Wir freuen uns über Ihr Interesse an einer Abschlussarbeit an unserem Lehrstuhl!

Zurzeit können wir vor allem Abschlussarbeiten von Studierenden betreuen, die unsere lehr-lern-bezogenen Schwerpunkte gewählt und damit bereits entsprechende Vorkenntnisse erworben haben (Bachelor: Psychologie des Lehrens und Lernens; Master: Medienbasierte Wissenskonstruktion).

Melden Sie sich frühzeitig (mind. 3 Monate vor der Anmeldung Ihrer Abschlussarbeit). Bedenken Sie bei der Planung, dass Studien häufig nur innerhalb der Vorlesungszeit durchgeführt werden können.

Für generelles Interesse an einer Abschlussarbeit an unserem Lehrstuhl, wenden Sie sich bitte an unser Sekretariat. Selbstverständlich können Sie gerne auch eigene Themenwünsche, die mit unseren Forschungsschwerpunkten korrespondieren, einbringen. Bitte geben Sie bei Ihrer Mail an das Sekretariat folgende Informationen mit an:

1. Interessiert Sie einer unserer drei Forschungsschwerpunkte besonders? (Multimediales Lernen, Kognitive Group Awareness und soziale Navigation, Analysemethoden sozialer Interaktionsprozesse)
2. Gibt es bestimmte Lernorte, die Sie besonders interessieren? (z.B. Schule, Universität, Bibliothek, Museum, Internet)
3. Interessieren Sie sich eher für individuelle oder für soziale Lernprozesse?
4. Haben Sie bestimmte Interessen in Bezug auf die Umsetzung Ihrer Abschlussarbeit? (z.B. Programmieranteil, Durchführen eines Experiments, Einsatz einer bestimmten Analysemethode)

Sofern Sie noch keine konkreten Themenvorstellungen haben sollten, helfen Ihnen diese Überlegungen vielleicht auch bei der Konkretisierung Ihrer Ideen.

Narrative und Interaktion in Augmented Reality Game-based Learning Umgebungen (BA/MA)

Digitale Spiele sind zu einem festen Bestandteil unserer Freizeitaktivitäten geworden. Doch ihre Anwendung geht über reine Unterhaltung hinaus und kann auch im informellen Bildungskontext genutzt werden, um Lerninhalte auf spielerische Weise zu vermitteln. Dies beeinflusst nicht nur die Motivation der Lernenden, sondern kann, optimal eingesetzt, tiefgreifende kognitive Prozesse hervorrufen, die sich letztendlich positiv auf den Lernerfolg auswirken. 

Im Zentrum dieses Forschungsfelds steht das Konzept des Game-based Learning (GBL). Dabei ist es entscheidend, die Ziele des Spiels und die Lernziele in ausgewogener Weise zu verfolgen, um Lernumgebungen zu gestalten, die das Lernen effektiv unterstützen. 

Ein grundlegender Bestandteil vieler Spiele ist das Narrativ, also die Hintergrundgeschichte, in die das Spiel eingebettet ist. Narrative liefern nicht nur kontextuelle Informationen für das Lernen, sondern verbinden auch verschiedene Spielelemente wie Charaktere, Aufgaben, Ereignisse und Anreize in einem kohärenten Rahmen. Darüber hinaus beschreiben sie den Konflikt, der der Ausgangssituation des Spiels zugrunde liegt, und setzen implizite Ziele, die es zu erreichen gilt. Gleichzeitig ermöglichen sie den Lernenden, aktiv am Lernprozess teilzunehmen und in die Welt des Spiels einzutauchen (Immersion). 

Ein weiterer essenzieller Aspekt von Lernspielen ist die Interaktivität, die in verschiedenen Formen auftreten kann, sei es in Form von Dialogen, der Manipulation von Spielinhalten oder Ganzkörperinteraktionen. Gerade bei der Verwendung unterschiedlicher Spielumgebungen wie Augmented Reality (AR) kann die Bandbreite der Interaktionsmöglichkeiten stark variieren, was wiederum erheblichen Einfluss auf die Wahrnehmung der Lernenden und ihre Lernprozesse haben kann. 

Hier ergeben sich verschiedene Fragestellungen, die Sie im Rahmen Ihrer Abschlussarbeit untersuchen könnten: 

• Wie beeinflussen Narrative in digitalen AR-Lernspielen das Lernen? Welche Gestaltungsprinzipien sollten bei der Entwicklung von Narrativen in digitalen AR-Lernspielen berücksichtigt werden, um das Lernen bestmöglich zu unterstützen? Welche Rolle spielen dabei Lernmotivation, Arbeitsgedächtnisprozesse, Immersion und Engagement? 

