Teilprojekt A

Zentrale Datenerhebung und fächervergleichende Auswertung​

Projektbeschreibung

Zielsetzung

Ziel des hier beschriebenen Teilprojektes der Forschergruppe ALSTER ist es, die Ergebnisse aller anderen Teilprojekte zusammenzuführen und übergreifend eine systematisch angelegte fachspezifische Modellierung des Studienerfolgs zu entwickeln. Dabei sollen relevante Einflussgrößen des Studienerfolgs identifiziert und ein Modell zum Beziehungsgefüge überprüft werden. ⇓

Zu diesem Zweck wurde ein Rahmenmodell erstellt, welches zum einen auf spezifische Anforderungen naturwissenschaftlich-technischer Studiengänge und zum anderen auf individuelle Eingangsvoraussetzungen von Studierenden fokussiert (siehe Abb. 1). Auf Seite der Prädiktoren wird in diesem Moderated-Mediation-Modell zwischen stabilen und variablen Merkmalen der Studierenden unterschieden. Stabile Merkmale sind zum einen kognitive Grundfähigkeiten, inklusive der Abiturgesamtnote, und zum anderen Persönlichkeitseigenschaften. Zu den variablen Merkmalen, also den in Laufe des Studiums veränderbaren Prädiktoren, zählen das fachliche Vorwissen, Wissen über Metakognition und Lernstrategien, akademisches Selbstkonzept und Erwartungen an das Studienfach sowie fachliches Interesse und weitere motivationale Variablen. Studienerfolg wird operationalisiert über Klausurnoten, die Studienzufriedenheit, das Fachwissen beziehungsweise den fachlichen Wissenszuwachs sowie den Verbleib im Studium.

Es wird davon ausgegangen, dass die Prädiktoren sowohl direkt auf die Kriterien für Studienerfolg wirken als auch mediiert über geeignete Lernstrategien und adäquates Ressourcenmanagement sowie über die Studienzufriedenheit einen Einfluss ausüben. Darüber hinaus wird angenommen, dass sowohl die direkten als auch die indirekten Effekte durch die spezifischen Anforderungen der unterschiedlichen Fächer moderiert werden.
​

​Abbildung 1: ALSTER-Rahmen-Modell​⇑

Ausgangslage und theoretischer Hintergrund

Vor dem Hintergrund steigender Studierendenzahlen bei gleichzeitig hohen Quoten an Studienabbrüchen, insbesondere in den MINT-Studiengängen (Heublein, Hutzsch, Schreiber, Sommer & Besuch, 2010; Heublein, Richter, Schmelzer & Sommer, 2012), kommt der Studieneignungsdiagnostik eine zunehmend wichtiger werdende Rolle zu (vgl. Schuler & Hell, 2008). ⇓

Bisherige empirische Arbeiten zur Vorhersage von Studienerfolg sind häufig fachunspezifisch, sehr unterschiedliche Studiengänge betreffend oder sehr punktuell auf einzelne Fächer bezogen und unterscheiden sich darüber hinaus in der Operationalisierung von Studienerfolg, was eine vergleichende Bewertung erschwert. Die Fülle an empirischen Einzelbefunden zu Prädiktoren von Studienerfolg wurde in verschiedenen Modellen zusammengefasst (z. B. Thiel, Veit, Blüthmann, Lepa & Ficzko, 2008; Heublein & Wolter, 2011). Zu den in diesen Modellen zentralen Prädiktoren zählen unter anderem das bereichsspezifische Vorwissen, erfasst über fachspezifische Schulnoten oder die Abiturgesamtnote (Trapmann, Hell, Weigand & Schuler, 2007; Pixner & Schüpbach, 2008), kognitive Fähigkeiten (Trapmann, 2008), die allgemeine Studienmotivation und persönliche Ziele und Interessen (Cordier, 1994; Heublein et al., 2010; Müller, 2001), Fähigkeitsselbsteinschätzungen (Giesen, Gold, Hummer & Jansen, 1986), Persönlichkeitsmerkmale (Komarraju, Karau & Schmeck, 2009) sowie eine ganze Reihe weiterer möglicher demographischer Variablen (z. B. Oswald, Schmitt, Kim, Ramsay & Gillespie, 2004).

