung (gering, hoch) für die Verbesserungswerte im Transfertest<br />
gesamt.<br />
Quelle<br />
Quadratsumme vom<br />
Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Testformat Sphärizität angenommen ,396 1 ,396 2,970 ,091 ,054<br />
Greenhouse-Geisser ,396 1,000 ,396 2,970 ,091 ,054<br />
Huynh-Feldt ,396 1,000 ,396 2,970 ,091 ,054<br />
Untergrenze ,396 1,000 ,396 2,970 ,091 ,054<br />
Testformat * Sphärizität angenommen ,588 3 ,196 1,468 ,234 ,078<br />
Bedingung Greenhouse-Geisser ,588 3,000 ,196 1,468 ,234 ,078<br />
Huynh-Feldt ,588 3,000 ,196 1,468 ,234 ,078<br />
Untergrenze ,588 3,000 ,196 1,468 ,234 ,078<br />
Testformat * Sphärizität angenommen ,154 1 ,154 1,156 ,287 ,022<br />
Subgruppe Greenhouse-Geisser ,154 1,000 ,154 1,156 ,287 ,022<br />
Huynh-Feldt ,154 1,000 ,154 1,156 ,287 ,022<br />
Untergrenze ,154 1,000 ,154 1,156 ,287 ,022<br />
Testformat * Sphärizität angenommen ,459 3 ,153 1,147 ,339 ,062<br />
Bedingung * Greenhouse-Geisser ,459 3,000 ,153 1,147 ,339 ,062<br />
Subgruppe Huynh-Feldt ,459 3,000 ,153 1,147 ,339 ,062<br />
Untergrenze ,459 3,000 ,153 1,147 ,339 ,062<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
309
Anhang VI<br />
Quelle<br />
Quadratsumme vom<br />
Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
Fehler Sphärizität angenommen 6,940 52 ,133<br />
(Testformat) Greenhouse-Geisser 6,940 52,000 ,133<br />
Huynh-Feldt 6,940 52,000 ,133<br />
Untergrenze 6,940 52,000 ,133<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Mapping Sphärizität angenommen ,858 1 ,858 10,602 ,002 ,169<br />
Greenhouse-Geisser ,858 1,000 ,858 10,602 ,002 ,169<br />
Huynh-Feldt ,858 1,000 ,858 10,602 ,002 ,169<br />
Untergrenze ,858 1,000 ,858 10,602 ,002 ,169<br />
Mapping * Sphärizität angenommen ,778 3 ,259 3,203 ,031 ,156<br />
Bedingung Greenhouse-Geisser ,778 3,000 ,259 3,203 ,031 ,156<br />
Huynh-Feldt ,778 3,000 ,259 3,203 ,031 ,156<br />
Untergrenze ,778 3,000 ,259 3,203 ,031 ,156<br />
Mapping * Sphärizität angenommen 9,006E-02 1 9,006E-02 1,113 ,296 ,021<br />
Subgruppe Greenhouse-Geisser 9,006E-02 1,000 9,006E-02 1,113 ,296 ,021<br />
Huynh-Feldt 9,006E-02 1,000 9,006E-02 1,113 ,296 ,021<br />
Untergrenze 9,006E-02 1,000 9,006E-02 1,113 ,296 ,021<br />
Mapping * Sphärizität angenommen ,482 3 ,161 1,984 ,128 ,103<br />
Bedingung * Greenhouse-Geisser ,482 3,000 ,161 1,984 ,128 ,103<br />
Subgruppe Huynh-Feldt ,482 3,000 ,161 1,984 ,128 ,103<br />
Untergrenze ,482 3,000 ,161 1,984 ,128 ,103<br />
Fehler Sphärizität angenommen 4,208 52 8,093E-02<br />
(Mapping) Greenhouse-Geisser 4,208 52,000 8,093E-02<br />
Huynh-Feldt 4,208 52,000 8,093E-02<br />
Untergrenze 4,208 52,000 8,093E-02<br />
Testformat * Sphärizität angenommen ,539 1 ,539 4,141 ,047 ,074<br />
Mapping Greenhouse-Geisser ,539 1,000 ,539 4,141 ,047 ,074<br />
Huynh-Feldt ,539 1,000 ,539 4,141 ,047 ,074<br />
Untergrenze ,539 1,000 ,539 4,141 ,047 ,074<br />
Testformat * Sphärizität angenommen ,500 3 ,167 1,279 ,291 ,069<br />
Mapping * Greenhouse-Geisser ,500 3,000 ,167 1,279 ,291 ,069<br />
Bedingung Huynh-Feldt ,500 3,000 ,167 1,279 ,291 ,069<br />
Untergrenze ,500 3,000 ,167 1,279 ,291 ,069<br />
Testformat * Sphärizität angenommen ,424 1 ,424 3,259 ,077 ,059<br />
Mapping * Greenhouse-Geisser ,424 1,000 ,424 3,259 ,077 ,059<br />
Subgruppe Huynh-Feldt ,424 1,000 ,424 3,259 ,077 ,059<br />
Untergrenze ,424 1,000 ,424 3,259 ,077 ,059<br />
Testformat * Sphärizität angenommen ,106 3 3,523E-02 ,271 ,846 ,015<br />
Mapping *<br />
Greenhouse-Geisser ,106 3,000 3,523E-02 ,271 ,846 ,015<br />
Bedingung *<br />
Subgruppe Huynh-Feldt ,106 3,000 3,523E-02 ,271 ,846 ,015<br />
Untergrenze ,106 3,000 3,523E-02 ,271 ,846 ,015<br />
Fehler Sphärizität angenommen 6,773 52 ,130<br />
(Testformat * Greenhouse-Geisser 6,773 52,000 ,130<br />
Mapping) Huynh-Feldt 6,773 52,000 ,130<br />
Untergrenze 6,773 52,000 ,130<br />
310
Anhang VI<br />
Tabelle VI-41: Ergebnisse der gepaarten T-Tests (Messwiederholung) für den Gruppierungsfaktor Vortestleistung<br />
(gering, hoch) für die Verbesserungswerte im Transfertest konventionelles Mapping und Transfertest<br />
unkonventionelles Mapping, jeweils im Multiple-Choice- und im offenen Format..<br />
Test bei gepaarten Stichproben<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Paaren 1<br />
Paaren 2<br />
Paaren 1<br />
Paaren 2<br />
Lerngewinn Multiple Choice<br />
konventionell - Lerngewinn Multiple<br />
Choice unkonventionell<br />
Lerngewinn offen unkonventionell -<br />
Lerngewinn offen konventionell<br />
Lerngewinn Multiple Choice<br />
konventionell - Lerngewinn Multiple<br />
Choice unkonventionell<br />
Lerngewinn offen unkonventionell -<br />
Lerngewinn offen konventionell<br />
Gepaarte<br />
Differenzen<br />
Mittelwert<br />
Subgruppe<br />
Standardabweifehler<br />
Standardchung<br />
des<br />
Mittelwertes<br />
95%<br />
Konfidenzintervall<br />
der Differenz<br />
Untere Obere T df<br />
Sig.<br />
(2-seitig)<br />
,1019 ,34776 ,04098 ,0201 ,1836 2,485 71 ,015<br />
-,0278 ,31274 ,03686 -,1013 ,0457 -,754 71 ,454<br />
,1717 ,55353 ,09636 -,0246 ,3680 1,782 32 ,084<br />
,1364 ,47224 ,08221 -,0311 ,3038 1,659 32 ,107<br />
Tabelle VI-42: Ergebnisse der gepaarten T-Tests (Messwiederholung) für jeden Gruppierungsfaktor (struktureller<br />
Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrolle) und den Gruppierungsfaktor Vortestleistung<br />
(gering, hoch) für die Verbesserungswerte im Transfertest mit konventionellem Mapping und im<br />
Transfertest mit unkonventionellem Mapping.<br />
Test bei gepaarten Stichproben<br />
Bedingung<br />
Struktureller<br />
Kontrast<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Gepaarte<br />
Differenzen<br />
Mittelwert<br />
Subgruppe<br />
Standardabweichung<br />
Standard-fehler<br />
des<br />
Mittelwertes<br />
95% Konfidenzintervall<br />
der<br />
Differenz<br />
Untere Obere T df<br />
Sig.<br />
(2-seitig)<br />
-,1250 ,51755 ,18298 -,5577 ,3077 -,683 7 ,516<br />
,2857 ,56695 ,21429 -,2386 ,8101 1,333 6 ,231<br />
Kombinierter<br />
Kontrast<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
-,2857 ,49735 ,18798 -,7457 ,1743 -1,520 6 ,179<br />
,2083 ,65314 ,23092 -,3377 ,7544 ,902 7 ,397<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Baseline-<br />
Gruppe<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Unter<br />
Median<br />
Über<br />
Median<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
Paaren 1<br />
Konventionelle - nichtkonventionelle<br />
Items<br />
,3148 ,44444 ,14815 -,0268 ,6564 2,125 8 ,066<br />
,4722 ,74846 ,30556 -,3132 1,2577 1,545 5 ,183<br />
,7500 ,25276 ,10319 ,4847 1,0153 7,268 5 ,001<br />
,3148 ,69444 ,23148 -,2190 ,8486 1,360 8 ,211<br />
,0238 ,27441 ,04234 -,0617 ,1093 ,562 41 ,577<br />
,2778 1,20570 ,69611 -2,7173 3,2729 ,399 2 ,728<br />
311
Anhang VI<br />
Tabelle VI-43: Ergebnisse des T-Tests (Messwiederholung) für die Teilnehmer mit hohen Vortestleistungen für<br />
die Verbesserungswerte im Transfertest mit unkonventionellem Mapping für die Gruppenvergleiche struktureller<br />
Kontrast vs. inhaltlicher Kontrast, struktureller Kontrast vs. kombinierter Kontrast und struktureller Kontrast vs.<br />
Kontrollgruppe.<br />
Über<br />
Median<br />
Nichtkonventionelle<br />
Items<br />
