Call for Participation

Aktuelles: Pre-Conference Podcast

Klicken Sie hier, um sich den Pre-Conference Podcast Maschinelles Lernen in der Naturwissenschaftsdidaktik anzuhören: In dieser Folge sprechen wir mit Joshua Rosenberg, der auf der Tagung einen Workshop zu Machine Learning mit R gibt, über die Potentiale von Machine Learning für die Naturwissenschaftsdidaktiken.

Anhören via Spotify

Programm

Maschinelles Lernen (ML) und computerbasierte Sprachverarbeitung (NLP) werden als Grundlage von innovativen Anwendungen wie automatisiertes Scoring oder intelligentes, computerbasiertes Tutoring als wichtige Zukunftsthemen für Lehre und Forschung gesehen. Allerdings sind noch viele Fragen im Zusammenhang mit ML und NLP und naturwissenschaftsdidaktischer Lehre und Forschung ungeklärt. Es gibt beispielsweise keinen Konsens zu den Fragen, wie diese Verfahren zur Theorieerweiterung der Naturwissenschaftsdidaktiken beitragen können (Erkenntnisgewinn), welche Rolle sie in naher Zukunft in universitärer Lehre und Schulunterricht spielen werden (Praxisimplementationen) und wie sie im Verhältnis zu bewährten Methoden und Standards der naturwissenschaftsdidaktischen Forschung stehen (Methodische Innovation). Die Schwerpunkttagung hat das Ziel, Forschende aus allen naturwissenschaftsdidaktischen Disziplinen zusammenzubringen, um die Potentiale und Grenzen von ML und NLP für die Naturwissenschaftsdidaktiken vor dem Hintergrund der drei Themenkorridore: Erkenntnisgewinn (1), Praxisimplementationen (2) und methodische Innovation (3) zu diskutieren. Als Ausgangspunkt für die Diskussionen dienen eine Poster-Session, in der Projekte vorgestellt und diskutiert werden können, sowie zwei Plenarvorträge (Prof. Dr. Detmar Meurers, Universität Tübingen; Prof. Dr. Bruce Sherin, Northwestern University). Als Produkt für die Schwerpunkttagung wird ein Whitepaper, das die zentralen Diskussionen und Ergebnisse darstellt, avisiert. Dort können auch Projektideen exemplarisch vorgestellt werden, die explizit die Ergebnisse der Tagung bereits umsetzen und als Good-Practice-Arbeiten in die Community wirken.

Organisatorisches

Die Veranstaltung ist als virtuelle Tagung konzipiert und findet vom 06. – 07. Mai 2021 statt. Dabei wird Gather.town als virtuelle Tagungsumgebung genutzt, um den gegenseitigen Austausch zu ermöglichen und möglichst vielen Teilnehmenden die Chance zu geben, ihre Ideen und Projekte zu diskutieren. Die Teilnahme an der Tagung ist sowohl ohne eigenen Beitrag als auch mit eigenem Beitrag möglich. Zusätzlich wird am 05. Mai ein Workshop zu ML mit R von Prof. Dr. Joshua Rosenberg, University of Tennessee, angeboten. Inhaltlich wird die Tagung von David Buschhüter (Uni Potsdam), Marcus Kubsch (IPN), Tobias Ludwig (PH Karlsruhe), Andreas Nehring (LUH), Knut Neumann (IPN) und Peter Wulff (Uni Potsdam) als Programmkomitee gestaltet.

Beitragsformat

Als Beitragsformat werden Poster, welche in Gather.town vorgestellt werden können, angeboten. Die Posterpräsentationen sollen deutlich machen, auf welche Weise Ihre Forschungsarbeit (in allen Stadien) an die Leitfrage der Schwerpunkttagung nach Potentialen und Grenzen des Einsatzes von maschinellem Lernen und computerbasierter Sprachverarbeitung für die Naturwissenschaftsdidaktik anknüpft.

Anmeldung

Anmeldung zur Teilnahme

Die Teilnehmendenzahl für die Tagung ist auf 50 Personen und für den Workshop auf 25 Personen begrenzt. Aus diesem Grunde möchten wir Sie bitten, sich nur anzumelden, wenn Sie sicher sind, dass Sie an der Tagung teilnehmen werden. Sollte sich kurzfristig ergeben, dass Sie wider Erwarten nicht teilnehmen können, bitten wir um eine kurze Information an .

