Construct and inference alignment in mathematical problem-solving research
Diese methodische Studie nutzt die sekundäre Dokumentenanalyse einer historischen Dissertation, um die Übereinstimmung zwischen psychologischen Konstrukten und mathematischer Leistung zu kritisieren, wobei argumentiert wird, dass standardmäßige inventarbasierte Assoziationen oft die nuancierten kognitiven Mechanismen und instruktionalen Implikationen nicht erfassen können, die durch detaillierte Prozesszusammenfassungen offenbart werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Mathematische Problemlösung wird oft als ein einfacher Test darauf gesehen, ob ein Schüler das richtige Ergebnis erreicht. Doch für Forscher, die untersuchen, wie Menschen lernen, ist der Weg zu dieser Antwort genauso wichtig wie das Ziel selbst. Sie interessieren sich für die mentalen Gewohnheiten, die einen Menschen dazu antreiben, weiterzumachen, wenn ein Problem schwierig wird, die innere Stimme, die auf Fehler prüft, und die Fähigkeit zu erklären, warum eine Lösung funktioniert. Diese mentalen Gewohnheiten werden als Dispositionen bezeichnet und werden oft gemessen, indem man Menschen bittet, Umfragen darüber auszufüllen, wie sie gegenüber schwierigen Aufgaben eingestellt sind. Die große Frage in diesem Bereich ist, ob eine hohe Punktzahl in einer Umfrage über das „Gern-tief-Nachdenken“ tatsächlich bedeutet, dass eine Person komplexe Mathematik im Kopf ausführt, oder ob es nur bedeutet, dass sie die Idee des tiefen Nachdenkens genießt. Wenn Forscher die Umfrageantwort mit dem eigentlichen Denkprozess verwechseln, könnten sie Lehrkräften den falschen Rat geben, wie sie Schülern helfen können.
Diese Arbeit untersucht einen spezifischen Forschungszweig aus den Philippinen sehr genau, um zu sehen, ob diese Verwechslung stattgefunden hat. Der Autor, der die ursprüngliche Studie vor über einem Jahrzehnt selbst durchgeführt hat, untersucht nun die alten Aufzeichnungen mit frischem Blick neu. Die ursprüngliche Studie umfasste 118 angehende Mathematiklehrer. Sie versuchte, die Umfrageantworten der Teilnehmer über ihre Persönlichkeit und Gewohnheiten mit ihren Ergebnissen in einem Mathematiktest und der Art und Weise, wie sie Probleme in einer Eins-zu-eins-Sitzung tatsächlich lösten, zu verknüpfen. Das Ziel war es zu sehen, ob diese verschiedenen Beweisstücke dieselbe Geschichte erzählten. Die neue Analyse fungiert wie ein sorgfältiges Audit, das jeden Schritt überprüft, bei dem die Forscher von einem Umfragescore zu einer großen Behauptung darüber übergingen, wie Menschen Mathematik lernen und lehren.
Die Untersuchung ergab, dass die ursprüngliche Studie die Umfrageantworten und die Testergebnisse gut gemessen hatte, aber einen Sprung wagte, als sie versuchte zu erklären, was diese Zahlen bedeuteten. Die stärkste Verbindung wurde zwischen einer Umfrage, die fragte, ob eine Person anstrengendes Denken genießt, und ihrem Ergebnis in einem zwanzig Fragen umfassenden Mathematiktest gefunden. Die Forscher berichteten von einer sehr starken Verbindung und deuteten an, dass Menschen, die sagten, dass sie gerne intensiv nachdenken, im Test viel besser abschnitten. Die neue Analyse weist jedoch darauf hin, dass die Umfrage nur ein Gefühl oder eine Präferenz maß, nicht aber die eigentliche mathematische Arbeit. Es ist, als wüsste man, dass jemand sagt, er genieße das Laufen, und würde dann davon ausgehen, dass er ein schneller Läufer ist, ohne ihn jemals ein Rennen laufen zu sehen. Der Umfragescore sagt uns etwas über seine Einstellung, aber er zeigt uns nicht die spezifischen Schritte, die er bei der Lösung der mathematischen Probleme unternommen hat.