• Welchen Einfluss hat der Art der Interaktivität in digitalen AR-Lernspielen auf den Lernprozess? Welche Formen von Interaktivität fördern oder hemmen das Lernen? Wie wirken sich Lernmotivation, Arbeitsgedächtnisprozesse, Immersion, Handlungsfähigkeit und Selbstwirksamkeit auf die Interaktion aus? 

• Wie interagieren Narrative und Interaktivität in digitalen AR-Lernspielen miteinander, und welchen Einfluss hat diese Wechselwirkung auf Lernprozesse und -ergebnisse? 

• Welche Rolle spielen individuelle Faktoren wie Persönlichkeit, Vorkenntnisse, räumliche Fähigkeiten, Präferenzen und Interessen bei der Wahrnehmung und dem Erleben von Narrativen und Interaktionen in spielbasierten Lernumgebungen? 

Im Rahmen dieser Abschlussarbeiten bieten sich verschiedene Möglichkeiten: 

• Es besteht die Option, im Rahmen des Studienprojekts einen Teil eines digitalen (AR) Spiels zu entwickeln oder ein bestehendes Spiel zu erweitern (optional). 

• Alternativ können bereits existierende Spiele in die Forschung einbezogen werden, sofern sich diese für eine systematische Manipulation eignen. 

• Zudem kann die Arbeit sich rein auf die Validierung eines neu entwickelten Messinstruments aus dem AR- und/oder GBL-Forschungsbereich oder einer übersetzten Version eines bestehenden Messinstruments konzentrieren. (Nur für Masterstudierende möglich, die das Modul „Test- und Fragebogenkonstruktion“ absolviert haben.) 

Weiterführende Literatur: 

Game-Based Learning: 

Plass, J. L., Homer, B. D., & Kinzer, C. K. (2015). Foundations of game-based learning. Educational Psychologist, 50(4), 258-283. 

Plass, J. L., Mayer, R. E., & Homer, B. D. (Eds.). (2020). Handbook of game-based learning. The MIT Press. 

Augmented Reality: 

Costa, M. C., Manso, A., & Patrício, J. (2020). Design of a mobile augmented reality platform with game-based learning purposes. Information, 11(3), 127. 

Garzón, J. (2021). An overview of twenty-five years of augmented reality in education. Multimodal Technologies and Interaction, 5(7), 37. 

Krüger, J. M., Buchholz, A., & Bodemer, D. (2019). Augmented reality in education: three unique characteristics from a user’s perspective. In Proc. 27th Int. Conf. on Comput. in Educ (pp. 412-422). 

Narrative: 

Dickey, M. D. (2020). Narrative in game-based learning. In J. L. Plass, R. E. Mayer & B. D. Homer (Hrsg.), Handbook of game-based learning (S.3–24). The MIT Press. 

Lester, J. C., Spires, H. A., Nietfeld, J. L., Minogue, J., Mott, B. W., & Lobene, E. V. (2014). Designing game-based learning environments for elementary science education: a narrative-centered learning perspective. Information Sciences, 264, 4-18. 

Wang, T., Uttamchandani, S., Zou, X., Hmelo-Silver, C. E., Rowe, J., & Lester, J. C. (2023). Learning with stories: characteristics and learning outcomes in narrative-centered science learning environments. In Proceedings of the 17th International Conference of the Learning Sciences-ICLS 2023, pp. 1202-1205. International Society of the Learning Sciences. 

Interaktivität: 

Domagk, S., Schwartz, R. N., & Plass, J. L. (2010). Interactivity in multimedia learning: an integrated model. Computers in Human Behavior, 26(5), 1024-1033. 

Krüger, J. M., & Bodemer, D. (2020). Different types of interaction with augmented reality learning material. In 2020 6th International Conference of the Immersive Learning Research Network (iLRN) (pp. 78-85). IEEE. 

Moreno, R., & Mayer, R. (2007). Interactive multimodal learning environments. Educational Psychology Review, 19, 309-326. 

Fragebogenvalidierung 

Georgiou, Y., & Kyza, E. A. (2017). The development and validation of the ARI questionnaire: An instrument for measuring immersion in location-based augmented reality settings. International journal of human-computer studies, 98, 24-37. 

