Enhancing Science Data Analysis Skills Through the Digita-RI Model and MIKiR Active Learning Framework

Stellen Sie sich vor, Sie versuchen zu lernen, wie man ein Fahrrad fährt. In der alten Zeit hätte ein Lehrer auf einem Podium stehen, einen perfekten Kreis auf eine Tafel zeichnen und die Physik des Gleichgewichts erklären können, während Sie dort saßen und sich Notizen machten. Sie würden vielleicht die Idee des Fahrrads verstehen, aber Sie wüssten nicht, wie man es tatsächlich fährt. Das ist es, was sich viele naturwissenschaftliche Kurse anfühlen lassen: viel Theorie, aber nicht genug Praxis aus der realen Welt. Stellen Sie sich nun einen anderen Ansatz vor, bei dem Sie auf das Fahrrad steigen, ein wenig wackeln und der Lehrer Ihnen eine hochmoderne Kamera reicht, die jede Ihrer Bewegungen aufzeichnet und alles verlangsamt, um Ihnen genau zu zeigen, wo Sie das Gleichgewicht verloren haben. Dies ist der Kern der Forschung, die wir heute untersuchen.

Die Arbeit steht an der Schnittstelle zwischen Bildung und Wissenschaft und untersucht speziell, wie Studenten lernen, Daten zu analysieren. Sie baut auf zwei großen Ideen auf. Erstens gibt es das „Inquiry-Based Learning“ (entdeckendes Lernen), was schlicht die Idee ist, dass Studenten am besten lernen, wenn sie wie Detektive handeln, Fragen stellen und nach Antworten suchen, anstatt nur Vorlesungen zuzuhören. Zweitens gibt es das „Active Learning“ (aktives Lernen), das argumentiert, dass Studenten Dinge tun müssen – sich bewegen, sprechen und denken – anstatt nur stillzusitzen. Die große Frage, die Forscher gestellt haben, lautet: Können wir diese aktiven, detektivischen Methoden mit modernen digitalen Werkzeugen kombinieren, um Studenten besser darin zu machen, komplexe Probleme zu lösen? Wenn uns das gelingt, könnte es die Art und Weise, wie Naturwissenschaften an Universitäten gelehrt werden, verändern, indem es passive Zuhörer in aktive Problemlöser verwandelt.

Diese Studie, die von einem Team der staatlichen Universität Yogyakarta durchgeführt wurde, entschied sich, ein spezielles neues Rezept für das Lernen zu testen, das Digita-RI-Modell. Betrachten Sie Digita-RI als eine fünfstufige Kochanleitung für den naturwissenschaftlichen Unterricht. Erstens beginnen Sie mit einem realen Rätsel (wie dem Beobachten eines Basketballspiels). Zweitens finden Sie heraus, welche Fragen zu stellen sind. Drittens nutzen Sie digitale Werkzeuge (wie eine spezielle Videoanalyse-App namens Tracker), um das Rätsel zu untersuchen und die Zahlen zu berechnen. Viertens verstehen Sie, was die Daten tatsächlich bedeuten. Und schließlich teilen Sie Ihre Erkenntnisse und denken darüber nach, wie Sie das Rätsel gelöst haben.

Aber die Forscher hörten dort nicht auf. Sie wollten sehen, ob dieses Rezept noch besser funktioniert, wenn man es mit einer Beilage namens „MIKiR“ serviert. MIKiR ist ein schickes Akronym für vier Zutaten, die das Lernen „aktiv“ machen: Erfahren (das Experiment durchführen), Interagieren (mit Freunden sprechen), Kommunizieren (seine Ideen teilen) und Reflektieren (darüber nachdenken, was man gelernt hat). Das Team fragte sich: Bringt das Digita-RI-Rezept diese vier aktiven Zutaten von Natur aus hervor? Und macht die Verwendung dieser Kombination die Studenten tatsächlich klüger bei der Analyse von Daten im Vergleich zur herkömmlichen Art des Lehrens?