Bisher fehlen jedoch systematisch angelegte fachspezifische Untersuchungen des Studienerfolgs, die neben einer querschnittlichen Betrachtung auch eine längsschnittliche Modellierung des Studienerfolgs ermöglichen. Dies erscheint auf Grund der hohen Studienabbruchquoten insbesondere in den MINT-Fächern von besonderer Relevanz.⇑

Methode

Für die Pilotstudie, die im Wintersemester 2015/2016 an der der Universität Duisburg-Essen durchgeführt wurde, liegen Daten von zwei Messzeitpunkten (T₁: Anfang des ersten Semesters; T₃: Ende des ersten Semesters) für insgesamt N_T1 = 426 (N_T3 = 380) Bachelor-Studierende der Fächer Bauingenieurwesen (n_T1 = 146; n_T3 = 125), Biologie (n_T1 = 45; n_T3 = 41), Chemie/Water Science (n_T1 = 137; n_T3 = 126), Physik/Energy Science (n_T1 = 39; n_T3 = 29) und Erziehungswissenschaft (n_T1 = 59; n_T3 = 59) als Vergleichsgruppe vor.⇓

Die Studienzufriedenheit wurde zusätzlich Mitte des Semesters (T₂) erhoben, sodass für diese Variable Daten von drei Messzeitpunkten vorliegen. Ein Vergleich der Stichprobengrößen zwischen T1 und T3 zeigt geringe Stichprobenmortalitäten (0 %-14 %; mit Ausnahme der Physik: 26 %). Ebenso zeigt ein Vergleich der Stichproben mit der jeweiligen Grundgesamtheit aller Erstsemesterstudierenden im jeweiligen Fach hohe Ausschöpfungsquoten (78 %-100 %; mit Ausnahme der Physik: 48 %) sowie keinerlei substanzielle Abweichungen zwischen der Grundgesamtheit und der jeweiligen Stichprobe hinsichtlich zentraler Merkmale, sodass von der Repräsentativität der Stichproben in allen Fächern ausgegangen werden kann.

Die für die folgende Darstellung ausgewählter Ergebnisse relevanten Variablen, die nur einen Teil der insgesamt erfassten Variablen darstellen, sind kognitive Grundfähigkeiten erfasst über die Subskala Figurenklassifikation des KFT 4-12+R (Heller & Perleth, 2000; α = .76), Persönlichkeitseigenschaften (NeoFFI, Borkenau & Ostendorf, 1993; α = .75-.89), Studienzufriedenheit erfasst mit den beiden Subskalen Zufriedenheit mit den Studieninhalten (α_T1 = .82, α_T2 = .83) und Zufriedenheit mit der Bewältigung von Studienbelastungen (α_T1 = .74, α_T2 = .77; Westermann, Heise, Spies & Trautwein, 1996), Studieninteresse (Schiefele, Krapp, Wild & Winteler, 1993; α = .90), Engagement im Studium (adaptiert nach Schaufeli & Baker, 2003; α = .86), Studienmotivation erfasst über die beiden Subskalen Wert (α = .84) und Kosten (α = .74; Kosovich, Hulleman, Barron & Getty, 2014), Lern- und Leistungsmotivation im Studium (SELLMO, Spinath, Stiensmeier-Pelster, Schöne & Dickhäuser, 2002; α = .78-.90) und emotionale Erschöpfung (adaptiert nach Maslach et al., 1996; α = .78). Studienerfolg wurde über die Klausurnoten (α ≥ .71), die Zufriedenheit mit den Studieninhalten (α_T3 = .87), die Zufriedenheit mit der Bewältigung von Studienbelastungen (α_T3 = .76) sowie über entsprechende Fachwissenstests (EAP-Reliabilität ≥ .75), jeweils zum Ende des ersten Fachsemesters erhoben.⇑

Ausgewählte Ergebnisse

Betrachtet man die Entwicklung der Studienzufriedenheit über den Verlauf des ersten Semesters, so zeigen sich für die Subskala Inhalte signifikante Haupteffekte für die Veränderung über die drei Messzeitpunkte (F_{(2, 736)} = 54.94; p < .001; η_p² =.130) und das Fach (F_{(4, 368)} = 2.82; p = .025; η_p² =.030) sowie eine signifikante Interaktion Veränderung*Fach (F_{(8, 683)} = 2.78; p = .005; η_p² =.029).,​ ⇓

