@phdthesis{Loeffler2016,
  author    = {L{\"o}ffler, Elisabeth Therese},
  title     = {Die Entwicklung des prozeduralen Metaged{\"a}chtnisses {\"u}ber die Lebensspanne},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-150424},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2016},
  abstract  = {Der Entwicklungsverlauf metakognitiver {\"U}berwachungsprozesse und das Zusammenspiel von {\"U}berwachungs- und Kontrollprozessen ist {\"u}ber die gesamte Lebensspanne hinweg nur f{\"u}r isolierte Altersgruppen, nicht aber in Studien, die Teilnehmer vom Kindes- bis zum h{\"o}heren Erwachsenenalter einschließen, untersucht worden. Diese L{\"u}cke sollte mit der vorliegenden Arbeit geschlossen werden, denn gerade solche Designs k{\"o}nnen dazu beitragen, Aufbau- und Abbauprozesse zu kontrastieren, und Hinweise auf fr{\"u}hzeitig vorhandene sowie im Altersverlauf bestehende F{\"a}higkeiten geben, die dann kompensatorisch genutzt werden k{\"o}nnen. Die eigene Arbeit befasste sich dabei mit dem Verlauf einer Vielzahl von pro- und retrospektiven {\"U}berwachungsvorg{\"a}ngen {\"u}ber die Lebensspanne. Der Schwerpunkt lag auf dem Einfluss verschiedener Kontextfaktoren (z.B. Komplexit{\"a}t des Lernmaterials, Vorwissen, Strategienutzung) auf die {\"U}berwachungsleistung in den jeweiligen Altersstufen. Außerdem wurde {\"u}berpr{\"u}ft, inwieweit wechselseitige Zusammenh{\"a}nge zwischen {\"U}berwachungs- und Steuerungsprozessen in den untersuchten Altersgruppen unterschiedlich stark ausgepr{\"a}gt sind. Diese Fragestellungen wurden in sechs Experimenten mit insgesamt 816 Teilnehmern untersucht. Es handelte sich dabei um Drittkl{\"a}ssler im Alter zwischen 7 und 9 Jahren, Jugendliche zwischen 12 und 14 Jahren, j{\"u}ngere Erwachsene zwischen ca. 18 und 25 Jahren sowie {\"a}ltere Erwachsene zwischen ca. 60 und 80 Jahren. Erhoben wurden Ease-of-Learning-Urteile (EOLs) bzw. ein globales Verst{\"a}ndnisurteil als Maß der {\"U}berwachung vor dem eigentlichen Lernprozess, Judgments of Learning (JOLs) als Maß der {\"U}berwachung nach dem Lernvorgang und Sicherheitsurteile (SUs) als Maß der {\"U}berwachung nach dem Erinnerungsabruf. Es zeigte sich, dass die {\"U}berwachungsleistung sowohl, was die Differenzierungsf{\"a}higkeit zwischen richtigen und falschen Antworten, als auch, was die Genauigkeit betrifft, bez{\"u}glich der JOLs und der SUs {\"u}ber die gesamte untersuchte Altersspanne hinweg im Wesentlichen konstant und auf recht hohem Niveau blieb. Lediglich bei den EOLs ergaben sich Alterseffekte: Die j{\"u}ngeren Erwachsenen schnitten besser ab als die anderen Altersgruppen, was mit besseren F{\"a}higkeiten, sp{\"a}tere Lern- und Erinnerungsvorg{\"a}nge zu antizipieren, erkl{\"a}rt werden kann. In Bezug auf den Einfluss von Kontextfaktoren konnte nachgewiesen werden, dass sich die {\"U}berwachungsleistungen bei verschieden komplexen Materialien (Paar-Assoziationen versus Film- oder Textmaterial) unter g{\"u}nstigen Bedingungen, z.B. wenn die Leistungsvorhersagen stark mit der Erinnerungsabfrage korrespondieren, kaum unterscheiden. Bei Rekognitionsaufgaben fielen die {\"U}berwachungsleistungen im Vergleich zu Aufgaben zur freien Erinnerung insgesamt schlechter aus. Ein großes bereichsspezifisches Vorwissen resultierte {\"u}ber alle Maße hinweg eher in einer {\"U}bersch{\"a}tzung der eigenen Leistung, bei den SUs jedoch auch in einer verbesserten Leistung im Vergleich zu Personen mit weniger Vorwissen. Ein Strategietraining wirkte sich besonders bei den Grundsch{\"u}lern und den {\"a}lteren Erwachsenen positiv auf die {\"U}berwachungsleistung aus. Die eher gering ausgepr{\"a}gten Alterseffekte weisen darauf hin, dass die einzelnen Kontextfaktoren {\"u}ber die Lebensspanne hinweg einen vergleichbaren Einfluss zu haben scheinen. Hinsichtlich sequenzieller Zusammenh{\"a}nge zwischen {\"U}berwachungs- und Steuerungsprozessen (hier operationalisiert durch JOLs und die selbst gesteuerte Lernzeiteinteilung) zeigte sich, dass die Teilnehmer aller Altersgruppen in der Lage