scholarly journals Beliefs von Schweizer Schülerinnen und Schülern zum konstruktivistischen und instruktivistischen Lernen im Mathematikunterricht der Sekundarstufe I – Ergebnisse eines Large-Scale-Assessments zur Überprüfung mathematischer Grundkompetenzen (ÜGK) 2016

2021 ◽  
Author(s):  
Boris Girnat ◽  
Tina Hascher
Keyword(s):  
Large Scale ◽  
Sekundarstufe I ◽  
Soziales Lernen ◽  
Large Scale Assessments ◽  
Entdeckendes Lernen

ZusammenfassungIm Rahmen der ersten repräsentativen schweizweiten Überprüfung der mathematischen Grundkompetenzen am Ende der Sekundarstufe I (ÜGK 2016) wurden auch die Einstellungen bzw. Beliefs von 10.539 Schülerinnen und Schülern zum Mathematikunterricht erhoben. Es wurde zwischen Beliefs zum instruktivistischen Lernen und Beliefs zum konstruktivistischen Lernen – differenziert in drei Subdimensionen entdeckendes Lernen, soziales Lernen und realitätsbezogenes Lernen – unterschieden. Anders als es die theoretischen Erwartungen nahelegten, bilden die konstruktivistischen und instruktivistischen Einstellungen keine Gegensätze, sondern bestehen nebeneinander. Einstellungen zum entdeckenden und instruktivistischen Lernen korrelieren hoch miteinander und sind positive Prädiktoren für ein gutes Ergebnis im mathematischen Leistungstest, während Einstellungen zum sozialen und realitätsbezogenen Lernen negative Prädiktoren sind. Diese Befunde sind für Schülerinnen stärker ausgeprägt als für Schüler und steigen mit zunehmenden Schulniveau an. Von Schülerinnen und Schülern wahrgenommene Angebote zu einem kognitiv aktivierenden Mathematikunterricht werden ähnlich wie bei impliziten Theorien zur Intelligenz vollständig über ihre Einstellungen zum Lernen auf ihre mathematischen Testergebnisse mediiert, und zwar positiv über Einstellungen zum entdeckenden und instruktivistischen Lernen und negativ über Einstellungen zum realitätsbezogenen Lernen.

scholarly journals Why ability point estimates can be pointless: a primer on using skill measures from large-scale assessments in secondary analyses

2021 ◽  
Vol 3 (1) ◽  
Author(s):  
Clemens M. Lechner ◽  
Nivedita Bhaktha ◽  
Katharina Groskurth ◽  
Matthias Bluemke
Keyword(s):  
Measurement Error ◽  
Statistical Models ◽  
Test Scores ◽  
Large Scale ◽  
Equation Modeling ◽  
Model Parameters ◽  
Advantages And Disadvantages ◽  
Point Estimates ◽  
Secondary Analyses ◽  
Large Scale Assessments

AbstractMeasures of cognitive or socio-emotional skills from large-scale assessments surveys (LSAS) are often based on advanced statistical models and scoring techniques unfamiliar to applied researchers. Consequently, applied researchers working with data from LSAS may be uncertain about the assumptions and computational details of these statistical models and scoring techniques and about how to best incorporate the resulting skill measures in secondary analyses. The present paper is intended as a primer for applied researchers. After a brief introduction to the key properties of skill assessments, we give an overview over the three principal methods with which secondary analysts can incorporate skill measures from LSAS in their analyses: (1) as test scores (i.e., point estimates of individual ability), (2) through structural equation modeling (SEM), and (3) in the form of plausible values (PVs). We discuss the advantages and disadvantages of each method based on three criteria: fallibility (i.e., control for measurement error and unbiasedness), usability (i.e., ease of use in secondary analyses), and immutability (i.e., consistency of test scores, PVs, or measurement model parameters across different analyses and analysts). We show that although none of the methods are optimal under all criteria, methods that result in a single point estimate of each respondent’s ability (i.e., all types of “test scores”) are rarely optimal for research purposes. Instead, approaches that avoid or correct for measurement error—especially PV methodology—stand out as the method of choice. We conclude with practical recommendations for secondary analysts and data-producing organizations.

Sign in / Sign up

Export Citation Format

Share Document