NICHT im Fachraum essen

In dieser Episode von ‚NICHT im Fachraum essen‘ sprechen Ann-Katrin und David mit Amina Zerouali (TUM) über die Entwicklung eines digitalen Lernspiels zur Förderung der Variablenkontrollstrategie in der Chemie. 


Im Rahmen ihrer Promotion an der TUM hat unsere Gästin ein digitales Lernspiel zur Variablenkontrollstrategie im Chemieunterricht entwickelt. Im Gespräch erzählt sie uns, was bei der Entwicklung eines Lernspiels zu berücksichtigen ist und wie die Einstellung von Lehrkräften zu Lernspielen ist. Dazu gehen wir im Gespräch nicht nur auf die Tücken der Spieleentwicklung ein, sondern besprechen auch, wie herausfordernd neben der Entwicklung die systematische Beforschung eines solchen Vorhabens ist.


Euer Interesse ist geweckt? Dann hört rein, und erfahrt mehr zur fachdidaktisch überlegten Entwicklung und Beforschung eines Lernspiels! Publikationen der Gäst*innen: 


·      Zerouali, A., Werner, B., Hwang, J., & Koenen, J. (2025). How to be a CHEMPION – Variablenkontrolle spielerisch meistern!. In H. van Vorst (Hrsg.), Lernen, lehren und forschen im Schülerlabor. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung 2024. Universität Duisburg-Essen.


·      Zerouali, A., & Koenen, J. (2024). Game on! – Einstellungen angehender Lehrkräfte zu digitalen Lernspielen. In H. van Vorst (Hrsg.), Frühe naturwissenschaftliche Bildung. Gesellschaft für Didaktik der Chemie und Physik Jahrestagung 2023 Tagungsband. (S. 86-90)


·      Zerouali, A., Koenen, J., & Werner, B. (2023). CompAGES – Developing a Digital Learning Game for the Chemistry Classroom to Foster Competence Acquisition on Scientific Inquiry. In: ICERI2023 Proceedings (p. 9103). doi: 10.21125/iceri.2023.2320

In dieser Folge von „Nicht im Fachraum essen“ sprechen wir mit Melissa Costan von der Universität Bremen über ein zentrales Thema der Fachdidaktik: Wie nehmen Lehrkräfte physikdidaktische Forschung wahr und welche Bedeutung hat sie für ihren Unterricht?


Ausgangspunkt ist das sogenannte Transferproblem: Forschungsergebnisse liegen vor, finden aber häufig nicht den Weg in die schulische Praxis. Gemeinsam diskutieren wir, was unter evidenzbasierter Unterrichtsgestaltung verstanden wird und welche Rolle mögliche Wissenschaftsskepsis dabei spielen kann.


Melissa untersucht diese Fragen in ihrem Dissertationsprojekt und Lehrkräfte dazu befragt, was sie unter physikdidaktischer Forschung verstehen, wie sie deren Relevanz einschätzen und welche Erfahrungen sie damit gemacht haben. Dabei zeigen sich unterschiedliche Lehrkräfte-Profile und Perspektiven auf Forschung; zwischen Interesse, Distanz und pragmatischer Nutzung. Außerdem spricht sie über Herausforderungen im Forschungsprozess, offene Fragen und nächste Schritte.


Eine Folge für alle, die sich für das Zusammenspiel von Forschung und Unterrichtspraxis interessieren und dafür, wie beide Bereiche stärker voneinander profitieren können.    Veröffentlichtungen:


Costan, M., Costan, K., Weißbach, A., & Kulgemeyer, C. (2026). Exploring physics teachers’ views on physics education research: a case of science scepticism? International Journal of Science Education, 1–25. https://doi.org/10.1080/09500693.2026.2629345


Fishbein, M., & Ajzen, I. (1975). Belief, Attitude, Intention, and Behavior: An Introduction to Theory and Research. Reading, MA: Addison-Wesley.


Fishbein, M., & Ajzen, I. (2010). Predicting and changing behavior: The reasoned action approach. Psychology Press.


Fives, H., & Buehl, M. (2012). Spring cleaning for the ‘messy’ construct of teachers’ beliefs: What are they? Which have been examined? What can they tell us?. In K. R. Harris, S. Graham, T. Urdan, S. Graham, J. M. Royer, & M. Zeidner (Eds.), APA educational psychology handbook (Vol. 2., pp. 471–499). American Psychological Association.


Nägel, L., Bleck, V., & Lipowsky, F. (2023). “Research findings and daily teaching practice are worlds apart” – Predictors and consequences of scepticism toward the relevance of scientific content for teaching practice. Teaching and Teacher Education, 121, 103911. https://doi.org/10.1016/j.tate.2022.103911

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

KI-Anwendungen eröffnen für das Lehren und Lernen in den Naturwissenschaften neue Möglichkeiten, Lernprozesse zu unterstützen, Lernziele zu erweitern und komplexe Daten auszuwerten. Gleichzeitig stellen sie uns vor zentrale Fragen: Wie kann KI verantwortungsvoll eingesetzt werden, ohne in Überwachung statt Unterstützung zu münden? Wie lassen sich ethische Aspekte, Diversität und Fairness konkret und handlungsleitend in Forschung und Unterricht integrieren? Und welche Rolle spielen Bildungsforschung und Bildungspolitik in diesem Spannungsfeld?


In dieser Folge diskutieren wir mit Adrian Grimm (grimm@leibniz-ipn.de) Perspektiven der Naturwissenschaftsdidaktik auf KI, Ethik und Bildung(spolitik). Es geht um konkrete Leitlinien und deren praktische Umsetzung in Forschung und Lehre, um die Bedeutung langfristiger Forschungsperspektiven und um die Notwendigkeit, neben KI-Expertinnen auch Fachdidaktikerinnen einzubeziehen. Außerdem sprechen wir darüber, warum man kein KI-Profi sein muss, um sich dem Thema zu nähern, wie ein niedrigschwelliger Einstieg gelingen kann und welche Potenziale – etwa durch Retrieval-Augmented Generation – für eine diversitätssensible Nutzung von KI bestehen.


Warum zukünftige Forschung in diesem Feld ethische Haltungen stärker in den Blick nehmen sollte und warum das für naturwissenschaftliche Bildung wichtig ist, erfahrt ihr in dieser Folge von „Nicht im Fachraum essen!“


Modulkonzept KI & Diskriminierung von Arbeit und Leben für die politische Jugendbildung, 6 Unterrichtsstunden à 45 Minuten (Arbeit und Leben ist gemeinsam getragen von Deutschem Gewerkschaftsbund und Volkshochschulen)


Microaffections and Microaffirmations, Buchkapital von Isabel Espinal, sowie analog Mikroagressionen von Karina Griffith im Missy-Magazine


Grimm, A., Steegh, A., Kubsch, M., & Neumann, K. (2023). Learning Analytics in Physics Education: Equity-Focused Decision-Making Lacks Guidance!. Journal of Learning Analytics, 10(1), 71-84. https://doi.org/10.18608/jla.2023.7793


Grimm, A., 2025. ‘A World Where Many Worlds Fit’: De-Biasing and Critical Consciousness With A Focus On STEM Identity Development For All Students In Physics Education Ecosystems As Pluriverses. https://macau.uni-kiel.de/receive/macau_mods_00006261?lang=de