Analyse und Unterstützung von Lernvorgängen beim Schriftspracherwerb in einem computergestützten Klassenraum

Freies, selbstverantwortetes Schreiben enthält für Erstklässler eine Vielzahl von Risiken und Unsicherheiten. Einzelne Kinder können durch das gängige Raster fallen. Eine individuelle Förderung schwacher Schüler findet oft ebensowenig statt wie das Fördern besonders begabter Schüler. Hier stellt sich für den Lehrer die Frage nach geeigneten Hilfsmitteln. Diese sollten nicht nur das Kind unterstützen sondern auch dem Lehrer einen Teil der Arbeit abnehmen. Ein gutes Hilfsmittel für den Schreib-Lese-Unterricht sollte darüber hinaus sowohl dem Kind als auch dem Lehrer genügend Freiräume zum individuellen Gestalten von Aufgaben geben. Ideal für den Lehrer wäre es, wenn er neue Erkenntnisse und individuelle Informationen zum Lernverhalten und Lernstand eines jeden Kindes bekommen könnte. Außerdem sollte die Gruppenarbeit im Klassenraum gefördert oder zumindest unterstützt werden. Aufbauend auf den Entwicklungen im Rahmen des EU- Projektes NIMIS hat die Frage nach den Möglichkeiten einer differenzierten Unterstützung des Lehrers und der Kinder beim Schriftspracherwerb mit der Methode Lesen durch Schreiben die Grundlage zu der hier vorgestellten Arbeit geliefert. Es ist eine Umgebung entstanden, die es sowohl dem Schüler als auch der Lehrerin ermöglicht, den Schriftspracherwerb entsprechend dem individuellen Lern- und Leistungsstand anzupassen. Dem Kind können dabei verschiedene Angebote gemacht werden, von individuellen Lernwörtern über gezielte Hilfen durch Agenten bis hin zur Kooperation mit anderen Schülern. Für die Analyse der Schreibprodukte, die während des Einsatzes der NIMIS-Software entstehen, wurde ein eigener Algorithmus entwickelt, der eine qualitative Analyse phonetischer Schreibung ermöglicht. Der aktuelle Entwicklungsstand des Kindes wird mit Hilfe der aus dem System gewonnenen Informationen durch geeignete Modelle abgebildet. Dabei kommen zwei Modellierungsverfahren zum Einsatz: Feature Based Modelling führt eine zeitbehaftete Gewichtung von beobachtbaren Zuständen durch. Bayes-Netze erlauben das probabilistische Schließen aus Beobachtungen, die in Form von Evidenzen in das Netz eingegeben und zu Wahrscheinlichkeiten berechnet werden.