Entwicklung digitaler Simulationsspiele mit integrierten Entscheidungsbäumen zur Förderung der diagnostischen Entscheidungskompetenzen in der sonderpädagogischen Lehrkräfteausbildung

Zellner, Judith ; Ebenbeck, Nikola und Gebhardt, Markus (29. November 2024): Entwicklung digitaler Simulationsspiele mit integrierten Entscheidungsbäumen zur Förderung der diagnostischen Entscheidungskompetenzen in der sonderpädagogischen Lehrkräfteausbildung. In: QfI - Qualifizierung für Inklusion, Bd. 6, Nr. 2

Abstract

Die Anwendung von pädagogischer Diagnostik benötigt sowohl konzeptuelles als auch strate-gisches Wissen über diagnostische Entscheidungsprozesse. Um diese Entscheidungsprozesse für die Ausbildung im Lehramt Sonderpädagogik der Hochschule möglichst anwendungsbezo-gen nachzustellen, wurde ein digitales fallbasiertes Simulationsspiel entwickelt. Ziel ist es, an-gehende Sonderpädagog:innen im Studium zu ökonomischen diagnostischen Entscheidungen im Rahmen pädagogischer Diagnostik zu befähigen und den Aufbau von Handlungsschablonen zu fördern. Diese Studie untersucht mittels Learning Analytics, inwieweit die Simulationsspiele zur Weiterentwicklung der diagnostischen Entscheidungskompetenz von Studierenden (N = 30) beitragen. Untersucht wird, wie treffsicher und effizient Studierende aus fünf Testverfahren den jeweils passenden Test auswählen. Der wiederholte Einsatz der Simulationsspiel führt zu signi-fikanten Veränderungen in der Entscheidungsheuristik. Studierende treffen ihre Entscheidun-gen nach der Übung mit durchschnittlich 2,1 Tests und einer Treffsicherheit von 41,39%. Die Einsatzmöglichkeiten und der Mehrwert von digitalen Simulationsspielen wird für die Leh-rer:innenausbildung diskutiert

• Dokumententyp: Zeitschriftenartikel
• Keywords: Diagnostische Kompetenzen; Lehrer:innenbildung; Simulationen; interaktive Simulationsspiele; Sonderpädagogik; Professionalisierung
• Fakultät: Psychologie und Pädagogik > Department Pädagogik und Rehabilitation > Abt. 3: Präventions-, Inklusions- und Rehabilitationsforschung ; Psychologie und Pädagogik > Department Pädagogik und Rehabilitation > Abt. 3: Präventions-, Inklusions- und Rehabilitationsforschung > Lernbehindertenpädagogik
• Themengebiete: 300 Sozialwissenschaften > 370 Bildung und Erziehung
• Sprache: Deutsch

Literaturliste

Agarwal, S., Pandey, G. N. & Tiwari, M. D. (2012). Data mining in Education: Data Classification and Decision Tree Approach. International Journal of e-Education, e-Business, e-Manage-ment and e-Learning, 2(2), 140–144. doi: 10.7763/IJEEEE.2012.V2.97

Bauer, E., Sailer, M., Kiesewetter, J., Schulz, C., Gurevych, I., Fischer, M. R. et al. (2022). Learning to Diagnose Students’ Behavioral, Developmental, and Learning Disorders in a Simulation-Based Learning Environment for Pre-Service Teachers. In F. Fischer & A. Opitz (Hrsg.), Learning to Diagnose with Simulations. Examples from Teacher Education and Med-ical Education (S. 97–107). Cham: Springer. doi: 10.1007/978-3-030-89147-3_8

Beckstein, G. & Sroka, S. (2022). Ein Erfahrungsbericht aus Bayern – Mobiler Sonderpädago-gischer Dienst Sprache, Lernen, emotionale und soziale Entwicklung. In M. Gebhardt, D. Scheer & M. Schurig (Hrsg.), Handbuch der sonderpädagogischen Diagnostik. Grundlagen und Konzepte der Statusdiagnostik, Prozessdiagnostik und Förderplanung (Version 1.0) (Regensburger Beiträge zur Inklusions- und Sonderpädagogik, Bd. 4, S. 773–782). Regens-burg: Universität Regensburg. doi: 10.5283/epub.53149

