Advertisement

Entwicklung und Validierung eines Strukturmodells von Visualisierungskompetenz für den Deutsch- und Mathematikunterricht der Sekundarstufe I

  • Sammy WafiEmail author
  • Markus Antonius Wirtz
Allgemeiner Teil
  • 16 Downloads

Zusammenfassung

Visualisierungskompetenz ist für den lernförderlichen Nutzen visuell abgebildeter und abbildbarer Informationen bei schulischen Lernprozessen essentiell. Mit fachlicher Anlehnung an den Deutsch- und Mathematikunterricht der Sekundarstufe I wird ein Strukturmodell von Visualisierungskompetenz operationalisiert und validiert. Das Modell und das psychometrische Instrument fokussieren das Inhaltsspektrum für die Fächer Deutsch und Mathematik in schulischen Kontexten. In einer empirischen Studie mit N = 1937 Schülerinnen und Schülern der 7. Klassenstufe aus 83 Schulklassen an 11 Gymnasien und 13 Realschulen wurden I = 208 Items bearbeitet. Strukturanalysen mittels Verfahren der Item-Response-Theorie belegen im Einklang mit der theoretischen Fundierung eine mehrdimensionale Kompetenzstruktur, die neben einer rezeptiven und einer produktiven Komponente auch detailliertere Facetten (Erkennen, Verstehen, Verknüpfen und Generieren) enthält. Die Befunde werden in den Kontext eines Diagnoseinstrumentariums und gezielter Kompetenzförderungsmaßnahmen gestellt.

Schlüsselwörter

Visualisierungskompetenz Dimensionalität Item-Response-Theorie Testkonstruktion 

Development and validation of a structural model of visual competency with application to secondary education in German and Mathematics

Abstract

Visual competency is an essential component for learning processes based on visually represented and representable information. This article reports on the development of an empirical instrument to measure visual competency in close alignment with the school subjects of German (as first language) and Mathematics and to use it to measure the visual competency of students in secondary education (first stage). The developed psychometric instrument incorporates the curricula of the two subjects. The instrument consists of 208 items and was used in an empirical study with N = 1937 seventh-grade students from 83 classes at 13 college-preparatory and 11 vocational secondary schools in Germany. Analyses based on item response theory support conclusions on the dimensional structure of the construct visual competency. They suggest that visual competency is a multidimensional construct that—in addition to a receptive and a productive component—also contains more detailed dimensions (Recognize, Comprehend, Combine, and Generate). The results are discussed in context of diagnostic instruments and competency development.