Die Teilnahme an der Tagung ist für Sie kostenlos, da wir finanziell von der Telekom-Stiftung unterstützt werden, der wir an dieser Stelle unseren ausdrücklichen Dank aussprechen.

Die Priorisierung der Zulassung (zur Tagung sowie zum Workshop) erfolgt nach Reihenfolge der Eingänge und die Anmeldung muss spätestens zum 31.03. bei uns eingegangen sein.

Hier finden Sie den Link zum Download des Anmeldeformulars. Bitte senden Sie dieses Formular ausgefüllt an .

Anmeldung eines Beitrags

Mit der Anmeldung zur Teilnahme geben Sie an, ob Sie als Erstautor*in (bzw. Referent*in) einen Beitrag (ein digitales Poster) einreichen und vorstellen möchten. Sollten Sie diese Option ausgewählt haben, werden wir Kontakt mit Ihnen hinsichtlich der Beitragseinreichung aufnehmen.


Alle Fragen rund um die Tagung richten Sie gerne an .

Wir freuen uns auf Sie!


Das Organisationskomitee

David Buschhüter (Universität Potsdam), Marcus Kubsch (IPN Kiel), Peter Wulff (Universität Potsdam)



Weitere Informationen

Tagungsplattform

Als zentrale Tagungsplattform nutzen wir einen Open.UP-Kurs (ähnlich zu Moodle). Hier finden Sie zu gegebener Zeit die Links zu den Konferenzräumen und alle wichtigen tagungsinternen Hinweise. Den Einschreibeschlüssel zum Kurs erhalten Sie zusammen mit unserer Bestätigung Ihrer erfolgreichen Anmeldung.

Hier geht es zum Kurs.

Tagungsprogramm

Pre-Conference Workshop (05.05.21)

15.00 bis 18.00 Uhr Prof. Dr. Joshua Rosenberg (STEM Education, University of Tennessee, USA): „An Introduction to Machine Learning Using R for Science Education Research “ (max. 25 Personen)

Machine learning includes a wide range of methods and software tools, but it is possible to get started with applying machine learning methods in relatively short order through the use of R. In this workshop, researchers and analysts will learn about a) a small but important set of core ideas about machine learning, b) how these ideas are instantiated through packages (add-ons) for the R statistical software, especially the R packages parsnip, recipes, and tidymodels and c) how to conduct a start-to-end machine learning analysis in the context of science education research using the core ideas and R packages introduced. While some experience and prior use of R is required (an excellent introduction to R can be found here: https://r4ds.had.co.nz/index.html; one in the context of education is here: http://datascienceineducation.com/), participants are not required to have any prior knowledge or experience with machine learning methods.

Tag 1 (06.05.21)

Zeit Programmpunkt Anmerkungen
09.00 – 09.30 Begrüßung – Vorstellung der Themen
09.30 – 10.30 Eröffnungsvortrag: „Maschinelles Lernen und computerbasierte Sprachverarbeitung: Ein Überblick über Potentiale und Grenzen“ Prof. Dr. Detmar Meurers (Computerlinguistik, Universität Tübingen)
10.30 – 10.45 Virtuelle Kaffeepause
10.45 – 12.00 Kurzvorträge: Teilnehmende stellen ihre Arbeiten (Poster) vor und diskutieren diese vor dem Hintergrund der Leitfragen der Tagung sowie den Impulsen. Je nach Anzahl angemeldeter Vorträge: Öffnung paralleler Stränge nach Themen
12.00 – 13.00 Mittagspause
13.00 – 14.00 Forum: Möglichkeit des offenen Austauschs in Gather.town mit Unterstützung durch die mitgebrachten Poster der Teilnehmenden Parallel: Workshop “Mensch, Maschine!” - Unterrichtliche Einsatzmöglichkeiten eines unplugged Spiels zur Einführung in maschinelles Lernen (Yannik Fleischer, Hülya Malatyali, Universität Paderborn)
14.00 – 14.30 Virtuelle Kaffeepause
14.30 – 15.30 Impuls: Vortrag „Machine Learning Applications in Science Education Research“ Prof. Dr. Bruce Sherin (Physics Education, Northwestern University, USA)
15.30 – 15.45 Virtuelle Kaffeepause
15.45 – 16.45 Roundtablegespräche: Welche fachdidaktischen Fragestellungen ergeben sich aus den Möglichkeiten von maschinellem Lernen und computerbasierter Sprachverarbeitung? (Themen: Erkenntnisgewinnung sowie methodische Innovation) Ergebnisse werden als virtuelle Poster festgehalten
16.45 – 17.45 Diskussion über erarbeitete Fragestellungen im Plenum

