Veranstaltungsprogramm

Theoretischer Hintergrund

Für die Verbreitung von Innovationen im Bildungssystem sind aus der Perspektive der Educational Governance Kooperations- und Abstimmungsprozesse auf unterschiedlichen Ebenen notwendig (Kussau & Brüsemeister, 2007). Dies trifft insbesondere auf den Kontext der digitalisierungsbezogenen Lehrkräftebildung und Schulentwicklung zu, da die Verantwortung für die Ausbildungsphasen unterschiedlich verteilt und eine Vielzahl an Akteuren beteiligt ist (Bennink et al., 2024; Förschler, 2018).

Eine besondere Rolle bei der Dissemination von Wissen und Erkenntnissen kommt in diesem Kontext den Landesinstituten für Lehrkräftefortbildung und Schulentwicklung zu, die sich in allen Bundesländern – mit leicht unterschiedlichen Schwerpunkten und Zuständigkeiten – der Qualitätsentwicklung von Schulen und im Gesamtsystem widmen (Bieber et al., 2018). Dabei sollen sie als Schnittstellenakteur zwischen Institutionen aus Wissenschaft, Schulpraxis und Bildungsadministration wirken und Transferprozesse unterstützen (Düllberg et al., 2023).

Wie diese Institutionen in der Praxis wirken, ist bislang jedoch kaum untersucht (Manitius, 2023). Entgegen ihrer postulierten Relevanz für Transferprozesse (etwa KMK, 2016) bleibt beispielsweise bislang offen, auf welche Art Landesinstitute in Kooperations- und Abstimmungsprozesse eingebunden sind (für eine Ausnahme siehe Engec, 2022). Konkrete kooperative Arbeitsformen gelten in diesem Zusammenhang als zentrale Voraussetzung für den Transfer von Wissen und Erfahrungen (Düllberg et al., 2023; Fritsch & Kauffeld-Monz, 2010).

Fragestellungen

Vor diesem Hintergrund werden die digitalisierungsbezogenen Kooperationsnetzwerke der Landesinstitute in einzelnen Bundesländern untersucht. Leitend sind dabei zwei konkrete Fragestellungen:

1. Mit welchen Institutionen arbeiten die Landesinstitute der Bundesländer im Kontext der digitalisierungsbezogenen Lehrkräftebildung und Schulentwicklung zusammen?

2. Welche Muster zeigen sich bzgl. des Beginns und der Regelmäßigkeit der Zusammenarbeit sowie inhaltlichen Schwerpunkten?

Methode

In der vorgestellten Studie wurden mithilfe einer egozentrierten Sozialen Netzwerkanalyse die Kooperationsnetzwerke von ausgewählten Landesinstituten untersucht. Im Zeitraum zwischen November 2024 und Februar 2025 wurden dafür Online-Interviews mit einzelnen Vertreter:innen aus zehn Bundesländern mithilfe der Software Network Canvas (Birkett et al., 2021) durchgeführt. Die Grundlage für die Befragung lieferte eine systematische Dokumentenanalyse zu relevanten Akteuren der digitalisierungsbezogenen Lehrkräftebildung und Schulentwicklung (Bennink et al., 2024). Den Befragten wurden davon ausgehend ein Namensgenerator sowie mehrere Namensinterpretatoren vorgelegt, die die oben dargestellten Fragestellungen adressierten (Wolf & Repke, 2023). Die mit der Software Gephi (Bastian et al., 2009) generierten Netzwerkabbildungen wurden mit der Möglichkeit der Validierung und Ergänzung an die Befragten zurückgespielt und sollen abschließend an die neuerlichen Ergebnisse angepasst werden (member check; Birt et al., 2016).

