Keine Angst vor Problemen

von Paul Tschisgale

Naturwissenschaftliche Schülerwettbewerbe stellen eine Form der außerschulischen MINT-Förderung dar. Ihr Ziel ist es, Schüler*innen für MINT-Themen zu begeistern und sie bei der Entfaltung ihres MINT-Potenzials zu unterstützen. Ein Beispiel ist die PhysikOlympiade. Der jährlich stattfindende Wettbewerb fordert physikinteressierte Schüler*innen der Sekundarstufen I und II mit anspruchsvollen Aufgaben zu physikalischen Höchstleistungen heraus. Aber gelingt es der PhysikOlympiade auch, die Bedürfnisse der Teilnehmenden zu berücksichtigen und sie entsprechend optimal zu fördern? Um diese Frage zu beantworten, wurden im Rahmen des WinnerS-Projekts diverse Studien durchgeführt. Dabei ging es darum, die Bedürfnisse der Teilnehmenden tiefgreifend zu verstehen, Verbesserungspotenziale zu identifizieren und evidenzbasierte Ansätze für die Weiterentwicklung des Wettbewerbs abzuleiten.

Um den Bedürfnissen der Wettbewerbsteilnehmenden nachzugehen, wurden Charakteristika der teilnehmenden Schüler*innen untersucht. Mithilfe von latenten Profilanalysen wurden Subgruppen von Teilnehmenden – sogenannte Profile – identifiziert. Insgesamt konnten vier verschiedene Profile ermittelt werden, die sich hinsichtlich ihrer physikalischen Problemlösefähigkeiten, allgemeinen kognitiven Fähigkeiten, ihres Physikinteresses sowie ihrer physikbezogenen Selbstwirksamkeitserwartung unterscheiden.

Die Ergebnisse zeigen, dass die Teilnehmenden der PhysikOlympiade eine heterogene Gruppe mit vielfältigen Bedürfnissen sind. Besonders hervorzuheben sind zwei spezifische Profile: das überdurchschnittlich motivierte sowie das unterdurchschnittlich motivierte Noviz*innen-Profil. Beide Profile weisen vergleichsweise gering ausgeprägte physikalische Problemlösefähigkeiten auf. Da das Problemlösen sowohl eine zentrale Rolle im Wettbewerb als auch in der Physik und in den MINT-Fächern insgesamt spielt, sind gezielte Fördermaßnahmen notwendig, um diese Fähigkeit zu stärken.

Förderung von Problemlösefähigkeiten bereits früh im Wettbewerb notwendig  

Im Rahmen der PhysikOlympiade gibt es bereits Angebote zur Förderung physikalischer Problemlösefähigkeiten, diese stehen jedoch überwiegend in den höheren Wettbewerbsrunden zur Verfügung. Somit profitieren vor allem die Teilnehmenden, die es bis in die fortgeschrittenen Runden schaffen.

Eine Analyse von Prädiktoren des Erfolgs im Wettbewerb ergab jedoch, dass die Problemlösefähigkeiten den größten Einfluss auf den Erfolg in den ersten beiden Wettbewerbsrunden haben. Aus diesem Grund schaffen es Teilnehmende mit nur verhältnismäßig gering ausgeprägten Problemlösefähigkeiten (Noviz*innen-Profile) nur selten in die höheren Wettbewerbsrunden, in denen adäquate Förderangebote verfügbar sind. Diese Ergebnisse verdeutlichen die Notwendigkeit, gezielte Fördermaßnahmen bereits vor oder während der ersten Wettbewerbsrunde bereitzustellen. So könnten auch Teilnehmende mit geringeren Problemlösefähigkeiten von Anfang an effektiv unterstützt werden.

Die dezentrale Durchführung der ersten Wettbewerbsrunde - die Teilnehmenden sind bundesweit verteilt - stellt hierbei eine besondere Herausforderung dar. Vor diesem Hintergrund streben wir die Entwicklung eines automatisierten Feedbacksystems an, das es den Teilnehmenden ermöglichen soll, orts- und zeitunabhängig individualisiertes, formatives Feedback zu ihren Problemlösungen zu erhalten. Studien zeigen, dass solches Feedback entscheidend zur Förderung von Problemlösefähigkeiten beiträgt.

Analyse von Problemlöseprozessen verdeutlicht Lösungsstrategien der Teilnehmenden

Ein erster Schritt zur Entwicklung des Feedbacksystems bestand darin, die Struktur schriftlicher physikalischer Problemlösungen zu untersuchen. Dazu wurden die Lösungen eines spezifischen Physikproblems mit Verfahren des maschinellen Lernens (ML) analysiert. Es ließen sich fünf zentrale Themen identifizieren, die spezifische Funktionen im Problemlöseprozess erfüllen: Annahmen, konzeptuelle Aspekte, quantitative Aspekte, Hypothesen und Metabeschreibungen. Auf Basis dieser Themen wurde ein ML-Modell trainiert, das jedem Satz einer schriftlichen Problemlösung das entsprechende Thema zuordnet.

