Advertisement

Unterrichtsmethoden und Instruktionsstrategien

  • Stefan UferEmail author
  • Aiso Heinze
  • Frank Lipowsky
Chapter

Zusammenfassung

Die im vorherigen Kapitel beschriebenen Prinzipien fokussieren im Wesentlichen die Art und Weise, in der im Mathematikunterricht zu erlernende Inhalte und Kompetenzen ausgewählt, angeordnet, aufbereitet, dargestellt und bearbeitet werden. Diese vornehmlich fachlich-inhaltlichen Gestaltungsmerkmale von Unterricht sind in ein Wechselspiel weiterer, allgemeiner Gestaltungsmerkmale eingebettet. In beiden Fällen steht im Vordergrund, Merkmale qualitativ hochwertigen Mathematikunterrichts zu identifizieren. Dieser sogenannte „gute Unterricht“ definiert sich dabei zunächst durch seine Ergebnisse, also seine Auswirkungen auf die individuelle Entwicklung der Schülerinnen und Schüler. Hierbei stehen nicht allein kognitive Variablen wie Wissen oder Fertigkeiten im Fokus, sondern auch affektiv-motivationale Faktoren wie Einstellungen zum Lernen, das individuelle Selbstkonzept oder Formen der Lernmotivation. Weiterhin darf sich Unterricht nicht alleine an allgemeinen Tendenzen messen lassen, dass also beispielsweise die mittlere Motivation in einer Schulklasse steigt. Zentral ist darüber hinaus, dass alle Lernenden entsprechend ihrem Potenzial möglichst optimal gefördert werden. Um sich diesem Ziel anzunähern, hat die Lehrkraft bei der Vorbereitung und Durchführung von Unterricht eine ganze Reihe von Gestaltungsentscheidungen zu treffen, beispielsweise die Wahl der Aufgaben (vgl. Kap. 17), der Medien (vgl. Kap. 18), der Sozial- und Arbeitsformen, der Anordnung der Aufgaben etc. In diesem Beitrag werden mit Unterrichtsmethoden, Instruktionsstrategien und Aspekten der Aufgabenauswahl und -implementation wesentliche Entscheidungsdimensionen näher in den Blick genommen.

