On CK, PCK and student dropout in the early phase of math (teacher) education at university

DSpace Repository


Dateien:
Aufrufstatistik

URI: http://hdl.handle.net/10900/83026
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-830266
http://dx.doi.org/10.15496/publikation-24417
Dokumentart: Dissertation
Date: 2018-07-12
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Mathematik
Advisor: Loose, Frank (Prof. Dr.)
Day of Oral Examination: 2018-07-06
DDC Classifikation: 370 - Education
500 - Natural sciences and mathematics
510 - Mathematics
Keywords: Mathematik , Fachdidaktik , Methode , Psychometrie , Maschinelles Lernen
Other Keywords:
mathematics
PCK
machine learning
teacher education
License: Publishing license including print on demand
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Die DIssertation beschreibt zentrale Themen der Lehrerbildung im Fach Mathematik. In einer theoretischen Auseinandersetzung, beginnend mit Lee S. Shulmans viel zitierten Artikeln von 1986 und 1987, wird auf mögliche Gliederungen des professionellen Wissens einer Lehrkraft eingegangen. Hierbei wird besonders der Begriff der Fachdidaktik genauer betrachtet, da diese (nach Shulman) als Übergang zwischen der Fachwissenschaft und der Pädagogik eine besondere Relevanz für die Lehrperson hat. Neben der Eingliederung der Fachdidaktik in die Topologie des professionellen Wissens einer Lehrkraft, spielt hierbei auch ihre innere Struktur eine zentrale Rolle. Dieses Thema wurde bereits von internationalen Forschergruppen behandelt, die erreichten Ergebnisse lassen aber Einigkeit und empirische Evidenz oft vermissen. In dieser Arbeit wird eine eigene Gliederung und Sichtweise, zusammen mit empirischen Ergebnissen vorgestellt. Ein weiterer, unbestreitbar relevanter Punkt in der Lehrerbildung ist die mathematisch, fachwissenschaftliche Ausbildung selbst. Es werden Analysen zur Prädiktion des Studienerfolgs im ersten Semester (Analysis 1) vorgestellt. Diese angewandten Prädiktionsmodelle basieren auf jüngeren statistischen Verfahren (aus dem Bereich des maschinellen Lernens) und erlauben, bereits zu Beginn des Studiums, eine Identifikation von Risikogruppen, aufgrund von wenigen, leicht zugänglichen Hintergrundinformationen der Studierenden. Die Ergebnisse erlauben eine differenzierte Betrachtung des Studienerfolgs von Mathematik Lehramtskandidatinnen und -kandidaten, im Vergleich zu ihren Kommilitoninnen und Kommilitonen.

This item appears in the following Collection(s)