Zusätzlich wurde untersucht, wie die Reihenfolge der identifizierten Themen in einer Problemlösung mit der Problemlöseleistung zusammenhängt. Mithilfe von Prozessdatenanalysen konnte eine klarere und systematischere Struktur in den Problemlösungen erfolgreicher Teilnehmender ermittelt werden. Besonders auffällig war, dass die Problemlöseleistung höher ausfiel, wenn zunächst eine Annahme formuliert und anschließend ein konzeptueller Aspekt adressiert wurde. Die umgekehrte Reihenfolge – zuerst ein konzeptueller Aspekt, danach eine Annahme – erwies sich als weniger effektiv.

ML macht individuelles Feedbacksystem möglich

Basierend auf diesen Erkenntnissen wurde ein Rahmenmodell für die automatisierte Erzeugung prozessbasierten Feedbacks entwickelt. Das Modell sieht dabei folgende Schritte vor:

• Der Text, den ein*e Schüler*in bei der Formulierung einer Problemlösung verfasst, wird in einzelne Sätze zerlegt.
• Jedem Satz wird ein entsprechendes Thema zugeordnet, wodurch eine Sequenz adressierter Themen entsteht.
• Auf Grundlage dieser Sequenz wird regelbasiertes Feedback zur Unterstützung der Schüler*in beim Problemlösen gegeben.

Ein derartiges Feedback, das den Problemlöseprozess in den Mittelpunkt rückt, kann eine zentrale Komponente eines Feedbacksystems darstellen, auf dem aufbauend erweitert werden kann. Eine sinnvolle Erweiterung bestünde beispielsweise in der Evaluation der fachlichen Korrektheit der getroffenen Annahmen und verwendeten physikalischen Konzepte. Dies würde sicherstellen, dass Schüler*innen nicht nur einen strukturierten Problemlöseprozess durchlaufen, sondern dabei auch physikalisch korrekte Überlegungen anstellen.

Zudem eröffnen große Sprachmodelle, wie beispielsweise GPT-Modelle, vielversprechende Perspektiven für Feedbacksysteme. Ihre Fähigkeit, komplexe Antworten zu analysieren, fachliche Zusammenhänge zu erkennen und darauf aufbauend individuelle sowie sprachlich ansprechende Rückmeldungen zu generieren, könnte sie zu einer geeigneten Option für den Einsatz in solchen Systemen machen. Solche Ansätze über GPT-Modelle bieten dementsprechend spannende Potenziale für weiterführende Forschungs- und Entwicklungsarbeiten und werden aktuell bereits verstärkt untersucht.

Fazit

Die Ergebnisse der Studien zeigen, dass Teilnehmende der ersten Runde der PhysikOlympiade unterschiedliche Bedürfnisse aufweisen, die Anpassungen in der Förderung erfordern. Insbesondere würde ein großer Anteil der Teilnehmenden von Unterstützungsangeboten zum physikalischen Problemlösen profitieren, die bereits zu Beginn des Wettbewerbs zur Verfügung stünden. Um diese Förderung möglichst effektiv zu gestalten, können ML-gestützte Feedbacksysteme eingesetzt werden. Wie die vorgestellten Ergebnisse zeigen, ermöglichen ML-Methoden eine automatisierte Erfassung von Problemlöseprozessen, auf deren Basis individualisiertes Feedback zur Struktur der Problemlösungen gegeben werden kann. Ein solches Feedbacksystem wäre nicht nur auf die PhysikOlympiade beschränkt, sondern könnte auch im regulären Schulunterricht eingesetzt werden. Als digitale Unterstützung kann solch ein Feedbacksystem Lehrkräfte entlasten und Schüler*innen als ein individuellen Tutor dienen, der sie bei der Entwicklung ihrer Problemlösefähigkeiten unterstützt.

Über den Autor:

Dr. Paul Tschisgale ist Postdoc in der Abteilung Didaktik der Physik am IPN. Er beschäftigt sich in seiner Forschung aktuell mit der Analyse und Erfassung physikalischer Problemlöseprozesse durch den Einsatz von KI- und Data-Science-Methoden sowie der darauf basierenden Generierung von automatisiertem und adaptivem Feedback. In diesem Artikel gibt er einen Einblick in das Thema seiner Dissertation. tschisgale@leibniz-ipn.de

Weiterführende Quellen:

Tschisgale, P., Steegh, A., Kubsch, M., Petersen, S., & Neumann, K. (2024). Towards a more individualised support of science competition participants – identification and examination of participant profiles based on cognitive and affective characteristics. International Journal of Science Education, 1–25. https://doi.org/10.1080/09500693.2023.2300147

Tschisgale, P., Steegh, A., Petersen, S., Kubsch, M., Wulff, P., & Neumann, K. (2024). Are science competitions meeting their intentions? A case study on affective and cognitive predictors of success in the Physics Olympiad. Disciplinary and Interdisciplinary Science Education Research, 6(1), 10. https://doi.org/10.1186/s43031-024-00102-y

Tschisgale, P., Wulff, P., & Kubsch, M. (2023). Integrating artificial intelligence-based methods into qualitative research in physics education research: A case for computational grounded theory. Physical Review Physics Education Research, 19(2), 020123. https://doi.org/10.1103/PhysRevPhysEducRes.19.020123

Tschisgale, P., Kubsch, M., Wulff, P., Petersen, S., & Neumann, K. (2025). Exploring the sequential structure of students’ physics problem-solving approaches using process mining and sequence analysis. Physical Review Physics Education Research, 21(1), 010111. https://doi.org/10.1103/PhysRevPhysEducRes.21.010111