Keywords

Dimensionality Item Response Theory Test Construction Visual Competency 

Literatur

  1. Adams, R. J., & Wu, M. L. (2007). The mixed-coefficients Multinomial Logit model: a generalized form of the Rasch model. In M. von Davier & C. H. Carstensen (Hrsg.), Multivariate and mixture distribution Rasch models (S. 57–75). New York: Springer.CrossRefGoogle Scholar
  2. Adams, R. J., Wilson, M., & Wang, W. (1997a). The multidimensional random coefficients Multinomial Logit model. Applied Psychological Measurement, 21(1), 1–23.CrossRefGoogle Scholar
  3. Adams, R. J., Wilson, M., & Wu, M. (1997b). Multilevel item response models: an approach to errors in variables regression. Journal of Educational and Behavioral Statistics, 22(1), 47–76.CrossRefGoogle Scholar
  4. Ainsworth, S. (1999). The functions of multiple representations. Computers & Education, 33(2), 131–152.CrossRefGoogle Scholar
  5. Ainsworth, S. (2006). DeFT: A conceptual framework for considering learning with multiple representations. Learning and Instruction, 16(3), 183–198.CrossRefGoogle Scholar
  6. Anderson, J. R. (2010). Cognitive psychology and its implications (7. Aufl.). New York: Worth Publishers.Google Scholar
  7. Arcavi, A. (2003). The role of visual representations in the learning of mathematics. Educational Studies in Mathematics, 52(3), 215–241.CrossRefGoogle Scholar
  8. Auer, M., Gruber, G., Mayringer, H., & Wimmer, H. (2008). Salzburger Lese-Screening für die Klassenstufen 5-8: SLS 5-8. Bern: Huber. (Manual)Google Scholar
  9. Avgerinou, M. D., & Pettersson, R. (2011). Toward a cohesive theory of visual literacy. Journal of Visual Literacy, 30(2), 1–19.CrossRefGoogle Scholar
  10. Avgerinou, M. D. (2001). Visual Literacy: Anatomy and Diagnosis (Dissertation, University of Bath).Google Scholar
  11. Bayrhuber, M., Leuders, T., Bruder, R., & Wirtz, M. (2010). Repräsentationswechsel beim Umgang mit Funktionen – Identifikation von Kompetenzprofilen auf der Basis eines Kompetenzstrukturmodells: Projekt HEUREKO. In E. Klieme, D. Leutner & M. Kenk (Hrsg.), Kompetenzmodellierung. Zwischenbilanz des DFG-Schwerpunktprogramms und Perspektiven des Forschungsansatzes (Zeitschrift für Pädagogik: Beiheft 56, S. 28–39). Weinheim: Beltz.Google Scholar
  12. Bond, T. G., & Fox, C. M. (2007). Applying the Rasch model: Fundamental measurement in the human sciences (2. Aufl.). Mahwah: Erlbaum.Google Scholar
  13. Brill, J. M., Kim, D., & Branch, R. M. (2007). Visual literacy defined—the results of a Delphi study: Can IVLA (operationally) define visual literacy. Journal of Visual Literacy, 27(1), 47–60.CrossRefGoogle Scholar
  14. Büchter, A. (2011). Mathematikleistung und Raumvorstellung – Ergebnisse einer empirischen Untersuchung. In R. Haug & L. Holzäfel (Hrsg.), Beiträge zum Mathematikunterricht 2011 (S. 155–158). Münster: WTM.Google Scholar
  15. Calvert, G., Spence, C., & Stein, B. E. (2004). The handbook of multisensory processes. Cambridge: MIT Press.Google Scholar
  16. Dixon, M. A., & Cunningham, G. B. (2006). Data aggregation in multilevel analysis: a review of conceptual and statistical issues. Measurement in Physical Education and Exercise Science, 10(2), 85–107.CrossRefGoogle Scholar
  17. Döring, N., & Bortz, J. (2016). Forschungsmethoden und Evaluation in den Sozial- und Humanwissenschaften (5. Aufl.). Berlin: Springer.CrossRefGoogle Scholar
  18. Eichler, A., & Vogel, M. (2013). Leitidee Daten und Zufall. Von konkreten Beispielen zur Didaktik der Stochastik (2. Aufl.). Wiesbaden: Springer.Google Scholar
  19. Elkins, J. (2008). Visual literacy. New York: Routledge.Google Scholar
  20. Emanuel, R., & Challons-Lipton, S. (2013). Visual literacy and the digital native: another look. Journal of Visual Literacy, 32, 7–26.CrossRefGoogle Scholar
  21. Fox, G. J. A. (2015). Introduction to multilevel IRT modeling. In W. J. van der Linden & R. K. Hambleton (Hrsg.), Handbook of modern item response theory. London: Chapman and Hall/CRC Press.Google Scholar
  22. Frey, A., Hartig, J., & Rupp, A. A. (2009). An NCME instructional module on booklet designs in large-scale assessments of student achievement: theory and practice. Educational Measurement: Issues and Practice, 28(3), 39–53.CrossRefGoogle Scholar
  23. Gonzales, E. J., & Rutkowski, L. (2010). Principles of multiple matrix booklet designs and parameter recovery in large-scale assessments. In I. M. Davier & D. Hastedt (Hrsg.), Issues and methodologies in large-scale assessments (ERI monograph series: Bd. 3, S. 125–156). Hamburg: EA-ETS Research.Google Scholar