Tag 2 (07.05.21)

Zeit Programmpunkt Anmerkungen
09.00 – 09.15 Zusammenfassung der Ergebnisse von Tag 1
09.15 – 10.45 Diskussion über theoretische Anbindungen für die Praxis mit Vortrag: Die Zukunft des MINT-Lernens aus Sicht der Unterrichtspraxis Vortrag: Prof. Dr. Andreas Mühling (Christian-Albrechts-Universität zu Kiel), Dr. Stefan Sorge (IPN Kiel) und Mina Ghomi (Humboldt-Universität zu Berlin)
10.45 – 11.00 Virtuelle Kaffeepause
11.00 – 12.00 Arbeitsphase I: Gruppenfindung, Ausschärfung der Themen und Beginn der Arbeit Themenkorridore: Forschung und Erkenntnisgewinn, Praxis, Methoden
12.00 – 13.00 Mittagspause
13.00 – 14.00 Arbeitsphase II: Gruppen erstellen Bericht über Ihre Themen
14.00 – 14.15 Virtuelle Kaffeepause
14.15 – 16.30 Abschlussdiskussion und Verabschiedung

Abstract zum Eröffnungsvortrag

Prof. Dr. Detmar Meurers, Universität Tübingen: Maschinelles Lernen und computerbasierte Sprachverarbeitung

Wenn in realen Bildungskontexten digitale Materialien genutzt und Aufgaben in Lehr- und Lernplattformen bearbeitet werden, so besteht prinzipiell die Möglichkeit, zwei Aspekte automatisiert zu analysieren: i) die Lernenden, durch ihre Plattform-Eingaben und -Interaktionen, und ii) die digitalen Materialien und Aufgaben hinsichtlich der Inhalte und Komplexität.

Bringt man beides zusammen, so kann das Lernen nicht nur analysiert sondern auch adaptiv gestaltet werden, wobei Texte und Aufgaben in der Komplexität passend für individuelle Lernende ausgewählt und sequenziert werden. Andererseits ermöglicht ein individualisierter, digitaler Lernkontext es auch, die Nutzung von Materialien interaktiv zu gestalten und durch sofortige, formative Rückmeldungen, Lernende individuell zu unterstützen. In diesem Sinne könnte die Digitalisierung systematisch Adaptivität und Interaktivität ermöglichen – und so auch das bisher in der Bildungsrealität kaum umsetzbare Versprechen einer Binnendifferenzierung einzulösen, so dass Schüler entwicklungsproximal gefördert und gefordert werden.

Um diese Vision umzusetzen, benötigt man auf der methodischen Seite automatische Analysen mit “KI-Methoden”: die automatische Verarbeitung der Sprache von Lesematerialien, Aufgaben, Schülertexten und -antworten, sowie maschinelles Lernen zur Analyse von authentischen, verrauschten Lernprozess- und produktdaten mit vielen Parametern. Allerdings können die KI-Methoden nur dann effektiv weiterentwickelt und zur Realisierung der Vision eingesetzt werden, wenn sie in einen interdisziplinären Kontext eingebettet und im Austausch mit allgemein-psychologischer und spezifisch-fachdidaktischer Modellierung konkretisiert und so real nutzbar gemacht wird.

In diesem Vortrag will ich einige konkrete Beispiele für KI-basierte Analysen von Materialien und von Lernern in interaktiven Systemen vorstellen - vor allem basierend auf unserer Forschung zu sprachlicher Komplexität und dem Englisch Tutorsystem FeedBook, das wir derzeit im interdisziplinären LEAD Kontext weiterentwickeln - wobei wir auch die Relevanz der Ansätze und der dafür eingesetzten Methoden für die Mathematik und andere Fächer versuchen werden herauszuarbeiten.