1 VL Leistungsbeurteilung & Diagnostik, 3 KP Herzlich Willkommen!

Post on 05-Apr-2015

106 views 0 download

transcript

1

VL Leistungsbeurteilung & Diagnostik, 3 KP

Herzlich Willkommen!

2

VL Leistungsbeurteilung & Diagnostik, 3 KP

Das Modul ist angelegt für TeilnehmerInnen mit Interesse an der Thematik, Bereitschaft zu eigenständigem Arbeiten im Umfang von ca. 90 Std. (3 KPs * 30) und Offenheit über unklare, unglücklich verlaufende Dinge.

Sie können sich auf eine gute Vorbereitung der Veranstaltungverlassen, DozentInnen mit Interesse und Freudean der Thematik. Bspw. könnte ich Ihnen bei speziellen Fragen, Unklarheiten etc. gerne auch in der Sprechstunde(Mi 11-12, Raum A6 5-501) weiter helfen.

3

Das hier vertretene Credo:

Erkenne die Schwächen und Stärken jedes Schülers, und finde dieUnterrichtsform, die ihm gerecht wird. Kurz: Sei nicht ‚nur‘ Lehrer, sondern auch Diagnostiker.

4

Lernenerfordert

Rückmeldungen

5

oder:

Etwa 93% aller deutscherAutofahrerInnen geben an,überdurchschnittlich gute

FahrerInnen zu sein

6

John Snow: Visualisierung, Erkrankte, Brunnen

Ein Beispiel: Cholera Epidemie,London, September 1854

7

8

Ein Beispiel: Cholera Epidemie in London, September 1854

Broad Street

Winson Street

John Snow: Visualisierung, Erkrankte, Brunnen

9

„The greatest value of a picture is when it forces us to notice

what we never expected to see.“

John W. Tukey

10

Name Punkte Note Lft_Nr Geschlecht1 Albert 98 1 1 Jungen2 Bärbel 43 4 2 Mädchen3 Claudia 26 4 3 Mädchen4 Dieter 76 2 4 Jungen5 Emil 22 5 5 Jungen6 Fritz 8 6 6 Jungen7 Gisela 89 2 7 Mädchen8 Horst 72 3 8 Jungen9 Ilse 46 4 9 Mädchen10 Jürgen 61 3 10 Jungen11 Klaus 44 4 11 Jungen12 Marion 94 1 12 Mädchen13 Nena 21 5 13 Mädchen14 Olga 12 5 14 Mädchen15 Peter 4 6 15 Jungen16 Renate 38 4 16 Mädchen17 Siegrid 49 4 17 Mädchen18 Thorsten 71 3 18 Jungen19 Uwe 35 4 19 Jungen20 Volker 27 4 20 Jungen21 Wilfried 51 3 21 Jungen22 Zara 87 2 22 Mädchen