Die Zufriedenheit mit den Studieninhalten nimmt demnach für alle Fächer vom Anfang bis zur Mitte des ersten Semesters ab und bleibt dann bis zum Ende des Semesters stabil. Eine Ausnahme stellen die Studierenden des Bauingenieurwesens dar, die bereits zu Beginn im Vergleich die niedrigsten Zufriedenheitswerte aufweisen, welche bis zum Ende des Semesters weiter absinken. Ein ähnliches Bild zeigt sich für die Subskala Bewältigung mit ebenfalls signifikanten Haupteffekten für die Veränderung (F_{(2, 736)} = 12.87; p < .001; η_p² =.034) und das Fach (F_{(4, 368)} = 12.77; p < .001; η_p² =.122) sowie einer signifikante Interaktion Veränderung*Fach (F_{(8, 736)} = 2.25; p = .022; η_p² =.024). Die Zufrie­denheit mit der Bewältigung von Studienbelastungen sinkt somit ebenfalls vom Anfang bis zur Mitte des ersten Semesters ab und bleibt dann bis zum Ende des Semesters stabil. Die Studierenden des Bauingenieurwesens stellen auch hier eine Ausnahme dar, mit den bereits zu Beginn des Semesters niedrigsten Zufriedenheitswerten, welche sich über den Verlauf des Semesters nicht verändern.

Auf Grund der in einigen Fächern zu geringen Stichprobengrößen zur Spezifizierung geeigneter Prognosemodelle wurden zur Modellierung des Studienerfolgs zunächst nur die Stichproben der Studierenden des Bauingenieurwesens und der Chemie/Water Science berücksichtigt. Zur Vorhersage der Studienzufriedenheit zum Ende des Semesters wurde ein Mehrgruppenpfadmodell spezifiziert (n_Bau = 123; n_CH = 120), in dem durch das Studieninteresse (β_Bau/CH = .36, p < .001), das Engagement im Studium (β_Bau = .23, p < .05; β_CH = -.01, p ≥ .05), und die Wertkomponente der Studienmotivation (β_Bau = .05, p ≥ .05; β_CH = .35, p < .001) 27.8% (Bauingenieurwesen) beziehungsweise 40.9% (Chemie) der Varianz der Zufriedenheit mit den Studieninhalten aufgeklärt werden konnten. Die Effekte des Engagements im Studium und der Wertkomponente der Studienmotivation werden hierbei vollständig durch die

Fachzugehörigkeit moderiert. Während das Engagement im Studium bei den Studierenden des Bauingenieurwesens einen signifikanten Effekt auf die Zufriedenheit mit den Studieninhalten aufweist, ist dies bei den Studierenden der Chemie nicht der Fall. Umgekehrt zeigt sich bei den Studierenden des Bauingenieurwesens kein signifikanter Effekt der Wertkomponente der Studienmotivation auf die Zufriedenheit mit den Studieninhalten, während dies bei den Studierenden der Chemie der Fall ist. Für die Zufriedenheit mit der Bewältigung der Studienanforderungen konnten durch die Kostenkomponente der Studienmotivation (β_Bau/CH = -.19, p < .01), die Subskala Lernziele des SELLMO (β_Bau/CH = .12, p < .05) sowie die emotionale Erschöpfung (β_Bau/CH = -.36, p < .001) 23.3% (Bauingenieurwesen) beziehungsweise 31.2% (Chemie) der Varianz aufgeklärt werden. Beide Subskalen der Studienzufriedenheit sind in diesem Modell nicht signifikant korreliert (r_Bau/CH = .02, p ≥ .05).