Varianzen<br />
sind gleich<br />
Varianzen sind<br />
nicht gleich<br />
Struktureller Kontrast vs. Kontrollgruppe<br />
Über<br />
Median<br />
Nichtkonventionelle<br />
Items<br />
Varianzen<br />
sind gleich<br />
Varianzen sind<br />
nicht gleich<br />
F<br />
F<br />
T<br />
T-Test<br />
für die Mittelwertgleichheit<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Struktureller Kontrast vs. kombinierter Kontrast<br />
Levene-Test der Varianzgleichheit<br />
Subgruppe<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
95% Konfidenzintervall<br />
der Differenz<br />
Untere<br />
Obere<br />
,007 ,934 1,704 13 ,112 ,5804 ,34064 -,15554 1,31626<br />
Struktureller Kontrast vs. inhaltlicher Kontrast<br />
Über<br />
Median<br />
Nichtkonventionelle<br />
Items<br />
Varianzen<br />
sind gleich<br />
Varianzen sind<br />
nicht gleich<br />
1,681 11,723 ,119 ,5804 ,34529 -,17393 1,33464<br />
T<br />
T-Test<br />
für die Mittelwertgleichheit<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Levene-Test der Varianzgleichheit<br />
Subgruppe<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
95% Konfidenzintervall<br />
der Differenz<br />
Untere<br />
Obere<br />
1,279 ,277 2,316 14 ,036 ,6429 ,27753 ,04760 1,23811<br />
F<br />
2,142 8,466 ,063 ,6429 ,30012 -,04265 1,32836<br />
T<br />
T-Test<br />
für die Mittelwertgleichheit<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Levene-Test der Varianzgleichheit<br />
Subgruppe<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
95% Konfidenzintervall<br />
der Differenz<br />
Untere<br />
Obere<br />
,566 ,467 1,654 11 ,126 ,5595 ,33823 -,18491 1,30395<br />
1,721 9,959 ,116 ,5595 ,32505 -,16514 1,28419<br />
312
Anhang VII<br />
Anhang VII - Analyse der abhängigen Variablen (Erschließen)<br />
Tabelle VII-1: Ergebnisse des Kruskal-Wallis-Tests mit dem vierfach abgestuften Faktor Bedingung (struktureller<br />
Kontrast, inhaltlicher Kontrast, kombinierter Kontrast, Kontrollgruppe) für die abhängigen Variablen<br />
zweidimensional integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale<br />
Antworten, andere Antworten, Übergeneralisierung, Misskonzepte.<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 2,444 3,431 ,689 7,039 ,977 2,389<br />
df 3 3 3 3 3 3<br />
Asymptotische Signifikanz ,485 ,330 ,876 ,071 ,807 ,496<br />
Exakte Signifikanz ,499 ,334 ,881 ,068 ,841 ,668<br />
Punkt-Wahrscheinlichkeit ,001 ,000 ,000 ,000 ,010 ,291<br />
Tabelle VII-2: Ergebnisse des Kruskal-Wallis-Tests mit dem dreifach abgestuften Faktor Bedingung (struktureller<br />
Kontrast, inhaltlicher Kontrast, kombinierter Kontrast) für die abhängigen Variablen zweidimensional<br />
integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale Antworten, andere<br />
Antworten, Übergeneralisierung, Misskonzepte.<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Andere<br />
f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Eindimensionale<br />
Antworten<br />
Misskonzept-<br />
Antwortem<br />
Chi-Quadrat ,129 2,260 ,402 4,217 ,296 ,473<br />
df 2 2 2 2 2 2<br />
Asymptotische Signifikanz ,937 ,323 ,818 ,121 ,862 ,789<br />
Exakte Signifikanz ,978 ,327 ,820 ,128 ,894 ,919<br />
Punkt-Wahrscheinlichkeit ,037 ,001 ,002 ,001 ,059 ,325<br />
TabelleVII-3: Ergebnisse des Kruskal-Wallis-Tests für die Einzelvergleiche für die abhängigen Variablen<br />
zweidimensional integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale<br />
Antworten, andere Antworten, Übergeneralisierung Misskonzepte.<br />
Kontrollgruppe vs.<br />
struktureller Kontrast<br />
Kontrollgruppe vs. kombinierter<br />
Kontrast<br />
Kombinierter Kontrast vs.<br />
inhaltlicher Kontrast<br />
Chi-Quadrat 3,063 4,569 3,537<br />
df 1 1 1<br />
Asymptotische Signifikanz ,080 ,033 ,060<br />
Exakte Signifikanz ,088 ,039 ,073<br />
Punkt-Wahrscheinlichkeit ,017 ,012 ,020<br />
Tabelle VII-4: Ergebnisse des Kruskal-Wallis-Tests mit dem zweifach gestuften Gruppierungsfaktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) für die abhängigen Variablen zweidimensional integrierte Antworten,<br />
zweidimensional nicht-integrierte Antworten, eindimensionale Antworten, andere Antworten, Übergeneralisierung,<br />
Misskonzepte.<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 9,176 13,511 10,569 1,533 ,286 10,310<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,002 ,000 ,001 ,216 ,593 ,001<br />
Exakte Signifikanz ,002 ,000 ,001 ,218 ,613 ,001<br />
Punkt-Wahrscheinlichkeit ,000 ,000 ,000 ,002 ,025 ,000<br />
313
Anhang VII<br />
Tabelle VII-5: Ergebnisse des Kruskal-Wallis-Tests mit dem zweifach gestuften Gruppierungsfaktor Bedingung<br />
(Trainingsgruppen, Baseline-Gruppe) für die abhängigen Variablen zweidimensional integrierte Antworten,<br />
zweidimensional nicht-integrierte Antworten, eindimensionale Antworten, andere Antworten, Übergeneralisierung,<br />
Misskonzepte für die reduzierte Stichprobe.<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat ,245 4,407 8,936 ,288 ,994 3,094<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,621 ,036 ,003 ,591 ,319 ,079<br />
Exakte Signifikanz ,735 ,037 ,002 ,590 ,319 ,138<br />
Punkt-Wahrscheinlichkeit ,291 ,002 ,000 ,015 ,033 ,065<br />
Tabelle VII-6: Ergebnisse des Kruskal-Wallis-Tests für den Einzelvergleich jeder der vier Trainingsbedingungen<br />
mit der Baseline-Gruppe (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe)<br />
für die abhängigen Variablen zweidimensional integrierte Antworten, zweidimensional nicht-integrierte<br />
Antworten, eindimensionale Antworten, andere Antworten, Übergeneralisierung, Misskonzepte.<br />
Struktureller Kontrast vs. Baseline-Gruppe<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 4,664 10,652 6,426 2,717 ,293 4,097<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,031 ,001 ,011 ,099 ,589 ,043<br />
Exakte Signifikanz ,023 ,001 ,011 ,100 ,651 ,059<br />
Punkt-Wahrscheinlichkeit ,013 ,000 ,001 ,006 ,117 ,028<br />
Kombinierter Kontrast vs. Baseline-Gruppe<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 2,531 12,269 5,276 4,438 ,002 2,339<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,112 ,000 ,022 ,035 ,965 ,126<br />
Exakte Signifikanz ,049 ,000 ,022 ,036 1,000 ,161<br />
Punkt-Wahrscheinlichkeit ,019 ,000 ,003 ,003 ,109 ,063<br />
Inhaltlicher Kontrast vs. Baseline-Gruppe<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 4,469 5,118 3,810 ,007 ,002 1,920<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,035 ,024 ,051 ,935 ,965 ,166<br />
Exakte Signifikanz ,031 ,028 ,053 ,921 1,000 ,183<br />
Punkt-Wahrscheinlichkeit ,017 ,002 ,001 ,013 ,109 ,018<br />
Kontrollgruppe vs. Baseline-Gruppe<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 13,288 3,647 4,614 ,311 ,918 6,468<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,000 ,056 ,032 ,577 ,338 ,011<br />
Exakte Signifikanz ,000 ,053 ,039 ,590 ,418 ,013<br />
Punkt-Wahrscheinlichkeit ,000 ,004 ,002 ,013 ,015 ,006<br />
314
Anhang VII<br />
Tabelle VII-7: Ergebnisse des Kruskal-Wallis-Tests für Einzelvergleich jeder der vier Trainingsbedingungen<br />
mit der Baseline-Gruppe (struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe)<br />
für die abhängigen Variablen zweidimensional integrierte Antworten, zweidimensional nicht-integrierte<br />