11

0 2 4 6 8 10 12 14 16 18 20 22 24

Lft_Nr

0

1

2

3

4

5

6

7

Not

e

12

AlbertDieter

ZaraJürgen

WilfriedClaudia

KlausSiegrid

VolkerNena

Fritz

Name

0

1

2

3

4

5

6

7

Not

e

13

0 2 4 6 8 10 12 14 16 18 20 22 24

Lft_Nr

0

20

40

60

80

100

120

Pun

kte

14

AlbertDieter

ZaraJürgen

WilfriedClaudia

KlausSiegrid

VolkerNena

Fritz

Name

0

20

40

60

80

100

120P

unkt

e

15

Pet

er

Frit

z

Olg

a

Nen

a

Em

il

Cla

udia

Vol

ker

Uw

e

Ren

ate

Bär

bel

Kla

us

Ilse

Sie

grid

Wilf

ried

Jürg

en

Tho

rste

n

Hor

st

Die

ter

Zar

a

Gis

ela

Mar

ion

Alb

ert

0

20

40

60

80

100

120

Pun

kte

16

Pet

er

Frit

z

Olg

a

Nen

a

Em

il

Cla

udia

Vol

ker

Uw

e

Ren

ate

Bär

bel

Kla

us

Ilse

Sie

grid

Wilf

ried

Jürg

en

Tho

rste

n

Hor

st

Die

ter

Zar

a

Gis

ela

Mar

ion

Alb

ert0

20

40

60

80

100

120

Pun

kte

17

Balkenplot für Lesen Stufe 3-5

PISA 4v*14c

Lesen Stufe 3-50 10 20 30 40 50 60 70

Baden Württemberg

Bayern

Brandenburg

Bremen

Hessen

Mecklenburg Vorpommern

Niedersachsen

Nordrhein Westfalen

Rheinland Pfalz

Saarland

Sachsen

Sachsen Anhalt

Schleswig Holstein

Thüringen

18

Balkenplot für Lesen Stufe 3-5

PISA 4v*14c

Lesen Stufe 3-50 10 20 30 40 50 60 70

Bremen

Sachsen Anhalt

Brandenburg

Mecklenburg Vorpommern

Niedersachsen

Hessen

Schleswig Holstein

Thüringen

Rheinland Pfalz

Nordrhein Westfalen

Saarland

Sachsen

Baden Württemberg

Bayern

19 Naturwiss. Stufe 3-5

0 10 20 30 40 50 60

Brandenburg

Bremen

Sachsen Anhalt

Mecklenburg Vorpommern

Niedersachsen

Nordrhein Westfalen

Hessen

Schleswig Holstein

Saarland

Rheinland Pfalz

Thüringen

Sachsen

Bayern

Baden Württemberg

Lesen Stufe 3-50 10 20 30 40 50 60 70

Bremen

Sachsen Anhalt

Brandenburg

Mecklenburg Vorpommern

Niedersachsen

Hessen

Schleswig Holstein

Thüringen

Rheinland Pfalz

Nordrhein Westfalen

Saarland

Sachsen

Baden Württemberg

Bayern

Mathem. Stufe 3-50 10 20 30 40 50 60

Bremen

Brandenburg

Sachsen Anhalt

Niedersachsen

Hessen

Nordrhein Westfalen

Mecklenburg Vorpommern

Saarland

Schleswig Holstein

Rheinland Pfalz

Thüringen

Sachsen

Baden Württemberg

Bayern

20

1 SeminarMehl: Block

6 KP

21

1 SeminarMehl/N.N./N.N.

3 KP

Mehl Mi 8-10

Eine alternative Form des Moduls MM2a/b/c:

VL: Diagnostik +Leistungsbeurteilung

3 KP

1 SeminarMehl/N.N./N.N.

3 KP

6 KP GHR

9 KP GYM

Ende Vorlesungszeit

22

Kleiner Exkurs IEin möglicher Weg zu einer Masterarbeit:

VL: Diagnostik3 KP

2 SE: Komplexe Daten6 KP

Eigenen Lernverlauf bei einer einfachen Lernaufgabe dokumentieren

Fragestellung formulieren

Mit Hilfe der eigenen Daten und denen von anderen Studierenden Frage beantworten

23

Oder 2 SE nach Wahl6 KP

Kleiner Exkurs IIEin möglicher Weg zu einer Masterarbeit:

VL: Diagnostik3 KP

2 SE: Komplexe Daten6 KP

d² - Test Erhebung begleiten (Hilfskraftverträge möglich)

Fragestellung formulieren

Mit Hilfe der eigenen Daten und denen von anderen Studierenden Frage beantworten

24

Was soll, was ist, was kann eine Vorlesung?

oder

Was machen wir hier eigentlich?

