Advertisement

Springer Nature is making SARS-CoV-2 and COVID-19 research free. View research | View latest news | Sign up for updates

Umgang mit Bildern in den Naturwissenschaften – Ein sequenziertes Training der Piktorialen Literalität

Pictures in natural sciences—a sequential training on pictorial literacy

  • 54 Accesses

Zusammenfassung

Die Entwicklung eines konzeptuellen Verständnisses in den Naturwissenschaften erfordert den Umgang mit Bildern. Das Bildverstehen, das im Sinne eines kompetenten Umgangs mit Bildern und bildspezifischen Symbolsystemen auch als piktoriale Literalität bezeichnet wird, bedarf einer spezifischen Förderung. Daher wurde ein anhand der Anforderungsbereiche Reproduktion, Reorganisation und Transfer sequenziertes Training zum Umgang mit Bildern entwickelt, welches die piktoriale Literalität von Schülerinnen und Schülern in den Naturwissenschaften systematisch fördern soll. Zur Überprüfung der Eignung der systematischen Sequenzierung wurde eine Kontrollgruppe implementiert, in welcher der Umgang mit Bildern nicht systematisch sequenziert wurde. Zur Prüfung der Effektivität der beiden Interventionen im Bereich der piktorialen Literalität wurde ein Testinstrument entwickelt, das die Fähigkeiten in diesem Bereich misst. Dieses ist ebenfalls entlang der Anforderungsbereiche strukturiert und erlaubt so, die Eignung der gewählten Sequenzierung prüfen zu können. Ergebnisse zeigen, neben der Steigerung der Fähigkeiten im Bereich der piktorialen Literalität, dass es für zwei von drei Anforderungsbereichen signifikante Interaktionseffekte gibt. Dies bedeutet, dass die Art der Gestaltung des Trainings einen Einfluss auf das Lernen hat. Lineare Regressionsanalyse liefern außerdem Hinweise darauf, dass sich die Sequenzierung anhand der Anforderungsbereiche als geeignet für die Vermittlung von Fähigkeiten im Bereich der piktorialen Literalität erweist.

Abstract

For the development of conceptual understanding in the natural sciences dealing with pictures is essential. Picture comprehension, in the sense of a qualified handling of pictures and pictorial symbolic systems, also defined as pictorial literacy, needs to be fostered. Therefore, a training programme had been developed, which is structured along the complexity dimensions of the German educational standards for the natural sciences reproduction, reorganization and transfer, which is meant to foster pictorial literacy in a systematic manner. To test the suitability of the chosen sequencing a control group was implemented, in which students are using pictures in a non-sequenced manner. To test the effectivity of the interventions with regard to learning success in pictorial literacy a test instrument was developed, which measures the skills in this domain. It is structured in a similar way as the described training programme and therefore, allows for gaining insights into the suitability of the sequencing. Results indicate that besides the learning gain in pictorial literacy in two of the three complexity dimensions there are significant interaction effects. This indicates that the design of the intervention has an influence on the learning outcome. Linear regression analysis indicates that the sequencing along the complexity dimensions can be an adequate tool to foster skills in pictorial literacy.

This is a preview of subscription content, log in to check access.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5
Abb. 6
Abb. 7
Abb. 8
Abb. 9

Literatur

  1. Abd-El-Khalick, F., & Lederman, N. G. (2000). Improving science teachers’ conceptions of nature of science: a critical review of the literature. International Journal of Science Education, 22(7), 665–701.

  2. Anderson, L., & Krathwohl, D. E. (2001). A Taxonomy for learning teaching and assessing: A revision of Bloom’s taxonomy of educational objectives. Boston: Addison Wesley. abridged

  3. Austin, P. C. (2011). Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies. Pharmaceutical Statistics, 10(2), 150–161.

  4. Bloom, B. S. (1965). Taxonomy of educational objectives I: Cognitive domain. New York: Longman Green.

  5. Clark, J. M., & Paivio, A. (1991). Dual coding theory and education. Educational Psychology Review, 3, 149–210.

  6. Cromley, J. G., Perez, T. C., Fitzhugh, S. L., Newcombe, N. S., Wills, T. W., & Tanaka, J. C. (2013). Improving students’ diagram comprehension with classroom instruction. The Journal of Experimental Education, 81(4), 511–537.