Die Studie betrachtete auch eine andere Art von Daten: Aufzeichnungen von sechs jener angehenden Lehrer, während sie sieben verschiedene mathematische Probleme lösten und dabei laut dachten. Dies bot einen seltenen Einblick in den tatsächlichen Denkprozess. Die Analyse verglich die Umfrageergebnisse mit diesen Aufzeichnungen und stellte fest, dass die beiden Informationsquellen unterschiedliche Geschichten erzählten. Zum Beispiel deutete die Umfrage darauf hin, dass Menschen, die sich ihrer eigenen Denkgewohnheiten sehr bewusst waren, beim Mathematiktest schlechter abschnitten. Doch als die Forscher die Aufzeichnungen betrachteten, sahen sie, dass dieselben Personen tatsächlich Dinge taten wie das Überprüfen ihrer Arbeit, das Zeichnen neuer Skizzen, um das Problem zu verstehen, und das Korrigieren ihrer Fehler. Die Umfrage hatte ein Gefühl der Bewusstheit erfasst, aber sie übersah die Tatsache, dass diese Bewusstheit dazu genutzt wurde, Fehler zu beheben. Die negative Verbindung in den Umfragedaten bedeutete nicht, dass das Nachdenken über das eigene Denken schlecht für die Mathematik sei; es bedeutete nur, dass die Umfragefrage kein perfektes Fenster zu der tatsächlich geleisteten Arbeit war.
Ein weiterer wichtiger Befund war, dass die Studie nicht beweisen konnte, dass die Fähigkeit, mathematische Probleme eigenständig zu lösen, bedeutet, dass man diese Probleme auch gut anderen lehren kann. Die ursprüngliche Forschung enthielt Empfehlungen dafür, wie angehende Lehrkräfte ausgebildet werden sollten, unter der Annahme, dass, wenn ein Schüler ein Problem lösen kann, er auch weiß, wie er einem Kind helfen kann, das feststeckt. Die neue Analyse zeigt, dass dies ein großer Sprung ist. Ein Problem zu lösen ist eine persönliche Fähigkeit, während das Lehren die Fähigkeit erfordert, auf die Verwirrung eines anderen zu hören und Dinge auf eine neue Weise zu erklären. Die Aufzeichnungen der ursprünglichen Studie enthielten keine Beobachtungen dieser angehenden Lehrer während des tatsächlichen Unterrichts. Daher kommt die Arbeit zu dem Schluss, dass wir ihre Mathematiktestergebnisse nicht dazu verwenden können, um vorherzusagen, wie gut sie unterrichten werden.
Das Papier sagt nicht, dass die ursprüngliche Studie falsch war oder dass die Mathematiknoten gefälscht waren. Es sagt lediglich, dass die Erklärung für die Ergebnisse vorsichtiger erfolgen muss. Die Forscher fanden heraus, dass ein hoher Wert in einer Umfrage zum „Bedürfnis nach Kognition“ eine reale Sache ist und mit besseren Testergebnissen verknüpft ist, aber nicht dasselbe ist wie der Akt des Problemlösens. Ebenso bedeutet eine negative Verbindung zwischen Selbstbewusstsein und Testergebnissen nicht, dass Selbstbewusstsein schädlich ist; es könnte auch bedeuten, dass Schüler, die Schwierigkeiten haben, diejenigen sind, die sich ihres Kampfes am meisten bewusst sind und versuchen, ihn zu bewältigen. Das Papier argumentiert, dass wir, um das Verständnis von Mathematiklernen wirklich zu begreifen, auf die tatsächliche Arbeit schauen müssen, nicht nur auf die Umfrageantworten.
Am Ende bietet diese Neubewertung einen klaren Weg nach vorne für die Art und Weise, wie wir Mathematiklehrer untersuchen und ausbilden. Sie legt nahe, dass wir uns nicht auf einen einzelnen Test oder eine einzige Umfrage verlassen sollten, um die Fähigkeit eines Lehrers zu beurteilen. Stattdessen sollten wir eine Kombination von Beweisen heranziehen: wie sie ein Problem lösen, wie sie ihre Argumentation erklären und wie sie reagieren, wenn ein Schüler einen Fehler macht. Das Papier schlägt eine neue Art der Bewertung dieser Lehrer vor, die diese verschiedenen Fähigkeiten voneinander trennt. Es legt nahe, dass ein Lehrer vielleicht großartig darin ist, ein Problem zu lösen, aber mehr Hilfe dabei benötigt, es einem Kind zu erklären. Indem wir diese Fähigkeiten getrennt halten, können Pädagogen nützlicheres Feedback geben. Die Studie kommt zu dem Schluss, dass die alten Zahlen uns zwar etwas über die Einstellungen der Schüler verraten, aber sie erzählen nicht die ganze Geschichte dessen, was passiert, wenn ein Mensch tatsächlich Mathematik betreibt oder sie lehrt. Um das vollständige Bild zu erhalten, müssen wir den Prozess beobachten, nicht nur die Ergebnisse zählen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.