25

26

27

29

Vorlesung„Vorlesungen schlagen Schneisen in das endlose Dickicht des Wiss- und Diskutierbaren und zeigen, wo denn bei den vielen Bäumen der Wald ist. Sie wählen aus und gewichten aus der Warte desjenigen, der es wissen sollte; sie dampfen den Stoff auf lernbare Brocken ein; sie veranschaulichen generelle Sachverhalte an leicht nachvollziehbaren Beispielen. All das in der Hoffnung, dass zum Schluss doch so etwas wie ein Überblick herauskommt – wenn nicht bei den Studenten, dann wenigstens beim Professor, der bei der Übung natürlich am meisten lernt.“Aus: Milos Vec et al. (Hrsg.): Der Campus Knigge. Vom Abschreiben bis Zweitgutachten. Verlag C. H. Beck: München (2006)

30

Vorlesungen

• dienen somit keineswegs dazu, den Stoff zu vermitteln: Sie müssen lesen, forschen, studieren …• sind eher mit einer bestätigenden Wiederholung bekannter Dinge und Inhalte zu vergleichen, um sich der Richtigkeit des eigenen Blickes und Bildes zu vergewissern,• geben folglich am ehesten Lernberatung.

31

Basis- und Ausgangsliteratur:

Ingenkamp, K. & Lissmann, U. (2005). Lehrbuch der Pädagogischen Diagnostik. Weinheim und Basel: Beltz.Pae 250 s BE 1280,5 HA

Weinert, F. E. (2002). Leistungsmessungenin Schulen. Weinheim und Basel: Beltz.

Es gibt einen Handapparat. Es gibt Informationen (ab Ende der Woche) auf meiner Homepage.

32

33

34

TERMIN THEMA/INHALT REFERENTIN

1 27.10.2010 Einführung in das Thema: Was ist, was soll Diagnostik?

Mehl

2 03.11.2010 Skalen Mehl

3 10.11.2010 Ingenkamp/Lissmann:Kapitel 1

Mehl

4 17.11.2010 Ingenkamp/Lissmann:Kapitel 2

Mehl

5 24.11.2010 Ingenkamp/Lissmann:Kapitel 2

Mehl

6 01.12.2010 Ingenkamp/Lissmann:Kapitel 3

Mehl

7 08.12.2010 Ingenkamp/Lissmann:Kapitel 4

Mehl

8 15.12.2010 Ingenkamp/Lissmann:Kapitel 5

Mehl

9 Ingenkamp/Lissmann:Kapitel 6 + 7

Mehl

10

11

12

13

14

Planung

35

Ferdinand Kemsies 1898:

„Fragen und Aufgaben der PädagogischenPsychologie: Pädagogisch-didaktische Probleme mit den empirischen Methoden der Psychologie zu lösen“

Johann Friedrich Herbart (1776-1841)(sinngemäß):

Pädagogik beschäftigt sich mit den Zielen,Psychologie mit den Hindernissen.

36

37

38

39

40

Was ist Leistung?

Leistung = Menge/Zeit

Leistung = 10 Aufgaben/45 Min.Leistung = 10 Kinder/2 Std. bespaßenLeistung = 1 Std. Fehler suchen/finden

41

Die diagnostische Perspektive fragt: • Ist das viel; ist das wenig?• Ist das normal? • Warum wurde diese Leistung erreicht, warum nicht erreicht?

42

Achtung!

Leistungsmessung ist (noch) nicht, ist etwas anderes alsLeistungsbeurteilung!!

43

Bewertungen:

Egal Nicht-Egal• Nutzen• Orientierung• Information

44

Die Leuphana Universität Lüneburgsetzt bspw. den „Scholastic Aptitude Test“ (SAT)ein, um den wenig validen Abiturnotenein weiteres Auswahlkriterium andie Seite zu stellen.