  7. Davidowitz, B., & Chittleborough, G. (2009). Linking the macroscopic and sub-microscopic levels: Diagrams. In J. Gilbert & D. F. Treagust (Hrsg.), Multiple representation in chemical education (Bd. 4, S. 169–191). Dordrecht: Springer.

  8. Dickmann, T., Opfermann, M., Dammann, E., Lang, M., & Rumann, S. (2019). What you see is what you learn? The role of visual model comprehension for academic success in chemistry. Chemistry Education Research and Practise. https://doi.org/10.1039/C9RP00016J.

  9. Fisher, K. (2013). Foreword. In D. Treagust & C.-Y. Tsui (Hrsg.), Multiple representations in biological education. Models and modeling in science education. Dordrecht: Springer.

  10. Florian, C., Sandmann, A., & Schmiemann, P. (2014). Modellierung kognitiver Anforderungen schriftlicher Abituraufgaben im Fach Biologie. Zeitschrift für Didaktik der Naturwissenschaften, 20(1), 175–189.

  11. Gilbert, J. (Hrsg.). (2007). Visualisation in science education. Dordrecht: Springer.

  12. Gilbert, J., Boulter, C., & Elmer, R. (2000). Positioning models in science education and in design and technology education. In J. K. Gilbert & C. J. Boulter (Hrsg.), Developing models in science education (S. 3–17). Dordrecht: Kluwer.

  13. Griffard, P. B. (2013). Deconstructing and decoding complex process diagrams in university biology. In D. Treagust & C.-T. Tsui (Hrsg.), Multiple representations in biological education. Models and modeling in science education (S. 165–183). Dordrecht: Springer.

  14. Heller, K., & Perleth, C. (2000). KFT 4–12+R, Kognitiver Fähigkeiten-Test für 4. bis 12. Klassen: Revision-Materialien-Koffer. Weinheim: Beltz.

  15. JKP IBM SPSS (2015a). FUZZY (1.4.7) (Software). Zugriff: 29.06.2019, https://www.ibm.com/developerworks/community/files/app?lang=en#/file/75aa2b53-8db8-469a-ac60-26681cba671a. Zugegriffen: 29.06.2019

  16. JKP IBM SPSS (2015b). PSM (1.5.0) (Software). https://www.ibm.com/developerworks/community/files/app?lang=en#/file/faa521f8-c57a-4e29-acc2-9e0b9d2b0934. Zugegriffen: 29.06.2019.

  17. Kline, P. (1999). The handbook of psychology testing. London: Routledge.

  18. Kohl, P. B., & Finkelstein, N. D. (2006). Effects of representation on students solving physics problems. A fine-grained characterization. Physical Review Physics Education Research, 2(1), 10106.

  19. Lachmeyer, S. (2008). Entwicklung und Überprüfung eines Strukturmodells der Diagrammkompetenz für den Biologieunterricht. Kiel: Universitätsbibliothek.

  20. Lipowsky, F. (2015). Unterricht. In E. Wild & J. Möller (Hrsg.), Pädagogische Psychologie (S. 69–105). Heidelberg, Berlin, New York: Springer.

  21. Mayer, R. (2009). Multimedia learning. Cambridge, New York: Cambridge University Press.

  22. Mayer, R. E. (Hrsg.). (2014). The Cambridge handbook of multimedia learning. New York: Cambridge University Press.

  23. Mevarech, Z. R., & Kramarski, B. (1997). IMPROVE: A multidimensional method for teaching mathematics in heterogeneous classrooms. American Educational Research Journal, 34(2), 365–394.

  24. Nerdel, C. (2017). Grundlagen der Naturwissenschaftsdidaktik – Kompetenzorientiert und aufgabenbasiert für Schule und Hochschule. Wiesbaden: Springer Spektrum.

  25. Niegemann, H. M., Domagk, S., Hessel, S., Hein, A., Hupfer, M., & Zobel, A. (2008). Kompendium multimediales Lernen. Heidelberg, Berlin, New York: Springer.