Krüger, J. M., & Bodemer, D. (2022, May). Work-in-Progress—Measuring learners’ subjective experience in augmented reality: First evaluation of the ARcis questionnaire. In 2022 8th International Conference of the Immersive Learning Research Network (iLRN) (pp. 1-3). IEEE. 

Loorbach, N., Peters, O., Karreman, J., & Steehouder, M. (2015). Validation of the Instructional Materials Motivation Survey (IMMS) in a self‐directed instructional setting aimed at working with technology. British journal of educational technology, 46(1), 204-218. 

Ansprechpartner: 

Bei Interesse oder weiteren Fragen melden Sie sich gerne bei Kevin Palzer (kevin.palzer@uni-due.de) 

 

Potenziale von Augmented Reality zur Förderung von Wissenstransfer (BA/MA)

Bildung im Allgemeinen – ob in der Schule, Universität oder andere (berufliche) Weiterbildungseinrichtungen – hat das übergeordnete Ziel, Wissen zu vermitteln, das von Lernenden später im (Berufs-)Alltag angewendet wird. Wissenstransfer bedeutet, erworbenes Wissen oder Fähigkeiten in neuen, oft unterschiedlichen Kontexten anzuwenden. Dies ist essenziell, um Wissen praktisch nutzbar zu machen und nicht nur in theoretischen, isolierten Situationen zu behalten (Letzteres wird auch träges Wissen genannt). Situiertes Lernen ist ein Ansatz, der Transferleistung fördern kann, bei dem das Lernen in authentischen und anwendungsorientieren Umgebungen stattfindet. Augmented Reality (AR) erweitert die physische Umgebung durch digitale Elemente und kennzeichnet sich durch 3 wesentliche Eigenschaften: Kontextualität, Interaktivität, Räumlichkeit (s. Krüger et al., 2019). Diese immersive Technologie bietet vielversprechende Möglichkeiten, situiertes Lernen zu gestalten und hat damit das Potenzial, Transfer zu fördern.

Typische Fragestellungen in diesem Kontext sind:

• Inwiefern kann AR im Hinblick auf die Eigenschaften Kontextualität, Interaktivität und Räumlichkeit Wissenstransfer unterstützen?
• Wie müssen AR-Anwendungen gestaltet sein, um Wissenstransfer fördern? Welche instruktionalen Maßnahmen sind dafür notwendig?
• Welche lernrelevanten Variablen (z. B. kognitive Belastung, Motivation, individuelle Eigenschaften von Lernenden) spielen beim Wissenstransfer mithilfe von AR eine Rolle?

Mögliche Fragestellungen und methodische Vorgehensweisen im Rahmen einer Abschlussarbeit (Bachelor- oder Masterarbeit) können in einem ersten Gespräch gemeinsam besprochen werden. Dabei ist z. B. die Durchführung einer experimentellen Studie im Labor möglich, um die Effekte von lernrelevanten Variablen im Zusammenhang mit AR auf Transfer systematisch zu untersuchen. Auch andere Settings, wie z. B. Feldstudien in der Schule, in einem Unternehmen, o. ä. können umgesetzt werden.

Zur Durchführung von Studien mit AR kann es oft hilfreich sein, einen Programmieranteil in die Arbeit zu integrieren, um eine Lernanwendung zugeschnitten auf das eigene Forschungsvorhaben zu implementieren. Das Programmieren ist jedoch nicht zwingend für eine Abschlussarbeit in diesem Bereich erforderlich.

Ansprechpartnerin: Bei Interesse oder weiteren Fragen melden Sie sich gern bei Julia Flottmann (julia.flottmann@uni-due.de)

Weiterführende Literatur:

Das Personengedächtnis beim kollaborativen Lernen (BA/MA)

Kollaboratives Lernen bestimmt zunehmend den Lernalltag: Egal, ob Lernende zusammen für eine Klausur lernen oder sich gegenseitig auf Onlineplattformen (z. B. Moodle oder Diskussionsforen) Fragen stellen. In vielen verschiedenen Lernszenarien (z. B. Auswahl von Lernpartner*innen, gemeinsame Prüfungsvorbereitung oder nachträgliche Hilfesuche) werden sogenannte Group Awareness Tools genutzt, welche Verknüpfungen zwischen anderen Personen und deren Wissen darstellen. Diese Verknüpfungen werden aber nicht nun im Moment selbst genutzt, sondern müssen manchmal im Langzeitgedächtnis gespeichert werden:

• „Ich habe letztens mit Tim für die Sozialpsychologie-Klausur gelernt und will jetzt mit ihm über den fundamentalen Attributionsfehler reden. Aber wie war das nochmal: Kennt er sich gut aus, sodass ich ihm Fragen dazu stellen könnte? Oder kennt er sich nicht so gut aus, sodass ich Fragen beantworten müsste?“ (Partner Modelling)
• „Ich selbst hatte mich bei dem Gruppenprojekt in klinischer Psychologie nur mit Angststörungen beschäftigt, aber nicht mit Schizophrenie. Welches meiner Gruppenmitglieder kennt sich nochmal mit Schizophrenie aus?“ (Transactive Memory)
• „Irgendjemand hat beim Lernen letztens gesagt, dass multinomiale Verarbeitungsbaummodelle statistische Analysemethoden sind. Aber wer hat das nochmal gesagt: War es eine kompetente Person? Kann ich der Aussage also vertrauen?“ (Quellengedächtnis)

Im Rahmen von Abschlussarbeiten können die verschiedenen kognitiven Konstrukte (Partner Modelling, Transactive Memory, Quellengedächtnis) in verschiedenen Lernkontexten untersucht werden. Für die Analyse werden multinomiale Verarbeitungsbaummodelle (aus der mathematischen Psychologie) genutzt, zu denen es eine Einführung durch mich und gemeinsame Auswertung mit mir geben wird. Mögliche (grobe) Fragestellungen sind z. B.:

• Wie sollten Tools gestaltet werden, damit sich Hilfesuchende besonders gut merken, welche Personen sich mit bestimmten Themen auskennen?
• Können Instruktionen dabei helfen, dass sich Lernende Quellen von Informationen besser merken und hat das einen negativen Einfluss auf den Wissenserwerb?
• Welche Rollen spielen das eigene Vorwissen, lernbezogene Ziele oder individuelle Persönlichkeitseigenschaften bei den verschiedenen kognitiven Konstrukten?

Es können Paradigmen und Literatur zur Hypothesengenerierung aus anderen Forschungsbereichen genutzt werden, in denen einige dieser kognitiven Konstrukte typischerweise untersucht werden, wie z. B. der Werbepsychologie, Psychologie der Aussagen von Augenzeug*innen, Evolutionspsychologie (Entdeckung von Betrüger*innen) oder Organisationspsychologie. Zu diesen Themen können Abschlussarbeiten als Bachelor- oder Masterarbeit geschrieben werden. Das genaue Thema (z. B. Ergänzung der möglichen Fragestellungen mit Ihren Vorschlägen und Interessen) erfolgt in Absprache.

Ansprechpartner: Bei Interesse oder Fragen zu der Ausschreibung: Melden Sie sich sehr gerne per E-Mail bei Oktay Ülker (oktay.uelker@uni-due.de).

Weiterführende Literatur:

Group Awareness und Group Awareness Tools:

Bodemer, D., Janssen, J., & Schnaubert, L. (2018). Group awareness tools for computer supported collaborative learning. In F. Fischer, C. E. Hmelo-Silver, S. R. Goldman, & P. Reimann (Eds.), International Handbook of the Learning Sciences (pp. 351–358). Routledge/Taylor & Francis. https://doi.org/10.4324/9781315617572-34

Schnaubert, L., & Bodemer, D. (2022). Group awareness and regulation in computer-supported collaborative learning. International Journal of Computer-Supported Collaborative Learning, 17, 11–38. https://doi.org/10.1007/s11412-022-09361-1

Partner Modelling:

Dillenbourg, P., Lemaignan, S., Sangin, M., Nova, N., & Molinari, G. (2016). The symmetry of partner modelling. International Journal of Computer-Supported Collaborative Learning, 11, 227–253. https://doi.org/10.1007/s11412-016-9235-5

Quellengedächtnis und multinomiale Verarbeitungsbaummodelle:

Bröder, A., & Meiser, T. (2007). Measuring source memory. Zeitschrift für Psychologie/Journal of Psychology, 215(1), 52–60. https://doi.org/10.1027/0044-3409.215.1.52

Nadarevic, L., & Erdfelder, E. (2013). Spinoza’s error: Memory for truth and falsity. Memory & cognition, 41, 176–186. https://doi.org/10.3758/s13421-012-0251-z

 

Digitale Indikatoren für Lernen im Citizen Science Kontext (BA/MA)

Lernen kann an vielerlei Orten stattfinden – egal ob im Klassenzimmer, im Vorlesungssaal oder zu Hause. Dabei ist Lernen heutzutage nicht mehr zwangsläufig an physische Orte gebunden, da die Digitalisierung die Art und Weise, wie wir lernen, in den letzten Jahren erheblich verändert hat. Online-Lernplattformen wie Moodle, Online-Foren und Massive Open Online Courses (MOOCs) gewinnen zunehmend an Bedeutung und bieten eine Vielzahl von Vorteilen, die das traditionelle Lernen im Klassenzimmer ergänzen oder sogar ersetzen können. Verschiedene Frameworks können Lernen in solchen Settings beschreiben, wie bspw. das ICAP-Framework von Chi & Wylie (2014). Zu solchen Settings können nicht nur formalere Settings (Moodle, MOOCs) gehören, sondern auch informellere Settings wie bspw. Citizen-Science Plattformen.

Citizen Science beschreibt dabei die Beteiligung von Bürger:innen an wissenschaftlichen Forschungsprojekten. Auf Citizen Science Plattformen wie bspw. Zooniverse können Freiwillige dabei an solchen Projekten teilnehmen, indem sie Daten analysieren und mit anderen Freiwilligen darüber diskutieren. Während die Beteiligung an solchen Projekten zweifelsfrei die Wissenschaft voranbringt, stellt sich die Frage nach dem Nutzen für die Freiwilligen und speziell, inwiefern dabei auch ein Lerneffekt stattfindet.

An dieser Stelle ist besonders relevant, dass die Aktionen von Nutzenden digitale Spuren hinterlassen, welche wir sammeln und auswerten können. Durch Aggregation bzw. Betrachtung im zeitlichen Verlauf können wir Änderungen im Verhalten nachweisen, sowie den Nutzenden verschiedene Rollen zuschreiben, um daraus auf Wissenszuwachs bzw. Lerneffekte zu schließen. Je nach Setting können wir dann Fragestellungen beantworten wie bspw:

• Was sind angebrachte Methoden, Wissenszuwachs und Lernen durch verschiedene Verhaltensindikatoren (bspw. Kommentare in Diskussionsforen) nachzuweisen?
• Können wir Wissenszuwachs und Lernen in Citizen Science Projekten nachweisen?
• Wie anwendbar sind Frameworks wie bspw. das ICAP-Modell auf solche Settings?

Um mithilfe digitaler Spuren diese Fragen zu beantworten, bieten sich vor allem automatisierte Verfahren wie soziale Netzwerkanalyse mit Tools wie Gephi oder NetworkX an, oder die Klassifizierung von Forenposts, welche entweder automatisiert oder manuell stattfinden kann. Dabei ist es nicht zwingend notwendig zu programmieren, jedoch kann es sich im Rahmen einer automatisierten Analyse natürlich anbieten, zumindest in Teilen mit Programmiersprachen wie R oder Python zu arbeiten. Generell ist es aber auch denkbar, einen geringeren informatischen Fokus bei der Beantwortung der obigen Fragestellungen zu setzen. Zu diesen Themen können Abschlussarbeiten als Bachelor- oder Masterarbeit geschrieben werden. Das genaue Thema (z. B. Ergänzung der möglichen Fragestellungen mit Ihren Vorschlägen und Interessen) erfolgt in Ansprache.

Ansprechpartner: Bei Interesse oder Fragen zu der Ausschreibung: Melden Sie sich sehr gerne per E-Mail bei Simon Krukowski (simon.krukowski@uni-due.de).

Weiterführende Literatur:

ICAP Framework

Chi, M. T., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational psychologist, 49(4), 219-243.

Citizen Science & Learning

Rohden, F., Kullenberg, C., Hagen, N., & Kasperowski, D. (2019). Tagging, pinging and linking–User roles in virtual citizen science forums. Citizen Science: Theory and Practice, 4(1).

Kloetzer, L., Lorke, J., Roche, J., Golumbic, Y., Winter, S., & Jõgeva, A. (2021). Learning in citizen science. The science of citizen science, 283.

Social Network Analysis & Learning

Chen, B., & Poquet, O. (2022). Networks in learning analytics: Where theory, methodology, and practice intersect. Journal of Learning Analytics, 9(1), 1-12.

Hecking, T., Chounta, I. A., & Hoppe, H. U. (2017). Role modelling in MOOC discussion forums. Journal of Learning Analytics, 4(1), 85-116.