Ergebnisse

Derzeit durchlaufen die Zwischenergebnisse den Schritt des member check, weshalb noch keine abschließenden Daten vorliegen. Im Rahmen des Vortrags werden – im Sinne von Fallstudien – beispielhafte Visualisierungen der ermittelten Kooperationsnetzwerke präsentiert und durch ausgewählte Strukturmerkmale ergänzt. Erste Analysen zeigen dabei Netzwerke unterschiedlicher Größe, die von unterschiedlichen Mustern der Zusammenarbeit geprägt sind, z. B. hinsichtlich der Verteilung der Kooperationspartnern auf unterschiedlichen Ebenen des Bildungssystems (administrative, wissenschaftliche oder nicht-staatliche Akteure; Forschungsfrage I) oder inhaltlicher Themenbereiche der Zusammenarbeit (Forschungsfrage II). Ausgehend von den gewonnenen Erkenntnissen werden Entwicklungsperspektiven für bundeslandübergreifende Analysen und die (Netzwerk-)Forschung insgesamt erläutert.

• Bastian M., Heymann S. & Jacomy M. (2009). Gephi: An open source software for exploring and manipulating networks. International AAAI Conference on Weblogs and Social Media.
• Bennink, T., Lenzer, S., Flerlage, C., Damm, A., Gesswein, T., von Sobbe, L. & Pieper, V. (2024). Stakeholder der digitalisierungsbezogenen Lehrkräftebildung und Schulentwicklung in den deutschen Bundesländern. Ergebnisse einer bundesweiten Dokumentenanalyse. Kompetenzverbund lernen:digital.
• Bieber, G., Egyptien, E. L., Klein, G., Oechslein, K. & Pikowsky, B. (2018). Positionspapier der Landesinstitute und Qualitätseinrichtungen der Länder zum Transfer von Forschungswissen. Zugriff unter https://www.qua-lis.nrw.de/cms/upload/aktuelles/Positionspapier_Transfer_31.10.18.pdf.
• Birkett, M., Melville, J., Janulis, P., Phillips, G., Contractor, N. & Hogan, B. (2021). Network Canvas: Key decisions in the design of an interviewer-assisted network data collection software suite. Social Networks, 66, 114–124. https://doi.org/10.1016/j.socnet.2021.02.003
• Birt, L., Scott, S., Cavers, D., Campbell, C. & Walter, F. (2016). Member Checking: A Tool to Enhance Trustworthiness or Merely a Nod to Validation? Qualitative Health Research, 26(13), 1802–1811. https://doi.org/10.1177/1049732316654870
• Düllberg, A., Eberl, V. & Manitius, V. (2023). Die vernachlässigte Praxis? Landesinstitute als Schnittstellenakteur. In T. Diederichs & A. K. Desoye (Hrsg.), Transfer in Pädagogik und Erziehungswissenschaft. Zwischen Wissenschaft und Praxis (S. 106–119). Beltz Juventa.
• Engec, L.-I. (2022). Unterstützungssysteme: Unterwegs zu mehr Kooperation?!: Zum (Zusammen-)Wirken von Akteuren der Unterstützungssysteme für Schulentwicklungsprozesse im Kontext der Digitalisierung. MedienPädagogik: Zeitschrift für Theorie und Praxis der Medienbildung, 49, 204–228. https://doi.org/10.21240/mpaed/49/2022.06.29.X
• Förschler, A. (2018). Das „Who is who?“ der deutschen Bildungs-Digitalisierungsagenda. Eine kritische Politiknetzwerk-Analyse. Pädagogische Korrespondenz, 58, 31–52. https://doi.org/10.25656/01:21106
• Fritsch, M. & Kauffeld-Monz, M. (2010). The impact of network structure on knowledge transfer: An application of social network analysis in the context of regional innovation networks. The Annals of Regional Science, 44(1), 21–38. https://doi.org/10.1007/s00168-008-0245-8
• KMK (Hrsg.). (2016). Gesamtstrategie der Kultusministerkonferenz zum Bildungsmonitoring. Carl Link. Zugriff unter https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2015/2015_06_11-Gesamtstrategie-Bildungsmonitoring.pdf
• Kussau, J. & Brüsemeister, T. (2007). Educational Governance: Zur Analyse der Handlungskoordination im Mehrebenensystem der Schule. In H. Altrichter, T. Brüsemeister, & J. Wissinger (Hrsg.), Educational Governance: Handlungskoordination und Steuerung im Bildungssystem (S. 15–54). VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-531-90498-6_2
• Manitius, V. (2023). Transferarbeit von Landesinstituten als „Evidenzverarbeitung“. In K.-S. Besa, D. Demski, J. Gesang, & J.-H. Hinzke (Hrsg.), Evidenz- und Forschungsorientierung in Lehrer*innenbildung, Schule, Bildungspolitik und -administration (S. 285–297). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-38377-0_14
• Wolf, C. & Repke, L. (2023). Egozentrierte Netzwerke: Datenerhebung und Datenanalyse. In C. Stegbauer & R. Häußling (Hrsg.), Handbuch Netzwerkforschung (S. 1–13). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-37507-2_41-1