Antworten, eindimensionale Antworten, andere Antworten, Übergeneralisierung, Misskonzepte für die reduzierte<br />
Stichprobe.<br />
Baseline-Gruppe vs. Struktureller Kontrast<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat ,578 1,840 7,133 ,755 ,058 2,430<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,447 ,175 ,008 ,385 ,810 ,119<br />
Exakte Signifikanz 1,000 ,285 ,005 ,396 ,924 ,169<br />
Punkt-Wahrscheinlichkeit ,605 ,034 ,002 ,015 ,202 ,143<br />
Baseline-Gruppe vs. kombinierter Kontrast<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat ,578 4,536 5,102 2,210 ,750 ,001<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,447 ,033 ,024 ,137 ,387 ,977<br />
Exakte Signifikanz 1,000 ,031 ,024 ,142 ,494 1,000<br />
Punkt-Wahrscheinlichkeit ,605 ,005 ,010 ,027 ,105 ,360<br />
Baseline-Gruppe vs. inhaltlicher Kontrast<br />
Zweidimensional Zweidimensional<br />
integrierte nicht-integrierte<br />
Antworten Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat 3,551 3,966 ,735 ,023 ,515 1,765<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,060 ,046 ,391 ,879 ,473 ,184<br />
Exakte Signifikanz ,101 ,056 ,477 ,904 ,525 ,304<br />
Punkt-Wahrscheinlichkeit ,073 ,021 ,113 ,166 ,173 ,236<br />
Baseline-Gruppe vs. Kontrollgruppe<br />
Zweidimensional<br />
integrierte<br />
Antworten<br />
Zweidimensional<br />
nicht-integrierte<br />
Antworten<br />
Eindimensionale<br />
Antworten<br />
Andere f<strong>als</strong>che<br />
Antworten<br />
Übergeneralisierung<br />
Misskonzept-<br />
Antworten<br />
Chi-Quadrat ,560 ,029 3,151 2,252 ,679 1,765<br />
df 1 1 1 1 1 1<br />
Asymptotische Signifikanz ,454 ,864 ,076 ,133 ,410 ,184<br />
Exakte Signifikanz 1,000 ,911 ,108 ,186 ,395 ,304<br />
Punkt-Wahrscheinlichkeit ,246 ,178 ,038 ,031 ,043 ,236<br />
Tabelle VII-8: Ergebnisse der multivariaten Kovarianzanalyse mit dem vierfach gestuften Bedingungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) für die abhängigen<br />
Variablen zweidimensional integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale<br />
Antworten, andere Antworten, Übergeneralisierung, Misskonzepte mit der Kovariate Graphenverständnis im<br />
Vortest.<br />
Multivariate Tests<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Intercept Pillai-Spur ,990 803,047 6,000 47,000 ,000 ,990<br />
Wilks-Lambda ,010 803,047 6,000 47,000 ,000 ,990<br />
Hotelling-Spur 102,517 803,047 6,000 47,000 ,000 ,990<br />
Größte charakteristische Wurzel nach Roy 102,517 803,047 6,000 47,000 ,000 ,990<br />
Vortest Graphenverständnis<br />
Pillai-Spur ,358 4,362 6,000 47,000 ,001 ,358<br />
Wilks-Lambda ,642 4,362 6,000 47,000 ,001 ,358<br />
Hotelling-Spur ,557 4,362 6,000 47,000 ,001 ,358<br />
Größte charakteristische Wurzel nach Roy ,557 4,362 6,000 47,000 ,001 ,358<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
315
Anhang VII<br />
Effekt Wert F<br />
Hypothese<br />
df<br />
Fehler<br />
df<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Bedingung Pillai-Spur ,329 1,006 18,000 147,000 ,457 ,110<br />
Wilks-Lambda ,693 1,025 18,000 133,421 ,437 ,115<br />
Hotelling-Spur ,411 1,043 18,000 137,000 ,417 ,120<br />
Größte charakteristische Wurzel nach Roy ,321 2,621 6,000 49,000 ,028 ,243<br />
Bedingung * Vortest Pillai-Spur ,173 ,498 18,000 147,000 ,956 ,058<br />
Graphenverständnis Wilks-Lambda ,836 ,485 18,000 133,421 ,961 ,058<br />
Hotelling-Spur ,186 ,472 18,000 137,000 ,966 ,058<br />
Größte charakteristische Wurzel nach Roy ,103 ,843 6,000 49,000 ,543 ,094<br />
a Exakte Statistik<br />
b Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt.<br />
c Design: Intercept+Vortest Graphenverständnis+Bedingung+Bedingung * Vortest Graphenverständnis<br />
Tabelle VII-9: Ergebnisse der multivariaten Kovarianzanalyse mit dem vierfach gestufte Bedingungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) und dem zweifach<br />
gestuftem Faktor Antwortkategorie (eindimensional, zweidimensional) für die abhängigen Variablen zweidimensionale<br />
Antworten gesamt und eindimensionale Antworten mit Kovariate Graphenverständnis im Vortest.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Antwortkategorie Sphärizität angenommen 6,447 1 6,447 6,863 ,012 ,117<br />
Greenhouse-Geisser 6,447 1,000 6,447 6,863 ,012 ,117<br />
Huynh-Feldt 6,447 1,000 6,447 6,863 ,012 ,117<br />
Untergrenze 6,447 1,000 6,447 6,863 ,012 ,117<br />
Antwortkategorie * Sphärizität angenommen 9,312 1 9,312 9,914 ,003 ,160<br />
Vortest Graphenverständnis<br />
Greenhouse-Geisser 9,312 1,000 9,312 9,914 ,003 ,160<br />
Huynh-Feldt 9,312 1,000 9,312 9,914 ,003 ,160<br />
Untergrenze 9,312 1,000 9,312 9,914 ,003 ,160<br />
Antwortkategorie * Sphärizität angenommen ,948 3 ,316 ,336 ,799 ,019<br />
Bedingung Greenhouse-Geisser ,948 3,000 ,316 ,336 ,799 ,019<br />
Huynh-Feldt ,948 3,000 ,316 ,336 ,799 ,019<br />
Untergrenze ,948 3,000 ,316 ,336 ,799 ,019<br />
Antwortkategorie * Sphärizität angenommen 2,620 3 ,873 ,930 ,433 ,051<br />
Bedingung * Vortest Greenhouse-Geisser 2,620 3,000 ,873 ,930 ,433 ,051<br />
Graphenverständnis Huynh-Feldt 2,620 3,000 ,873 ,930 ,433 ,051<br />
Untergrenze 2,620 3,000 ,873 ,930 ,433 ,051<br />
Fehler<br />
Sphärizität angenommen 48,846 52 ,939<br />
(Antwortkategorie) Greenhouse-Geisser 48,846 52,000 ,939<br />
Huynh-Feldt 48,846 52,000 ,939<br />
Untergrenze 48,846 52,000 ,939<br />
Tabelle VII-10: Ergebnisse der multivariaten Kovarianzanalyse mit dem dreifach gestuften Bedingungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast) und dem zweifach gestuftem Faktor<br />
Antwortkategorie (eindimensional, zweidimensional) für die abhängigen Variablen zweidimensionale Antworten<br />
gesamt und eindimensionale Antworten mit Kovariate Graphenverständnis im Vortest.<br />
Tests der Innersubjekteffekte<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Antwortkategorie Sphärizität angenommen 6,015 1 6,015 5,879 ,020 ,131<br />
Greenhouse-Geisser 6,015 1,000 6,015 5,879 ,020 ,131<br />
Huynh-Feldt 6,015 1,000 6,015 5,879 ,020 ,131<br />
Untergrenze 6,015 1,000 6,015 5,879 ,020 ,131<br />
Antwortkategorie * Sphärizität angenommen 8,054 1 8,054 7,872 ,008 ,168<br />
Vortest Graphenverständnis<br />
Greenhouse-Geisser 8,054 1,000 8,054 7,872 ,008 ,168<br />
Huynh-Feldt 8,054 1,000 8,054 7,872 ,008 ,168<br />
Untergrenze 8,054 1,000 8,054 7,872 ,008 ,168<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
316
Anhang VII<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Antwortkategorie * Sphärizität angenommen ,757 2 ,378 ,370 ,693 ,019<br />
Kontraste Greenhouse-Geisser ,757 2,000 ,378 ,370 ,693 ,019<br />
Huynh-Feldt ,757 2,000 ,378 ,370 ,693 ,019<br />
Untergrenze ,757 2,000 ,378 ,370 ,693 ,019<br />
Antwortkategorie * Sphärizität angenommen 2,553 2 1,277 1,248 ,298 ,060<br />
Kontraste * Vortest Greenhouse-Geisser 2,553 2,000 1,277 1,248 ,298 ,060<br />
Graphenverständnis Huynh-Feldt 2,553 2,000 1,277 1,248 ,298 ,060<br />
Untergrenze 2,553 2,000 1,277 1,248 ,298 ,060<br />
Fehler<br />
Sphärizität angenommen 39,901 39 1,023<br />
(Antwortkategorie) Greenhouse-Geisser 39,901 39,000 1,023<br />
Huynh-Feldt 39,901 39,000 1,023<br />
Untergrenze 39,901 39,000 1,023<br />