45

Lada Mercedes Bentley8.000 80.000 200.000

Bewertungen:

* Hotel ** Hotel *** Hotel **** Hotel ***** Hotel

Restaurant* Restaurant

** Restaurant

*** Restaurant

46

Bewertungen:

• „Zum Hirschen“ in Sulzbach hält seit über 20 Jahren Spitzenposition• Traube Tonbach in Baiersbronn existiert seit 200 Jahren und ist Deutschlands bestes Ferienhotel

47

Es wird unterschieden zwischen:

• Der Zugehörigkeit zu einer Kategorie• Der Entwicklung im Laufe der Zeit• Der Stellung innerhalb eines Gesamt

48

Leis tungs verläufe K las s e x y z

S c hülerIn1 S c hülerIn2 S c hülerIn3 S c hülerIn4 S c hülerIn5

Fall 1

Fall 2

Fall 3

Fall 4

Fall 5

Fall 6

Fall 7

Fall 8

Fall 9

Fall 10

Fall 11

Fall 12

Fall 13

Fall 14

Fall 15

0

2

4

6

8

10

12

14

16

18

20

22

24

26

28sozialeNorm

kriteriumsorientierteNorm

individuelleNorm

49

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9,8

10,0

10,2

10,4

10,6

10,8

11,0

11,2

11,4

11,6

11,8

12,0

12,2

12,4

12,6

12,8

Ges

amtz

eit

Sind das ‚Spitzenwerte‘?

Sind das ‚Schwache‘?

Ist das ‚Mittel‘?

50

-100 0 100 200 300 400 500

Erster Schritt Reihenfolge feststellen

51

Wann verbietet sich die Verfeinerungeiner Reihenfolgefeststellung?

• Wenn die Reihenfolge keinen Zusammenhang mit dem betrachteten Nutzen aufweist – es egal ist

• Wenn die Feststellung der Reihenfolge reliabel nicht (mehr) möglich ist – der Zufall über die Reihenfolge entscheidet

52

Methode des Paarvergleichs

Klaus Melitta Peter Sabine

Klaus XMelitta XPeter XSabine X

Minimale Anzahl der Vergleiche:N² - N

2

53

Klaus Melitta Peter Sabine

Klaus X M P S

Melitta X M M

Peter X S

Sabine X N

Klaus -

Melitta 3

Peter 1

Sabine 2

54

Leis tungs verläufe K las s e x y z

S c hülerIn1 S c hülerIn2 S c hülerIn3 S c hülerIn4 S c hülerIn5

Fall 1

Fall 2

Fall 3

Fall 4

Fall 5

Fall 6

Fall 7

Fall 8

Fall 9

Fall 10

Fall 11

Fall 12

Fall 13

Fall 14

Fall 15

0

2

4

6

8

10

12

14

16

18

20

22

24

26

28sozialeNorm

kriteriumsorientierteNorm

individuelleNorm

55

-100 0 100 200 300 400 500

Obere 50%

Untere 50%

56

-100 0 100 200 300 400 500

Note 1

Note 2

57

-100 0 100 200 300 400 500

Note 1

Note 2

58

Gleichverteilung, Normalverteilung oder?

Noten von 1 bis 6

1 2 3 4 5 6

Noten Noten Var30 1 2 3 4 5 6 7

59

60

61

„Faustformel“ für die Verteilung der Prozentanteile auf die Zensuren/Schulnoten:

Zensur 1 2 3 4 5 6

Prozentanteil 9 16 25 25 16 9

siehe Ingenkamp/Lissmann 2008 p. 70

62

3 = befriedigendEine Leistung, die in jeder Hinsicht durchschnittlichen Anforderungen entspricht

ECTS-Noten:A die besten 10%B die nächsten 25%C die nächsten 30%D die nächsten 25%E die letzten 10%

0 1 2 3 4 5 60

5

10

15

20

25

30

35

63

-100 0 100 200 300 400 500

Kompetenz-stufen

64-100 0 100 200 300 400 500

Kompetenz-stufen

65-100 0 100 200 300 400 500

Kompetenz-stufen

66

Kompetenzstufen lassen sich theoretisch aber auch empirisch bestimmen!

Die auf rechnerischem Wege beantwortbare Frage lautet:

Wie hoch ist die Wahrscheinlichkeit, bei einervorhandenen Kompetenz x die Anforderung y erfolgreich zu bewältigen?

Wie muss die Anforderung gestellt werden, damit x %der Bezugsgruppe diese Anforderung erfolgreichbewältigen können?