waren, sowohl Informationen aus den JOLs f{\"u}r die Anpassung der Lernzeit (Monitoring-affects-control-Modell) als auch - in etwas geringerem Ausmaß - Informationen aus der Lernzeit f{\"u}r die Anpassung der JOLs zu nutzen (Control-affects-monitoring-Modell). Der simultane Wechsel zwischen beiden Modellen stellt einen deutlich komplexeren Vorgang dar und konnte deshalb vor allem bei den Jugendlichen und den {\"a}lteren Erwachsenen nachgewiesen werden. Insgesamt gesehen belegen die Ergebnisse der sechs Experimente, dass metakognitive {\"U}berwachungsf{\"a}higkeiten bereits recht fr{\"u}h, d.h. im mittleren Grundschulalter, gut ausgepr{\"a}gt sind und auch bei {\"a}lteren Erwachsenen noch lange auf gutem Niveau erhalten bleiben. Lediglich der flexible Wechsel zwischen {\"U}berwachungs- und Kontrollprozessen scheint in diesen beiden Altersgruppen noch Schwierigkeiten zu bereiten. Die {\"a}hnliche Wirkweise der Kontextfaktoren in den einzelnen Altersgruppen weist auf vergleichbare zugrunde liegende Prozesse hin. Die grunds{\"a}tzlich guten metakognitiven Leistungen bei Kindern und {\"a}lteren Erwachsenen sollten demnach genutzt werden, um Ged{\"a}chtnisprozesse insbesondere in diesen Altersgruppen zu f{\"o}rdern.},
  subject      = {Metakognition},
  language  = {de}
}
@book{Lingel2016,
  author    = {Lingel, Klaus},
  title     = {Metakognitives Wissen Mathematik - Entwicklung und Zusammenhang mit der Mathematikleistung in der Sekundarstufe I},
  publisher = {W{\"u}rzburg University Press},
  address   = {W{\"u}rzburg},
  isbn      = {978-3-95826-004-7 (print)},
  doi       = {10.25972/WUP-978-3-95826-005-4},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-103269},
  publisher      = {W{\"u}rzburg University Press},
  pages     = {312},
  year      = {2016},
  abstract  = {Das Wissen {\"u}ber kognitive Prozesse oder metakognitives Wissen ist seit den 1970er-Jahren Gegenstand der entwicklungspsychologischen Forschung. Im Inhaltsbereich der mathematischen Informationsverarbeitung ist das Konstrukt jedoch - trotz elaborierter theoretischer Modelle {\"u}ber Struktur und Inhalt - empirisch nach wie vor weitgehend unerschlossen. Die vorliegende Studie schließt diese L{\"u}cke, indem sie die Entwicklung des mathematischen metakognitiven Wissens im L{\"a}ngsschnitt untersucht. Dazu wurde nicht nur der Entwicklungsverlauf beschrieben, sondern auch nach den Quellen f{\"u}r die beobachteten individuellen Unterschiede in der Entwicklung gesucht. Auch die aus p{\"a}dagogischen Gesichtspunkten interessanten Zusammenh{\"a}nge zwischen der metakognitiven Wissensentwicklung und der parallel dazu verlaufenden Entwicklung der mathematischen Kompetenzen wurden analysiert.},
  subject      = {Kognitiver Prozess},
  language  = {de}
}
@phdthesis{Sonnenberg2017,
  author    = {Sonnenberg, Christoph},
  title     = {Analyzing Technology-Enhanced Learning Processes: What Can Process Mining Techniques Contribute to the Evaluation of Instructional Support?},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-152354},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2017},
  abstract  = {The current dissertation addresses the analysis of technology-enhanced learning processes by using Process Mining techniques. For this purpose, students' coded think-aloud data served as the measurement of the learning process, in order to assess the potential of this analysis method for evaluating the impact of instructional support. The increasing use of digital media in higher education and further educational sectors enables new potentials. However, it also poses new challenges to students, especially regarding the self-regulation of their learning process. To help students with optimally making progress towards their learning goals, instructional support is provided during learning. Besides the use of questionnaires and tests for the assessment of learning, researchers make use increasingly of process data to evaluate the effects of provided support. The analysis of observed behavioral