Tabelle VII-11: Ergebnisse der multivariaten Variantanalyse mit dem vierfach gestuften Bedingungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) und dem zweifach<br />
gestuftem Faktor Subgruppe (unter Median, über Median) und dem zweifach gestuftem Faktor Antwortkategorie<br />
(eindimensional, zweidimensional) für die abhängigen Variablen zweidimensionale Antworten gesamt und<br />
eindimensionale Antworten und der Kovariate Graphenverständnis im Vortest.<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Antwortkategorie Sphärizität angenommen 3,696 1 3,696 4,265 ,044 ,076<br />
Greenhouse-Geisser 3,696 1,000 3,696 4,265 ,044 ,076<br />
Huynh-Feldt 3,696 1,000 3,696 4,265 ,044 ,076<br />
Untergrenze 3,696 1,000 3,696 4,265 ,044 ,076<br />
Antwortkategorie * Sphärizität angenommen 1,423 3 ,474 ,547 ,652 ,031<br />
Bedingung Greenhouse-Geisser 1,423 3,000 ,474 ,547 ,652 ,031<br />
Huynh-Feldt 1,423 3,000 ,474 ,547 ,652 ,031<br />
Untergrenze 1,423 3,000 ,474 ,547 ,652 ,031<br />
Antwortkategorie * Sphärizität angenommen 5,661 1 5,661 6,532 ,014 ,112<br />
Subgruppe Greenhouse-Geisser 5,661 1,000 5,661 6,532 ,014 ,112<br />
Huynh-Feldt 5,661 1,000 5,661 6,532 ,014 ,112<br />
Untergrenze 5,661 1,000 5,661 6,532 ,014 ,112<br />
Antwortkategorie * Sphärizität angenommen 8,903 3 2,968 3,424 ,024 ,165<br />
Bedingung * Greenhouse-Geisser 8,903 3,000 2,968 3,424 ,024 ,165<br />
Subgruppe Huynh-Feldt 8,903 3,000 2,968 3,424 ,024 ,165<br />
Untergrenze 8,903 3,000 2,968 3,424 ,024 ,165<br />
Fehler<br />
Sphärizität angenommen 45,064 52 ,867<br />
(Antwortkategorie) Greenhouse-Geisser 45,064 52,000 ,867<br />
Huynh-Feldt 45,064 52,000 ,867<br />
Untergrenze 45,064 52,000 ,867<br />
Tabelle VII-12: Ergebnisse der multivariaten Variantanalyse mit dem dreifach gestuften Bedingungsfaktor<br />
(struktureller Kontrast, kombinierter Kontrast, inhaltlicher Kontrast) und dem zweifach gestuftem Faktor<br />
Subgruppe (unter Median, über Median) sowie dem zweifach gestuftem Faktor Antwortkategorie (eindimensional,<br />
zweidimensional) für die abhängigen Variablen zweidimensionale Antworten gesamt und eindimensionale<br />
Antworten und der Kovariate Graphenverständnis im Vortest.<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Antwortkategorie Sphärizität angenommen 3,447 1 3,447 3,673 ,063 ,086<br />
Greenhouse-Geisser 3,447 1,000 3,447 3,673 ,063 ,086<br />
Huynh-Feldt 3,447 1,000 3,447 3,673 ,063 ,086<br />
Untergrenze 3,447 1,000 3,447 3,673 ,063 ,086<br />
Antwortkategorie Sphärizität angenommen 1,291 2 ,646 ,688 ,509 ,034<br />
* Kontraste Greenhouse-Geisser 1,291 2,000 ,646 ,688 ,509 ,034<br />
Huynh-Feldt 1,291 2,000 ,646 ,688 ,509 ,034<br />
Untergrenze 1,291 2,000 ,646 ,688 ,509 ,034<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
317
Anhang VII<br />
Quelle<br />
Antwortkategorie<br />
* Subgruppe<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Sphärizität angenommen 3,802 1 3,802 4,051 ,051 ,094<br />
Greenhouse-Geisser 3,802 1,000 3,802 4,051 ,051 ,094<br />
Huynh-Feldt 3,802 1,000 3,802 4,051 ,051 ,094<br />
Untergrenze 3,802 1,000 3,802 4,051 ,051 ,094<br />
Antwortkategorie Sphärizität angenommen 8,859 2 4,430 4,720 ,015 ,195<br />
* Kontraste * Greenhouse-Geisser 8,859 2,000 4,430 4,720 ,015 ,195<br />
Subgruppe Huynh-Feldt 8,859 2,000 4,430 4,720 ,015 ,195<br />
Untergrenze 8,859 2,000 4,430 4,720 ,015 ,195<br />
Fehler<br />
Sphärizität angenommen 36,598 39 ,938<br />
(Antwortkategorie) Greenhouse-Geisser 36,598 39,000 ,938<br />
Huynh-Feldt 36,598 39,000 ,938<br />
Untergrenze 36,598 39,000 ,938<br />
Tabelle VII-13: Ergebnisse des T-Tests mit dem zweifach gestuften Faktor Graphenverständnis Vortest (gering,<br />
hoch) getrennt für jede der vier Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast, Kontrollgruppe) für die abhängige Variable zweidimensionale Antworten gesamt.<br />
Test bei unabhängigen Stichproben<br />
Levene-Test der<br />
Varianzgleichheit<br />
T-Test für die<br />
Mittelwertgleichheit<br />
95% Konfidenzintervall<br />
der Differenz<br />
Bedingung<br />
Struktureller<br />
Kontrast<br />
Kombinierter<br />
Kontrast<br />
Inhaltlicher<br />
Kontrast<br />
Kontrollgruppe<br />
Zweidimensionale<br />
Antworten gesamt<br />
Zweidimensionale<br />
Antworten gesamt<br />
Zweidimensionale<br />
Antworten gesamt<br />
Zweidimensionale<br />
Antworten gesamt<br />
Varianzen sind<br />
gleich<br />
Varianzen sind<br />
nicht gleich<br />
Varianzen sind<br />
gleich<br />
Varianzen sind<br />
nicht gleich<br />
Varianzen sind<br />
gleich<br />
Varianzen sind<br />
nicht gleich<br />
Varianzen sind<br />
gleich<br />
Varianzen sind<br />
nicht gleich<br />
F<br />
T<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
Untere<br />
Obere<br />
,248 ,627 -3,313 13 ,006 -1,0446 ,31533 -1,72588 -,36341<br />
-3,252 11,233 ,008 -1,0446 ,32122 -1,74987 -,33942<br />
,617 ,446 -1,748 13 ,104 -,6071 ,34739 -1,35764 ,14336<br />
-1,720 11,499 ,112 -,6071 ,35295 -1,37989 ,16560<br />
,227 ,642 -,075 13 ,941 -,0278 ,37068 -,82859 ,77303<br />
-,071 9,068 ,945 -,0278 ,38948 -,90785 ,85229<br />
,064 ,804 -1,795 13 ,096 -,6389 ,35598 -1,40794 ,13016<br />
-1,805 11,075 ,098 -,6389 ,35399 -1,41737 ,13959<br />
Tabelle VII-14: Ergebnisse des T-Tests mit dem zweifach gestuften Faktor Bedingung (struktureller Kontrast,<br />
inhaltlicher Kontrast) für jede der beiden Mediangruppen für die abhängigen Variablen zweidimensionale<br />
Antworten gesamt und eindimensionale Antworten.<br />
Test bei unabhängigen Stichproben<br />
Levene-Test der<br />
Varianzgleichheit<br />
Unter<br />
Median<br />
Zweidimensionale Varianzen<br />
Antworten gesamt sind gleich<br />
Eindimensionale<br />
Antworten<br />
Varianzen sind<br />
nicht gleich<br />
Varianzen<br />
sind gleich<br />
Varianzen sind<br />
nicht gleich<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
F<br />
T<br />
T-Test für die<br />
Mittelwertgleichheit<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Subgruppe<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
95% Konfidenzintervall<br />
der Differenz<br />
Untere<br />
Obere<br />
,670 ,426 -,850 15 ,409 -,2431 ,28585 -,85233 ,36622<br />
-,860 14,957 ,403 -,2431 ,28268 -,84573 ,35962<br />
,016 ,902 1,935 15 ,072 1,0972 ,56709 -,11150 2,30595<br />
1,919 14,082 ,075 1,0972 ,57176 -,12842 2,32286<br />
318
Anhang VII<br />
Über<br />
Median<br />
Zweidimensionale Varianzen<br />
Antworten gesamt sind gleich<br />
Eindimensionale<br />
Antworten<br />
Levene-Test der<br />
Varianzgleichheit<br />
Varianzen sind<br />
nicht gleich<br />
Varianzen<br />
sind gleich<br />
Varianzen sind<br />
nicht gleich<br />
F<br />
T<br />
T-Test für die<br />
Mittelwertgleichheit<br />
df<br />
Sig.<br />
(2-seitig)<br />
Mittlere<br />
Differenz<br />
Subgruppe<br />
Signifikanz<br />
Standardfehler<br />
der<br />
Differenz<br />
95% Konfidenzintervall<br />
der Differenz<br />
Untere<br />
Obere<br />
,244 ,631 1,873 11 ,088 ,7738 ,41313 -,13548 1,68309<br />
1,850 10,009 ,094 ,7738 ,41830 -,15810 1,70572<br />
,572 ,465 -1,589 11 ,140 -,9524 ,59925 -2,27132 ,36656<br />
-1,558 9,477 ,152 -,9524 ,61131 -2,32471 ,41995<br />
319
Anhang VII<br />
Tabelle VII-15: Ergebnisse der zwei-faktoriellen Varianzanalysen mit dem zweifach gestuften Bedingungsfaktor<br />
