Studieren Sie ein durchgearbeitetes Beispiel, bevor Sie versuchen, ein ähnliches Problem zu lösen
Das Lesen eines vollständig gelösten Beispiels baut Schemata schneller und mit weniger verschwendeter kognitiver Belastung auf als der direkte Sprung ins Problemlösen.
Why it works
Wenn ein Anfänger versucht, ein Problem ohne Schema zu lösen, geht der Großteil des Arbeitsgedächtnisses in Mittel-Ziel-Analyse (Zurückverfolgen, Züge testen) statt in Verständnis. Ein durchgearbeitetes Beispiel hält den Lösungsweg im Blick, sodass der Lernende die volle Kapazität darauf verwenden kann zu verstehen, warum jeder Schritt auf den vorherigen folgt — die Schema-Aufbau-Arbeit — statt zu berechnen, was als Nächstes zu tun ist. Der Worked-Example-Effekt (überlegene Schemabildung durch Beispiele gegenüber unbegleitetem Problemlösen) gehört zu den am häufigsten replizierten Befunden der CLT.
How to do it
- Suchen oder erstellen Sie vor dem Versuch eines neuen Problemtyps ein vollständig durchgearbeitetes Beispiel.
- Arbeiten Sie das Beispiel Schritt für Schritt durch und erklären Sie sich selbst, warum jeder Schritt erfolgt (Selbsterklärung).
- Versuchen Sie unmittelbar danach ein Problem desselben Typs, während die Struktur des Beispiels noch aktiv ist.
- Reduzieren Sie die Beispiel-Unterstützung schrittweise, während Probleme flüssiger werden (Fading-Technik).
Evidenz
Der Worked-Example-Effekt ist einer der robustesten Befunde in der Forschung zu kognitiver Belastung und Instruktionsdesign, mit Dutzenden experimentellen Studien, die zeigen, dass Anfänger von Beispielen mehr lernen als von gleich viel Zeit für unbegleitetes Problemlösen. (rct)
Der Effekt kehrt sich für Experten um (der „Expertise-Umkehr-Effekt“): Durchgearbeitete Beispiele für jemanden, der das relevante Schema bereits hat, erzeugen mehr Belastung als das Problem einfach zu lösen.
Quellen
- Sweller & Cooper (1985), The use of worked examples as a substitute for problem solving, Cognition and Instruction
- Atkinson et al. (2000), Learning from examples, Journal of Educational Psychology
- Sweller, J., & Cooper, G. A. (1985). The use of worked examples as a substitute for problem solving in learning algebra. Cognition and Instruction, 2(1), 59–89.
- Atkinson, R. K., Derry, S. J., Renkl, A., & Wortham, D. (2000). Learning from examples: Instructional principles from the worked examples research. Review of Educational Research, 70(2), 181–214.
Häufiger Fehler
Ein durchgearbeitetes Beispiel passiv durchzulesen, ohne sich jeden Schritt selbst zu erklären, was die Illusion von Verständnis erzeugt, während das zugrunde liegende Schema unaufgebaut bleibt.
Übe das mit IX Coach
More practices for Cognitive Load Theory: Lernen innerhalb der Grenzen des Arbeitsgedächtnisses
- Bündeln Sie verwandte Elemente, bevor Sie Abläufe präsentieren
Gruppieren Sie eng verwandte Informationsstücke zu benannten Einheiten, bevor Sie die Schritte lehren, die sie verbinden.
- Beseitigen Sie den Split-Attention-Effekt
Halten Sie physisch oder konzeptionell verwandte Informationen zusammen, damit Lernende keine Arbeitsgedächtnis-Steuer zahlen müssen, um sie zu integrieren.
- Sequenzieren Sie von niedriger zu hoher Elementinteraktivität
Beginnen Sie mit Elementen, die isoliert verstanden werden können, bevor Sie Elemente einführen, die zusammen verstanden werden müssen.
- Entfernen Sie Informationen, die abgeleitet werden können, sobald das Konzept bekannt ist
Sobald ein Lernender Informationen selbstständig verarbeiten kann, erhöht zusätzliche redundante Unterstützung die Belastung tatsächlich, statt sie zu senken.
- Nutzen Sie gesprochenes Audio für Erklärungen, die mit visuellen Diagrammen gepaart sind
Teilen Sie visuelle und auditive Arbeitsgedächtnis-Ressourcen auf, um mehr Information zu verarbeiten, als ein Kanal allein bewältigen kann.
Verwandte Konzepte
- Der Effekt der Musterbeispiele: Schneller lernen durch das Studium von Lösungen
How to use solved examples, self-explanation, and fading to build skill faster than problem-first practice
- Chunking: Wie man durch besseres Gruppieren mehr lernt
Working memory, meaningful grouping, and the architecture of expertise