Blömeke, S., Gustafsson, J.‑E. & Shavelson, R. J. (2015). Beyond dichotomies. Competence Viewed as a Continuum. Zeitschrift für Psychologie, 223(1), 3–13. doi: 10.1027/2151-2604/a000194

Capovilla, D., Falkenstörfer, S. & Gebhardt, M. (2023). Die Begleitung sonderpädagogischer Praktika aus akademischer Sicht. Praktika im Lehramt für Sonderpädagogik. Zeitschrift für Heilpädagogik, 74(10), 446–449.

Chernikova, O., Heitzmann, N., Stadler, M., Holzberger, D., Seidel, T. & Fischer, F. (2020). Simulation-Based Learning in Higher Education: A Meta-Analysis. Review of Educational Research, 90(4), 499–541. doi: 10.3102/0034654320933544

Cook, D. A., Brydges, R., Hamstra, S. J., Zendejas, B., Szostek, J. H., Wang, A. T. et al. (2012). Comparative effectiveness of technology-enhanced simulation versus other instructional methods. a systematic review and meta-analysis. Simul Healthc., 7(5), 308–320. doi: 10.1097/SIH.0b013e3182614f95

Espin, C. A., Saab, N., Pat-El, R., Boender, P. D. M. & van der Veen, J. (2018). Curriculum-Based Measurement progress data: Effects of graph pattern on ease of interpretation. Zeit-schrift für Erziehungswissenschaft, 21(4), 767–792. doi: 10.1007/s11618-018-0836-9

Fischer, M. R. (2000). CASUS - An authoring and learning tool supporting diagnostic reasoning. Zeitschrift für Hochschuldidaktik, 1(1), 87–98.

Gebhardt, M. (2023). Pädagogische Diagnostik. Leistung, Kompetenz und Entwicklung mes-sen, bewerten und für individuelle Förderung interpretieren (Version 0.2) (Regensburger Bei-träge zur Inklusions- und Sonderpädagogik, Bd. 3). Regensburg: Universität Regensburg. doi: 10.5283/epub.54450

Gebhardt, M., Diehl, K. & Mühling, A. (2016). Online-Lernverlaufsmessung für alle SchülerInnen und Schüler in inklusiven Klassen. Zeitschrift für Heilpädagogik, 67(10), 444–453.

Gebhardt, M., Ebenbeck, N., Jungjohann, J., Koutsianikouli, G. & Lutz, S. (2023). Praktikums-konzept zum studienbegleitenden sonderpädagogischen Praktikum im Schwerpunkt Lernen, Universität Regensburg. Verfügbar unter: https://www.uni-regensburg.de/assets/humanwis-senschaften/lernbehindertenpaedagogik/Praktikumskonzept_FS_Lernen_Regensburg_23.06.23_final.pdf

Gigerenzer, G. & Gaissmaier, W. (2011). Heuristic decision making. Annual review of psychology, 62, 451–482. doi: 10.1146/annurev-psych-120709-145346 Goldberg, P., Schwerter, J., Seidel, T., Müller, K. & Stürmer, K. (2021). How does learners’ be-havior attract preservice teachers’ attention during teaching? Teaching and Teacher Educa-tion, 97. doi: 10.1016/j.tate.2020.103213

H5P Group. (2019). Branching Scenario with H5P (Interactive Learning Resource), H5P. Ver-fügbar unter: https://h5p.org/branching-scenario

Hähn, K., Häsel-Weide, U. & Scherer, P. (2021). Diagnosegeleitete Förderung im inklusiven Mathematikunterricht der Grundschule - Professionalisierung durch reflektierte Handlungs-praxis in der Lehrer*innenbildung. QfI - Qualifizierung für Inklusion, 3(2). doi: 10.21248/qfi.72

Heimlich, U. (2012). Gemeinsam von Anfang an. Inklusion für unsere Kinder mit und ohne Be-hinderung (Kinder sind Kinder, Bd. 38). München: Reinhardt.