67

Was ist Leistung?

Leistung = Menge/Zeit

Leistung = 10 Aufgaben/45 Min.Leistung = 10 Kinder/2 Std. bespaßenLeistung = 1 Std. Fehler suchen/finden

68

Was ist Leistung?

Bewältigung einer spezifischen Anforderung

Bewältigung einer Anforderung bis zurSchwierigkeitsstufe x

69

Was ist das Ziel Ihrerpädagogischen Bemühungen?

70

Leistungswerte

0

5

10

15

20

25

30

35

40

Häu

figke

iten

71

Leistungswerte

0

5

10

15

20

25

30

35

40

Häu

figke

iten

72

Leistungswerte

0

5

10

15

20

25

30

35

40H

äufig

keite

n

73

74

Nach dem Status des Vaters: Prozentzahl der Kinder, die in die11. Klasse wechseln und das Abitur anstreben

Abitur

88

46

36

AkademikerkinderKinder von Nichtakademikern

Arbeiterkinder0

10

20

30

40

50

60

70

80

90

100

88

46

36

Quelle der Daten: Deutsches Studentenwerk/OECD

75Quelle der Daten: Deutsches Studentenwerk/OECD

Nach dem Status des Vaters: Prozentzahl der Kinder, einStudium beginnen

Studium

83

2318

AkademikerkinderKinder von Nichtakademikern

Arbeiterkinder0

10

20

30

40

50

60

70

80

90

83

2318

76

Perspektive/Frage des sog. Dynamischen Testens:

Welcher Aufwand in Form von Zeiteinsatz, Zusatzinstruktionen oder Lerndurchgängen wird benötigt,um die Stufe der nächsten Kompetenz, Zone der nächsten Entwicklungsstufe zu erreichen?

77

Die entscheidende politische Frage:

Wie viel Aufwand will die Gesellschaft fürLernprozesse bereitstellen?

Wie viel Aufwand wollen und können Sie an individuellerZuwendung aufbringen?

78

Die OECD Studie kommt zu dem Schluss:

„ … neben einem Migrantionshintergrund ist einer der wichtigsten Gründe für die neuedeutsche Ungleichheit die wachsende ZahlAlleinerziehender.“

79

Nochmal das hier vertretene Credo:

Erkenne die Schwächen und Stärken jedes Schülers, und finde die die Unterrichtsform, die ihm gerecht wird. Kurz: Sei nicht ‚nur‘ Lehrer, sondern auch Diagnostiker.

80

• kraftvoll• spritzig• athletisch• geschmeidig• explosiv• dynamisch• …

Beispiel: Laufen

Deskriptiv

81

Beispiel: Laufen

Bewegung, Bewegungsabläufe

Ziel

Start

Beispiel: Laufen

Standardisierung 100 – Meter Lauf

Ziel

Start

Rückenwindkomponente

Distanz

Technik der Zeitnahme

Homogenität, Heterogenität der

Bezugsgruppe

83

Linienplot für Gesamtzeit

GudrunKarin

KarlKurt

MelittaPeter

PetraSabine

SeppSilke

SusanneTheo

9

10

11

12

13G

esam

tzei

t

84

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9

10

11

12

13

Ges

amtz

eit

Auflösung

85

Linienplot für Gesamtzeit

GudrunKarin

KarlKurt

MelittaPeter

PetraSabine

SeppSilke

SusanneTheo

9,8

10,0

10,2

10,4

10,6

10,8

11,0

11,2

11,4

11,6

11,8

12,0

12,2

12,4

12,6

12,8G

esam

tzei

tAuflösung

86

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9,8

10,0

10,2

10,4

10,6

10,8

11,0

11,2

11,4

11,6

11,8

12,0

12,2

12,4

12,6

12,8

Ges

amtz

eit

Auflösung

87

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9,8000

10,0100

10,210010,2978

10,6000

11,0000

11,4000

11,8000

12,2000

12,4000

12,6000

12,8000G

esam

tzei

tAuflösung

88

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9,8

10,0

10,2

10,4

10,6

10,8

11,0

11,2

11,4

11,6

11,8

12,0

12,2

12,4

12,6

12,8

Ges

amtz

eit

Sind das ‚Spitzenwerte‘?

