Advertisement

Chemie verstehen – beobachtbare makroskopische Phänomene auf submikroskopischer Ebene modellbasiert interpretieren

  • Elke SumflethEmail author
  • Simone Nakoinz
Original Paper
  • 73 Downloads

Zusammenfassung

Das Verständnis chemischer Zusammenhänge basiert auf der Erkenntnis, dass beobachtbare makroskopische Phänomene mit Hilfe von Modellvorstellungen auf der submikroskopischen Ebene interpretiert werden. Zur Darstellung der Beziehungen zwischen und auf den unterschiedlichen Ebenen wird eine Reihe von (fachspezifischen) Symbolen benutzt. Dabei beziehen sich die Symbole auf der Phänomenebene auf beobachtbare Entitäten, auf der submikroskopischen Ebene auf nicht-beobachtbare, theoriegeleitete Modelle. Das direkte Beziehen von Inhalten der makroskopischen Ebene auf die submikroskopische Ebene führt zu fachlich falschen Aussagen.

In diesem Beitrag wird ein Testinstrument vorgestellt, das die Leistungen der Lernenden auf der submikroskopischen Ebene getrennt von denjenigen zur Verknüpfung der beiden Ebenen misst. Cross-Lagged-Panel-Analysen zeigen, dass die partielle Korrelation zwischen den Leistungen zur submikroskopischen Ebene zum ersten Messzeitpunkt und denen zu den Verknüpfungsitems zum zweiten Messzeitpunkt unter Kontrolle der Leistungen bei den Verknüpfungsitems zum ersten Messzeitpunkt signifikant ist. Dies gilt nicht für die umgekehrte partielle Korrelation.

Damit lässt sich belegen, dass das Wissen auf der submikroskopischen Ebene einen positiven Einfluss auf den Erwerb der Verknüpfungsfähigkeit hat und dass dies im umgekehrten Fall nicht gilt. Dieses Ergebnis unterstützt die Annahme, dass submikroskopisches Wissen verfügbar sein muss, bevor es mit anderem Wissen verknüpft werden kann.

Schlüsselwörter

Chemieverständnis Phänomenebene Submikroskopische Ebene Testinstrument 

Understanding Chemistry—Interpreting Observable Macroscopic Phenomena by Reference to the Submicroscopic Level

Abstract

The understanding of chemical relations is based on the perception that observable macroscopic phenomena are interpreted at the submicroscopic level with support of models. For the representation of the relations between and upon the different levels a range of subject-specific symbols are being used. On the level of phenomena the symbols refer to observable entities, on the submicroscopic level to non-observable, theory-driven models. Referring contents of the macroscopic level directly to the submicroscopic level will lead to technically wrong conclusions.

This contribution introduces a test method which measures the accomplishments of the learners on the submicroscopic level separately from those connecting both levels. Cross-Lagged-Panel analyses reveal that the partial correlation between the accomplishments regarding the submicroscopic level at the first point of measurement and those regarding the connectivity items at the second point of measurement is significant, provided that the accomplishments regarding the connectivity items at the first point of measurement are monitored. This is not true for the reversed partial correlation.

This shows that the knowledge concerning the submicroscopic level exerts a positive effect on acquiring the capability to connect both levels and that this is not true in the reverse case. This result supports the assumption that knowledge about the submicroscopic level must be available in order to be connectable with other knowledge.

Keywords

Understanding chemistry Macroscopic phenomena Submicroscopic level Test instrument 

Notes

Danksagung

Unser Dank gilt vor allem den Studierenden, die an der Datenerhebung teilgenommen.

