Tom Bleckmann

Promotionsprojekt

Leitung: Prof. Dr. Gunnar Friege und Prof. Dr. Eirini Ntoutsi

Status: Dissertation eingereicht

Beschreibung: Formatives Assessment hat sich in Metastudien (Übersicht in Schütze et al., 2018, u.a. Black & William, 1998) – als pädagogische Maßnahme mit hoher Effektstärke im Vergleich zu anderen Maßnahmen herausgestellt (s.a. Hättie, 2013). Formatives Assessment besteht aus der zeitlichen Abfolge von drei Handlungen (Souvignier & Hasselhorn, 2018): 1. individuelle Erfassung des Lernstandes, 2. Rückmeldung (Feedback) für sowohl Lernende als auch Lehrkräfte, die auf 1. basiert und 3. Fördermaßnahmen und Lernfortschrittsdiagnose. Abgegrenzt wird dieses Konzept insbesondere vom summative assessment (s.a. Maier, 2010), bei dem die abschließende Beurteilung (oft in Form von Noten) meist am Ende einer Lerneinheit im Vordergrund steht. Formatives Assessment umfasst Maßnahmen unterschiedlicher Akteure (Lehrkraft, Peer, Lernender) und betrifft Lernziele, Lernstände und Ermitteln der Schritte zum Lernziel. Nach Souvignier & Hasselhorn (2018) stellt „[d]as Rahmenkonzept [des] formativen Assessments [stellt] zweifellos einen hochattraktiven Rahmen zur Entwicklung differenzierter Förderansätze zur Verfügung. Individuelle Lernleistungen zum Ausgangspunkt für inhaltliches Feedback und gezielte Fördermaßnahmen zu machen, bedeutet, eine optimierte Passung von Bedarf und Angebot zu realisieren.“ Souvignier & Hasselhorn (2018) weisen trotz weithin anerkannter Lernwirksamkeit auf weiteren Forschungs- und Entwicklungsbedarf hin: „Darüber hinaus werden Interventionsstudien benötigt, in denen konkrete Maßnahmen zur Umsetzung des Konzepts formativen Assessments praktisch erprobt und wissenschaftlich evaluiert werden.“  

Formatives Assessment bedeutet dabei oft auch, dass eine Vielzahl von Daten generiert werden in Form von Zeichnungen, Texten, Kreuzen etc., die für die individuelle Erfassung des Lernstandes bewertet werden müssen, um für darauf aufbauenden Handlungen nutzbar zu sein. Durch maschinelle Verfahren soll in diesem Projekt die Datenbewertung zum Teil vorgenommen und so die Lehrkraft und die Lernenden im Lehr-Lernprozess unterstützt werden.

---

Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5, 7–74.

Hattie, J. (2013). Lernen sichtbar Machen. (Überarbeitete deutschsprachige Ausgabe von W Beyl & K. Zierer]. Baltmannsweiler: Schneider Verlag.

Maier, U. (2010). Formative Assessment – Ein erfolgversprechendes Konzept zur Reform von Unterricht und Leistungsmessung? Zeitschrift für Erziehungswissenschaft, 13(2), 293–308. Mc

Souvignier, E. & Hasselhorn, M. (2018). Formatives Assessment. Zeitschrift für Erziehungswissenschaft, Vol. 21, 4, S. 693-696

Forschungsinteressen

Maschinelles Lernen, Formative Assessment, Natural Language Processing, Automatic Scoring

Lebenslauf

Seit 01/2021
Lichtenberg-Promotionsstipendium im Rahmen des Promotionsprojektes LernMINT

2018-2020 
Masterstudiengang „Lehramt an Gymnasien“ für die Unterrichtsfächer Mathematik und Physik an der Leibniz Universität Hannover

2013-2018 
Fächerübergreifender Bachelorstudiengang Mathematik und Physik an der Leibniz Universität Hannover

Publikationen, Tagungsbeiträge und Vorträge

Bleckmann, T., Friege, G. (2023): Verwendung von ML zur Auswertung Concept Maps in der Mechanik. DPG-Frühjahrstagung der Sektion Atome, Moleküle, Quantenoptik und Photonik (SAMOP).

Bleckmann T., Gritz, W., Friege G. (2023): Using Machine Learning for a qualitative evaluation of Concept Maps: Newopportunities for formative assessment? NARST 96th Annual International Conference. Chicago, IL, USA

Bleckmann, T., Friege, G. (2023): Concept maps for formative assessment: Creation and implementation of an automatic and intelligent evaluation method. Knowledge Management & E-Learning, 15(3), pages 433–447. https://doi.org/10.34105/j.kmel.2023.15.025

Bleckmann, T., Gritz, W., Friege, G. (2022): Analysis of Concept Maps for the use in Formative Assessment: Can Machine Learning help? NARST 95th Annual International Conference. Vancouver, British Columbia, Canada.

Bleckmann, T., Friege, G. (2022): Using Machine Learning to Analyze Concept Maps for Formative Assessment: An Overview of Opportunitites and Risks. Concept Map Conference. Valletta, Malta.

Bleckmann, T., Friege, G. (2022): Automatische Auswertung von Concept Maps: Wie kann Machine Learning helfen? Gesellschaft für Didaktik der Chemie und Physik Jahrestagung (GDCP).

Schanze S., Bleckmann B., Dieckhoff L., Friege G., Nehring A., Oldag J., Roski M. (2022): Daten in der naturwissenschaftsdidaktischen Forschung. Gesellschaft für Didaktik der Chemie und Physik Jahrestagung (GDCP).

Bleckmann, T., Dieckhoff, L., Friege, G. (2021):  LernMINT – interdisziplinär, innovativ und zukunftsorientiert. GDCP Focus Conference: Machine Learning and Computer-Based Text Analysis. Potentials and Challenges for Science Education, online.

---