Supporting physics instructors to use a variety of evidence-based approaches to improve student learning: An example from quantum mechanics

Die Studie zeigt, wie die Unterstützung von Physikdozenten durch eine Online-Community dazu beiträgt, dass diese trotz anfänglicher Misserfolge mit einer bestimmten evidenzbasierten Methode nicht aufgeben, sondern alternative Ansätze wie die Korrektur von Fehlern außerhalb des Unterrichts erfolgreich einsetzen, um das Lernen der Studierenden zu verbessern.

Das Wesentliche

Das große Experiment: Wenn der erste Versuch scheitert, gibt man nicht auf

Stellen Sie sich vor, Sie sind ein Koch (ein Physik-Lehrer), der ein neues, revolutionäres Rezept (eine moderne Lehrmethode) ausprobieren möchte. Das Ziel ist es, dass Ihre Gäste (die Studenten) das Essen (die Physik) nicht nur schmecken, sondern es wirklich verstehen und lieben lernen.

Die Forscher Paul, Emily und Chandralekha haben beobachtet, wie zwei Köche (Lehrer A und B) versuchten, ein sehr schwieriges Gericht zuzubereiten: die Quantenmechanik. Das ist wie Kochen mit unsichtbaren Zutaten, die sich verhalten, als wären sie Geister – völlig anders als unser normales Essen (klassische Physik).

1. Der erste Versuch: Der „Clicker"-Kochkurs

Der erste Lehrer (Lehrer A) entschied sich für eine Methode, die man „Clicker"-Fragen nennt.

• Die Analogie: Stellen Sie sich vor, der Lehrer stellt eine Frage, und jeder Gast hat eine kleine Fernbedienung. Sie drücken eine Taste für ihre Antwort. Dann diskutieren die Nachbarn miteinander („Warum hast du A gewählt? Ich dachte an B!"). Danach drücken sie noch einmal.
• Das Ergebnis: Bei manchen Teilen des Gerichts klappte das super. Die Gäste verstanden die Grundlagen. Aber bei einem speziellen, komplizierten Teil (dem „Addieren von Drehimpulsen" – eine Art mathematisches Jonglieren mit unsichtbaren Kräften) blieben viele stecken. Sie konnten die Zutaten mischen, aber das fertige Gericht schmeckte nicht ganz richtig.

2. Der zweite Versuch: Ein neuer Koch, das gleiche Rezept

Im nächsten Jahr versuchte ein anderer Lehrer (Lehrer B) das gleiche Rezept in einer anderen Küche.

• Das Problem: Hier klappte es noch schlechter. Die Gäste waren verwirrt. Der Lehrer war enttäuscht. Er dachte: „Vielleicht ist dieses Rezept ja gar nichts für mich."
• Der Wendepunkt: Hier kommt die eigentliche Botschaft der Studie ins Spiel. Die Forscher sagten dem Lehrer: „Gib nicht auf! Kochen ist ein Prozess." Man muss das Rezept oft anpassen, je nachdem, welche Zutaten man hat und wie die Gäste schmecken.

3. Die Rettung: Die „Fehler-Belohnungs"-Methode

Anstatt das Clicker-Rezept komplett zu verwerfen, probierte Lehrer B eine andere, clevere Strategie aus, die er von Kollegen lernte. Wir nennen sie „Lernen durch Fehler mit Belohnung".

• Die Analogie: Stellen Sie sich vor, Sie haben einen Test geschrieben und einige Antworten waren falsch. Normalerweise bekommt man den Test zurück, sieht die roten Kreuze und vergisst ihn schnell.
• Die neue Methode: Der Lehrer sagte: „Hey, ich gebe euch einen Anreiz! Wenn ihr eure Fehler zu Hause korrigiert und mir erklärt, warum sie falsch waren, gebe ich euch einen Teil der verlorenen Punkte zurück."
• Warum das funktioniert: Es zwingt die Gäste, sich nicht einfach nur die richtige Lösung anzusehen (wie beim Fernsehen), sondern aktiv zu kämpfen, um den Fehler zu finden. Das nennt man „produktives Ringen". Es ist wie beim Sport: Wenn Sie einen Ball verpassen, ist es besser, sich zu überlegen, warum Sie ihn verpasst haben, als einfach nur den nächsten Ball zu fangen.

4. Das Ergebnis: Die Gewinner

Das Ergebnis war erstaunlich:

• Die Gäste, die sich die Mühe machten, ihre Fehler zu korrigieren und zu verstehen, schnitten auf der großen Abschlussprüfung (dem „Finale") viel besser ab als die, die es einfach so ließen.
• Sie hatten das schwierige Konzept des „Addierens von Drehimpulsen" wirklich verinnerlicht.

