Sci Simple

New Science Research Articles Everyday

# Physik # Physikalische Ausbildung

Mathe-Hilfe für mehr Erfolg in Physik

Neue Strategien verbessern die Prüfungsleistungen von Schülern in Physik.

Yifan Lu, K. Supriya, Shanna Shaked, Elizabeth H. Simmons, Alexander Kusenko

― 6 min Lesedauer


Mathe-Hilfen verbessern Mathe-Hilfen verbessern die Physiknoten Physik. fördern den Erfolg der Schüler in Zusätzliche Punkte und KI-Unterstützung
Inhaltsverzeichnis

Physik kann ganz schön knifflig sein, und es wird noch komplizierter, wenn man die mathematischen Fähigkeiten dazunimmt, die man braucht, um sie zu verstehen. Viele Studenten, die in die Einführungskurse zur Physik gehen, haben unterschiedliche Vorkenntnisse in Mathe. Leider bedeutet das oft, dass einige Studis zurückfallen, besonders die aus unterrepräsentierten Gruppen.

Um das Problem anzugehen und jedem eine faire Chance zu geben, wurden zwei clevere Ideen getestet: optionale Matheaufgaben mit Extra-Punkten und KI-generierte Tipps während der Hausaufgaben. Das Ziel war zu schauen, ob das den Studenten helfen würde, besser in ihren Prüfungen abzuschneiden, besonders denjenigen, die normalerweise Schwierigkeiten haben.

Das Problem

Viele Studenten kommen an die Uni, ohne fortgeschrittene Mathekurse wie Trigonometrie oder Analysis belegt zu haben. Diese Situation hängt mit Faktoren wie Rasse und ökonomischem Status zusammen, was bedeutet, dass einige Gruppen von Anfang an im Nachteil sind. Die Pandemie hat die Lage nur verschärft, da das Online-Lernen es den Studenten noch schwerer gemacht hat, ihre Mathefähigkeiten, die für den Erfolg in der Physik wichtig sind, aufrechtzuerhalten.

Diese Studie konzentrierte sich darauf, Studenten zu unterstützen, die vielleicht nicht die ganze Vorbereitung hatten, die sie gebraucht hätten, indem sie ihnen mehr Matheübung und Unterstützung durch KI anbot. Die Idee war zu sehen, ob diese Ressourcen einen Unterschied in ihren Prüfungsergebnissen machen würden.

Das Konzept verstehen

Im Mittelpunkt dieser Studie steht ein Konzept, das Erwartungs-Wert-Theorie heisst. Diese Theorie besagt, dass Schüler eher an einer Aktivität teilnehmen, wenn sie glauben, dass sie Erfolg haben können und wenn sie denken, dass es ihnen in der Zukunft nützt. Einfacher gesagt: Wenn Schüler zuversichtlich sind und den Wert dessen, was sie lernen, erkennen, sind sie eher bereit, dabei zu bleiben.

Daher wurden zwei zentrale Strategien entwickelt:

  1. Anreizsystem für Matheaufgaben: Den Studenten wurden Extra-Punkte für das Bearbeiten zusätzlicher Matheaufgaben angeboten, besonders für diejenigen, die es am meisten benötigten.

  2. KI-generierte Tipps: Anstatt dass immer ein Lehrer verfügbar ist, wurden Hinweise, die von künstlicher Intelligenz generiert wurden, in die Hausaufgaben integriert. Das bedeutete, dass die Studenten Hilfe bekommen konnten, ohne Angst vor der Bewertung durch ihre Mitschüler oder Lehrer zu haben.

Der Studienaufbau

Die Studie fand an einer öffentlichen Universität statt, wo zwei Klassen von Einführungskurs-Physikstudenten teilnahmen. Alle Studenten hatten Zugang zu denselben Materialien, aber eine Klasse erhielt die KI-Hinweise und die Anreizsystem-Matheaufgaben. Die Forscher haben genau beobachtet, wie sich diese Unterstützungen auf die Prüfungsleistungen auswirkten.

Optionale Unterstützungen

Die erste Unterstützung, die zusätzlichen Matheaufgaben, konzentrierte sich auf wichtige mathematische Konzepte, die mit Physik zusammenhängen. Vier Hauptthemen wurden behandelt:

  1. Vektoren
  2. Ableitungen
  3. Integrale
  4. Mehrfache Integrale

Jedes dieser Mathethemen sollte den Studenten helfen, die Mathematik zu verstehen, die sie in ihren Physikprüfungen begegnen würden.

Das zweite Unterstützungssystem beinhaltete KI-generierte Tipps für die Physik-Hausaufgaben. Immer wenn ein Student bei einer Frage nicht weiterkam, konnte er einen Hinweis anfordern, der ihn in die richtige Richtung lenkte, ohne die ganze Antwort zu verraten. Dieses Setup sollte die Problemlösungsfähigkeiten der Schüler aufbauen und den Stress reduzieren, der oft mit dem Fragen nach Hilfe einhergeht.

Wer hat teilgenommen?

Insgesamt haben 382 Studenten teilgenommen, aufgeteilt in zwei Abschnitte des Physik-Kurses. Demografische Daten wurden gesammelt, um zu verstehen, wie verschiedene Schüler auf die Unterstützungen reagierten. Dazu wurde auf Faktoren wie Rasse, Geschlecht und vorherige Mathevorbereitung geachtet.

Wichtige Ergebnisse

Ergebnis 1: Höhere Abschlussraten

Die erste grosse Erkenntnis war, dass die Bereitstellung von Extra-Punkten die Abschlussraten für die Matheaufgaben erheblich gesteigert hat. Studenten, die Anreize hatten, erledigten mehr Aufgaben als diejenigen ohne Anreize. Das galt besonders für Studenten aus unterrepräsentierten Gruppen, die oft hinterherhinkten, wenn es um die Erledigung von Aufgaben ging.