Zur Vorhersage der Klausurnoten wurde ebenfalls ein Mehrgruppenpfadmodell spezifiziert (n_Bau = 134; n_CH = 120) in dem sich die Variablen Studieninteresse (β_{Bau/CH indirect} = -.03, p < .05), Engagement im Studium (β_{Bau/CH indirect} = -.04, p < .05), Wertkomponente der Studienmotivation (β_{Bau/CH indirect} = -.05, p < .05), Abiturgesamtnote (β_{Bau/CH directl} = .44, p < .001), kognitive Grundfähigkeiten (β_{Bau/CH direct} = -15, p < .01), Kurswahl in der Oberstufe (Grundkurs vs. Leistungskurs in Mathe bzw. Chemie; β_{Bau indirect} = -.00, p ≥ .05; β_{CH indirect} = -.04, p < .05) sowie Zufriedenheit mit den Studieninhalten zur Mitte des Semesters (β_{Bau/CH direct} = -14, p < .05) als prädiktiv erwiesen (R²_Bau = 28.4; R²_CH = 24.8). Die Zufriedenheit mit den Studieninhalten stellt in diesem Modell einen Mediator dar, über den ein Teil der Effekte der übrigen Prädiktoren auf die Klausurnoten vermittelt wird.

Im Mehrgruppenpfadmodell zur Vorhersage des Fachwissens (n_Bau = 121; n_CH = 114) konnte durch die Variablen Wertkomponente der Studienmotivation (β_Bau/CH = .18, p < .01), kognitive Grundfähigkeiten (β_Bau/CH = .24, p < .001), Rechenfähigkeit (β_Bau/CH = .30, p < .001), Kurswahl (β_Bau/CH = .40, p < .001), Abiturgesamtnote (β_Bau/CH = -.13, p < .05) sowie die Subskala Extraversion des NeoFFI (β = -.21, p < .001) 42.3 % (Bauingenieurwesen) beziehungsweise 44.5 % (Chemie) der Varianz des Fachwissens zum Ende des Semesters aufgeklärt werden. Wird in einem weiteren Schritt für das fachliche Vorwissen zu Beginn des Semesters kontrolliert und damit die Fachwissensentwicklung über das erste Fachsemester betrachtet, so zeigen sich lediglich für die Rechenfähigkeit (β_Bau = .11, p ≥ .05; β_CH = .19, p < .01) und die kognitiven Grundfähigkeiten (β_Bau/CH = .12, p < .01) direkte Effekte auf das Fachwissen. Die Effekte aller anderen Prädiktoren werden vollständig über das fachliche Vorwissen mediiert. Die Hinzunahme des Vorwissen, welches in diesem Modell den erklärungskräftigsten Prädiktor des Fachwissens darstellt (β_Bau/CH = .63, p < .001), führt zu einer Erhöhung der aufgeklärten Varianz auf 51.1 % (Bauingenieurwesen) beziehungsweise 66.1 % (Chemie).

In fast allen spezifizierten Modellen zeigen sich somit für einen Teil der Prädiktoren Moderationseffekte des Faches, die bei der Vorhersage der Studienzufriedenheit und der Vorhersage der Fachwissensentwicklung auch zu höheren Varianzaufklärungsquoten bei den Studierenden der Chemie im Vergleich zu den Studierenden des Bauingenieurwesens führen.⇑

Literaturverzeichnis​ ⇓

• Borkenau, P. & Ostendorf, F. (1993). NEO-Fünf-Faktoren Inventar nach Costa und McCrae. Göttingen: Hogrefe.
• Cordier, H. (1994). Studienabbruch bis zur Mitte des ersten Hochschulsemesters. Hannover: HIS.
• Giesen, H., Gold, A., Hummer, A. & Jansen, R. (1986). Prognose des Studienerfolgs. Ergebnisse aus Längsschnittuntersuchungen. Frankfurt a. M.: Institut für Pädagogische Psychologie.
• Heller, K. A. & Perleth, C. (2000). Kognitiver Fähigkeitstest für 4. bis 12. Klassen, Revision (KFT 4-12+R). Göttingen: Beltz.
• Heublein, U., Hutzsch, C., Schreiber, J., Sommer, D. & Besuch, G. (2010). Ursachen des Studienabbruchs in Bachelor- und in herkömmlichen Studiengängen. Hannover: HIS.
• Heublein, U., Richter, J., Schmelzer, R. & Sommer, D. (2012). Die Entwicklung der Schwund- und Studienabbruchquoten an den deutschen Universitäten. Hannover: HIS.
• Heublein, U. & Wolter, Ä. (2011). Studienabbruch in Deutschland. Definition, Häufigkeit, Ursachen, Maßnahmen. Zeitschrift für Pädagogik, 57, 214-245.
• Komarraju, M., Karau, S. J. & Schmeck, R. R. (2009). Role of the Big Five personality traits in predicting college students' academic motivation and achievement. Learning and Individual Differences, 19, 47-52.
• Kosovich, J., Hulleman, C. S. Barron, K. E. & Getty, S. (2014). A practical measure of student motivation: Establishing validity evidence for the Expectancy-Value-Cost Scale in middle school. Journal of Early Adolescence, 35, 790-816.
• Maslach, C., Jackson, S. E. & Leiter, M. P. (1996). Maslach Burnout Inventory Manual. Palo Alto, CA: Consulting Psychologists Press.
• Müller, F. H. (2001): Studium und Interesse: Eine empirische Untersuchung bei Studierenden. Münster: Waxmann.
• Oswald, F. L., Schmitt, N., Kim, B. H., Ramsay, L. J. & Gillespie, M. A. (2004). Developing a biodata measure and situational judgment inventory as predictors of college student performance. Journal of Applied Psychology, 89, 187-207.
• Pixner, J. & Schüpbach, H. (2008). Zur Vorhersagbarkeit von Studienabbrüchen als Kriterium des Studien(miss)erfolgs. In H. Schuler & B. Hell (Hrsg.), Studierendenauswahl und Studienentscheidung (S. 122-128). Göttingen: Hogrefe.
• Schaufeli, W. B. & Bakker, A. B. (2001). Werk en welbevinden: Naar een positievebenadering in de Arbeids-en Gezondheidspsychologie [Work and well-being: Towards a positive Occupational Health Psychology]. Gedrag & Organisatie, 229-253.
• Schiefele, U., Krapp, A., Wild, K.-P., & Winteler, A. (1993). Der "Fragebogen zum Studieninteresse" (FSI). Diagnostica, 39, 335-351.
• Schuler, H. & Hell, B. (2008). Studierendenauswahl und Studienentscheidung aus eignungsdiagnostischer Sicht. In H. Schuler & B. Hell (Hrsg.), Studierendenauswahl und Studienentscheidung (S. 11-17). Göttingen: Hogrefe.
• Spinath, B., Stiensmeier-Pelster, J., Schöne, C. & Dickhäuser, 0. (2002). Die Skalen zur Erfassung von Lern- und Leistungsmotivation (SELLMO). Göttingen: Hogrefe.
• Thiel, F., Veit, S., Blüthmann, I., Lepa, S. & Ficzko, M. (2008). Ergebnisse der Befragung der Studierenden in den Bachelorstudiengängen an der Freien Universität Berlin - Sommersemester 2008. Verfügbar unter http://www.ewi-psy.fu-berlin.de/einrichtungen/arbeitsbereiche/lehr_studienqualitaet/zentrale-evaluation/bachelorbefragung/bachelorbefragung-2008.pdf [14.10.2016]
• Trapmann, S. (2008). Mehrdimensionale Studienerfolgsprognose: Die Bedeutung kognitiver, temperamentsbedingter und motivationaler Prädiktoren für verschiedene Kriterien des Studienerfolgs. Berlin: Logos.
• Trapmann, S., Hell, B., Weigand, S. & Schuler, H. (2007). Die Validität von Schulnoten zur Vorhersage des Studienerfolgs – eine Metaanalyse. Zeitschrift für Pädagogische Psychologie, 21, 11-27.
• Westermann, R., Heise, E., Spies, K. & Trautwein, U. (1996). Identifikation und Erfassung von Komponenten der Studienzufriedenheit. Psychologie in Erziehung und Unterricht, 43, 1-22.

⇑

 

Angegliedertes Dissertationsprojekt

Analyse der Entwicklung chemischen Fachwissens und seines Einflusses auf Studienerfolg von
Chemiestudierenden in der Studieneingangsphase​

Veröffentlichungen

 

• Fleischer, J., Leutner, D., Brand, M., Fischer, H., Lang, M., Schmiemann, P. & Sumfleth, E. (2019). Vorhersage des Studienabbruchs in naturwissenschaftlich-technischen Studiengängen. Zeitschrift für Erziehungswissenschaft, 22, 1077–1097. https://doi.org/10.1007/s11618-019-00909-w
• Müller, J., Stender, A., Fleischer, J., Borowski, A., Dammann, E., Lang, E. & Fischer, H. E. (2018). Mathematisches Wissen von Studienanfängern und Studienerfolg. Zeitschrift für Didaktik der Naturwissenschaften, 24, 183–199. https://doi.org/10.1007/s40573-018-0082-y