Vorwissen (gering, hoch) und dem Messwiederholungsfaktor Antwortkategorie (zweidimensional, eindimensional)<br />
getrennt für jeder der vier Bedingungen (struktureller Kontrast, kombinierter Kontrast, inhaltlicher<br />
Kontrast, Kontrollgruppe) für die abhängigen Variablen zweidimensionale Antworten gesamt und eindimensionale<br />
Antworten.<br />
Tests der Innersubjekteffekte<br />
Bedingung<br />
Quelle<br />
Quadratsumme<br />
vom Typ III<br />
df<br />
Mittel der<br />
Quadrate<br />
F<br />
Signifikanz<br />
Partielles<br />
Eta-Quadrat<br />
Struktureller Antwortkategorie Sphärizität angenommen 1,579 1 1,579 1,365 ,264 ,095<br />
Kontrast Greenhouse-Geisser 1,579 1,000 1,579 1,365 ,264 ,095<br />
Huynh-Feldt 1,579 1,000 1,579 1,365 ,264 ,095<br />
Untergrenze 1,579 1,000 1,579 1,365 ,264 ,095<br />
Antwortkategorie * Sphärizität angenommen 9,079 1 9,079 7,848 ,015 ,376<br />
Subgruppe Greenhouse-Geisser 9,079 1,000 9,079 7,848 ,015 ,376<br />
Huynh-Feldt 9,079 1,000 9,079 7,848 ,015 ,376<br />
Untergrenze 9,079 1,000 9,079 7,848 ,015 ,376<br />
Fehler<br />
Sphärizität angenommen 15,038 13 1,157<br />
(Antwortkategorie) Greenhouse-Geisser 15,038 13,000 1,157<br />
Huynh-Feldt 15,038 13,000 1,157<br />
Untergrenze 15,038 13,000 1,157<br />
Kombinierter Antwortkategorie Sphärizität angenommen 3,810E-02 1 3,810E-02 ,064 ,803 ,005<br />
Kontrast Greenhouse-Geisser 3,810E-02 1,000 3,810E-02 ,064 ,803 ,005<br />
Huynh-Feldt 3,810E-02 1,000 3,810E-02 ,064 ,803 ,005<br />
Untergrenze 3,810E-02 1,000 3,810E-02 ,064 ,803 ,005<br />
Antwortkategorie * Sphärizität angenommen 2,438 1 2,438 4,128 ,063 ,241<br />
Subgruppe Greenhouse-Geisser 2,438 1,000 2,438 4,128 ,063 ,241<br />
Huynh-Feldt 2,438 1,000 2,438 4,128 ,063 ,241<br />
Untergrenze 2,438 1,000 2,438 4,128 ,063 ,241<br />
Fehler<br />
Sphärizität angenommen 7,679 13 ,591<br />
(Antwortkategorie) Greenhouse-Geisser 7,679 13,000 ,591<br />
Huynh-Feldt 7,679 13,000 ,591<br />
Untergrenze 7,679 13,000 ,591<br />
Inhaltlicher Antwortkategorie Sphärizität angenommen 3,068 1 3,068 2,873 ,114 ,181<br />
Kontrast Greenhouse-Geisser 3,068 1,000 3,068 2,873 ,114 ,181<br />
Huynh-Feldt 3,068 1,000 3,068 2,873 ,114 ,181<br />
Untergrenze 3,068 1,000 3,068 2,873 ,114 ,181<br />
Antwortkategorie * Sphärizität angenommen 1,335 1 1,335 1,250 ,284 ,088<br />
Subgruppe Greenhouse-Geisser 1,335 1,000 1,335 1,250 ,284 ,088<br />
Huynh-Feldt 1,335 1,000 1,335 1,250 ,284 ,088<br />
Untergrenze 1,335 1,000 1,335 1,250 ,284 ,088<br />
Fehler<br />
Sphärizität angenommen 13,882 13 1,068<br />
(Antwortkategorie) Greenhouse-Geisser 13,882 13,000 1,068<br />
Huynh-Feldt 13,882 13,000 1,068<br />
Untergrenze 13,882 13,000 1,068<br />
Kontrollgruppe<br />
Antwortkategorie Sphärizität angenommen ,401 1 ,401 ,616 ,446 ,045<br />
Greenhouse-Geisser ,401 1,000 ,401 ,616 ,446 ,045<br />
Huynh-Feldt ,401 1,000 ,401 ,616 ,446 ,045<br />
Untergrenze ,401 1,000 ,401 ,616 ,446 ,045<br />
Antwortkategorie * Sphärizität angenommen 1,901 1 1,901 2,920 ,111 ,183<br />
Subgruppe Greenhouse-Geisser 1,901 1,000 1,901 2,920 ,111 ,183<br />
Huynh-Feldt 1,901 1,000 1,901 2,920 ,111 ,183<br />
Untergrenze 1,901 1,000 1,901 2,920 ,111 ,183<br />
Fehler<br />
Sphärizität angenommen 8,465 13 ,651<br />
(Antwortkategorie) Greenhouse-Geisser 8,465 13,000 ,651<br />
Huynh-Feldt 8,465 13,000 ,651<br />
Untergrenze 8,465 13,000 ,651<br />
320
Anhang VIII<br />
Anhang VIII – Mittelwerte und Standardabweichungen<br />
Tabelle VIII-1: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) die Variablen Proportionales<br />
Denken, Vortest Nahtransfer, Vortest Ferntransfer, Vortest Graphenverständnis für die gesamte Stichprobe und die<br />
reduzierte Stichprobe..<br />
Gesamte Stichprobe<br />
Bedingung N Mittelwert<br />
Standard-<br />
Abweichung<br />
N<br />
Reduzierte Stichprobe<br />
Mittelwert<br />
Standard-<br />
Abweichung<br />
Struktureller Proportionales Denken 15 -,02 ,83 7 -,38 ,78<br />
Kontrast Vortest Nahtransfer 15 ,29 1,13 7 -,34 ,45<br />
Vortest Ferntransfer 15 ,13 ,98 7 -,29 ,34<br />
Vortest Graphenverständnis 15 ,24 1,08 7 -,36 ,20<br />
Kombinierter Proportionales Denken 15 ,38 1,20 7 -,13 1,16<br />
Kontrast Vortest Nahtransfer 15 ,18 1,01 7 -,46 ,45<br />
Vortest Ferntransfer 15 ,72 1,24 7 -,25 ,41<br />
Vortest Graphenverständnis 15 ,51 1,12 7 -,40 ,18<br />
Inhaltlicher Proportionales Denken 15 ,09 1,02 5 -,08 ,38<br />
Kontrast Vortest Nahtransfer 15 ,12 1,52 5 -,32 ,46<br />
Vortest Ferntransfer 15 -,04 ,98 5 -,52 ,25<br />
Vortest Graphenverständnis 15 ,04 1,30 5 -,48 ,18<br />
Kontrollgruppe<br />
Proportionales Denken 15 -,08 1,09 5 -,77 ,47<br />
Vortest Nahtransfer 15 ,46 1,05 5 -,32 ,46<br />
Vortest Ferntransfer 15 ,50 1,15 5 -,58 ,16<br />
Vortest Graphenverständnis 15 ,55 1,14 5 -,51 ,21<br />
Baseline- Proportionales Denken 45 -,12 ,94 25 -,32 ,74<br />
Gruppe Vortest Nahtransfer 45 -,35 ,52 25 -,25 ,40<br />
Vortest Ferntransfer 45 -,43 ,59 25 -,44 ,35<br />
Vortest Graphenverständnis 45 -,45 ,44 25 -,39 ,20<br />
Tabelle VIII-2: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) die Variablen Kontrolltest<br />
Basisteil, Kontrolltest Kontrastteil für die gesamte Stichprobe und die reduzierte Stichprobe.<br />
Gesamte Stichprobe<br />
Bedingung N Mittelwert<br />
Standard-<br />
Abweichung<br />
N<br />
Reduzierte Stichprobe<br />
Mittelwert<br />
Standard-<br />
Abweichung<br />
Struktureller Kontrast Kontrolltest Basisteil 11 94,94 5,80 5 93,33 6,08<br />
Kontrolltest Kontrastteil 11 81,81 31,13 5 93,33 14,90<br />
Kombinierter Kontrast Kontrolltest Basisteil 11 87,87 11,60 5 82,22 12,66<br />
Kontrolltest Kontrastteil 11 78,78 26,96 5 66,66 33,33<br />
Inhaltlicher Kontrast Kontrolltest Basisteil 11 85,85 22,27 5 93,33 9,93<br />
Kontrolltest Kontrastteil 11 75,75 33,63 5 80,00 18,25<br />
Kontrollgruppe Kontrolltest Basisteil 12 87,03 16,29 4 83,33 14,34<br />
Kontrolltest Kontrastteil 12 72,22 31,24 4 66,66 38,49<br />
Baseline-Gruppe Kontrolltest Basisteil 45 26,17 19,69 25 27,11 18,16<br />
Kontrolltest Kontrastteil 45 9,62 18,28 25 9,33 18,05<br />
321
Anhang VIII<br />
Tabelle VIII-3: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) die Variable Nahtransfer im<br />
Vor- und Nachtest für die gesamte Stichprobe und die reduzierte Stichprobe.<br />
Gesamte Stichprobe<br />
Bedingung N Mittelwert<br />
Standard-<br />
Abweichung<br />
N<br />
Reduzierte Stichprobe<br />
Mittelwert<br />
Standard-<br />
Abweichung<br />
Struktureller Kontrast Vortest Nahtransfer 15 1,33 1,34 7 ,57 ,53<br />
Nachtest Nahtransfer 15 2,60 1,95 7 1,57 ,97<br />
Kombinierter Kontrast Vortest Nahtransfer 15 1,20 1,20 7 ,42 ,53<br />
Nachtest Nahtransfer 15 2,93 1,94 7 1,71 1,70<br />
Inhaltlicher Kontrast Vortest Nahtransfer 15 1,13 1,80 5 ,60 ,54<br />
Nachtest Nahtransfer 15 2,53 1,68 5 2,20 1,30<br />
Kontrollgruppe Vortest Nahtransfer 15 1,53 1,24 5 ,60 ,54<br />
Nachtest Nahtransfer 15 3,33 1,63 5 2,80 1,09<br />
Baseline-Gruppe Vortest Nahtransfer 45 ,55 ,62 25 ,68 ,47<br />
Nachtest Nahtransfer 45 ,73 ,68 25 ,72 ,67<br />
Tabelle VIII-4: Mittelwerte und Standardabweichungen für die zwei Bedingungen (Trainingsgruppen, Baseline-<br />
Gruppe) die Variable Misskonzeptantwort im Vor- und Nachtest für die gesamte Stichprobe und die reduzierte<br />
