Machine Learning (ML) kann den methodischen Werkzeugkasten
naturwissenschaftsdidaktischer Forschung erweitern – doch was
bedeutet das konkret für Lehre und Lernen, insbesondere in der
Organischen Chemie? In dieser Folge sprechen wir darüber, wie
ML-Verfahren genutzt werden können, um Lernprozesse in der
Hochschullehre besser zu verstehen und gezielt zu fördern. Ein
besonderer Schwerpunkt liegt auf dem mechanistischen Begründen –
einer zentralen Kompetenz in der Organischen Chemie.
Wir diskutieren, welche Potenziale supervised und unsupervised
ML-Ansätze bieten, wie Computational Grounded Theory
datengetriebene und theoriegeleitete Ansätze verknüpft und warum
Explainable AI entscheidend ist, um Forschungsergebnisse
nachvollziehbar zu machen. Gleichzeitig geht es um grundlegende
Fragen: Welche Rollen übernehmen Mensch und Maschine im
Forschungsprozess? Wie lassen sich Validität und Reliabilität
sichern? Und warum führt der Einsatz von ML nicht automatisch zu
besseren Lernprozessen bei allen Studierenden?
Anhand tiefer Einblicke in das Promotionsprojekt von Paul Martin
(Justus-Liebig-Universität Gießen,
Paul.Martin@didaktik.chemie.uni-giessen.de) wird deutlich, dass
ML traditionelle Lehrformate nicht ersetzen, sondern sinnvoll
ergänzen sollte. Eine Folge über Potenziale und die
verantwortungsvolle Integration datenbasierter Methoden in die
naturwissenschaftliche Hochschullehre und Forschung – bei „Nicht
im Fachraum essen!“.
Wichtige Links und Publikationen:
Kubsch, M., Krist, C., & Rosenberg, J. M. (2023).
Distributing epistemic functions and tasks—A framework for
augmenting human analytic power with machine learning in science
education research. Journal of Research in Science Teaching,
60(2), 423-447. https://doi.org/10.1002/tea.21803
Martin, P. P., Kranz, D., & Graulich, N. (2025). Revealing
rubric relations: Investigating the interdependence of a
research-informed and a machine learning-based rubric in
assessing student reasoning in chemistry. International Journal
of Artificial Intelligence in Education, 35(3), 1465-1503.
https://doi.org/10.1007/s40593-024-00440-y
Martin, P. P., & Graulich, N. (2024). Beyond language
barriers: Allowing multiple languages in postsecondary chemistry
classes through multilingual machine learning. Journal of Science
Education and Technology, 33(3), 333-348.
https://doi.org/10.1007/s10956-023-10087-4
Martin, P. P., & Graulich, N. (2023). When a machine detects
student reasoning: a review of machine learning-based formative
assessment of mechanistic reasoning. Chemistry Education Research
and Practice, 24(2), 407-427.
https://doi.org/10.1039/D2RP00287F
Martin, P. P., Kranz, D., Wulff, P., & Graulich, N. (2024).
Exploring new depths: Applying machine learning for the analysis
of student argumentation in chemistry. Journal of Research in
Science Teaching, 61(8), 1757-1792.
https://doi.org/10.1002/tea.21903
Martin, P. P., Kubsch, M., Yik, B. J., Burlingham, B. T., &
Graulich, N. (2025). Adaptive, but equitable? Exploring the
impact of machine learning‐based adaptive support on educational
debts in undergraduate chemistry. Science Education.
https://doi.org/10.1002/sce.70042
Nelson, L. K. (2020). Computational grounded theory: A
methodological framework. Sociological Methods & Research,
49(1), 3-42. https://doi.org/10.1177/0049124117729703
Rost, M., Resch, K., & Lembens, A. (2025). Using
computational grounded theory to analyze pre-service chemistry
teachers’ reflective practice regarding technology integration in
classrooms within a service-learning–oriented seminar.Journal of
Science Education and Technology, 34(6), 1519–1540.
https://doi.org/10.1007/s10956-025-10236-x
Tschisgale, P., Wulff, P., & Kubsch, M. (2023). Integrating
artificial intelligence-based methods into qualitative research
in physics education research: A case for computational grounded
theory. Physical Review Physics Education Research, 19(2),
020123.
https://doi.org/10.1103/PhysRevPhysEducRes.19.020123
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.