Die große Lehre für alle

Die Studie sagt uns etwas Wichtiges über das Lehren und Lernen:

1. Lehren ist kein Einbahnstraßen: Wenn eine moderne Lehrmethode (wie Clicker) beim ersten Mal nicht perfekt funktioniert, ist das kein Grund, die Hände in den Schoß zu legen. Es bedeutet nur, dass man das Rezept noch ein wenig anpassen muss.
2. Man braucht ein Werkzeugkasten: Ein guter Lehrer sollte nicht nur eine Methode kennen. Er sollte viele Werkzeuge im Kasten haben (Clicker, Hausaufgaben mit Fehlerkorrektur, Diskussionen). Wenn das eine Werkzeug nicht passt, nimmt man das nächste.
3. Gemeinschaft ist wichtig: Der wichtigste Teil war, dass Lehrer B nicht allein war. Er sprach mit anderen Lehrern, die ihm sagten: „Hey, das ist normal, probieren wir das andere Werkzeug."

Fazit:
Wenn Sie versuchen, etwas Neues zu lernen oder zu lehren und es nicht sofort klappt: Geben Sie nicht auf. Suchen Sie sich Hilfe, probieren Sie einen anderen Weg aus und belohnen Sie sich (oder Ihre Schüler) dafür, dass man aus Fehlern lernt. Genau so wird aus einem schlechten Koch ein Meisterkoch und aus verwirrten Studenten echte Experten.

Technische Zusammenfassung

Technische Zusammenfassung: Unterstützung von Physikdozenten beim Einsatz evidenzbasierter Ansätze am Beispiel der Quantenmechanik

1. Problemstellung
Das zentrale Problem, das in diesem Papier adressiert wird, ist die geringe nachhaltige Nutzung von evidenzbasierten aktiven Lernmethoden (Evidence-Based Active Engagement, EBAE) unter Physikdozenten. Oft führen frühe Anpassungen dieser Methoden in den eigenen Lehrveranstaltungen nicht zu den gleichen signifikanten Lerngewinnen wie in den ursprünglichen Entwicklungsstudien. Wenn Dozenten feststellen, dass eine spezifische EBAE-Methode (z. B. Clicker-Fragen) nicht die gewünschten Ergebnisse liefert, neigen sie dazu, entmutigt aufzugeben, anstatt die Methode zu verfeinern oder alternative Ansätze zu kombinieren. Dies liegt oft an mangelnder Unterstützung, fehlender Anpassung an den eigenen Lehrstil oder unzureichendem Vorwissen der Studierenden. Das Papier untersucht, wie eine unterstützende Gemeinschaft von Physikdidaktikern Dozenten helfen kann, durchzuhalten und verschiedene EBAE-Methoden zu kombinieren, um das Lernen zu verbessern.

2. Methodik
Die Studie verwendet einen Fallstudienansatz, der zwei Dozenten (Dozent A und Dozent B) an derselben Universität in aufeinanderfolgenden Jahren in einem fortgeschrittenen Quantenmechanik-Kurs (QM) vergleicht. Der Fokus liegt auf dem komplexen Thema der Addition von Drehimpulsen (insbesondere Spin-Systeme).

• Phase 1: Implementierung von Clicker-Fragen-Sequenzen (CQS):

  • Dozent A: Implementierte eine validierte Sequenz von Clicker-Fragen (CQS) nach traditionellem Vorlesungsunterricht. Die CQS umfasste 13 Fragen in drei Abschnitten, die von der ungebundenen (uncoupled) zur gebundenen (coupled) Darstellung übergingen und höhere Dimensionen behandelten.
  • Messung: Vor- und Nachtests wurden durchgeführt, um den Lernzuwachs zu messen. Die Tests beinhalteten Aufgaben zur Konstruktion von Basiszuständen und zur Berechnung von Matrixelementen für Spin-Spin- und Magnetfeld-Spin-Hamilton-Operatoren.
  • Ergebnisanalyse: Die Ergebnisse zeigten gemischte Erfolge; einige Konzepte wurden verstanden, andere (insbesondere Matrixelemente in der falschen Basis) blieben problematisch.