Analysis of online forum messages

Farrow, E., Moore, J., & Gašević, D. (2020, March). Dialogue attributes that inform depth and quality of participation in course discussion forums. In Proceedings of the tenth international conference on learning analytics & knowledge(pp. 129-134).

Ahmad, M., Junus, K., & Santoso, H. B. (2022). Automatic content analysis of asynchronous discussion forum transcripts: A systematic literature review. Education and Information Technologies, 27(8), 11355-11410.

 

Der Zusammenhang zwischen Group Awareness und Gedächtnisprozessen (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Aufbauend auf der Verarbeitung sozialer Informationen während des Lernprozesses können dabei weiterhin nachhaltig nutzbare, stabil(er)e Gedächtnisstrukturen über Lernpartner (Partnermodelle) gebildet werden.

Die Verarbeitung sozialer Informationen ist dabei als kognitiver Prozess zu verstehen, darum wird davon ausgegangen, dass für den Aufbau und die Aufrechterhaltung von GA sowie die Integration in Langzeitgedächtnisstrukturen (im Sinne eines Aufbaus stabiler Partnermodelle) Arbeitsgedächtnisressourcen benötigt werden. Allerdings ist der Zusammenhang zwischen Arbeitsgedächtnisressourcen bzw. -belastung und dem Aufbau von GA und Partnermodellen bisher empirisch wenig untersucht. In der hier ausgeschriebenen Bachelor- oder Masterarbeit soll darum experimentell untersucht werden, inwiefern sich kognitive Belastung auf GA und die Bildung von Partnermodellen auswirkt. Wenn die Arbeit als Masterarbeit durchgeführt werden soll, kann zusätzlich beispielsweise untersucht werden, inwiefern im Vorfeld bestehende Partnerschemata arbeitsgedächtnisentlastend wirken. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022) und die hier angenommenen Zusammenhänge zwischen GA und dem Arbeitsgedächtnis.

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning, 17(1), 11–38. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk

 

Group Awareness: Entwicklung und Validierung eines Erfassungsinstruments (MA)

Group Awareness (GA) bezeichnet die Verarbeitung und Interpretation sozialer Informationen beim gemeinsamen Lernen. GA kann sich dabei auf verschiedene, in der Lernsituation relevante Charakteristika der Lernpartner oder der sozialen Gruppe beziehen, beispielsweise auf deren aktuelle Motivation, Emotionen, (Meta-)Kognition, Verhalten oder auch auf stabile Personeneigenschaften. GA im Lernkontext ist dabei eine wichtige Voraussetzung für zielgerichtete soziale Interaktionsprozesse. Darum wird GA beim kollaborativen Lernen häufig mit spezifisch dafür entwickelten Tools unterstützt, die entsprechende Informationen erfassen, verarbeiten und bereitstellen. Ein Defizit existierender GA-Forschung ist dabei, dass Erkenntnisse über GA oftmals nur über Tool-bezogenen Studien gewonnen werden, jedoch vergleichsweise wenig Erkenntnisse über den Aufbau und die Aufrechterhaltung von GA in nicht-unterstützten Settings existieren. Ein Grund dafür ist, dass es bisher wenig Ansätze gibt, GA zu erfassen. Bis auf wenige Ausnahmen werden existierende Instrumente häufig ad hoc für spezifische Studien entwickelt und sind damit bzgl. zentraler Kernelemente von GA nicht validiert. In der hier ausgeschriebenen Masterarbeit soll diese Lücke im Ansatz geschlossen werden und ein Instrument zur Erfassung von GA entwickelte und mit Bezug auf Kernkonzeptbestandteile von GA validiert werden. Grundlage der Arbeit bildet dabei die GA-Konzeption von Schnaubert und Bodemer (2022).

Schnaubert, L., & Bodemer, D. (2022). Group Awareness and Regulation in Computer-Supported Collaborative Learning. International Journal of Computer-Supported Collaborative Learning. Advance online publication. https://doi.org/10.1007/s11412-022-09361-1

Diese Arbeit wird (extern) in Kooperation mit Frau Dr. Lenka Schnaubert, Assistant Professor in Learning Sciences, University of Nottingham (UK), betreut. Die Arbeit kann wahlweise auf Deutsch oder Englisch verfasst und betreut werden. Bei Interesse wenden Sie sich bitte per Mail an Frau Dr. Schnaubert: Lenka.Schnaubert@nottingham.ac.uk