Stichprobe.<br />
Gesamte Stichprobe<br />
Stichprobe N Mittelwert<br />
Standard-<br />
Abweichung<br />
N<br />
Reduzierte Stichprobe<br />
Mittelwert<br />
Standard-<br />
Abweichung<br />
Trainingsgruppen Vortest Misskonzept 60 38,33 49,03 24 ,41 ,50<br />
Nachtest Misskonzept 60 20,00 40,33 24 ,25 ,44<br />
Baseline-Gruppe Vortest Misskonzept 45 46,67 50,45 25 ,48 ,50<br />
Nachtest Misskonzept 45 37,78 49,03 25 ,28 ,45<br />
Tabelle VIII-5: Mittelwerte und Standardabweichungen für die zwei Bedingungen (Trainingsgruppen, Baseline-<br />
Gruppe) die Variable richtige Antworten im Vor- und Nachtest für die gesamte Stichprobe und die reduzierte<br />
Stichprobe.<br />
Gesamte Stichprobe<br />
Stichprobe N Mittelwert<br />
Standard-<br />
Abweichung<br />
N<br />
Reduzierte Stichprobe<br />
Mittelwert<br />
Standard-<br />
Abweichung<br />
Trainingsgruppen Richtige Antwort Vortest 60 ,18 ,39 24 ,08 ,28<br />
Richtige Antwort Nachtest 60 ,56 ,49 24 ,45 ,50<br />
Baseline-Gruppe Richtige Antwort Vortest 45 ,00 ,00 25 ,00 ,00<br />
Richtige Antwort Nachtest 45 ,02 ,14 25 ,00 ,00<br />
Tabelle VIII-6: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe) die Variable richtige Antworten im Vor- und<br />
Nachtest für die gesamte Stichprobe.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Vortest Misskonzept 15 60,00 50,70<br />
Nachtest Misskonzept 15 26,67 45,77<br />
Kombinierter Kontrast Vortest Misskonzept 15 40,00 50,70<br />
Nachtest Misskonzept 15 26,67 45,77<br />
Inhaltlicher Kontrast Vortest Misskonzept 15 33,33 48,79<br />
Nachtest Misskonzept 15 13,33 35,18<br />
Kontrollgruppe Vortest Misskonzept 15 20,00 41,40<br />
Nachtest Misskonzept 15 13,33 35,18<br />
322
Anhang VIII<br />
Tabelle VIII-7: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) die Variable Ferntransfer<br />
Multiple Choice konventionell für die gesamte Stichprobe.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Vortest Multiple Choice konventionell 15 ,53 ,83<br />
Nachtest Multiple Choice konventionell 15 1,33 1,04<br />
Kombinierter Kontrast Vortest Multiple Choice konventionell 15 1,26 1,16<br />
Nachtest Multiple Choice konventionell 15 1,66 1,34<br />
Inhaltlicher Kontrast Vortest Multiple Choice konventionell 15 ,86 ,99<br />
Nachtest Multiple Choice konventionell 15 1,93 ,96<br />
Kontrollgruppe Vortest Multiple Choice konventionell 15 ,73 ,88<br />
Nachtest Multiple Choice konventionell 15 2,06 1,09<br />
Baseline-Gruppe Vortest Multiple Choice konventionell 45 ,31 ,701<br />
Nachtest Multiple Choice konventionell 45 ,48 1,01<br />
Tabelle VIII-8: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen Ferntransfer<br />
Multiple Choice konventionell, getrennt für die beiden Subgruppen (unter Median, über Median).<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Struktureller Kontrast Unter Median Vortest Multiple Choice konventionell 8 ,25 ,46<br />
Nachtest Multiple Choice konventionell 8 ,62 ,51<br />
Über Median Vortest Multiple Choice konventionell 7 ,85 1,06<br />
Nachtest Multiple Choice konventionell 7 2,14 ,89<br />
Kombinierter Kontrast Unter Median Vortest Multiple Choice konventionell 7 ,28 ,48<br />
Nachtest Multiple Choice konventionell 7 ,42 ,53<br />
Über Median Vortest Multiple Choice konventionell 8 2,12 ,83<br />
Nachtest Multiple Choice konventionell 8 2,75 ,70<br />
Inhaltlicher Kontrast Unter Median Vortest Multiple Choice konventionell 9 ,44 ,72<br />
Nachtest Multiple Choice konventionell 9 1,77 ,97<br />
Über Median Vortest Multiple Choice konventionell 6 1,50 1,04<br />
Nachtest Multiple Choice konventionell 6 2,16 ,98<br />
Kontrollgruppe Unter Median Vortest Multiple Choice konventionell 6 ,16 ,40<br />
Nachtest Multiple Choice konventionell 6 2,33 ,81<br />
Über Median Vortest Multiple Choice konventionell 9 1,11 ,92<br />
Nachtest Multiple Choice konventionell 9 1,88 1,26<br />
Baseline-Gruppe Unter Median Vortest Multiple Choice konventionell 42 ,19 ,50<br />
Nachtest Multiple Choice konventionell 42 ,30 ,78<br />
Über Median Vortest Multiple Choice konventionell 3 2,00 1,00<br />
Nachtest Multiple Choice konventionell 3 3,00 ,00<br />
Tabelle VIII-9: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen Ferntransfer<br />
Multiple Choice nicht-konventionell im Vortest und im Nachtest.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Vortest Multiple Choice nicht-konventionell 15 ,80 1,01<br />
Nachtest Multiple Choice nicht-konventionell 15 1,00 1,19<br />
Kombinierter Kontrast Vortest Multiple Choice nicht-konventionell 15 1,06 1,09<br />
Nachtest Multiple Choice nicht-konventionell 15 1,33 ,97<br />
Inhaltlicher Kontrast Vortest Multiple Choice nicht-konventionell 15 ,46 ,91<br />
Nachtest Multiple Choice nicht-konventionell 15 1,00 1,06<br />
Kontrollgruppe Vortest Multiple Choice nicht-konventionell 15 1,06 1,09<br />
Nachtest Multiple Choice nicht-konventionell 15 1,13 1,06<br />
Baseline-Gruppe Vortest Multiple Choice nicht-konventionell 45 ,13 ,34<br />
Nachtest Multiple Choice nicht-konventionell 45 ,28 ,66<br />
323
Anhang VIII<br />
Tabelle VIII-10: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) und die beiden Mediangruppen<br />
(über Median, unter Median) für die Variablen Ferntransfer Multiple Choice nicht-konventionell im Vortest und<br />
im Nachtest.<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Struktureller Kontrast Unter Median Vortest Multiple Choice nicht-konventionell 8 ,25 ,46<br />
Nachtest Multiple Choice nicht-konventionell 8 ,25 ,46<br />
Über Median Vortest Multiple Choice nicht-konventionell 7 1,42 1,13<br />
Nachtest Multiple Choice nicht-konventionell 7 1,85 1,21<br />
Kombinierter Kontrast Unter Median Vortest Multiple Choice nicht-konventionell 7 ,57 ,53<br />
Nachtest Multiple Choice nicht-konventionell 7 ,71 ,75<br />
Über Median Vortest Multiple Choice nicht-konventionell 8 1,50 1,30<br />
Nachtest Multiple Choice nicht-konventionell 8 1,87 ,83<br />
Inhaltlicher Kontrast Unter Median Vortest Multiple Choice nicht-konventionell 9 ,00 ,00<br />
Nachtest Multiple Choice nicht-konventionell 9 ,55 ,52<br />
Über Median Vortest Multiple Choice nicht-konventionell 6 1,16 1,16<br />
Nachtest Multiple Choice nicht-konventionell 6 1,66 1,36<br />
Kontrollgruppe Unter Median Vortest Multiple Choice nicht-konventionell 6 ,16 ,40<br />
Nachtest Multiple Choice nicht-konventionell 6 ,33 ,51<br />
Über Median Vortest Multiple Choice nicht-konventionell 9 1,66 1,00<br />
Nachtest Multiple Choice nicht-konventionell 9 1,66 1,00<br />
Baseline-Gruppe Unter Median Vortest Multiple Choice nicht-konventionell 42 ,09 ,29<br />
Nachtest Multiple Choice nicht-konventionell 42 ,21 ,60<br />
Über Median Vortest Multiple Choice nicht-konventionell 3 ,66 ,57<br />
Nachtest Multiple Choice nicht-konventionell 3 1,33 ,57<br />
Tabelle VIII-11: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variable Ferntransfer<br />
offen im Vortest und im Nachtest.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Vortest Ferntransfer offen 15 ,60 ,91<br />
Nachtest Ferntransfer offen 15 1,53 1,59<br />
Kombinierter Kontrast Vortest Ferntransfer offen 15 1,66 1,49<br />
Nachtest Ferntransfer offen 15 1,80 1,56<br />
Inhaltlicher Kontrast Vortest Ferntransfer offen 15 ,26 ,59<br />