Heitzmann, N., Seidel, T., Opitz, A., Hetmanek, A., Wecker, C., Fischer, M. et al. (2019). Facil-itating diagnostic competences in simulations: A conceptual framework and a research agenda for medical and teacher education. Frontline Learning Research, 7(4), 1–24. doi: 10.14786/flr.v7i4.384

Hoffrage, U. & Reimer, T. (2004). Models of bounded rationality: The approach of fast and frugal heuristics. management revue, 15(4), 437–459. doi: 10.5771/0935-9915-2004-4-437

Ifenthaler, D. & Schumacher, C. (2016). Learning analytics im Hochschulkontext. WiSt – Wirt-schaftswissenschaftliches Studium, 45(4), 176–181. doi: 10.15358/0340-1650-2016-4-176 Inspectie van het Onderwijs. (2010). Opbrengstgericht werken in het basisonderwijs. Een on-derzoek naar opbrengstgericht werken bij rekenen-wiskunde in het basisonderwijs, Inspectie van het Onderwijs. Verfügbar unter: https://www.onderwijsinspectie.nl/documenten/rap-porten/2010/11/01/opbrengstgericht-werken-in-het-basisonderwijs

Jungjohann, J. & Gebhardt, M. (2023). Fragebogen zur Erfassung diagnostischer Kompetenz von Lehrkräften in der inklusiven Schule (DaKI, Version 0.2). Regensburg: Universität Re-gensburg.

Kingston, N. & Nash, B. (2011). Formative assessment: A meta-analysis and a call for research. Educational Measurment: Issues and Practice, 30(4), 28–37. doi: 10.1111/j.1745-3992.2011.00220.x

Klauer, K. J. (1978). Perspektiven Pädagogischer Diagnostik. In K. J. Klauer (Hrsg.), Handbuch der pädagogischen Diagnostik (Bd. 1, S. 3–14). Düsseldorf: Schwann.

Kultusministerkonferenz & Hochschulrektorenkonferenz. (2015). Lehrerbildung für eine Schule der Vielfalt. Gemeinsame Empfehlung von Hochschulrektorenkonferenz und Kultusminister-konferenz. Beschluss der Kultusministerkonferenz vom 12.03.2015/Beschluss der Hoch-schulrektorenkonferenz vom 18.03.2015. Verfügbar unter: https://www.kmk.org/fileadmin/-veroeffentlichungen_beschluesse/2015/2015_03_12-Schule-der-Vielfalt.pdf

Lai, M. K., McNaughton, S., Amituanai-Toloa, M., Turner, R. & Hsiao, S. (2009). Sustained ac-celeration of achievement in reading comprehension: The New Zealand experience. Reading Research Quarterly, 44(1), 30–56. doi: 10.1598/RRQ.44.1.2

Liebers, K., Kanold, E. & Junger, R. (2019). Digitale Lernstandsanalysen in der inklusiven Grundschule? In S. Bartusch, Klektau, C:, Simon, T., S. Teumer & A. Weidermann (Hrsg.), Lernprozesse begleiten. Anforderungen an pädagogische Institutionen und ihre Akteur*innen (S. 209–221). Wiesbaden: Springer VS. doi: 10.1007/978-3-658-21924-6_16

Marx, D. & Lange, P. (2019). Entscheidungsfindung in der Akut- und Notfallmedizin. Not-fallmedizin up2date, 14(1), 71–87. doi: 10.1055/a-0757-9089

Moser Opitz, E., Pool Maag, S. & Labhart, D. (2019). Förderpläne: Instrument zur Förderung oder "bürokratisches Mittel"? Eine empirische Untersuchung zum Einsatz von Förderplänen. Empirische Sonderpädagogik, 11(3), 210–224. doi: 10.25656/01:17780

Nisbet, R., Elder, J. & Miner, G. (2009). Handbook of statistical analysis and data mining. Appli-cations. San Diego: Academic press.