Theoretischer Hintergrund

In dem Gutachten „Lehrkräftegewinnung und Lehrkräftebildung für einen hochwer-tigen Unterricht“ fordert die Ständige Wissenschaftliche Kommission der Kultusmi-nisterkonferenz eine systematische Qualitätssicherung in der Lehrkräftefortbildung, beispielsweise durch die Evaluation der Angebote (Köller et al., 2023). Einige Bundesländer (Baden-Württemberg, Niedersachsen, Nordrhein-Westfalen, Thüringen) setzen - nicht erst seit der Forderung - standardisierte Fragebögen zur Evaluation der Angebote ein. In den Fragebögen werden überwiegend Merkmale guter Fortbildungen erfasst (z. B. kognitive Aktivierung, soziale Interaktion, Relevanz, etc.; z. B. Richter & Richter, 2024; Rzejak et al., 2023).

Die alleinige Evaluation der Angebote reicht jedoch nicht aus: damit die Evaluation einen Beitrag zur Qualitätssicherung leisten kann, müssen Lehrkräfte, die als Fortbildende tätig sind, die Daten interpretieren und nutzen können. Data literacy umfasst die Fähigkeiten, die für die Arbeit mit den Evaluationsergebnissen notwendig sind: Eine Fragestellung generieren, Daten sammeln, analysieren, interpretieren und Handlungsschritte ableiten (Hamilton et al., 2009; Lai & Schildkamp, 2013; Mandinach & Gummer, 2016a, 2016b; Van Geel et al., 2016). Allerdings zeigen Studien, dass die data literacy von Lehrkräften selten Teil der Lehrkräftebildung ist (Bocala & Boudett, 2015; Mandinach et al., 2015) und Lehrkräfte im Dienst häufig nur niedrige data literacy Kompetenzen haben (Schildkamp et al., 2014). Beispielsweise fällt es ihnen schwer Daten zu interpretieren und entsprechende Handlungsschritte abzuleiten (Datnow & Hubbard, 2015; Kippers et al., 2018; Marsh, 2012). Um die Kluft zwischen den aktuell eingesetzten Evaluationsinstrumenten zur Sicherung der Qualität der Lehrkräftefortbildung und der Nutzung der Daten zu überwinden, haben sich vier Bundesländer das Ziel gesetzt, gemeinsam einen wissenschaftsbasierten digitalen Selbstlernkurs zu entwickeln. Ziel des Kurses ist die Fortbildenden zu befähigen, Daten aus Evaluationsergebnissen zu ihren Einzelveranstaltungen für die Weiterentwicklung ihrer Veranstaltungen verwenden zu können und somit einen Beitrag zur datengestützten Qualitätsentwicklung in der Lehrkräftefortbildung zu leisten.

Fragestellung

Wie können Fortbildende im Rahmen eines digitalen Selbstlernkurses darin unterstützt werden, Evaluationsdaten besser zu interpretieren und zur Weiterentwicklung von Lehrkräftefortbildungen zu nutzen?