Literatur

  1. Ausubel, D. P. (1968). Educational Psychologie; A cognitive view. New York: Holt, Rinehart und Winston.Google Scholar
  2. Barke, H.-D. (2006). Chemiedidaktik. Diagnose und Korrektur von Schülervorstellungen. Berlin Heidelberg: Springer.Google Scholar
  3. Barke, H.-D., Harsch, G., Krees, S., & Marohn, A. (Hrsg.). (2015). Chemiedidaktik kompakt. Lernprozesse in Theorie und Praxis (2. Aufl.). Berlin: Springer Spektrum.Google Scholar
  4. Beerenwinkel, A., Parchmann, I., & Gräsel, C. (2007). Chemieschulbücher in der Unterrichtsplanung – Welche Bedeutung haben Schülervorstellungen? CHEMKON, 14(1), 7–14.CrossRefGoogle Scholar
  5. Ben-Zvi, R., Eylon, B.-S., & Silberstein, J. (1986). Is an atom of copper malleable? Journal of Chemical Education, 63(1), 64.CrossRefGoogle Scholar
  6. Ben-Zvi, R., Eylon, B.-S., & Silberstein, J. (1988). Theories, principles and laws. Education in Chemistry, 25(3), 89–92.Google Scholar
  7. Bernholt, S., Fischer, I., Heuer, S., Taskin, V., Martens, J., & Parchmann, I. (2012). Die chemische Formelsprache – (un-)vermeidbare Hürden auf dem Weg zu einer Verständnisentwicklung? CHEMKON, 19(4), 171–178.CrossRefGoogle Scholar
  8. Bindernagel, J. A., & Eilks, I. (2008). Modelle und Modelldenken im Chemieunterricht und ein Einblick in das Verständnis von erfahrenen Chemielehrkräften. CHEMKON, 15(4), 181–186.CrossRefGoogle Scholar
  9. Bortz, J., Bortz-Döring, & Döring, N. (2009). Forschungsmethoden und Evaluation. Für Human- und Sozialwissenschaftler; mit 87 Tabellen. Heidelberg: Springer.Google Scholar
  10. Bucat, B., & Mocerino, M. (2009). Learning at the Sub-micro Level: Structural Representations. In J. Gilbert & D. F. Treagust (Hrsg.), Multiple Representations in Chemical Education. Models and Modeling in Science Education (S. 11–29). Dordrecht: Springer.CrossRefGoogle Scholar
  11. Busker, M. (2010). Entwicklung einer adressatenorientierten Übungskonzeption im Übergang Schule-Universität auf Basis empirischer Analysen von Studieneingangsvoraussetzungen. Der Andere Verlag: Tönning.Google Scholar
  12. Chandrasegaran, A. L., Treagust, D. F., & Mocerino, M. (2008). An evaluation of a teaching intervention to promote students’ ability to use multiple levels of representation when describing and explaining chemical reactions. Research in Science Education, 38(2), 237–248.CrossRefGoogle Scholar
  13. Dori, Y. J., & Hameiri, M. (2003). Multidimensional analysis system for quantitative chemistry problems: symbol, macro, micro, and process aspects. Journal of Research in Science Teaching, 40(3), 278–302.CrossRefGoogle Scholar
  14. Dori, Y. J., & Kaberman, Z. (2012). Assessing high school chemistry students’ modeling sub-skills in a computerized molecular modeling learning environment. Instructional Science, 40(1), 69–91.CrossRefGoogle Scholar
  15. Eilks, I., & Möllering, J. (2001). Neue Wege zum Teilchenkonzept 2001. Der mathematische und naturwissenschaftliche Unterricht, 54(4), 240–246.Google Scholar
  16. Gilbert, J. K., & Treagust, D. F. (2009). Introduction: macro, submicro and symbolic representations and the relationship between them: key models in chemical education. In J. Gilbert & D. F. Treagust (Hrsg.), Multiple representations in chemical education. Models and modeling in science education (S. 1–8). Dordrecht: Springer.CrossRefGoogle Scholar
  17. Grosslight, L., Unger, C., Jay, E., & Smith, C. L. (1991). Understanding models and their use in science: conceptions of middle and high school students and experts. Journal of Research in Science Teaching, 28(9), 799–822.CrossRefGoogle Scholar
  18. Harrison, A. G., & Treagust, D. F. (1996). Secondary students’ mental models of atoms and molecules. Implications for teaching chemistry. Science Education, 80(5), 509–534.CrossRefGoogle Scholar
  19. Ingham, A. M., & Gilbert, J. K. (1991). The use of analogue models by students of chemistry at higher education level. International Journal of Science Education, 13(2), 193–202.CrossRefGoogle Scholar
  20. Jaber, L. Z., & BouJaoude, S. (2012). A macro-micro-symbolic teaching to promote relational understanding of chemical reactions. International Journal of Science Education, 34(7), 973–998.CrossRefGoogle Scholar
  21. Jensen, W. B. (1998a). Logic, history, and the chemistry textbook: II. Can we unmuddle the chemistry textbook? Journal of Chemical Education, 75(7), 817.CrossRefGoogle Scholar
  22. Jensen, W. B. (1998b). Logic, history, and the chemistry textbook: I. Does chemistry have a logical structure? Journal of Chemical Education, 75(6), 679.CrossRefGoogle Scholar
  23. Johnstone, A. H. (1982). Macro-and microchemistry. School Science Review, 64, 377–379.Google Scholar
  24. Johnstone, A. H. (1991). Why is science difficult to learn? Things are seldom what they seem. Journal of Computer Assisted Learning, 7, 75–83.CrossRefGoogle Scholar
  25. Johnstone, A. H. (1993). The development of chemistry teaching. A changing response to changing demand. Journal of Chemical Education, 70(9), 701–705.CrossRefGoogle Scholar