Ergebnis 2: Bessere Prüfungsleistungen durch Matheaufgaben

Die Analyse zeigte, dass Studenten, die die zusätzlichen Matheaufgaben bearbeitet hatten, besser in den Prüfungen abschnitten. Wenn die Studenten die in den Aufgaben behandelten Mathethemen übten, waren sie wahrscheinlicher erfolgreich bei den Prüfungsfragen, die mit diesen Themen übereinstimmten. Es wurde klar, dass Übung einen spürbaren Unterschied machte.

Ergebnis 3: KI-Hinweise halfen, aber nur in bestimmten Fällen

Studenten, die die KI-generierten Hinweise nutzen, schnitten besser ab, wenn die Inhalte der Prüfungsfragen mit den Hausaufgaben übereinstimmten. In einer Prüfung sahen Studenten, die diese Hinweise verwendeten, eine Verbesserung ihrer Leistungen, insbesondere diejenigen, die weniger vorbereitet in den Kurs kamen. Aber wenn die Prüfungsfragen nicht gut mit den Hausaufgaben übereinstimmten, schienen die Hinweise nicht den zusätzlichen Schub zu geben.

Ergebnis 4: Die Kluft schliessen

Ein wichtiger Teil der Ergebnisse bezog sich auf die Unterschiede in der Leistung zwischen verschiedenen demografischen Gruppen. Wenn Studenten aus unterrepräsentierten ethnischen Gruppen die zusätzlichen Matheaufgaben bearbeiteten, zeigten sie deutliche Verbesserungen bei den Prüfungsergebnissen. Das bedeutet, dass das Mathetraining besonders geholfen hat, die Leistungen von Studenten zu steigern, die normalerweise mehr Herausforderungen in der Physik haben.

Die Bedeutung von Chancengleichheit

Die Studie hat die Wichtigkeit unterstrichen, Matheübungen für alle Studenten zugänglich zu machen, besonders für die aus historisch benachteiligten Gruppen. Durch die Bereitstellung von Anreizaufgaben und KI-Unterstützung können Pädagogen helfen, die Leistungsunterschiede zu schliessen, die oft im Hochschulbereich zu sehen sind. Dieser Ansatz kann zu gerechteren Ergebnissen für alle Schüler führen.

Ausblick

Obwohl die Studie vielversprechende Ergebnisse erzielt hat, erkannten die Forscher einige Einschränkungen an. Die Abschlussraten für die zusätzlichen Matheaufgaben lagen trotz der Anreize immer noch unter 60 %. Um das zu verbessern, schlugen sie vor, diese Aufgaben in den Unterricht zu integrieren oder die Ergebnisse der Studie mit zukünftigen Studenten zu teilen, um den wahrgenommenen Wert der Aufgaben zu steigern.

Die Forscher sind auch neugierig darauf, die Ansichten der Studenten zu erkunden, warum sie sich entschieden haben (oder nicht entschieden haben), die optionalen Unterstützungen zu nutzen. Qualitative Daten durch Umfragen und Interviews zu sammeln, wird tiefere Einblicke in die Erfahrungen und Motivation der Studenten geben.

Fazit

Diese Studie zeigt, dass kleine Anpassungen in der Unterstützung von Studenten einen erheblichen Unterschied für ihren akademischen Erfolg machen können. Indem man zusätzliche Matheaufgaben mit KI-generierten Hinweisen kombiniert, können Pädagogen ein ausgeglicheneres Spielfeld für Studenten in Physikkursen schaffen.

Also, wenn ein bisschen Extra-Punkte und freundliche KI-Hinweise den Studenten helfen können, die nötige Mathematik für Physik zu verstehen, warum nicht ausprobieren? Schliesslich, wer möchte nicht die Prüfung rocken und seine Freunde mit seinem neu gewonnenen Physikwissen beeindrucken?

Originalquelle

Titel: Incentivizing supplemental math assignments and using AI-generated hints improve exam performance, especially for racially minoritized students

Zusammenfassung: Inequities in student access to trigonometry and calculus are often associated with racial and socioeconomic privilege, and are often propagated to introductory physics course performance. To mitigate these disparities in student preparedness, we developed a two-pronged intervention consisting of (1) incentivized supplemental mathematics assignments and (2) AI-generated learning support tools in the forms of optional hints embedded in the physics assignments. Both interventions are grounded in the Situated Expectancy-Value Theory of Achievement Motivation, which posits that students are more likely to complete a task that they expect to do well in and whose outcomes they think are valuable. For the supplemental math assignments, the extra credit available was scaled to make it worth more points for the students with lower exam scores, thereby creating even greater value for the students who might most benefit from the assignments. For the AI-generated hints, these were integrated into the homework assignments, thereby reducing or eliminating the cost to the student, in terms of time, energy, and social barriers or fear of judgment. Our findings indicate that both these interventions are associated with increased exam scores; in particular, the scaled extra credit reduced disparities in completion of math supplemental material and was associated with reducing racial disparities in exam scores. These interventions, which are relatively simple for any instructor to implement, are therefore very promising for creating more equitable undergraduate quantitative-based courses.

Autoren: Yifan Lu, K. Supriya, Shanna Shaked, Elizabeth H. Simmons, Alexander Kusenko

Letzte Aktualisierung: 2024-12-27 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2412.19961

Quell-PDF: https://arxiv.org/pdf/2412.19961

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel