A Comparative Analysis of Teacher-Student Dialogue in Expert and Novice Teachers’ Smart Classrooms for Cultivating Higher-Order Thinking

Technische Zusammenfassung: Eine vergleichende Analyse des Lehrer-Schüler-Dialogs in Smart Classrooms von Experten und Novizen zur Förderung des höheren Denkens

Problemstellung
Höheres Denken (Higher-Order Thinking, HOT) ist ein Kernziel der Bildung des 21. Jahrhunderts und ein primäres Ziel der Implementierung von Smart Classrooms. Während der Lehrer-Schüler-Dialog als grundlegender Weg zur Förderung von HOT anerkannt wird, haben Novizen (Anfängerlehrer) oft Schwierigkeiten bei der beruflichen Entwicklung in diesem Bereich. Vorherige Forschungen konzentrierten sich weitgehend auf die Häufigkeit, Dauer und den Prozentsatz des Dialogs, wobei den sequenziellen Charakteristika und den Entwicklungspfaden des Dialogs innerhalb von Smart Classrooms unzureichend Aufmerksamkeit geschenkt wurde. Es besteht ein Bedarf zu verstehen, welche spezifischen Formen und sequenziellen Muster des Dialogs Experten von Novizen in Smart-Umgebungen unterscheiden, um Unterrichtsmodelle zu optimieren und das HOT der Schüler zu fördern.

Methodik
Diese Studie verwendete einen Mixed-Methods-Ansatz, der Literaturanalyse, die Grounded Theory und die Lag-Sequenzanalyse (LSA) kombiniert.

• Datenquelle: Die Forschung nutzte 20 Videos von Unterricht in Smart Classrooms (10 von Novizen und 10 von Experten), die zufällig aus der China Smart Education Resource Public Service Platform ausgewählt wurden. Die Stichprobe deckte Fächer wie Chinesisch, Mathematik und Naturwissenschaften ab.
• Konstruktion des analytischen Rahmens:
  • Primäre Dimensionen: Abgeleitet aus der Literatur über Dialogmuster, Evaluationsindizes und Smart-Inquiry-Modelle, wurden fünf primäre Dimensionen etabliert: Problemidentifikation, Lösungskonzeption, Entscheidungsbewertung, Evaluation und Revision sowie Zusammenfassung und Reflexion.
  • Sekundäre Dimensionen: Unter Verwendung der Grounded Theory und einer Drei-Stufen-Kodierung von Unterrichtsvideos wurden 14 sekundäre Dimensionen identifiziert (z. B. Problemanalyse, Probletberechtigung, Lösungsgestaltung, Lösungsüberprüfung).
  • Kodierungssystem: Es wurde ein spezifisches Kodierungssystem entwickelt, bei dem das Verhalten alle 8 Sekunden kodiert wurde.
• Datenanalyse: Zwei Forscher kodierten die Videos unabhängig voneinander, wobei ein Cohen's Kappa-Koeffizient von > 0,75 erreicht wurde. Die kodierten Sequenzen wurden mit der Software General Sequential Querier (GSEQ) verarbeitet. Es wurden Überg frequenztabellen erstellt und adjustierte Residuen (Z-Werte) berechnet, um statistisch signifikante Dialogsequenzen (Z > 1,96) zu identifizieren.

Zentrale Beiträge

1. Entwicklung eines Kodierungsrahmens: Die Studie konstruierte einen umfassenden analytischen Rahmen für den Lehrer-Schüler-Dialog in Smart Classrooms, der fünf primäre Dimensionen und 14 sekundäre Dimensionen umfasst, die speziell auf das Smart-Inquiry-basierte Lernen zugeschnitten sind.
2. Identifizierung von Dialogmustern: Durch die Anwendung der LSA ging die Studie über einfache Häufigkeitszählungen hinaus und kartierte die sequentielle Logik der Klasseninteraktionen, wodurch distinkte „Dialogmuster“ für Experten gegenüber Novizen aufgedeckt wurden.
3. Vergleichende Analyse: Die Forschung bietet einen granularen Vergleich darüber, wie Experten und Novizen den Dialog strukturieren, und hebt die spezifischen Sequenzen hervor, die die Kultivierung des höheren Denkens unterstützen oder behindern.

Ergebnisse

• Dialoghäufigkeit: Expertenlehrer zeigten hohe und ausgewogene Häufigkeiten über alle fünf Phasen des Smart-Inquiry-Prozesses hinweg (von der Problemidentifikation bis zur Zusammenfassung). Im Gegensatz dazu war der Dialog von Novizen stark in Richtung der „Problemidentifikation“ verzerrt, mit schwerwiegenden Defiziten oder dem völligen Fehlen von Vorkommnissen in den Phasen, die mit Lösungskonzeption, Entscheidungsbewertung und Revision zusammenhängen.
• Dialogsequenzen (Expertenlehrer): Expertenlehrer zeigten diversifizierte und zyklische Muster, die einen vollständigen Smart-Inquiry-basierten Lernprozess widerspiegelten. Zu den wesentlichen signifikanten Sequenzen gehörten:
  • Iterative Problemlösung: A1 (Analysieren) → A3 (Rechtfertigen) → C1 (Auswählen) → C2 (Verifizieren) → C3 (Evaluieren) → A1, was eine spiralförmige Schleife aus Analyse und Verifizierung bildet.
  • Innovation und Revision: A1 → A3 → D1/D2 (Evaluation) → D3 (Revision) → A2 (Neue Probleme stellen), was einen geschlossenen Kreislauf schafft, der neues Denken stimuliert.
  • Tiefe Lernzyklen: Komplexe Sequenzen, die mehrere Iterationen der Lösungsgestaltung (B1) und Rechtfertigung (B3) beinhalten, bevor sie zur Zusammenfassung (E1/E2) übergehen, was auf tiefes Engagement und kontinuierliche Optimierung hindeutet.
• Dialogsequenzen (Novizenlehrer): Novizenlehrer zeigten relativ singuläre Muster, die oft auf spezifische Phasen beschränkt waren, ohne systemische Integration. Häufige Sequenzen waren:
  • Lineare oder partielle Zyklen: Muster wie E1 → E2 → E1 (nur Zusammenfassung/Reflexion) oder D1 → D2 → D3 (nur Evaluation).
  • Entdeckungszentrierte Schleifen: A1 → A2 → A1 → A2, die sich stark auf die Problemanalyse und das Stellen von Fragen konzentrieren, aber ohne das anschließende tiefe Engagement in Lösungskonzeption, Verifizierung und umfassender Evaluation, wie es in Expertenmustern zu finden ist.
  • Mangelnde Vollständigkeit: Novizenmuster ließen oft die Vollständigkeit von „Entdeckung-Konzeption-Entscheidung-Evaluation-Zusammenfassung“ vermissen und vernachlässigten häufig den Übergang von der Problemidentifikation zur Lösungskonzeption und -evaluation.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Forschung eine Referenz für Lehrer darstellt, die Dialoge in Smart Classrooms führen, und die Optimierung von Smart-Classroom-Unterrichtsmodellen erleichtert. Durch die Aufdeckung der Tatsache, dass Expertenlehrer diversifizierte Dialogformen und vollständige Inquiry-Zyklen nutzen, während Novizen auf singuläre, entdeckungsorientierte Formen zurückgreifen, legt die Studie nahe, dass die professionelle Entwicklung von Novizen darauf abzielen sollte, ihr Dialogrepertoire über die Problemidentifikation hinaus zu erweitieren. Die Ergebnisse zielen darauf ab, zur Schaffung hochwertiger, effektiver Smart Classrooms und zur Förderung der höheren Denkfähigkeiten der Schüler beizutragen. Die Studie schlägt keine neuen experimentellen Anwendungen vor, sondern bietet vielmehr eine analytische Basis zur Verbesserung bestehender Unterrichtspraktiken durch ein besseres Verständnis von Dialogsequenzen.