Literatur

  1. Barzel, B., Büchter, A., & Leuders, T. (2007). Mathematik-Methodik: Handbuch für die Sekundarstufe I und II. Berlin: Cornelsen Scriptor.Google Scholar
  2. Bauersfeld, H. (1978). Kommunikationsmuster im Mathematikunterricht: Eine Analyse am Beispiel der Handlungsverengung durch Antworterwartung. In H. Bauersfeld (Hrsg.), Fallstudien und Analysen zum Mathematikunterricht (S. 158–170). Hannover: Schroedel.Google Scholar
  3. Baumert, J., & Köller, O. (2000). Unterrichtsgestaltung, verständnisvolles Lernen und multiple Zielerreichung im Mathematik- und Physikunterricht der gymnasialen Oberstufe. In J. Baumert, W. Bos, & R. Lehmann (Hrsg.), TIMSS/III: Dritte Internationale Mathematik- und Naturwissenschaftsstudie – Mathematische und naturwissenschaftliche Bildung am Ende der Schullaufbahn (S. 271–315). Opladen: Leske + Budrich.CrossRefGoogle Scholar
  4. Baumert, J., & Kunter, M. (2011). Das mathematikspezifische Wissen von Lehrkräften, kognitive Aktivierung im Unterricht und Lernfortschritte von Schülerinnen und Schülern. In M. Kunter, J. Baumert, W. Blum, U. Klusmann, S. Krauss, & M. Neubrand (Hrsg.), Professionelle Kompetenz von Lehrkräften – Ergebnisse des Forschungsprogramms COACTIV (S. 163–192). Münster: Waxmann.Google Scholar
  5. Bell, P. (2004). Promoting students’ argument construction and collaborative debate in the science classroom. In M. C. Linn., E. A. Davis, & P. Bell (Hrsg.), Internet environments for science education (S. 114–144). Mahwah: Erlbaum.Google Scholar
  6. Brophy, J. (1999). Teaching. Educational practices series (Bd. 1). Brüssel: International Academy of Education (IAE).Google Scholar
  7. Brown, J. S., Collins, A., & Duguid, P. (1989). Debating the Situation. A Response to Palinscar and Wineburg. Educational Researcher, 18(4), 10–12.zbMATHGoogle Scholar
  8. Bruner, J. (1970). Der Prozeß der Erziehung. Berlin: Berlin Verlag.Google Scholar
  9. Campbell, J., Kyriakides, L., Mulis, D., & Robinson, W. (2004). Assessing teacher effectiveness. Developing a differentiated model. London: Routledge.CrossRefGoogle Scholar
  10. Cohen, J. (1994). Restructuring the classroom: Conditions for productive small groups. Review of Educational Research, 64(1), 1–35.CrossRefGoogle Scholar
  11. Cohen, E. G., & Lotan, R. A. (1995). Producing equal-status interaction in the heterogeneous classroom. American Educational Research Journal, 32, 99–120.CrossRefGoogle Scholar
  12. Cohors-Fresenborg, E., & Kaune, C. (2007). Kategoriensystem für metakognitive Aktivitäten beim schrittweise kontrollierten Argumentieren im Mathematikunterricht (2. Aufl.). Osnabrück: Forschungsinstitut für Mathematikdidaktik (Arbeitsbericht Nr. 44).Google Scholar
  13. Cohors-Fresenborg, E., Kramer, S., Pundsack, F., Sjuts, J., & Sommer, N. (2010). The role of metacognitive monitoring in explaining differences in mathematics achievement. Zentralblatt für Didaktik der Mathematik, 42(2), 231–244.CrossRefGoogle Scholar
  14. Collins, A., Brown, J. S., & Newman, S. E. (1989). Cognitive apprenticeship: Teaching the craft of reading, writing, and mathematics. Technical Report No. 403. In L. B. Resnick (Hrsg.), Cognition and instruction: Issues and agendas. Hillsdale: Lawrence Erlbaum.Google Scholar
  15. Cruickshank, D. R. (1985). Applying research on teacher clarity. Journal of Teacher Education, 36, 44–48.CrossRefGoogle Scholar
  16. Deci, E. L., & Ryan, R. M. (1985). Intrinsic motivation and self-determination in human behavior. New York: Plenum.CrossRefGoogle Scholar
  17. Drollinger-Vetter, B. (2011). Verstehenselemente und strukturelle Klarheit. Fachdidaktische Qualität der Anleitung von mathematischen Verstehensprozessen im Unterricht. Münster: Waxmann.zbMATHGoogle Scholar
  18. Drollinger-Vetter, B., & Lipowsky, F. (2006). Fachdidaktische Qualität der Theoriephasen. In E. Klieme, C. Pauli, & K. Reusser (Hrsg.), Dokumentation der Erhebungs- und Auswertungsinstrumente zur schweizerisch-deutschen Videostudie „Unterrichtsqualität, Lernverhalten und mathematisches Verständnis“. Teil 3: Videoanalysen (S. 189–205). Frankfurt a. M.: GFPF.Google Scholar
  19. Duran, D., & Monereo, C. (2005). Styles and sequences of cooperative interaction in fixed and reciprocal peer tutoring. Learning and Instruction, 15(3), 179–199.CrossRefGoogle Scholar
