153 Kognitive Prozesse, Intelligenz
Refine
Has Fulltext
- yes (3)
Is part of the Bibliography
- yes (3)
Document Type
- Doctoral Thesis (2)
- Book (1)
Keywords
- Metakognition (3) (remove)
Institute
Der Entwicklungsverlauf metakognitiver Überwachungsprozesse und das Zusammenspiel von Überwachungs- und Kontrollprozessen ist über die gesamte Lebensspanne hinweg nur für isolierte Altersgruppen, nicht aber in Studien, die Teilnehmer vom Kindes- bis zum höheren Erwachsenenalter einschließen, untersucht worden. Diese Lücke sollte mit der vorliegenden Arbeit geschlossen werden, denn gerade solche Designs können dazu beitragen, Aufbau- und Abbauprozesse zu kontrastieren, und Hinweise auf frühzeitig vorhandene sowie im Altersverlauf bestehende Fähigkeiten geben, die dann kompensatorisch genutzt werden können.
Die eigene Arbeit befasste sich dabei mit dem Verlauf einer Vielzahl von pro- und retrospektiven Überwachungsvorgängen über die Lebensspanne. Der Schwerpunkt lag auf dem Einfluss verschiedener Kontextfaktoren (z.B. Komplexität des Lernmaterials, Vorwissen, Strategienutzung) auf die Überwachungsleistung in den jeweiligen Altersstufen. Außerdem wurde überprüft, inwieweit wechselseitige Zusammenhänge zwischen Überwachungs- und Steuerungsprozessen in den untersuchten Altersgruppen unterschiedlich stark ausgeprägt sind.
Diese Fragestellungen wurden in sechs Experimenten mit insgesamt 816 Teilnehmern untersucht. Es handelte sich dabei um Drittklässler im Alter zwischen 7 und 9 Jahren, Jugendliche zwischen 12 und 14 Jahren, jüngere Erwachsene zwischen ca. 18 und 25 Jahren sowie ältere Erwachsene zwischen ca. 60 und 80 Jahren. Erhoben wurden Ease-of-Learning-Urteile (EOLs) bzw. ein globales Verständnisurteil als Maß der Überwachung vor dem eigentlichen Lernprozess, Judgments of Learning (JOLs) als Maß der Überwachung nach dem Lernvorgang und Sicherheitsurteile (SUs) als Maß der Überwachung nach dem Erinnerungsabruf.
Es zeigte sich, dass die Überwachungsleistung sowohl, was die Differenzierungsfähigkeit zwischen richtigen und falschen Antworten, als auch, was die Genauigkeit betrifft, bezüglich der JOLs und der SUs über die gesamte untersuchte Altersspanne hinweg im Wesentlichen konstant und auf recht hohem Niveau blieb. Lediglich bei den EOLs ergaben sich Alterseffekte: Die jüngeren Erwachsenen schnitten besser ab als die anderen Altersgruppen, was mit besseren Fähigkeiten, spätere Lern- und Erinnerungsvorgänge zu antizipieren, erklärt werden kann.
In Bezug auf den Einfluss von Kontextfaktoren konnte nachgewiesen werden, dass sich die Überwachungsleistungen bei verschieden komplexen Materialien (Paar-Assoziationen versus Film- oder Textmaterial) unter günstigen Bedingungen, z.B. wenn die Leistungsvorhersagen stark mit der Erinnerungsabfrage korrespondieren, kaum unterscheiden. Bei Rekognitionsaufgaben fielen die Überwachungsleistungen im Vergleich zu Aufgaben zur freien Erinnerung insgesamt schlechter aus. Ein großes bereichsspezifisches Vorwissen resultierte über alle Maße hinweg eher in einer Überschätzung 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 Grundschülern und den älteren Erwachsenen positiv auf die Überwachungsleistung aus. Die eher gering ausgeprägten Alterseffekte weisen darauf hin, dass die einzelnen Kontextfaktoren über die Lebensspanne hinweg einen vergleichbaren Einfluss zu haben scheinen.
Hinsichtlich sequenzieller Zusammenhänge zwischen Überwachungs- 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 für die Anpassung der Lernzeit (Monitoring-affects-control-Modell) als auch – in etwas geringerem Ausmaß – Informationen aus der Lernzeit für 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 älteren Erwachsenen nachgewiesen werden.
Insgesamt gesehen belegen die Ergebnisse der sechs Experimente, dass metakognitive Überwachungsfähigkeiten bereits recht früh, d.h. im mittleren Grundschulalter, gut ausgeprägt sind und auch bei älteren Erwachsenen noch lange auf gutem Niveau erhalten bleiben. Lediglich der flexible Wechsel zwischen Überwachungs- und Kontrollprozessen scheint in diesen beiden Altersgruppen noch Schwierigkeiten zu bereiten. Die ähnliche Wirkweise der Kontextfaktoren in den einzelnen Altersgruppen weist auf vergleichbare zugrunde liegende Prozesse hin. Die grundsätzlich guten metakognitiven Leistungen bei Kindern und älteren Erwachsenen sollten demnach genutzt werden, um Gedächtnisprozesse insbesondere in diesen Altersgruppen zu fördern.
Das Wissen über 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 über Struktur und Inhalt – empirisch nach wie vor weitgehend unerschlossen.
Die vorliegende Studie schließt diese Lücke, indem sie die Entwicklung des mathematischen metakognitiven Wissens im Längsschnitt untersucht. Dazu wurde nicht nur der Entwicklungsverlauf beschrieben, sondern auch nach den Quellen für die beobachteten individuellen Unterschiede in der Entwicklung gesucht. Auch die aus pädagogischen Gesichtspunkten interessanten Zusammenhänge zwischen der metakognitiven Wissensentwicklung und der parallel dazu verlaufenden Entwicklung der mathematischen Kompetenzen wurden analysiert.
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.