  24. Hartig, J., & Höhler, J. (2009). Multidimensional IRT models for the assessment of competencies. Studies in Educational Evaluation, 35(2–3), 57–63.CrossRefGoogle Scholar
  25. Hartig, J., Klieme, E., Jude, N., Jurecka, A., Kröhne, U., Maag-Merki, K., Reef, J.-P., & Wirt, J. (2007). Möglichkeiten und Voraussetzungen technologiebasierter Kompetenzdiagnostik: Eine Expertise im Auftrag des BMBF (Bildungsforschung: Bd. 20). Bonn: BMBF.Google Scholar
  26. Horn, W. (2003). Prüfsystem für Schul- und Bildungsberatung für 6. bis 13. Klassen: PSB‑R 6-13. Göttingen: Hogrefe.Google Scholar
  27. KMK (2004). Bildungsstandards für den Mittleren Schulabschluss: Beschluss vom 04.12.2003. München: Luchterhand.Google Scholar
  28. Krapp, A., & Weidenmann, B. (2006). Pädagogische Psychologie (Bd. 5). Weinheim: Beltz.Google Scholar
  29. Leutner, D., Fleischer, J., Wirth, J., Greiff, S., & Funke, J. (2012). Analytische und dynamische Problemlösekompetenz im Lichte internationaler Schulleistungsvergleichsstudien. Untersuchungen zur Dimensionalität. Psychologische Rundschau, 63(1), 34–42.CrossRefGoogle Scholar
  30. Mayer, R. E. (Hrsg.). (2014). The Cambridge handbook of multimedia learning (2. Aufl., Cambridge handbooks in psychology). Cambridge: Cambridge University Press.Google Scholar
  31. McElvany, N., Schroeder, S., Richter, T., Hachfeld, A., Baumert, J., Schnotz, W., Horz, H., & Ullrich, M. (2009). Diagnostische Fähigkeiten von Lehrkräften bei der Einschätzung von Schülerleistungen und Aufgabenschwierigkeiten bei Lernmedien mit instruktionalen Bildern. Zeitschrift für Pädagogische Psychologie, 23(34), 223–235.CrossRefGoogle Scholar
  32. Ministerium für Kultus, Jugend und Sport Baden-Württemberg (2004a). Bildungsplan für das Gymnasium in der Normalform (Az 6512.-15/167/1). Stuttgart: Ministerium für Kultus, Jugend und Sport Baden-Württemberg.Google Scholar
  33. Ministerium für Kultus, Jugend und Sport Baden-Württemberg (2004b). Bildungsplan für die Realschule (Az 6512.-14/316/1). Stuttgart: Ministerium für Kultus, Jugend und Sport Baden-Württemberg.Google Scholar
  34. Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen (2004a). Kernlehrplan für die Realschule in Nordrhein-Westfalen: Deutsch (Heft 3315). Düsseldorf: Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen.Google Scholar
  35. Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen (2004b). Kernlehrplan für die Realschule in Nordrhein-Westfalen: Mathematik (Heft 3302). Düsseldorf: Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen.Google Scholar
  36. Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen (2007a). Kernlehrplan für das Gymnasium – Sekundarstufe I (G8) in Nordrhein-Westfalen: Deutsch (Heft 3409 (G8)). Düsseldorf: Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen.Google Scholar
  37. Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen (2007b). Kernlehrplan für das Gymnasium – Sekundarstufe I (G8) in Nordrhein-Westfalen: Mathematik (Heft 3401 (G8)). Düsseldorf: Ministerium für Schule, Jugend und Kinder des Landes Nordrhein-Westfalen.Google Scholar
  38. Moore, D. M., & Dwyer, F. M. (Hrsg.). (1994). Visual literacy: A spectrum of visual learning. Englewood Cliffs: Educational Technology Publications.Google Scholar
  39. Morizot, J., Ainsworth, A. T., & Reise, S. P. (2007). Toward modern psychometrics: application of item response theory models in personality research. In I. R. W. Robins, R. C. Fraley & R. F. Krueger (Hrsg.), Handbook of research methods in personality psychology (S. 407–423). New York: Guilford.Google Scholar
  40. OECD (2012). PISA 2009 technical report. Paris: OECD Publishing.  https://doi.org/10.1787/9789264167872-en.CrossRefGoogle Scholar
  41. Padberg, F., & Wartha, S. (2017). Didaktik der Bruchrechnung (5. Aufl.). Wiesbaden: Springer Spektrum.CrossRefGoogle Scholar
  42. Ploetzner, R., Lowe, R., & Schlag, S. (2013). A systematic characterization of cognitive techniques for learning from textual and pictorial representations. Journal of Education and Learning, 2(2), 78–95.CrossRefGoogle Scholar
  43. Prenzel, M. (2004). PISA 2003: Der Bildungsstand der Jugendlichen in Deutschland: Ergebnisse des zweiten internationalen Vergleichs. Münster: Waxmann.Google Scholar
  44. R Core Team (2015). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.Google Scholar
  45. Robitzsch, A. (2015a). sirt: Supplementary item response theory models. R package version 1.9‑0 Google Scholar
  46. Robitzsch, A. (2015b). TAM: Test analysis modules. R package version 1.14‑0 Google Scholar
  47. Rost, J. (2004). Lehrbuch Testtheorie – Testkonstruktion (2. Aufl.). Bern: Huber.Google Scholar
  48. Schnotz, W. (2010). Visuelles Lernen, Handwörterbuch Pädagogische Psychologie (S. 927–935). Weinheim: Beltz.Google Scholar