Prince, A. M. T., Yell, M. L. & Katsiyannis, A. (2018). Endrew F. v. Douglas County School Dis-trict (2017): The U.S. Supreme Court and Special Education. Intervention in School and Clinic, 53(5), 321–324. doi: 10.1177/1053451217736867

R Core Team. (2018). R: A language and environment for statistical computing, R Foundation for Statistical Computing. Verfügbar unter: https://www.R-project.org/

Raffaghelli, J. E. (2019). Developing a framework for educators´ data literacy in the European context: Proposal, implications and debate. EDULEARN, Proceedings 2019, 10520–10530. doi: 10.21125/edulearn.2019.2655

Reimer, T., Hoffrage, U. & Katsikopoulos, K. (2007). Entscheidungsheuristiken in Gruppen. NeuroPsychoEconomics, 2(1), 7–29.

Savolainen, H., Malinen, O.‑P. & Schwab, S. (2022). Teacher efficacy predicts teachers’ atti-tudes towards inclusion – a longitudinal cross-lagged analysis. International Journal of Inclu-sive Education, 26(9), 958–972. doi: 10.1080/13603116.2020.1752826

Schildkamp, K. & Ehren, M. (2013). From “Intuition”-to “Data”-based Decision Making in Dutch Secondary Schools? In K. Schildkamp, M. K. Lai & L. Earl (Hrsg.), Data-based Decision Making in Education. Challenges and Opportunities (Studies in Educational Leadership, S. 49–67). Dordrecht: Springer. doi: 10.1007/978-94-007-4816-3_4

Schildkamp, K. & Kuiper, W. (2010). Data-informed curriculum reform: Which data, what pur-poses, and promoting and hindering factors. Teaching and Teacher Education, 26(3), 482–496. doi: 10.1016/j.tate.2009.06.007

Schröter, A., Schulze, S. & Kuhl, J. (2023). Was lernt man da eigentlich? Der Lerngegenstand der Sonderpädagogik als lehrerinnenbildendes Fach. Zeitschrift für Heilpädagogik, 74(2), 83–91.

Schulz, C., Sailer, M., Kiesewetter, J., Meyer, C. M., Gurevych, I., Fischer, F. et al. (2017). Fall-simulationen und automatisches adaptives Feedback mittels Künstlicher Intelligenz in digita-len Lernumgebungen, e-teaching.org. Verfügbar unter: https://www.researchgate.net/public-ation/320616057_Fallsimulationen_und_automatisches_adaptives_Feedback_mittels_Kunstlicher_Intelligenz_in_digitalen_Lernumgebungen

Siemens, G. & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE review, 46(5), 31–40.

Sommerhoff, D., Codreanu, E., Nickl, M., Ufer, S. & Seidel, T. (2023). Pre-service teachers’ learning of diagnostic skills in a video-based simulation: Effects of conceptual vs. intercon-necting prompts on judgment accuracy and the diagnostic process. Learning and Instruction, 83. doi: 10.1016/j.learninstruc.2022.101689

Staman, L., Timmermans, A. & Visscher, A. J. (2017). Effects of a Data-Based Decision Making Intervention on Student Achievement. Studies in Educational Evaluation, 55, 58–67. doi: 10.1016/j.stueduc.2017.07.002

Urhahne, D. & Wijnia, L. (2021). A review on the accuracy of teacher judgments. Educational Research Review, 32. doi: 10.1016/j.edurev.2020.100374

Viberg, O., Hatakka, M., Bälter, O. & Mavroudi, A. (2018). The current landscape of learning analytics in higher education. Computers in human behavior, 89, 98–110. doi: 10.1016/j.chb.2018.07.027

Wayman, J. C., Jimerson, J. B. & Cho, V. (2012). Organizational considerations in establishing the Data-Informed District. School Effectiveness and School Improvement, 23(2), 159–178. doi: 10.1080/09243453.2011.652124