  26. Johnstone, A. H. (2000). Teaching of chemistry—logical or psychological? Chemistry Education Research and Practice, 1(1), 9.CrossRefGoogle Scholar
  27. Justi, R. S., & Gilbert, J. K. (2002). Modelling, teachers’ views on the nature of modelling, and implications for the education of modellers. International Journal of Science Education, 24(4), 369–387.CrossRefGoogle Scholar
  28. Kozma, R. B., & Russell, J. (1997). Multimedia and understanding: expert and novice responses to different representations of chemical phenomena. Journal of Research in Science Teaching, 34(9), 949–968.CrossRefGoogle Scholar
  29. Kozma, R. B., Russell, J. W., Jones, T., Wykoff, J., Marx, N., & Davis, J. (1997). Use of simultaneous-synchronized macroscopic, microscopic, and symbolic representations to enhance the teaching and learning of chemical concepts. Journal of Chemical Education, 74(3), 330.CrossRefGoogle Scholar
  30. Mahaffy, P. (2004). The future shape of chemistry education. Chemical Education Research and Practice, 5(3), 229–245.CrossRefGoogle Scholar
  31. Meisert, A. (2008). Vom Modellwissen zum Modellverständnis. Elemente einer umfassenden Modellkompetenz und deren Fundierung durch lernerseitige Kriterien zur Klassifikation von Modellen. Zeitschrift für Didaktik der Naturwissenschaften, 14, 243–261.Google Scholar
  32. Mikelskis-Seifert, S., & Leisner, A. (2003). Das Denken in Modellen fördern. Ein Unterrichtsbeispiel zur Entwicklung von Teilchenvorstellungen. Naturwissenschaften im Unterricht Physik, 14(74), 32–34.Google Scholar
  33. Nakhleh, M. B., & Krajcik, J. S. (1994). Influence of levels of information as presented by different technologies on students’ understanding of acid, base, and pH concepts. Journal of Research in Science Teaching, 31(10), 1077–1096.CrossRefGoogle Scholar
  34. Nakoinz, S. (2015). Untersuchung zur Verknüpfung submikroskopischer und makroskopischer Konzepte im Fach Chemie. Berlin: Logos.Google Scholar
  35. Onwu, G. O. M., & Randall, E. (2006). Some aspects of students’ understanding of a representational model of the particulate nature of matter in chemistry in three different countries. Chemistry Education Research and Practice, 7(4), 226.CrossRefGoogle Scholar
  36. Parchmann, I., & Bernholt, S. (2012). In, mit und über Chemie kommunizieren – Chancen und Herausforderungen von Kommunikationsprozessen im Chemieunterricht. In M. Becker-Mrotzek (Hrsg.), Sprache im Fach. Sprachlichkeit und fachliches Lernen. Fachdidaktische Forschungen, (Bd. 3, S. 241–253). Münster: Waxmann.Google Scholar
  37. Reinders, H. (2006). Kausalanalysen in der Längsschnittforschung. Das Crossed-Lagged-Panel Design. Diskurs Kindheits- und Jugendforschung, 1(4), 477–478.Google Scholar
  38. Robinson, W. R. (2003). Chemistry problem-solving: symbol, macro, micro, and process aspects. Journal of Chemical Education, 80(9), 978.CrossRefGoogle Scholar
  39. Sieve, B. (2012). Wirrwarr um die chemische Formelsprache. Praxis der Naturwissenschaft-Chemie in der Schule, 61(2), 41–45.Google Scholar
  40. Steffensky, M., Parchmann, I., & Schmidt, S. (2005). Alltagsvorstellungen und chemische Erklärungskonzepte: „Die Teilchen saugen das Aroma aus dem Tee“. Chemie in unserer Zeit, 39(4), 274–278.CrossRefGoogle Scholar
  41. Steinbuch, K. (1977). Denken in Modellen. In G. Schaefer (Hrsg.), Denken in Modellen. Leitthemen, (Bd. 77, S. 10–17). Braunschweig: Westermann.Google Scholar
  42. Sumfleth, E., Ploschke, B., & Geisler, A. (1999). Schülervorstellungen und Unterrichtsgespräche zum Thema Säure-Base. In E. Sumfleth (Hrsg.), Chemiedidaktik im Wandel: Gedanken zu einem neuen Chemieunterricht (S. 91–115). Münster: Lit-Verlag.Google Scholar
  43. Taber, K. S. (2009). Learning at the symbolic level. In J. Gilbert & D. F. Treagust (Hrsg.), Multiple representations in chemical education. Models and modeling in science education (S. 75–105). Dordrecht: Springer.CrossRefGoogle Scholar
  44. Talanquer, V. (2011). Macro, submicro, and symbolic: the many faces of the chemistry “triplet”. International Journal of Science Education, 33(2), 179–195.CrossRefGoogle Scholar
  45. Terzer, E., & Upmeier zu Belzen, A. (2008). Naturwissenschaftliche Erkenntnisgewinnung durch Modelle. Modellverständnis als Grundlage für Modellkompetenz. Berichte des Institutes für Didaktik der Biologie, 16, 33–56.Google Scholar
  46. Treagust, D., Chittleborough, G., & Mamiala, T. (2003). The role of submicroscopic and symbolic representations in chemical explanations. International Journal of Science Education, 25(11), 1353–1368.CrossRefGoogle Scholar
  47. Wu, M. L. (2007). ACER ConQUest version 2.0. Generalised item response modelling software. Camberwell: ACER Pres.Google Scholar

Copyright information

© Gesellschaft für Didaktik der Physik und Chemie (GDCP), Fachsektion Didaktik der Biologie im VBIO (FDdB im VBIO) und Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Fakultät für ChemieUniversität Duisburg-EssenEssenDeutschland
  2. 2.Heinrich-Heine-GymnasiumOberhausenDeutschland

Personalised recommendations