Sind das ‚Schwache‘?

Ist das ‚Mittel‘?

Die Ebene der Bewertung

89

Linienplot für Gesamtzeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

9,8

10,0

10,2

10,4

10,6

10,8

11,0

11,2

11,4

11,6

11,8

12,0

12,2

12,4

12,6

12,8

Ges

amtz

eit

Könnten die noch schneller?

Was machen die falsch?

Wo liegen Verbesserungsmöglichkeiten?

Die Ebene der Analyse, Diagnostik

Werden Defizite minimiert?

90

Beispiel: 100 – Meter Lauf

Vertiefte Analyse, Diagnose

Ziel

Start

25 - Meter 25 - Meter 25 - Meter 25 - Meter

91

Gesamtzeit25-Meter Zeit

50-Meter Zeit

Läufer75-Meter Zeit

1 10,01 2,1 5,3 Karl 8

2 10,21 1,9 5,4 Melitta 7,9

3 10,2978 2 5,5 Petra 8,1

4 10,2918 2,4 5,5 Silke 8,15

5 10,8 2,6 6 Susanne 8,2

6 11,2 2,9 5,9 Gudrun 8,5

7 11,4 2,7 6,1 Karin 9

8 11,6 2,5 6,2 Peter 9,1

9 11,8 2,6 6,3 Theo 9,2

10 12,21 3 6,2 Kurt 9,1

11 12,58 2,7 6,7 Sabine 9,8

12 12,67 3,3 6,2 Sepp 10,1

92

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

pLäufer

1,01,52,02,53,03,54,04,55,05,56,06,57,07,58,08,59,09,5

10,010,511,011,512,012,513,013,5

93

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

KarlMelitta

PetraSilke

SusanneGudrun

KarinPeter

TheoKurt

SabineSepp

1,01,52,02,53,03,54,04,55,05,56,06,57,07,58,08,59,09,5

10,010,511,011,512,012,513,013,5

94

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

Karl_01Karl_02

Karl_03Karl_04

Karl_05Karl_06

Karl_07Karl_08

Karl_09Karl_10

Karl_11Karl_12

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

5,0

5,5

6,0

6,5

7,0

7,5

8,0

8,5

9,0

9,5

10,0

10,5

11,0

95

Ist diese Art der Darstellung, die Nutzung von Regressionsgraden zulässig?

A Eine Regressionsgrade sucht die Gerade, die in der Mitte einer Punktewolke verläuft

92 94 96 98 100 102 104 106

DRAWING

92

94

96

98

100

102

104

106

GE

OM

ET

RY

DRAWING:GEOMETRY: r = 0,9032; p = 0.0000; r 2 = 0,8159

96

B In der Abbildung wird die Reihenfolge der Werte durch die Reihenfolge der Gesamtlaufzeiten gebildet

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

p

Läufer

1,01,52,02,53,03,54,04,55,05,56,06,57,07,58,08,59,09,5

10,010,511,011,512,012,513,013,5

97

C Die Regressionsgraden dienen damit zur Klärung der Frage, wie sich die Teilzeitenzur Gesamtzeit verhalten. Denkbar wäre:

Gesamt-

Teil-

Startzeit

1 2

98

D Zugleich wird durch die Regressionsgraden das ‚Mittel‘ der Proportionen der Teil-,resp. Zwischenzeiten erkennbar

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

p

Läufer

1,01,52,02,53,03,54,04,55,05,56,06,57,07,58,08,59,09,5

10,010,511,011,512,012,513,013,5

99

E Hier zum Vergleich eine Darstellung, bei der berechnet wurde:Gesamtzeit = 100 %Teilzeit = X %