traces while learning (e.g., log files, eye movements, verbal reports) allows detailed insights into the student's activities as well as the impact of interventions on the learning process. However, new analytical challenges emerge, especially when going beyond the analysis of pure frequencies of observed events. For example, the question how to deal with temporal dynamics and sequences of learning activities arises. Against this background, the current dissertation concentrates on the application of Process Mining techniques for the detailed analysis of learning processes. In particular, the focus is on the additional value of this approach in comparison to a frequency-based analysis, and therefore on the potential of Process Mining for the evaluation of instructional support. An extensive laboratory study with 70 university students, which was conducted to investigate the impact of a support measure, served as the basis for pursuing the research agenda of this dissertation. Metacognitive prompts supported students in the experimental group (n = 35) during a 40-minute hypermedia learning session; whereas the control group (n = 35) received no support. Approximately three weeks later, all students participated in another learning session; however, this time all students learned without any help. The participants were instructed to verbalize their learning activities concurrently while learning. In the three analyses of this dissertation, the coded think aloud data were examined in detail by using frequency-based methods as well as Process Mining techniques. The first analysis addressed the comparison of the learning activities between the experimental and control groups during the first learning session. This study concentrated on the research questions whether metacognitive prompting increases the number of metacognitive learning activities, whether a higher number of these learning activities corresponds with learning outcome (mediation), and which differences regarding the sequential structure of learning activities can be revealed. The second analysis investigated the impact of the individual prompts as well as the conditions of their effectiveness on the micro level. In addition to Process Mining, we used a data mining approach to compare the findings of both analysis methods. More specifically, we classified the prompts by their effectiveness, and we examined the learning activities preceding and following the presentation of instructional support. Finally, the third analysis considered the long-term effects of metacognitive prompting on the learning process during another learning session without support. It was the key objective of this study to examine which fostered learning activities and process patterns remained stable during the second learning session. Overall, all three analyses indicated the additional value of Process Mining in comparison to a frequency-based analysis. Especially when conceptualizing the learning process as a dynamic sequence of multiple activities, Process Mining allows identifying regulatory loops and crucial routing points of the process. These findings might contribute to optimizing intervention strategies. However, before drawing conclusions for the design of instructional support based on the revealed process patterns, additional analyses need to investigate the generalizability of results. Moreover, the application of Process Mining remains challenging because guidelines for analytical decisions and parameter settings in technology-enhanced learning context are currently missing. Therefore, future studies need to examine further the potential of Process Mining as well as related analysis methods to provide researchers with concrete recommendations for use. Nevertheless, the application of Process Mining techniques can already contribute to advance the understanding of the impact of instructional support through the use of fine-grained process data.},
  subject      = {Selbstgesteuertes Lernen},
  language  = {en}
}