  20. Einsiedler, W., & Hardy, I. (2010). Kognitive Strukturierung im Unterricht. Einführung und Begriffsklärungen. Unterrichtswissenschaft, 38(3), 194–209.Google Scholar
  21. Emanuelsson, J., & Sahlström, F. (2008). The price of participation – Teacher control versus student participation in classroom interaction. Scandinavian Journal of Educational Research, 52(2), 205–223.CrossRefGoogle Scholar
  22. Fend, H. (1981). Theorie der Schule (2. Aufl.). München: Urban & Schwarzenberg.Google Scholar
  23. Giaconia, R., & Hedges, L. V. (1982). Identifying features of effective open education. Review of Educational Research, 52(4), 579–602.CrossRefGoogle Scholar
  24. Gruehn, S. (2000). Unterricht und schulisches Lernen. Schüler als Quellen der Unterrichtsbeschreibung. Münster: Waxmann.Google Scholar
  25. Hardy, I., Jonen, A., Möller, C., & Stern, E. (2006). Effects of instructional support within con­structivist learning environments for elementary school students’ understanding of „floating and sinking“. Journal of Educational Psychology, 98(2), 307–326.CrossRefGoogle Scholar
  26. Hasselhorn, M., & Labuhn, A. S. (2008). Metakognition und selbstreguliertes Lernen. In W. Schneider & M. Hasselhorn (Hrsg.), Handbuch der Pädagogischen Psychologie (S. 28–37). Göttingen: Hogrefe.Google Scholar
  27. Hattie, J. (2009). Visible learning. A synthesis of over 800 meta-analyses relating to achievement. London: Routledge.Google Scholar
  28. Heinze, A., & Ehrhardt, M. (2006). How much time do students have to think about teacher questions? An investigation of the quick succession of teacher questions and student responses in the German mathematics classroom. Zentralblatt für Didaktik der Mathematik, 38(5), 388–398.CrossRefGoogle Scholar
  29. Heinze, A., & Kraft, E. (2004). Schülerbeteiligung im Mathematikunterricht – eine Auswertung videografierter Unterrichtsstunden. In A. Heinze & S. Kuntze (Hrsg.), Beiträge zum Mathematikunterricht 2004 (S. 233–236). Hildesheim: Franzbecker.Google Scholar
  30. Heinze, A., & Reiss, K. (2004). The teaching of proof at the lower secondary level – A video study. Zentralblatt für Didaktik der Mathematik, 36(3), 98–104.CrossRefGoogle Scholar
  31. Helmke, A. (2007). Lernprozesse anregen und steuern – Was wissen wir über die Klarheit und Strukturiertheit? Pädagogik, 6, 44–47.Google Scholar
  32. Helmke, A. (2009). Unterrichtsqualität und Lehrerprofessionalität. Seelze: Kallmeyer.Google Scholar
  33. Hiebert, J., & Grouws, D. A. (2007). The effects of classroom mathematics teaching on students’ learning. In F. K. Lester (Hrsg.), Second handbook of research on mathematics teaching and learning (S. 371–404). Charlotte: Information Age.Google Scholar
  34. Hiebert, J., Gallimore, R., Garnier, H., Givvin, K., Hollingsworth, H., Jacobs, J., Chui, A., Wearne, D., Smith, M., Kersting, N., Manaster, A., Tseng, E., Etterbeek, W., Manaster, C., Gonzales, P., & Stigler, J. (2003). Teaching mathematics in seven countries – Results from the TIMSS 1999 video study. Washington: U.S. Government Printing Office.CrossRefzbMATHGoogle Scholar
  35. Johnson, D. W., Johnson, R. T., & Stanne, M. B. (2000). Cooperative learning methods: A meta-analysis. Minneapolis: University of Minnesota.Google Scholar
  36. Klieme, E., Schümer, G., & Knoll, S. (2001). Mathematikunterricht in der Sekundarstufe I: „Aufgabenkultur“ und Unterrichtsgestaltung. In E. Klieme & J. Baumert (Hrsg.), TIMSS – Impulse für Schule und Unterricht (S. 34–57). Bonn: BMBF.Google Scholar
  37. Kollar, I., Fischer, F., & Hesse, F. W. (2006). Collaboration scripts – A conceptual analysis. Educational Psychology Review, 18, 159–185.CrossRefGoogle Scholar
  38. Kunter, M., Baumert, J., Blum, W., Klusmann, U., Krauss, S., & Neubrand, M. (2011). Professionelle Kompetenz von Lehrkräften – Ergebnisse des Forschungsprogramms COACTIV. Münster: Waxmann.zbMATHGoogle Scholar
  39. Lipowsky, F. (2009). Unterricht. In E. Wild & J. Möller (Hrsg.), Pädagogische Psychologie (S. 73–102). Berlin: Springer.CrossRefGoogle Scholar
  40. Lipowsky, F. (2011). Theoretische Perspektiven und empirische Befunde zur Wirksamkeit von Lehrerfort- und -weiterbildung. In E. Terhart, H. Bennewitz, & M. Rothland (Hrsg.), Handbuch der Forschung zum Lehrerberuf (S. 398–417). Münster: Waxmann.Google Scholar
