SSE

SSE -

Schriftspracherwerbsdidaktik optimiert und effektiviert erlernen

Die Maßnahme SSE erprobte und evaluierte in Zusammenarbeit mit allen drei Phasen der Lehrkräftebildung ein digitales Diagnose-Förder-Tool zur adaptiven Gestaltung von Lernprozessen. Das Tool erfasste die individuelle (Recht-)Schreibentwicklung und das Lernverhalten von Grundschüler:innen. Machine Learning-Algorithmen stimmten 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 wurden Studierende, Referendar:innen und Lehrkräfte in einer partizipativ-symbiotischen Bottom-up-Strategie eingebunden, indem sie das Tool einsetzten, Entwicklungen der Schüler:innen datenbasiert beobachteten, die maschinelle Einordnung von Rechtschreibfehlern und Lernverhalten supervidierten sowie maschinell erzeugte Förderempfehlungen als Expert:innen bewerteten.

Poster Übersicht SSE

Ziele der Maßnahmen:

Mit der Maßnahme wurden im Kern drei Ziele verfolgt:

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

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:

Prof. Dr. Meike Munser-Kiefer (Lehrstuhl für Grundschulpädagogik und -didaktik (Diversität))
Prof. Dr. Sven Hilbert (Lehrstuhl für Educational Data Science)

Weitere Mitarbeitende:

Daniel Brühl (wiss. Mitarbeiter Grundschulpädagogik)
Richard Böhme (wiss. Mitarbeiter Grundschulpädagogik)

Kontakt:

Daniel Brühl (wiss. Mitarbeiter Grundschulpädagogik)

Veröffentlichungen und Präsentationen

2023

Böhme, Richard/ Brühl, Daniel/ Reisemann, Katharina/ Munser-Kiefer, Meike/ Hilbert, Sven (2023): Auf- und Ausbau von Kompetenzen zur digital gestützten Diagnose und Förderung im schriftsprachlichen Anfangsunterricht. Ein phasenübergreifendes Seminarkonzept für (angehende) Grundschullehrkräfte. Herausforderung Lehrer*innenbildung - Zeitschrift zur Konzeption, Gestaltung und Diskussion 6(2), S. 31-48
Böhme, Richard/ Coors, Stefan/ Oster, Patrick/ Munser-Kiefer, Meike/ Hilbert, Sven: Machine Learning for Spelling Acquisition. How Accurate is the Prediction of Specific Spelling Errors in German Primary School Students (angenommen)
Preprint: https://doi.org/10.31234/osf.io/shguf

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