Tagungsbandbeiträge ⇓

• Averbeck, D., Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Chemiebezogene und Analysen zu Studienerfolgsprädiktoren.  In: Abstractband: Erziehungswissenschaftliche Perspektiven der Empirischen Bildungsforschung. 50 Jahre AEPF. Arbeitsgruppe für Empirische Pädagogische Forschung, Jahrestagung in Göttingen. Georg-August-Universität Göttingen. Online verfügbar unter http://www.aepf2015.de/AEPF2015_Abstractband.pdf
• Averbeck, D., Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Chemiespezifische und fächervergleichende Analysen von Studienerfolgsprädiktoren. In: C. Maurer (Hrsg.). Authentizität und Lernen - das Fach in der Fachdidaktik. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung in Berlin 2015. (S. 380 - 382). Universität Regensburg. Online verfügbar unter http://www.gdcp.de/images/tagungsbaende/GDCP_Band36.pdf
• Averbeck, D., Fleischer, J., Sumfleth, E., Leutner, D., Brand, M. (2017). Analyse chemischen Fachwissens und dessen Einfluss auf Studienerfolg. In: C. Maurer (Hrsg.). Implementation fachdidaktischer Innovation im Spiegel von Forschung und Praxis. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung in Zürich 2016. (S. 380 - 382). Universität Regensburg. Online verfügbar unter http://www.gdcp.de/images/tagungsbaende/GDCP_Band37.pdf
• Dicke, T., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2015). Zentrale Datenerhebung und fächervergleichende Auswertung. In: C. Maurer (Hrsg.). Authentizität und Lernen - das Fach in der Fachdidaktik. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung in Berlin 2015. (S. 380 - 382). Universität Regensburg. Online verfügbar unter http://www.gdcp.de/images/tagungsbaende/GDCP_Band36.pdf
• Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Zentrale Datenerhebung und fächervergleichende Auswertung.  In: Abstractband: Erziehungswissenschaftliche Perspektiven der Empirischen Bildungsforschung. 50 Jahre AEPF. Arbeitsgruppe für Empirische Pädagogische Forschung, Jahrestagung in Göttingen. Georg-August-Universität Göttingen. Online verfügbar unter http://www.aepf2015.de/AEPF2015_Abstractband.pdf
• Fleischer, J., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2016). Studienerfolg in naturwissenschaftlich-technischen Studiengängen – Zentrale Datenerhebung und fächervergleichende Auswertung der DFG-Forschergruppe »ALSTER«. In: Tagungsbandband: 4. Tagung der Gesellschaft für Empirische Bildungsforschung. Freie Universität Berlin. Online verfügbar unter http://www.gebf2016.de/aktuelles/GEBF_Tagungsband_2016.pdf
• Fleischer, J., Averbeck, D., Sumfleth, E., Brand, M., Leutner, D. (2017). Vorhersage des Studienerfolgs in MINT-Fächern – Klausurnoten, Fachwissen und Studienzufriedenheit. In: Tagungsbandband: 5. Tagung der Gesellschaft für Empirische Bildungsforschung. Universität Heidelberg. Online verfügbar unter http://www.gebf2017.de/aktuelles/GEBF_Tagungsband_2017.pdf
• Fleischer, J., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2017). Entwicklung und Vorhersage von Studienzufriedenheit in MINT-Fächern. In: C. Maurer (Hrsg.). Implementation fachdidaktischer Innovation im Spiegel von Forschung und Praxis. Gesellschaft für Didaktik der Chemie und Physik, Jahrestagung in Zürich 2016. (S. 380 - 382). Universität Regensburg. Online verfügbar unter http://www.gdcp.de/images/tagungsbaende/GDCP_Band37.pdf

