Hintergrund & Problemstellung
Das Lernen in DLEs eröffnet neue Möglichkeiten für individualisiertes Lernen, stellt aber auch hohe Anforderungen an die SRL-Fähigkeiten der Schüler:innen. Forschungsergebnisse zeigen, dass jüngere oder schwächere Lerner:innen, denen bestimmte SRL-Fähigkeiten noch fehlen, deshalb nicht immer vom Lernen in DLEs profitieren (Azevedo, 2005). Diese enge Verknüpfung von effektivem Lernen in DLEs und SRL-Fähigkeiten könnte einen weiteren negativen Einfluss auf die Chancengerechtigkeit von Kindern mit unterschiedlichem sozioökonomischen und akademischen Hintergrund haben. Untersuchungen zeigen aber auch, dass Schüler:innen, die in ihren SRL-Fähigkeiten gefördert werden, hier leistungsmässig aufholen können (Guo et al., 2022). Digitale Technologien bieten in diesem Kontext verschiedene Möglichkeiten zur SRL-Unterstützung, die in vielen Fällen zu einer Verbesserung von Lernprozessen und -ergebnissen führen können (Prasse et al., 2024). Solche digitalen Unterstützungsangebote helfen jedoch nicht allen Lernenden und sind weniger wirksam, wenn sie nicht auf die individuellen Bedürfnisse der Lernenden abgestimmt sind (Wong et al., 2019). Allerdings existieren bisher nur wenige Erkenntnisse dazu, welche konkreten Lernvoraussetzungen die Wahrnehmung und Nutzung digitaler Unterstützungsangebote beeinflussen und was dies für die Entwicklung adaptiver digitaler SRL-Werkzeuge bedeutet. 

Lehrpersonen spielen eine bedeutsame Rolle in der individuellen Anpassung digitaler Unterrichtsdesigns an die unterschiedlichen Voraussetzungen der Lernenden. Allerdings ist auch hier noch wenig darüber bekannt, wie Primarlehrpersonen digitale Technologien zur individuellen SRL-Förderung nutzen und wie erfolgreich das gelingt. Forschungsergebnisse zeigen, dass Lehrpersonen generell wenig SRL-Förderung in ihre Unterrichtspraxis integrieren, was auf die oft begrenzten Kompetenzen in diesem Bereich zurückzuführen ist (Karlen et al., 2020). Dies könnte in Bezug auf DLEs noch gravierender sein. Learning-Analytics Ansätze (z.B. maschinelles Lernen) und interaktive SRL-Dashboards könnten Lehrpersonen helfen, die Kompetenzen ihrer Schüler:innen besser einzuschätzen und die SRL-Unterstützung individuell darauf abzustimmen. Jedoch ist der Einsatz solcher Methoden zur SRL-Diagnose und Förderung insbesondere auf der Primarstufe komplex und ethisch anspruchsvoll. Es braucht ausserdem mehr Wissen dazu, wie die Überzeugungen und Kompetenzen der Lehrpersonen deren Interaktion mit digitalen SRL-Unterstützungssystemen beeinflussen (Molenaar, 2022).

Forschungsdesign und Ausblick
Ziel des DEEP-SRL-Projekts ist es, Lehrpersonen bei der Entwicklung digitaler Lerndesigns zur SRL-Förderung von Primarschüler:innen mit unterschiedlichen Lernvoraussetzungen zu unterstützen. Dies erfolgt in drei Subprojekten:

(1) DEEP-SRL Student untersucht, wie die Interaktion mit digitalen metakognitiven Prompts und die daraus folgenden metakognitiven Aktivitäten der Schüler:innen durch unterschiedliche Lernvoraussetzungen beeinflusst werden. Damit sollen Faktoren für eine effektive adaptive SRL-Unterstützung identifiziert werden. Im Rahmen einer Mixed-Methods Interventionsstudie arbeiten 35 Klassen (5. Klasse) an einem fächerübergreifenden Unterrichtsprojekt, in dem in einer DLE Informationskompetenz und multiples Textverständnis gefördert werden.

(2) DEEP-SRL Teacher erkundet die Einstellungen und Kompetenzen von Lehrpersonen zur SRL-Förderung in DLEs, ihre professionelle Entwicklung in der Gestaltung von SRL-Lerndesigns sowie ihre Wahrnehmung und Nutzung eines interaktiven SRL-Dashboards (entwickelt in Subprojekt 3). Dies findet im Rahmen einer vorrangig qualitativen Untersuchung im Längschnittsdesign statt.

(3) DEEP-SRL Learning Analytics untersucht, wie Learning Analytics (z.B. maschinelles Lernen) die Diagnose und Förderung von SRL unterstützen können. Mithilfe digitaler Verhaltensdaten (aus Teilprojekt 1) werden zunächst SRL-Verhaltensprofile der Schüler:innen erstellt. Danach wird kollaborativ mit Teilprojekt 2 ein interaktives SRL-Dashboard für Lehrpersonen entwickelt und evaluiert. 

Insgesamt liefert das Projekt DEEP-SRL zum einen einen wesentlichen Beitrag zum theoretischen Diskurs zum SRL von Primarschüler:innen in DLEs und zur Rolle von Lehrpersonen bei der technologieunterstützen SRL-Förderung. Dieses Wissen kann beispielsweise in der Aus- und Weiterbildung von Lehrpersonen genutzt werden. Zum anderen werden wir auf der Grundlage unserer empirischen Erkenntnisse ein interaktives SRL-Dashboard entwickeln, welches Lehrpersonen darin unterstützt, ihre SRL-Förderung an spezifische Unterrichtskontexte und die unterschiedlichen Bedürfnisse ihrer Schüler:innen anzupassen.

Literatur

Azevedo, R. (2005). Using hypermedia as a metacognitive tool for enhancing student learning? The role of self-regulated learning. Educational psychologist, 40(4), 199–209. https://doi.org/10.1207/s15326985ep4004_2 

Guo, J., King, R. B., Ding, Q., & Fan, M. (2022). Measuring and Promoting Self-Regulation for Equity and Quality of Online Learning: New Evidence from a Multi-Institutional Survey during COVID-19. Education Sciences, 12(7), 465. https://doi.org/10.3390/educsci12070465 

Karlen, Y., Hertel, S., & Hirt, C. N. (2020). Teachers’ Professional Competences in Self-Regulated Learning: An Approach to Integrate Teachers’ Competences as Self-Regulated Learners and as Agents of Self-Regulated Learning in a Holistic Manner. Frontiers in Education, 5, 159. https://doi.org/10.3389/feduc.2020.00159 

Molenaar, I. (2022). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632–645. https://doi.org/10.1111/ejed.12527 

Prasse, D., Webb, M., Deschênes, M., Parent, S., Aeschlimann, F., Goda, Y., Yamada, M., & Raynault, A. (2024). Challenges in Promoting Self-Regulated Learning in Technology Supported Learning Environments: An Umbrella Review of Systematic Reviews and Meta-Analyses. Technology, Knowledge and Learning. https://doi.org/10.1007/s10758-024-09772-z 

Wong, J., Baars, M., Davis, D., Van Der Zee, T., Houben, G.-J., & Paas, F. (2018). Supporting Self-Regulated Learning in Online Learning Environments and MOOCs: A Systematic Review. International Journal of Human–Computer Interaction, 35(4–5), 356–373. https://doi.org/10.1080/10447318.2018.1543084