Nachtest Ferntransfer offen 15 ,66 1,04<br />
Kontrollgruppe Vortest Ferntransfer offen 15 ,73 1,16<br />
Nachtest Ferntransfer offen 15 1,00 1,64<br />
Baseline-Gruppe Vortest Ferntransfer offen 45 ,15 ,47<br />
Nachtest Ferntransfer offen 45 ,31 ,84<br />
Tabelle VIII-12: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) und die Subgruppen (unter<br />
Median, über Median) für die für die Variable Ferntransfer offen im Vortest und im Nachtest.<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Struktureller Kontrast Unter Median Vortest Ferntransfer offen 8 ,62 ,74<br />
Nachtest Ferntransfer offen 8 ,62 ,91<br />
Über Median Vortest Ferntransfer offen 7 ,57 1,13<br />
Nachtest Ferntransfer offen 7 2,57 1,61<br />
Kombinierter Kontrast Unter Median Vortest Ferntransfer offen 7 ,85 1,21<br />
Nachtest Ferntransfer offen 7 1,14 1,46<br />
Über Median Vortest Ferntransfer offen 8 2,37 1,40<br />
Nachtest Ferntransfer offen 8 2,37 1,50<br />
Inhaltlicher Kontrast Unter Median Vortest Ferntransfer offen 9 ,00 ,00<br />
Nachtest Ferntransfer offen 9 ,33 ,70<br />
Über Median Vortest Ferntransfer offen 6 ,66 ,81<br />
Nachtest Ferntransfer offen 6 1,16 1,32<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
324
Anhang VIII<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Kontrollgruppe Unter Median Vortest Ferntransfer offen 6 ,16 ,40<br />
Nachtest Ferntransfer offen 6 ,66 1,63<br />
Über Median Vortest Ferntransfer offen 9 1,11 1,36<br />
Nachtest Ferntransfer offen 9 1,22 1,71<br />
Baseline-Gruppe Unter Median Vortest Ferntransfer offen 42 ,07 ,26<br />
Nachtest Ferntransfer offen 42 ,21 ,64<br />
Über Median Vortest Ferntransfer offen 3 1,33 1,15<br />
Nachtest Ferntransfer offen 3 1,66 2,08<br />
Tabelle VIII-13: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen Ferntransfer<br />
offen im Vortest und im Nachtest mit konventionellem und nicht-konventionellem Mapping.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Vortest Ferntransfer offen konventionell 15 ,33 ,61<br />
Nachtest Ferntransfer offen konventionell 15 ,66 ,97<br />
Vortest Ferntransfer offen nicht-konventionell 15 ,26 ,45<br />
Nachtest Ferntransfer offen nicht-konventionell 15 ,86 ,91<br />
Kombinierter Kontrast Vortest Ferntransfer offen konventionell 15 ,80 ,77<br />
Nachtest Ferntransfer offen konventionell 15 ,80 ,94<br />
Vortest Ferntransfer offen nicht-konventionell 15 ,86 ,83<br />
Nachtest Ferntransfer offen nicht-konventionell 15 1,00 ,92<br />
Inhaltlicher Kontrast Vortest Ferntransfer offen konventionell 15 ,00 ,00<br />
Nachtest Ferntransfer offen konventionell 15 ,40 ,73<br />
Vortest Ferntransfer offen nicht-konventionell 15 ,26 ,59<br />
Nachtest Ferntransfer offen nicht-konventionell 15 ,26 ,59<br />
Kontrollgruppe Vortest Ferntransfer offen konventionell 15 ,40 ,73<br />
Nachtest Ferntransfer offen konventionell 15 ,60 ,91<br />
Vortest Ferntransfer offen nicht-konventionell 15 ,33 ,72<br />
Nachtest Ferntransfer offen nicht-konventionell 15 ,40 ,82<br />
Baseline-Gruppe Vortest Ferntransfer offen konventionell 45 ,04 ,20<br />
Nachtest Ferntransfer offen konventionell 45 ,15 ,47<br />
Vortest Ferntransfer offen nicht-konventionell 45 ,11 ,38<br />
Nachtest Ferntransfer offen nicht-konventionell 45 ,15 ,47<br />
Tabelle VIII-14: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) und die Mediangruppe (unter<br />
Median, über Median) für die Variablen Ferntransfer offen im Vortest und im Nachtest mit konventionellem und<br />
nicht-konventionellem Mapping.<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Struktureller Kontrast Unter Median Vortest Ferntransfer offen konventionell 8 ,25 ,46<br />
Nachtest Ferntransfer offen konventionell 8 ,00 ,00<br />
Vortest Ferntransfer offen nicht-konventionell 8 ,37 ,51<br />
Nachtest Ferntransfer offen nicht-konventionell 8 ,62 ,91<br />
Über Median Vortest Ferntransfer offen konventionell 7 ,42 ,78<br />
Nachtest Ferntransfer offen konventionell 7 1,42 ,97<br />
Vortest Ferntransfer offen nicht-konventionell 7 ,14 ,37<br />
Nachtest Ferntransfer offen nicht-konventionell 7 1,14 ,89<br />
Kombinierter Kontrast Unter Median Vortest Ferntransfer offen konventionell 7 ,57 ,78<br />
Nachtest Ferntransfer offen konventionell 7 ,42 ,78<br />
Vortest Ferntransfer offen nicht-konventionell 7 ,28 ,48<br />
Nachtest Ferntransfer offen nicht-konventionell 7 ,71 ,95<br />
Über Median Vortest Ferntransfer offen konventionell 8 1,00 ,75<br />
Nachtest Ferntransfer offen konventionell 8 1,12 ,99<br />
Vortest Ferntransfer offen nicht-konventionell 8 1,37 ,74<br />
Nachtest Ferntransfer offen nicht-konventionell 8 1,25 ,88<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
325
Anhang VIII<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Inhaltlicher Kontrast Unter Median Vortest Ferntransfer offen konventionell 9 ,00 ,00<br />
Nachtest Ferntransfer offen konventionell 9 ,22 ,66<br />
Vortest Ferntransfer offen nicht-konventionell 9 ,00 ,00<br />
Nachtest Ferntransfer offen nicht-konventionell 9 ,11 ,33<br />
Über Median Vortest Ferntransfer offen konventionell 6 ,00 ,00<br />
Nachtest Ferntransfer offen konventionell 6 ,66 ,81<br />
Vortest Ferntransfer offen nicht-konventionell 6 ,66 ,81<br />
Nachtest Ferntransfer offen nicht-konventionell 6 ,50 ,83<br />
Kontrollgruppe Unter Median Vortest Ferntransfer offen konventionell 6 ,00 ,00<br />
Nachtest Ferntransfer offen konventionell 6 ,33 ,81<br />
Vortest Ferntransfer offen nicht-konventionell 6 ,16 ,40<br />
Nachtest Ferntransfer offen nicht-konventionell 6 ,33 ,81<br />
Über Median Vortest Ferntransfer offen konventionell 9 ,66 ,86<br />
Nachtest Ferntransfer offen konventionell 9 ,77 ,97<br />
Vortest Ferntransfer offen nicht-konventionell 9 ,44 ,88<br />
Nachtest Ferntransfer offen nicht-konventionell 9 ,44 ,88<br />
Baseline-Gruppe Unter Median Vortest Ferntransfer offen konventionell 42 ,02 ,15<br />
Nachtest Ferntransfer offen konventionell 42 ,11 ,39<br />
Vortest Ferntransfer offen nicht-konventionell 42 ,04 ,21<br />
Nachtest Ferntransfer offen nicht-konventionell 42 ,09 ,37<br />
Über Median Vortest Ferntransfer offen konventionell 3 ,33 ,57<br />
Nachtest Ferntransfer offen konventionell 3 ,66 1,15<br />
Vortest Ferntransfer offen nicht-konventionell 3 1,00 1,00<br />
Nachtest Ferntransfer offen nicht-konventionell 3 1,00 1,00<br />
Tabelle VIII-15: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen des Kontrolltests<br />
Steigungsitem Basisteil und Steigungsitem Kontrastteil.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Basisteil 11 ,90 ,20<br />
Kontrastteil 11 ,77 ,34<br />
Kombinierter Kontrast Basisteil 11 ,81 ,25<br />
Kontrastteil 11 ,72 ,34<br />
Inhaltlicher Kontrast Basisteil 11 ,77 ,34<br />
Kontrastteil 11 ,81 ,33<br />
Kontrollgruppe Basisteil 12 ,87 ,22<br />
Kontrastteil 12 ,62 ,43<br />
Baseline-Gruppe Basisteil 45 ,22 ,31<br />
Kontrastteil 45 ,08 ,22<br />
Tabelle VIII-16: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen zweidimensional<br />
integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale Antworten, andere<br />
Antworten, Übergeneralisierung, Misskonzepte für die gesamte Stichprobe.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Zweidimensional integrierte Antworten 15 ,53 ,99<br />