⇑

Poster Präsentationen und Vorträge ⇓

• Averbeck, D., Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Chemiebezogene und Analysen zu Studienerfolgsprädiktoren. In: Detlev Leutner (Chair), Akademisches Lernen und Studienerfolg in naturwissenschaftlich-technischen Studiengängen. Postersymposium auf der Jahrestagung der Arbeitsgruppe für Empirische Pädagogische Forschung [AEPF]. Göttingen. (Poster).
• Averbeck, D., Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Chemiespezifische und fächervergleichende Analysen von Studienerfolgsprädiktoren. In: Elke Sumfleth (Chair), Akademisches Lernen und Studienerfolg (FG-ALSTER). Postersymposium auf der Jahrestagung der Gesellschaft für Didaktik der Chemie und Physik [GDCP]. Berlin. (Poster).
• Averbeck, D., Fleischer, J., Sumfleth, E., Leutner, D., Brand, M. (2016). Chemiespezifische und fächervergleichende Analysen von Studienerfolgsprädiktoren. Postersymposium auf der Jahrestagung der Gesellschaft für Empirische Bildungsforschung [GEBF]. Berlin. (Poster).
• Averbeck, D., Fleischer, J., Sumfleth, E., Leutner, D., Brand, M. (2016). Chemiespezifische und fächervergleichende Analysen von Studienerfolgsprädiktoren. In: Elke Sumfleth (Chair), Pilotstudienergebnisse – 1. Semester in NWT-Studiengängen (ALSTER)-II.. Vortragssymposium auf der Jahrestagung der Gesellschaft für Didaktik der Chemie und Physik [GDCP]. Zürich, Schweiz. (Vortrag).
• Dicke, T., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2015). Zentrale Datenerhebung und fächervergleichende Auswertung. In: Elke Sumfleth (Chair), Akademisches Lernen und Studienerfolg (FG-ALSTER). Postersymposium auf der Jahrestagung der Gesellschaft für Didaktik der Chemie und Physik [GDCP]. Berlin. (Poster).
• Dicke, T., Sumfleth, E., Leutner, D., Brand, M. (2015). Zentrale Datenerhebung und fächervergleichende Auswertung.  In: Detlev Leutner (Chair), Akademisches Lernen und Studienerfolg in naturwissenschaftlich-technischen Studiengängen. Postersymposium auf der Jahrestagung der Arbeitsgruppe für Empirische Pädagogische Forschung [AEPF]. Göttingen. (Poster).
• Fleischer, J., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2016). Zentrale Datenerhebung und fächervergleichende Auswertung. Posterausstellung auf dem ALSTER-Workshop in der Wolfsburg. Mülheim. (Poster)Fleischer, J., Averbeck, D., Sumfleth, E., Brand, M., Leutner, D. (2016). Studienerfolg in naturwissenschaftlich-technischen Studiengängen – Zentrale Datenerhebung und fächervergleichende Auswertung der DFG-Forschergruppe »ALSTER«. Postersymposium auf der Jahrestagung der Gesellschaft für Empirische Bildungsforschung [GEBF]. Berlin. (Poster).
• Fleischer, J., Averbeck, D., Sumfleth, E., Leutner, D., Brand, M. (2016). Entwicklung und Vorhersage von Studienzufriedenheit in MINT-Fächern. In: Elke Sumfleth (Chair), Pilotstudienergebnisse – 1. Semester in NWT-Studiengängen (ALSTER)-II. Vortragssymposium auf der Jahrestagung der Gesellschaft für Didaktik der Chemie und Physik [GDCP]. Zürich, Schweiz. (Vortrag).
• Fleischer, J., Averbeck, D., Sumfleth, E., Brand, M., Leutner, D. (2017). Vorhersage des Studienerfolgs in MINT-Fächern – Klausurnoten, Fachwissen und Studienzufriedenheit. In: Detlev Leutner, Elke Sumfleth (Chair), Das erste Semester in naturwissenschaftlich-technischen Studiengängen – Pilotstudienergebnisse der DFG-Forschergruppe ALSTER. Vortragssymposium auf der Jahrestagung der Gesellschaft für Empirische Bildungsforschung [GEBF]. Heidelberg. (Vortrag).
• Leutner, D., Fleischer, J. (2016). Teilprojekt A: Zentrale Datenerhebung und fächervergleichende Auswertung – Erste Ergebnisse. ALSTER-Workshop in der Wolfsburg. Mülheim. (Vortrag).

⇑

(zurück) zur Projektübersicht