  41. Lipowsky, F., Rakoczy, K., & Pauli, C. (2008). Unterrichtsqualität und Schülerbeteiligung. In M. Gläser-Zikuda & J. Seifried (Hrsg.), Lehrerexpertise – Analyse und Bedeutung unterrichtlichen Handelns (S. 67–90). Münster: Waxmann.Google Scholar
  42. Lipowsky, F., Rakoczy, K., Pauli, C., Drollinger-Vetter, B., Klieme, E., & Reusser, K. (2009). Quality of geometry instruction and its short-term impact on students’ understanding of the Pythagorean theorem. Learning and Instruction, 19, 527–537.CrossRefGoogle Scholar
  43. Lou, Y., Abrami, P. C., Spence, J. C., Poulsen, C., Chambers, B., & d’Apollonia, S. (1996). Within-class grouping: A meta-analysis. Review of Educational Research, 66(4), 423–458.CrossRefGoogle Scholar
  44. Marzano, R. J., Gaddy, B. B., & Dean, C. (2000). What works in classroom instruction. Aurora: Mid-continent Research for Education and Learning (McREL).Google Scholar
  45. Mayer, R. E. (2004). Should there be a three-strikes rule against pure discovery learning? The case for guided methods of instruction. American Psychologist, 59(1), 14–19.CrossRefGoogle Scholar
  46. Mevarech, Z. R., & Kramarski, B. (2003). The effects of metacognitive training versus worked-out examples on students’ mathematical reasoning. British Journal of Educational Psychology, 73, 449–471.CrossRefGoogle Scholar
  47. Neubrand, M., Jordan, A., Krauss, S., Blum, W., & Löwen, K. (2011). Aufgaben im COACTIV-Projekt: Einblicke in das Potenzial für kognitive Aktivierung. In M. Kunter, J. Baumert, W. Blum, U. Klusmann, S. Krauss, & M. Neubrand (Hrsg.), Professionelle Kompetenz von Lehrkräften – Ergebnisse des Forschungsprogramms COACTIV (S. 163–192). Münster: Waxmann.Google Scholar
  48. Oser, F., & Baeriswyl, F. (2001). Choreographies of teaching: Bridging instruction into learning. In V. Richardson (Hrsg.), Handbook of research on teaching (4. Aufl.). Washington, DC: AERA.Google Scholar
  49. Pauli, C., & Lipowsky, F. (2007). Mitmachen oder Zuhören? Mündliche Schülerinnen- und Schülerbeteiligung im Mathematikunterricht. Unterrichtswissenschaft, 35(2), 101–124.Google Scholar
  50. Pauli, C., & Reusser, K. (2003). Unterrichtsskripts im schweizerischen und im deutschen Mathematikunterricht. Unterrichtswissenschaft, 3(31), 238–272.Google Scholar
  51. Pauli, C., & Reusser, K. (2011). Discursive cultures of learning in (everyday) mathematics teaching: Promises and challenges. Paper presented at the AERA research conference „Socializing Intelligence Through Academic Talk and Dialogue“, University of Pittsburgh, September 22–25.Google Scholar
  52. Pauli, C., Reusser, K., & Grob, U. (2010). Reformorientierter Mathematikunterricht in der Deutschschweiz. In K. Reusser, C. Pauli, & M. Waldis (Hrsg.), Unterrichtsgestaltung und Unterrichtsqualität – Ergebnisse einer internationalen und schweizerischen Videostudie zum Mathematikunterricht (S. 309–339). Münster: Waxmann.Google Scholar
  53. Praetorius, A.-K. (2014): Messung von Unterrichtsqualität durch Ratings. Münster: Waxmann.Google Scholar
  54. Rakoczy, K. (2008). Motivationsunterstützung im Mathematikunterricht – Unterricht aus der Perspektive von Lernenden und Beobachtern. Münster: Waxmann.Google Scholar
  55. Rakoczy, K., & Pauli, C. (2006). Hoch inferentes Rating: Beurteilung der Qualität unterrichtlicher Prozesse (Kapitel 13). In I. Hugener, C. Pauli, & K. Reusser, Videoanalysen. Teil 3 der Serie Dokumentation der Erhebungs- und Auswertungsinstrumente zur schweizerisch-deutschen Videostudie „Unterrichtsqualität, Lernverhalten und mathematisches Verständnis“. In E. Klieme, C. Pauli, & K. Reusser (Hrsg.), Materialien zur Bildungsforschung (Bd. 15, S. 206–233). Frankfurt a. M.: GFPF.Google Scholar
  56. Reusser, K., Pauli, C., & Waldis, M. (2010). Unterrichtsgestaltung und Unterrichtsqualität – Ergebnisse einer internationalen und schweizerischen Videostudie zum Mathematikunterricht. Münster: Waxmann.zbMATHGoogle Scholar
  57. Renkl, A. (2011). Aktives Lernen: Von sinnvollen und weniger sinnvollen theoretischen Perspektiven zu einem schillernden Konstrukt. Unterrichtswissenschaft, 39(3), 197–211.Google Scholar
  58. Renkl, A., Mandl, H., & Gruber, H. (1996). Inert Knowledge: Analyses and Remedies. Educational Psychologist, 31(2), 115–121.CrossRefGoogle Scholar
  59. Reiss, K., & Renkl, A. (2002). Learning to prove: The idea of heuristic examples. Zentralblatt für Didaktik der Mathematik, 34(1), 29–35.CrossRefGoogle Scholar