Zweidimensional nicht-integrierte Antworten 15 1,06 1,09<br />
Eindimensionale Antworten 15 1,33 1,23<br />
Misskonzept-Antworten 15 ,06 ,25<br />
Andere f<strong>als</strong>che Antworten 15 ,60 1,12<br />
Übrige Antworten 15 ,26 ,59<br />
Kombinierter Kontrast Zweidimensional integrierte Antworten 15 ,46 ,99<br />
Zweidimensional nicht-integrierte Antworten 15 1,46 1,50<br />
Eindimensionale Antworten 15 1,00 ,75<br />
Misskonzept-Antworten 15 ,13 ,35<br />
Andere f<strong>als</strong>che Antworten 15 ,40 ,73<br />
Übrige Antworten 15 ,40 ,73<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
326
Anhang VIII<br />
Bedingung N Mittelwert Standardabweichung<br />
Inhaltlicher Kontrast Zweidimensional integrierte Antworten 15 ,46 ,91<br />
Zweidimensional nicht-integrierte Antworten 15 ,66 ,89<br />
Eindimensionale Antworten 15 1,13 1,18<br />
Misskonzept-Antworten 15 ,20 ,56<br />
Andere f<strong>als</strong>che Antworten 15 ,86 ,74<br />
Übrige Antworten 15 ,40 ,73<br />
Kontrollgruppe Zweidimensional integrierte Antworten 15 ,93 1,27<br />
Zweidimensional nicht-integrierte Antworten 15 ,66 ,89<br />
Eindimensionale Antworten 15 ,93 ,70<br />
Misskonzept-Antworten 15 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 15 1,20 1,20<br />
Übrige Antworten 15 ,26 ,79<br />
Baseline-Gruppe Zweidimensional integrierte Antworten 45 ,08 ,35<br />
Zweidimensional nicht-integrierte Antworten 45 ,28 ,75<br />
Eindimensionale Antworten 45 ,51 ,75<br />
Misskonzept-Antworten 45 ,44 ,75<br />
Andere f<strong>als</strong>che Antworten 45 1,00 1,06<br />
Übrige Antworten 45 ,37 ,68<br />
Tabelle VIII-17: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast,<br />
kombinierter Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) für die Variablen zweidimensional<br />
integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale Antworten, andere<br />
Antworten, Übergeneralisierung, Misskonzepte für die reduzierte Stichprobe.<br />
Bedingung N Mittelwert Standardabweichung<br />
Struktureller Kontrast Zweidimensional integrierte Antworten 7 ,00 ,00<br />
Zweidimensional nicht-integrierte Antworten 7 ,71 1,11<br />
Eindimensionale Antworten 7 1,85 1,34<br />
Misskonzept-Antworten 7 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 7 ,85 1,46<br />
Übrige Antworten 7 ,42 ,78<br />
Kombinierter Kontrast Zweidimensional integrierte Antworten 7 ,00 ,00<br />
Zweidimensional nicht-integrierte Antworten 7 1,28 1,49<br />
Eindimensionale Antworten 7 1,28 ,75<br />
Misskonzept-Antworten 7 ,28 ,48<br />
Andere f<strong>als</strong>che Antworten 7 ,42 ,78<br />
Übrige Antworten 7 ,57 ,78<br />
Inhaltlicher Kontrast Zweidimensional integrierte Antworten 5 ,60 ,89<br />
Zweidimensional nicht-integrierte Antworten 5 1,20 1,30<br />
Eindimensionale Antworten 5 ,80 ,83<br />
Misskonzept-Antworten 5 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 5 ,80 ,83<br />
Übrige Antworten 5 ,60 ,89<br />
Kontrollgruppe Zweidimensional integrierte Antworten 5 ,20 ,44<br />
Zweidimensional nicht-integrierte Antworten 5 ,40 ,89<br />
Eindimensionale Antworten 5 1,20 ,83<br />
Misskonzept-Antworten 5 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 5 1,40 ,89<br />
Übrige Antworten 5 ,80 1,30<br />
Baseline-Gruppe Zweidimensional integrierte Antworten 25 ,12 ,43<br />
Zweidimensional nicht-integrierte Antworten 25 ,36 ,90<br />
Eindimensionale Antworten 25 ,52 ,77<br />
Misskonzept-Antworten 25 ,28 ,45<br />
Andere f<strong>als</strong>che Antworten 25 ,84 ,68<br />
Übrige Antworten 25 ,36 ,70<br />
327
Anhang VIII<br />
Tabelle VIII-18: Mittelwerte und Standardabweichungen für die fünf Bedingungen (struktureller Kontrast, kombinierter<br />
Kontrast, inhaltlicher Kontrast, Kontrollgruppe, Baseline-Gruppe) und die Mediangruppen (unter Median, über Median) für<br />
die Variablen zweidimensional integrierte Antworten, zweidimensional nicht-integrierte Antworten, eindimensionale<br />
Antworten, andere Antworten, Übergeneralisierung, Misskonzepte für die gesamte Stichprobe.<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Struktureller Kontrast Unter Median Zweidimensional integrierte Antworten 8 ,00 ,00<br />
Zweidimensional nicht-integrierte Antworten 8 ,62 1,06<br />
Eindimensionale Antworten 8 1,87 1,24<br />
Misskonzept-Antworten 8 ,12 ,35<br />
Andere f<strong>als</strong>che Antworten 8 ,75 1,38<br />
Übrige Antworten 8 ,37 ,74<br />
Über Median Zweidimensional integrierte Antworten 7 1,14 1,21<br />
Zweidimensional nicht-integrierte Antworten 7 1,57 ,97<br />
Eindimensionale Antworten 7 ,71 ,95<br />
Misskonzept-Antworten 7 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 7 ,42 ,78<br />
Übrige Antworten 7 ,14 ,37<br />
Kombinierter Kontrast Unter Median Zweidimensional integrierte Antworten 7 ,00 ,00<br />
Zweidimensional nicht-integrierte Antworten 7 1,28 1,49<br />
Eindimensionale Antworten 7 1,28 ,75<br />
Misskonzept-Antworten 7 ,28 ,48<br />
Andere f<strong>als</strong>che Antworten 7 ,42 ,78<br />
Übrige Antworten 7 ,57 ,78<br />
Über Median Zweidimensional integrierte Antworten 8 ,87 1,24<br />
Zweidimensional nicht-integrierte Antworten 8 1,62 1,59<br />
Eindimensionale Antworten 8 ,75 ,70<br />
Misskonzept-Antworten 8 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 8 ,37 ,74<br />
Übrige Antworten 8 ,25 ,70<br />
Inhaltlicher Kontrast Unter Median Zweidimensional integrierte Antworten 9 ,33 ,70<br />
Zweidimensional nicht-integrierte Antworten 9 ,77 1,09<br />
Eindimensionale Antworten 9 ,77 1,09<br />
Misskonzept-Antworten 9 ,33 ,70<br />
Andere f<strong>als</strong>che Antworten 9 1,00 ,86<br />
Übrige Antworten 9 ,66 ,86<br />
Über Median Zweidimensional integrierte Antworten 6 ,66 1,21<br />
Zweidimensional nicht-integrierte Antworten 6 ,50 ,54<br />
Eindimensionale Antworten 6 1,66 1,21<br />
Misskonzept-Antworten 6 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 6 ,66 ,51<br />
Übrige Antworten 6 ,00 ,00<br />
Kontrollgruppe Unter Median Zweidimensional integrierte Antworten 6 ,16 ,40<br />
Zweidimensional nicht-integrierte Antworten 6 ,66 1,03<br />
Eindimensionale Antworten 6 1,16 ,75<br />
Misskonzept-Antworten 6 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 6 1,33 ,81<br />
Übrige Antworten 6 ,66 1,21<br />
Über Median Zweidimensional integrierte Antworten 9 1,44 1,42<br />
Zweidimensional nicht-integrierte Antworten 9 ,66 ,86<br />
Eindimensionale Antworten 9 ,77 ,66<br />
Misskonzept-Antworten 9 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 9 1,11 1,45<br />
Übrige Antworten 9 ,00 ,00<br />
Fortsetzung der Tabelle auf der Folgeseite<br />
328
Anhang VIII<br />
Bedingung Subgruppe N Mittelwert Standardabweichung<br />
Baseline-Gruppe Unter Median Zweidimensional integrierte Antworten 42 ,07 ,34<br />
Zweidimensional nicht-integrierte Antworten 42 ,26 ,73<br />
Eindimensionale Antworten 42 ,47 ,74<br />
Misskonzept-Antworten 42 ,47 ,77<br />
Andere f<strong>als</strong>che Antworten 42 1,07 1,06<br />
Übrige Antworten 42 ,40 ,70<br />
Über Median Zweidimensional integrierte Antworten 3 ,33 ,57<br />
Zweidimensional nicht-integrierte Antworten 3 ,66 1,15<br />
Eindimensionale Antworten 3 1,00 1,00<br />
Misskonzept-Antworten 3 ,00 ,00<br />
Andere f<strong>als</strong>che Antworten 3 ,00 ,00<br />
Übrige Antworten 3 ,00 ,00<br />
329