Zu Hauptinhalt springen

SSE

SSE -

Schriftspracherwerbsdidaktik optimiert und effektiviert erlernen

Die Maßnahme SSE erprobt und evaluiert in Zusammenarbeit mit allen drei Phasen der Lehrkräftebildung ein digitales Diagnose-Förder-Tool zur adaptiven Gestaltung von Lernprozessen. Das Tool erfasst die individuelle (Recht-)Schreibentwicklung und das Lernverhalten von Grundschüler:innen. Machine Learning-Algorithmen stimmen Schreib(teil-)­leistungen und lernbezogene Einflussfaktoren wie Motivation, kognitive Aktivierung sowie Time-on-Task als Basis für eine (teil-)automatisierte Aufgabenauswahl und -sequenzierung aufeinander ab. Während der Erprobungs- und Evaluierungsphasen werden Studierende, Referendar:innen und Lehrkräfte in einer partizipativ-symbiotischen Bottom-up-Strategie eingebunden, indem sie das Tool einsetzen, Entwicklungen der Schüler:innen datenbasiert beobachten, die maschinelle Einordnung von Rechtschreibfehlern und Lernverhalten supervidieren sowie maschinell erzeugte Förderempfehlungen als Expert:innen bewerten.


Poster Übersicht SSE


Ziele der Maßnahmen:

Mit der Maßnahme werden im Kern drei Ziele verfolgt:

  • Studierende entwickeln Data Literacy, indem sie Kenntnisse der lese- und schreibbezogenen Prozessanalyse erwerben und entwicklungsorientierte Fördermaßnahmen einüben.
  • Mediendidaktische Kompetenz der Studierenden wird geschult, indem digitale Tools passend zu den Lernvoraussetzungen der Schüler:innen ausgewählt und selbst geplant werden.
  • Informatische Kompetenz der Studierenden wird angebahnt, indem ein Einblick in die Entwicklung und Funktionsweise künstlich intelligenter Software gegeben wird.

Interview

Interview mit dem Team von SSE

Daniel Brühl von SSE (Schriftspracherwerbsdidaktik optimiert und effektiviert erlernen) über Spannungsfelder innerhalb der Maßnahme und die Entwicklung einer KI-gestützten Rechtschreib-App.


Leitung:

Weitere Mitarbeitende:


Kontakt:


Veröffentlichungen und Präsentationen

2023

2022

  • Böhme, R., Coors, S., Oster, P., Munser-Kiefer, M. & Hilbert, S. (2022, September). Machine Learning (ML) for Spelling Acquisition. How Accurate is the Prediction of Specific Spelling Errors in German Primary School Students? Posterpräsentation auf der 30. Jahrestagung der Kommission Grundschulforschung und Pädagogik der Primarstufe der Deutschen Gesellschaft für Erziehungswissenschaft (DGfE), Regensburg. https://osf.io/z8scw/

2021

  • Hilbert, S./ Coors, S./ Kraus, E./ Bischl, B./ Lindl, A./ Frei, M./ ... / Stachl, C. (2021). Machine learning for the educational sciences. Review of Education, 9(3), e3310.
  • Böhme/ Richard, Munser-Kiefer/ Meike, Coors/ Stefan, Hilbert/ Sven & Oster/ Patrick: Digitalbasierte Analyse von Mikroprozessen der orthografischen Entwicklung von Erst- und Zweitklässler*innen. Jahrestagung der DGfE-Sektion Schulpädagogik. September 2021. Osnabrück.


L-DUR wird im Rahmen der gemeinsamen "Qualitätsoffensive Lehrerbildung" von Bund und Ländern aus Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) gefördert. (FKZ: 01JA2010)


L-DUR

Wissenschaftliche Projektleitung:

Prof. Dr. Meike Munser-Kiefer

Prof. Dr. Karsten Rincke

Logo L-DUR - Lehrkräftebildung Digital an der Universität Regensburg

Organisatorische Projektleitung:

Natascha Lehner