Proz_25_Zeit Proz_50_Zeit Proz_75_Zeit Proz_100_Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

p

10

20

30

40

50

60

70

80

90

100

110

100

Gesamtzeit 25-Meter Zeit 50-Meter Zeit 75-Meter Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

p

Läufer

1,01,52,02,53,03,54,04,55,05,56,06,57,07,58,08,59,09,5

10,010,511,011,512,012,513,013,5

Proz_25_Zeit Proz_50_Zeit Proz_75_Zeit Proz_100_Zeit

Kar

l

Mel

itta

Pet

ra

Silk

e

Sus

anne

Gud

run

Kar

in

Pet

er

The

o

Kur

t

Sab

ine

Sep

p

10

20

30

40

50

60

70

80

90

100

110

Der Vergleich:

101

0

200

400

0,0 0,2 0,4 0,6 0,8 1,0 1,2-0,2

0,0

0,2

0,4

0,6

0,8

1,0

1,2

0 200 400

102

0

200

400

0,0 0,2 0,4 0,6 0,8 1,0 1,2-0,2

0,0

0,2

0,4

0,6

0,8

1,0

1,2

0 200 400

I

IIIII

VI

Welcher Leistungsbereich steht im Zusammenhang mitder problemlosen/kritischen Bewältigung welcherHandlungsanforderungen?

103

Beispiel aus dem Projekt Simulatortraining²

Ausgangsposition

Ziel-position

Jadefahrwasser

Vorhafen

Schleuse

1061 3 5 7 9 11 13 15 17 190

10

20

30

40

50

60F

ehle

r

„schlecht“

„gut“

Generieren zusätzlicher, spezifischer Variablen

Beispiel: Kurs

• Gefahrener/geflogener Kurs, von/bis• Abweichungen vom vorgegebenen Kurs, Min./Max.• Zeitpunkt bis Korrektur bei Abweichung eingeleitet wird• Länge/Zeitpunkte richtiger, falscher Korrekturen• Synchrone Korrekturen, sukzessive Korrekturen• Dynamik der Korrekturen• …

Beispiele:

Sog. Boxplott:Min./Max., Bereich für 50% der Werte, Median oder Mean

Summe aller Abweichungen/Anzahl der Messzeitpunkte

Maximalwert der Abweichung

Zeit bis zu einer Korrektur

Steilheit der Anstiege und Abstige

Synchrone, asynchrone Inputs

114

Pitc

h

Mea

n M

ean±

0,95

Con

f. I

nter

val

p rofession: Novize

Pitch0,82

0,84

0,86

0,88

0,90

0,92

0,94

0,96

0,98

1,00

1,02

1,04

profession: Experte

Pitch

115

Hea

ding

_deg

Mea

n M

ean±

0,95

Con

f. I

nter

val

p rofession: Novize

Heading_deg198,5

199,0

199,5

200,0

200,5

201,0

201,5

202,0

202,5

profession: Experte

Heading_deg

116

Spe

ed_k

n

Mea

n M

ean±

0,95

Con

f. I

nter

val

p rofession: Novize

Speed_kn8,8

9,0

9,2

9,4

9,6

9,8

10,0

10,2

10,4

profession: Experte

Speed_kn

117

Hea

ding

_deg

Mea

n

Mea

n±0

,95

Con

f. I

nter

val

p rofession: Novize

Heading_deg198,5

199,0

199,5

200,0

200,5

201,0

201,5

202,0

202,5

profession: Experte

Heading_deg

Pitc

h

Mea

n M

ean±

0,95

Con

f. I

nter

val

p rofession: Novize

Pitch0,82

0,84

0,86

0,88

0,90

0,92

0,94

0,96

0,98

1,00

1,02

1,04

profession: Experte

Pitch

Spe

ed_k

n

Mea

n M

ean±

0,95

Con

f. I

nter

val

p rofession: Novize

Speed_kn8,8

9,0

9,2

9,4

9,6

9,8

10,0

10,2

10,4

profession: Experte

Speed_kn

Nach einer Trennung der Aufgabenerfüllungen in ‚gut‘ und ‚schlecht‘, im einfachsten Fall in diese zwei Gruppen, wird nachden Handhabungsmerkmalen gesucht, in denen sich diesebeiden Gruppen am deutlichsten unterscheiden. Die nach-folgenden Graphiken sollen dies veranschaulichen:

Die hier unterschiedenen beiden Gruppen ‚Novizen‘ und ‚Experten‘trennen am deutlichsten, bei dem gezeigten Vergleich von drei Handhabungsmerkmalen, die ganz rechts aufgetragenen Geschwindigkeitsbereiche: Die Experten fahren erkennbar langsamer.

119

Warum mache ich immer so viele Feler?Problem:

Das deutsche Wort ‚Fehler‘ ist mehrdeutig!Wir sprechen sowohl von Fehlern, die man hat, als auch von solchen, die man macht.Wir sagen bspw. auch, der Kauf von xyz war ein Fehler.

120

121

122

a b

Täuschung

A

Handlungsbedingungen→Willensabsicht Handlungsausführung→

Willensabsicht Handlungsausführung→

B

≠= ≠

123

Beispiel: Radfahren

Praktisches Handeln unter Alltagsbedingungen:

• Erfahrung mit Teilen aus dem Spektrum gegebener Situationen & Anforderungen• Zufällige Begegnung mit Problempunkten• Unklarheit über Stärken, Schwächen, Leistungsstand

124

Üben:

• Herauslösen spezifischer Problempunkte • Try & Error bei der Suche nach Leistungs- steigerung• Unsystematische Wahl der Lern-, Übungsbedingungen• Unscharfe Grenzen über das Ende sinnvollen Übens

125

Training, fundiertes Erlernen: • Analyse, systematische Diagnose der Problempunkte (quantitativ/qualitativ repräsentative Leistungsspektren)• Ursachenanalyse der Problempunkte• Analyse, Überwachung, Bewertung der Optimierung

126

Leistungsmessung

GezielteVeränderung der Anforderungen

Systematische Analyse des Zusammenhangs

Anforderung ↔ Leistung

127

128

Die Phasen im Analyse - Prozess

DatenSelektierte

Daten

SelektionVorverarbeitung

TransformationData Mining

Interpretation

VorbereiteteDaten

TransformierteDaten

MusterWissen/Modelle

129

Zugehörigkeit zu a, b oder c

RelationenMehr ↔ Weniger Schlechter ↔ Besser

Abstände der RelationenSoviel mehr ↔ Soviel weniger

Vier Niveau-/Skalenebenen:

• Nominalskala• Ordinal- oder Rangskala• Intervallskala• Verhältnis- oder Proportionalskala

130

Skalenniveau Voraussetzungen Maß der zentralen Tendenz

Beispiele

Nominalskala Merkmale müssennach Gleichheitoder Verschieden-heit bestimmbar sein

Modalwert(häufigster Wert)

Klassenstufenmännlich weiblichAutokennzeichen

Ordinal- oderRangskala

Einstufbarkeit nach dem dem Ausprägungsgrad eines Merkmals (mehr – weniger)

Median(mittlerer Wert)

ZensurenRanglisten

Intervallskala Bestimmbarkeit gleicher Skalenabstände. Festsetzung eines (relativen) Nullpunktes

Arithmetischer Mittelwert

TemperaturskalaIQT-Wert bei Schultests

Verhältnis- oderProportionalskala

Bestimmbarkeit vom Proportionen und eines absoluten Nullpunktes

Arithmetischer und geometrischer Mittelwert

LängenmaßeGewichtsmaße

131

132

Beispiel: Balkendiagramm

133

92 94 96 98 100 102 104 106

DRAWING

92

94

96

98

100

102

104

106G

EO

ME

TR

Y

DRAWING:GEOMETRY: r = 0,9032; p = 0.0000; r 2 = 0,8159

Beachten Sie den Korrelationsquotienten!

Beispiel: Streudiagramm/Scatterplot