Christian Spannagel

Empirical Foundation of Central Concepts for Computer Science Education

The design of computer science curricula should rely on central concepts of the discipline rather than on technical short-term developments. Several authors have proposed lists of basic concepts or fundamental ideas in the past. However, these catalogs were based on subjective decisions without any empirical support. This article describes the empirical determination of central concepts for computer science education. Experts of computer science rated 49 concepts regarding four criteria. The cluster analysis of the data revealed the following central concepts: problem, data, computer, test, algorithm, process, system, information, language, communication, software, program, computation, structure, and model.

Marrying Content and Process in Computer Science Education

Constructivist approaches to computer science education emphasize that as well as knowledge, thinking skills and processes are involved in active knowledge construction. K-12 computer science curricula must not be based on fashions and trends, but on contents and processes that are observable in various domains of computer science, that can be taught at every intellectual level, that will stay relevant in the longer term, and that are related to everyday language and/or thinking. Only recently, two empirically determined lists, one of central content concepts (algorithm, computer, data, system, etc.) and another of central process concepts (problem solving and problem posing, analyzing, classifying, generalizing, etc.), have become available for computer science education. This paper tackles the problem of finding content and process concepts to be taught in combination. Computer science experts are surveyed in order to identify combinations of content and process concepts-so-called blocks-that are relevant to computer science education. By using cluster analyses, 15 central blocks for teaching computer science in schools are determined. The results of this study may serve as a reference system for the systematic design of instruction in K-12 computer science education.

Animated demonstrations and training wheels interfaces in a complex learning environment

Learning how to use a new software program can be a difficult and demanding task, especially for novices. There are several types of support for users exploring a software package. Animated demonstrations show how experts use an application, and training wheels interfaces offer a secure environment for exploration. To support different types of learners, external help should be adapted according to learner characteristics. The study presented in this article investigates effects of different support types in combination with the computer self-efficacy of learners. Young students (8th graders) were supported with text manuals, animated demonstrations, or animated demonstrations combined with a training wheels interface. In this context, they had to solve problems in physics and mathematics with a spreadsheet program. Results showed that animated demonstrations outperformed text manuals in many cases. Training wheels interfaces seemed to have disadvantages compared to unmodified user interfaces. In addition, motivational aspects have been investigated. Subjects with high computer self-efficacy scores were more motivated than their counterparts. Statistics (analysis of variance) revealed no interaction effects between the treatment and computer self-efficacy.

Process as Content in Computer Science Education: Empirical Determination of Central Processes

Computer science education should not be based on short-term developments but on content that is observable in multiple domains of computer science, may be taught at every intellectual level, will be relevant in the longer term, and is related to everyday language and/or thinking. Recently, a catalogue of central concepts for computer science education such as algorithm, computer, and data has been empirically determined. This paper now concentrates on central processes relevant for computer science education. Experts of computer science rated 44 general-education processes regarding four criteria. By using a cluster analysis approach the following central processes for computer science education have been identified: problem solving and problem posing, analyzing, generalizing, finding relationships, classifying, and investigating.

CleverPHL ein Werkzeug zum flexiblen Umgang mit Konstruktionsprozessen in DGS

Neben den Inhalten und Konzepten eines Fachs rücken Prozesse immer mehr in den Mittelpunkt des didaktischen Interesses (process as content [1]). Ein didaktisches Modell, bei dem Prozesse fokussiert werden, ist beispielsweise das Modell der kognitiven Meisterlehre (cognitive apprenticeship [2]). In diesem Modell werden Aspekte der handwerklichen Ausbildung auf kognitive Bereiche übertragen: Lernende beobachten zunächst die die Lehrperson, die den Lösungsprozess eines komplexen Problems demonstriert. Anschließend unterstützt die Lehrperson die Lernenden bei der Lösung von Aufgaben durch die Bereitstellung eines Rahmens (scaffolding) und gibt Rückmeldungen (feedback), die sich vor allem auf den Lösungsprozess beziehen. Darüber hinaus artikulieren die Lernenden ihre Lösungsstrategien gegenüber ihren Mitschülern bzw. reflektieren ihre eigenen Lösungsprozesse.

Die Mathematikvorlesung aus der Konserve

Kurzfassung:Mathematikvorlesungen werden vielfach kritisiert, insbesondere weil sie kaum lernerzentriertes, individualisiertes Lernen ermoglichen und oft wenig aktivierend sind. Dennoch hat der Vortrag als Lehrmethode gewisse Vorteile: Mathematische Prozesse konnen in einer Demonstration zielgruppenspezifisch modelliert und mit Expertenausfuhrungen versehen werden. In diesem Beitrag wird vorgestellt, wie man mit der Reprasentationsform Vorlesungsvideo im didaktischen Kontext inverted classroom die Vorteile von Vortragen bewahren und Nachteile von traditionellen Vorlesungen vermeiden kann.

Der Cognitive-Apprenticeship-Ansatz am Beispiel der Auswertung von Daten

„Wie kommt der Mittelwert von drei Stunden Fernsehen am Tag zustande?“ – so fragten Watson und Moritz (2000) australische Kinder und Jugendliche. Anhand der Auswertung von über 90 Schülerinterviews der Klassen 3 – 9 konnten sie im Längsschnitt einen Entwicklungspfad nachzeichnen: auf einem vorstrukturellen Niveau erfanden die Schüler Geschichten – etwa über eine geheime Kamera, welche die Leute beim Fernsehen beobachten würde. Die Vorstellung, dies sei der „typische“, „normale“ Fernsehkonsum kategorisierten Watson und Moritz als unistrukturelles Niveau, da hier (noch) nicht von einem tiefer gehenden Verständnis des arithmetischen Mittels ausgegangen werden kann. Erst wenn dieses vorliegt, können Schüler den Mittelwert als Repräsentant des gesamten Datensatzes sehen. Auf diesem relationalen Niveau ist die Einsicht vorhanden, dass der Mittelwert selbst kein Wert des Datensatzes sein muss und er nichts über die Verteilung und die Spannweite der Werte aussagt. Durch derartige qualitative Studien konnte ein umfassender Einblick in statistische Konzepte von Kindern und Jugendlichen gewonnen werden. Es zeigt sich, dass es viele Jahre braucht bis Schüler zu einem elaborierten Konzept gelangen (Watson & Moritz, 2000). So stellt sich die Frage, wie der Aufbau eines adäquaten Verständnisses über Datensätze, Kennwerte und ihre Veranschaulichung im Unterricht gefördert werden kann? Eine mögliche Lösung wird im Projekt „KoMM – Kognitive Meisterlehre beim Mathematiklernen“ innerhalb des fächerund hochschulübergreifenden Promotionskollegs zum mathematisch-naturwissenschaftlichen Lernens (www.mnwkolleg.de) erarbeitet.