  26. Opfermann, M., Schmeck, A., & Fischer, H. E. (2017). Multiple representations in physics and science education—Why should we use them? In D. F. Treagust, R. Duit & H. E. Fischer (Hrsg.), Multiple representations in physics education (S. 1–22). Cham: Springer.

  27. Paivio, A. (1986). Mental representations: A dual coding approach. New York: Oxford University Press.

  28. Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in oberservational studies for causal effects. Biometrika, 70(1), 41–55.

  29. Roth, W.-M., & Pozzer-Ardenghi, L. (2013). Pictures in biology education. In D. F. Treagust & C. Y. Tsui (Hrsg.), Multiple representations in biological education, models and modeling in science education (Bd. 7, S. 39–53). Heidelberg, Berlin, New York: Springer.

  30. Schneider, W., Schlagmüller, M., & Ennemoser, M. (2007). Lesegeschwindigkeits- und verständnistest für die Klassen 6–12 (LGVT 6–12). Göttingen: Hogrefe.

  31. Schnotz, W. (2005). An integrated model of text and picture comprehension. In R. E. Mayer (Hrsg.), The Cambridge handbook of multimedia learning (S. 49–69). Cambridge: Cambridge University Press.

  32. Schnotz, W., Baadte, C., Müller, A., & Rasch, R. (2010). Creative thinking and problem solving with depictive and descriptive representations. In L. Verschaffel, E. de Corte, T. de Jong & J. Elen (Hrsg.), Use of representations in reasoning and problem solving—analysis and improvement (S. 11–35). London: Routledge.

  33. Ständige Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland (KMK) (2004). Einheitliche Prüfungsanforderungen in der Abiturprüfung Chemie. Beschluss der Kultusministerkonferenz vom 01.12.1989 i.d.F. 05.02.2004

  34. Ständige Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland (KMK) (2005a). Bildungsstandards im Fach Biologie für den Mittleren Schulabschluss. Beschluss vom 16.12.2004. München: Luchterhand.

  35. Ständige Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland (KMK) (2005b). Bildungsstandards im Fach Chemie für den Mittleren Schulabschluss. Beschluss vom 16.12.2004. München: Luchterhand.

  36. Ständige Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland (KMK) (2015). Bildungsstandards im Fach Mathematik für die Allgemeine Hochschulreife. Beschluss vom 18.10.2012. Köln: Wolters Kluwer.

  37. Treagust, D., & Chittleborough, G. (2001). Chemistry: A matter of understanding representations. Advances in Research on Teaching, 8, 239–267.

  38. Tsui, C.-Y., & Treagust, D. F. (2013). Introduction to multiple representations: their importance in biology and biological education. In D. Treagust & C.-T. Tsui (Hrsg.), Multiple representations in biological education. Models and modeling in science education (S. 3–18). Dordrecht: Springer.

  39. Ullrich, M., Schnotz, W., Horz, H., McElvany, N., Schroeder, S., & Baumert, J. (2012). Kognitionspsychologische Aspekte eines Kompetenzmodells zur Text-Bild-Integration. Psychologische Rundschau, 63, 11–17.

  40. Weidenmann, B. (1994). Lernen mit Bildmedien. Psychologische und didaktische Grundlagen. Weinheim: Beltz.

  41. Wu, H.-K., & Shah, P. (2004). Exploring visuospatial thinking in chemistry learning. Science Education, 88(3), 465–492.

  42. Zumbach, J., & Astleitner, H. (2016). Effektives Lehren an der Hochschule. Stuttgart: Kohlhammer.

Download references

Author information

Correspondence to Jenna Koenen.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Koenen, J., Kobbe, J. & Rumann, S. Umgang mit Bildern in den Naturwissenschaften – Ein sequenziertes Training der Piktorialen Literalität. Unterrichtswiss 48, 91–112 (2020). https://doi.org/10.1007/s42010-019-00066-3

Download citation

Schlüsselwörter

  • Bildverstehen
  • Förderung
  • Sequenzierung
  • Naturwissenschaftliches Lernen
  • Piktoriale Literalität

Keywords

  • Picture comprehension
  • Promotion
  • Sequencing
  • Learning in natural sciences
  • Pictorial literacy