Um dies herauszufinden, gestalteten die Forscher ein wissenschaftliches Experiment mit 86 Universitätsstudenten. Sie teilten sie in zwei Gruppen auf. Eine Gruppe (die Experimentalgruppe) lernte unter Verwendung des neuen Digita-RI-Modells kombiniert mit den aktiven MIKiR-Zutaten. Die andere Gruppe (die Kontrollgruppe) lernte mit der traditionellen Methode, die ein Standard-Inquiry-Modell und einen bekannten wissenschaftlichen Ansatz namens „5M“ (Beobachten, Fragen, Experimentieren, Schlussfolgern und Kommunizieren) beinhaltete. Vor Beginn der Lektionen absolvierte beide Gruppen einen Test, um zu sehen, wie gut sie in der Lage sind, Daten zu analysieren. Danach absolvierten sie denselben Test erneut.

Die Ergebnisse waren wie das Beobachten eines Zaubertricks. Zuerst prüften die Forscher, ob die neuen Digita-RI-Schritte tatsächlich die MIKiR-Zutaten auslösten. Sie fanden heraus, dass dies der Fall war. Wenn die Studenten „Real-World Problem Oriented“ waren (das Basketballvideo beobachteten), begannen sie, Fragen zu kommunizieren. Wenn sie „Konzeptualisierten“, interagierten sie miteinander, um Hypothesen zu bilden. Wenn sie die digitalen Werkzeuge zur Untersuchung nutzten, erfuhren sie die Wissenschaft aus erster Hand. Und wenn sie fertig waren, reflektierten sie über ihren Prozess. Das neue Modell lehrte nicht nur Naturwissenschaften; es machte die Studenten ganz natürlich zu aktiven Teilnehmern ihres eigenen Lernprozesses.

Aber die eigentliche Frage war: Machte es sie besser im Job? Die Forscher verglichen die Testergebnisse der beiden Gruppen. Vor den Lektionen standen beide Gruppen auf Augenhöhe; ihre Ergebnisse waren fast identisch. Nach den Lektionen jedoch erzielte die Gruppe, die die Kombination aus Digita-RI und MIKiR verwendete, signifikant höhere Punktzahlen als die Gruppe, die die traditionelle Methode anwandte. Die Daten zeigten einen klaren Unterschied: Die Studenten, die die digitalen Werkzeuge und den Rahmen des aktiven Lernens nutzten, waren viel besser darin, Informationen zu zerlegen und Probleme zu lösen.

Das Paper legt nahe, dass dieser Erfolg dadurch zustande kommt, dass das Digita-RI-Modell die Studenten dazu zwingt, sich mit echten, unordentlichen Daten aus der realen Welt auseinanderzusetzen, anstatt nur mit sauberen Zahlen aus einem Lehrbuch. Durch die Nutzung von Werkzeugen wie der Videoanalyse können Studenten Dinge sehen, die sie zuvor nicht sehen konnten, wie etwa die exakte Geschwindigkeit eines bewegten Objekts. Dies, kombiniert mit dem ständigen Zyklus aus Sprechen, Tun und Denken (den MIKiR-Zutaten), hilft ihrem Gehirn, ein stärkeres Verständnis dafür aufzubauen, wie die Wissenschaft funktioniert.

Kurz gesagt, die Studie kommt zu dem Schluss, dass das Digita-RI-Modell ein effektiver Weg ist, um die analytischen Fähigkeiten von Studenten zu steigern. Es beweist, dass, wenn man Studenten ein reales Rätsel, die richtigen digitalen Werkzeuge und einen Rahmen gibt, der sie aktiv hält und sie miteinander kommunizieren lässt, sie nicht nur Fakten auswendig lernen – sondern lernen, wie man wie ein Wissenschaftler denkt. Während das Paper nicht behauptet, dass dies ein magisches Heilmittel für jedes Bildungsproblem ist, bietet es starke Beweise dafür, dass diese spezifische Kombination von Methoden besser funktioniert als der traditionelle Ansatz für die Lehre der Datenanalyse. Es ist eine Erinnerung daran, dass man manchmal, um zu lernen, wie man das Fahrrad fährt, auf das Fahrrad steigen, die Kamera halten und es gemeinsam herausfinden muss.