• Phase 2: Anpassung und Kombination mit "Incentives for Learning from Mistakes" (ILM):

  • Dozent B: Implementierte eine leicht modifizierte CQS im folgenden Jahr. Da die Nachtest-Ergebnisse hier schlechter ausfielen (teilweise aufgrund geringeren Vorwissens der Studierenden), wurde Dozent B durch ein Netzwerk von Physikdidaktikern unterstützt, nicht aufzugeben.
  • Strategie-Wechsel: Anstatt mehr Vorlesungszeit zu investieren, wurde die ILM-Pädagogik (Anreize zum Lernen aus Fehlern) eingeführt.
  • Umsetzung: Der Dozent gab den Nachtest mit korrigierten Fehlern zurück, aber ohne Lösungen. Studierende erhielten die Möglichkeit, ihre Fehler als Hausaufgabe zu korrigieren und dafür bis zu 50 % der verlorenen Punkte zurückzubekommen. Dies förderte das "produktive Ringen" (productive struggle) mit dem Material außerhalb der Klasse.

3. Wichtige Beiträge

• Beweis für die Notwendigkeit von Unterstützung: Das Papier zeigt empirisch, dass Dozenten Unterstützung benötigen, um EBAE-Methoden iterativ zu verfeinern und nicht aufzugeben, wenn erste Versuche scheitern.
• Kombination von EBAE-Methoden: Es wird demonstriert, dass die Kombination verschiedener Methoden (hier CQS + ILM) effektiver sein kann als die isolierte Anwendung einer einzigen Methode.
• Effektivität von ILM: Die Studie liefert Daten, die zeigen, dass die Anreizstruktur zum Korrigieren von Fehlern (ILM) das Lernen signifikant verbessert, insbesondere für Studierende, die zunächst Schwierigkeiten hatten.
• Community als Ressource: Die Bedeutung von lokalen oder Online-Communities von Physikdidaktikern wird als entscheidender Faktor für den Erfolg der Implementierung neuer Lehrstrategien hervorgehoben.

4. Ergebnisse

• Klasse A (CQS allein):
  • Die Studierenden zeigten signifikante Verbesserungen beim Aufbau von Basiszuständen (Frage a) und bei der Berechnung von Matrixelementen für den diagonalen Operator (Frage c).
  • Schwäche: Die Studierenden scheiterten weiterhin bei der Berechnung von Matrixelementen für den Spin-Spin-Operator in der ungebundenen Basis (Frage b) und bei der Identifizierung der Diagonalität der Hamilton-Matrizen (Frage d). Viele wählten die falsche Basis (ungebunden) für einen Operator, der nur in der gebundenen Basis diagonal ist.
• Klasse B (CQS + ILM):
  • Die Nachtest-Ergebnisse nach der reinen CQS-Phase waren insgesamt schlechter als in Klasse A, was auf unzureichendes Vorwissen hindeutete.
  • Einfluss der ILM-Intervention: Von 19 Studierenden korrigierten 12 ihre Fehler.
  • Vergleich der Leistungen:
    • Studierende, die ihre Fehler korrigierten ("Correctors"), erzielten im Nachtest nach Korrektur deutlich höhere Punktzahlen (z. B. 94 % bei Frage b vs. 24 % bei Nicht-Korrigierern).
    • Transferleistung: Auf einer Prüfungsfrage am Ende des Semesters (Midterm/Final), die dieselben Konzepte abfragte, erzielten die Korrigierer im Durchschnitt 85 %, während die Nicht-Korrigierer nur 71 % erreichten. Dies zeigt, dass das aktive Korrigieren von Fehlern zu einem tieferen Verständnis führte.
  • Selbst Studierende, die nicht korrigierten, profitierten von den bereitgestellten Lösungen, aber weniger stark als die aktiven Korrigierer.

5. Bedeutung und Fazit
Das Papier schlussfolgert, dass die Verbesserung von Lehre und Lernen ein Prozess ist, der Ausdauer und Unterstützung erfordert.

• Für die Didaktik: Die Kombination von in-class-Interaktion (CQS) mit strukturiertem, angeleitetem Lernen aus Fehlern außerhalb der Klasse (ILM) ist eine hochwirksame Strategie, um komplexe Quantenkonzepte zu vermitteln.
• Für die Dozenten: Dozenten sollten ermutigt werden, ein "Werkzeugkasten" aus verschiedenen EBAE-Methoden zu nutzen und flexibel zu reagieren, wenn eine Methode nicht den gewünschten Erfolg bringt.
• Für die Gemeinschaft: Der Aufbau von Unterstützungsnetzwerken (lokal oder online, z. B. über Discord oder Zoom) ist essenziell, um Dozenten dabei zu helfen, ihre Implementierungen zu verfeinern und ihre Studierenden nachhaltig zum Erfolg zu führen.

Die Studie unterstreicht, dass evidenzbasierte Ansätze nicht starr angewendet werden dürfen, sondern dynamisch an den Lehrstil und das Vorwissen der Studierenden angepasst werden müssen, wobei die Unterstützung durch die Fachcommunity ein kritischer Erfolgsfaktor ist.