  60. Reiss, K., Heinze, A., Renkl, A., & Groß, C. (2008). Reasoning and proof in geometry: Effects of a learning environment based on heuristic worked-out examples. Zentralblatt für Didaktik der Mathematik, 40(3), 455–467.CrossRefGoogle Scholar
  61. Rowe, M. B. (1986). Wait time: Slowing down may be a way of speeding up! Journal of Teacher Education, 37(1), 43–50.CrossRefGoogle Scholar
  62. Sacher, W. (1995). Meldungen und Aufrufe im Unterrichtsgespräch. Augsburg: Wißner.Google Scholar
  63. Schmidt, W. H., & Maier, A. (2009). Opportunity to learn. In G. Sykes, B. Schneider, & D. N. Plank (Hrsg.), Handbook of education policy research (S. 541–559). New York: Routledge.Google Scholar
  64. Schneider, W., & Artelt, C. (2010). Metacognition and mathematics education. Zentralblatt für Didaktik der Mathematik, 42(2), 149–161.CrossRefGoogle Scholar
  65. Schoenfeld, A. H. (1992). Learning to think mathematically: Problem solving, metacognition and sense-making in mathematics teaching and learning. In D. A. Grouws (Hrsg.), Handbook of research on mathematics teaching and learning (S. 334–370). New York: Simon & Schuster.Google Scholar
  66. Schukajlow, S., Krämer, J., Blum, W., Besser, M., Brode, R., Leiss, D., & Messner, R. (2010). Lösungsplan in Schülerhand: zusätzliche Hürde oder Schlüssel zum Erfolg? In A. Lindmeier & S. Ufer (Hrsg.), Beiträge zum Mathematikunterricht 2010 (S. 771–774). Münster: WTM.Google Scholar
  67. Seidel, T., & Shavelson, R. (2007). Teaching effectiveness research in the past decade: The role of theory and research design in disentangling meta-analysis results. Review of Educational Research, 77(4), 454–499.CrossRefGoogle Scholar
  68. Springer, L., Stanne, M. E., & Donovan, S. S. (1999). Effects of small-group learning on undergraduates in science, mathematics, engineering, and technology: A meta-analysis. Review of Educational Research, 69(21), 21–51.Google Scholar
  69. Stigler, J., Gonzales, P., Kawanaka, T., Knoll, S., & Serrano, A. (1999). The TIMSS videotape classroom study. U.S. Department of Education. National Center for Education Statistics. Washington, DC: U.S. Government Printing Office.Google Scholar
  70. Sweller, J. (2010). Element interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review, 22, 123–138.CrossRefGoogle Scholar
  71. Tobin, K. (1987). The role of wait time in higher cognitive level learning. Review of Educational Research, 57(1), 69–95.CrossRefGoogle Scholar
  72. Van Merriënboer, J. J. G., & Kirschner, P. (2007). Ten steps to complex learning. A systematic approach to four-component instructional design. Mahwah: Lawrence Erlbaum.Google Scholar
  73. Van Merriënboer, J. J. G., Clark, R. E., & de Crook, M. B. M. (2002). Blueprints for complex learning: The 4C/ID-Model. Educational Technology, Research and Development, 50(2), 39–61.CrossRefGoogle Scholar
  74. Veenman, M. V. J., Van Hout-Wolters, B., & Afflerbach, P. (2006). Metacognition and learning: Conceptual and methodological considerations. Metacognition and Learning, 1(1), 3–14.CrossRefGoogle Scholar
  75. Voigt, J. (1984). Interaktionsmuster und Routinen im Mathematikunterricht. Theoretische Grundlagen und mikroethnographische Falluntersuchungen. Weinheim: Beltz.Google Scholar
  76. Wang, M. C., Haertel, G. D., & Walberg, H. J. (1993). Toward a Knowledge Base for School Learning. Review of Educational Research 63, 3, 249–294.CrossRefGoogle Scholar
  77. Webb, N. M., Nemer, K. M., & Zuniga, S. (2002). Short circuits or superconductors? Effects of group composition high-achieving students’ science assessment performance. American Education Research Journal, 39(4), 943–989.CrossRefGoogle Scholar
  78. Weinberger, A., Stegmann, K., & Fischer, F. (2007). Knowledge convergence in collaborative learning: Concepts and assessment. Learning and Instruction, 17(4), 416–426.CrossRefGoogle Scholar
  79. Zöttl, L., Ufer, S., & Reiss, K. (2010). Modeling with heuristic worked examples in the KOMMA learning environment. Journal für Mathematikdidaktik, 31(1), 143–165.CrossRefGoogle Scholar

Copyright information

© Springer Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.LMU MünchenMünchenDeutschland
  2. 2.KielDeutschland
  3. 3.KasselDeutschland

Personalised recommendations