  49. Schnotz, W., & Bannert, M. (2003). Construction and interference in learning from multiple representation. Learning and Instruction, 13(2), 141–156.CrossRefGoogle Scholar
  50. Schnotz, W. (2005). An Integrated Model of Text and Picture Comprehension. In Richard E. Mayer (Hrsg.), The Cambridge Handbook of Multimedia Learning (S. 49–69). Cambridge: Cambridge University Press.Google Scholar
  51. Schnotz, W., Horz, H., McElvany, N., Schroeder, S., Ullrich, M., Baumert, J., Hachfeld, A., & Richter, T. (2010). Das BITE-Projekt: Integrative Verarbeitung von Texten und Bildern in der Sekundarstufe I (Zeitschrift für Pädagogik: Beiheft 56, S. 143–153). Weinheim: Beltz.Google Scholar
  52. Schroeder, S., Richter, T., & Hoever, I. (2008). Getting a picture that is both accurate and stable: Situation models and epistemic validation. Journal of Memory and Language, 59, 237–259.CrossRefGoogle Scholar
  53. Schumann, S., & Eberle, F. (2014). Ökonomische Kompetenzen von Lernenden am Ende der Sekundarstufe II. Zeitschrift für Erziehungswissenschaft, 17(1), 103–126.CrossRefGoogle Scholar
  54. Senkbeil, M., Ihme, J. M., & Wittwer, J. (2013). Entwicklung und erste Validierung eines Tests zur Erfassung technologischer und informationsbezogener Literacy (TILT) für Jugendliche am Ende der Sekundarstufe I. Zeitschrift für Erziehungswissenschaft, 16(4), 671–691.CrossRefGoogle Scholar
  55. Serafini, F. (2014). Reading the visual: an introduction to teaching Multimodal literacy. New York: Teachers College Press.Google Scholar
  56. Stanat, P., & Kunter, M. (2001). Geschlechterunterschiede in Basiskompetenzen. In PISA-Konsortium (Hrsg.), PISA 2000. Basiskompetenzen von Schülerinnen und Schülern im internationalen Vergleich (S. 249–269). Opladen: Leske + Budrich.Google Scholar
  57. Terzer, E., Hartig, J., & Upmeier zu Belzen, A. (2013). Systematische Konstruktion eines Tests zu Modellkompetenz im Biologieunterricht unter Berücksichtigung von Gütekriterien. Zeitschrift für Didaktik der Naturwissenschaften, 19, 51–76.Google Scholar
  58. Ullrich, M., Schnotz, W., Horz, H., McElvany, N., Schroeder, S., & Baumert, J. (2012). Kognitionspsychologische Aspekte eines Kompetenzmodells zur Bild-Text-Integration. Psychologische Rundschau, 63(1), 11–17.CrossRefGoogle Scholar
  59. Van der Linden, W. J. (2018). Handbook of item response theory, volume three: applications. London: Chapman & Hall/CRC.CrossRefGoogle Scholar
  60. Van der Meij, J. (2007). Support for learning with multiple representations designing simulation-based learning environments. Enschede: PrintPartners Ipskamp.Google Scholar
  61. Verschaffel, L., de Corte, E., de Jong, T., & Elen, J. (2010). Use of representations in reasoning and problem solving (2. Aufl.). New York: Routledge.CrossRefGoogle Scholar
  62. Verschaffel, L., Luwel, K., Torbeyns, J., & Dooren, W. (2009). Conceptualizing, investigating, and enhancing adaptive expertise in elementary mathematics education. European Journal of Psychology of Education, 24(3), 335–359.CrossRefGoogle Scholar
  63. Wafi, S., & Wirtz, M. (2015a). Visualisierungskompetenz in Deutsch und Mathematik aus Sicht von Expertinnen und Experten der Lehr‑/Lernforschung und Fachdidaktik. Zeitschrift für Interpretative Schul- und Unterrichtsforschung, 4, 119–140.CrossRefGoogle Scholar
  64. Wafi, S., & Wirtz, M. A. (2015b). Visualisierungskompetenz in didaktischen Kontexten. Eine Einführung. Wiesbaden: Springer.Google Scholar
  65. Weidenmann, B. (1991). Lernen mit Bildmedien. Psychologische und didaktische Grundlagen. Weinheim: Beltz.Google Scholar
  66. Weidenmann, B. (1994a). Informierende Bilder. In B. Weidenmann (Hrsg.), Wissenserwerb mit Bildern. Instruktionale Bilder in Printmedien, Film/Video und Computerprogrammen (S. 9–58). Bern: Huber.Google Scholar
  67. Weidenmann, B. (1994b). Weiterbildung (2. Aufl., Lernen mit Bildmedien: Psychologische und didaktische Grundlagen: Bd. 1). Weinheim: Beltz.Google Scholar
  68. Wilson, M., & Sloane, K. (2000). From principles to practice: an embedded assessment system. Applied Measurement in Education, 13(2), 181–208.CrossRefGoogle Scholar
  69. Wirtz, M., & Caspar, F. (2002). Beurteilerübereinstimmung und Beurteilerreliabilität: Methoden zur Bestimmung und Verbesserung der Zuverlässigkeit von Einschätzungen mittels Kategoriensystemen und Ratingskalen. Göttingen: Hogrefe.Google Scholar

Copyright information

© The Editors of the Journal 2019

Authors and Affiliations

  1. 1.Institut für Psychologie, Abteilung für ForschungsmethodenPädagogische Hochschule FreiburgFreiburgDeutschland

Personalised recommendations