Methode

Der Selbstlernkurs wird praxisorientiert und wissenschaftsbasiert entwickelt, mit ländergemeinsamen und länderspezifischen Anteilen. Der Selbstlernkurs gliedert sich in mehrere Module, die sich an dem Data Literacy Modell von Kippers et al. (2018; siehe auch Ebbeler et al., 2016) orientieren und einen Prä- sowie Posttest umfassen. Außerdem stellen Theorien wie die Cognitive Load Theory (Mousavi et al., 1995; Sweller, 1988, 2008), Mayers Prinzipien für multimediales Lernen (Mayer, 2014) sowie Erkenntnisse zur Gestaltung lernwirksamer Fortbildungen (z. B. Richter & Richter, 2024; Rzejak et al., 2023) Grundlagen bei der Gestaltung des Selbstlernkurses dar.

Um den Praxisbezug sicher zu stellen wurden zu Beginn des Vorhabens Fortbildende in einem der Bundesländer unter anderem zur Nutzung und Nützlichkeit der aktuell eingesetzten Evaluation interviewt (n = 7) und befragt (n = 325). Die Ergebnisse dieser Erhebungen wurden genutzt, um den ersten Aufschlag für das Konzept des Selbstlernkurses zu erstellen. Im weiteren Verlauf werden Fortbildende und Personen aus dem Bereich Lehrkräftefortbildung in einem ko-konstruktiven Prozess in die Entwicklung des Selbstlernkurses einbezogen.

Inhaltlich soll unter Berücksichtigung der unterschiedlichen Vorkenntnisse der Teilnehmenden deren Kompetenz im Umgang mit Daten gestärkt werden, indem sie ihre statistischen Grundkenntnisse erweitern, einen wissenschaftlich fundierten Umgang mit Daten in der Praxis entwickeln und ihre Praxis reflektieren und weiterentwickeln.

Nach der Entwicklung eines Prototyps soll eine Pilotierungsphase anschließen, in der die Akzeptanz und Machbarkeit sowie die Wirksamkeit des Selbstlernkurses evaluiert wird.

Ergebnisse

Da es sich um einen konzeptuellen Beitrag handelt, können keine Ergebnisse präsentiert werden.

Bocala, C., & Boudett, K. P. (2015). Teaching Educators Habits of Mind for Using Data Wisely. Teachers College Record: The Voice of Scholarship in Education, 117(4), 1–20. https://doi.org/10.1177/016146811511700409

Datnow, A., & Hubbard, L. (2015). Teachers’ Use of Assessment Data to Inform Instruction: Lessons from the past and Prospects for the Future. Teachers College Record: The Voice of Scholarship in Education, 117(4), 1–26. https://doi.org/10.1177/016146811511700408

Ebbeler, J., Poortman, C. L., Schildkamp, K., & Pieters, J. M. (2016). Effects of a data use intervention on educators’ use of knowledge and skills. Studies in Educational Evaluation, 48, 19–31. https://doi.org/10.1016/j.stueduc.2015.11.002

Hamilton, L., Halverson, R., Jackson, S. S., Mandinach, E., Supovitz, J. A., Wayman, J. C., Pickens, C., Martin, E. S., & Steele, J. L. (2009). Using student achievement data to support instructional decision making. United States Department of Education.

Kippers, W. B., Poortman, C. L., Schildkamp, K., & Visscher, A. J. (2018). Data literacy: What do educators learn and struggle with during a data use intervention? Studies in Educational Evaluation, 56, 21–31. https://doi.org/10.1016/j.stueduc.2017.11.001

Kippers, W. B., Wolterinck, C. H. D., Schildkamp, K., Poortman, C. L., & Visscher, A. J. (2018). Teachers’ views on the use of assessment for learning and data-based decision making in classroom practice. Teaching and Teacher Education, 75, 199–213. https://doi.org/10.1016/j.tate.2018.06.015

Köller, O., Thiel, F., van Ackeren-Mindl, I., Anders, Y., Becker-Mrotzek, M., Cress, U., Diehl, C., Kleickmann, T., Lütje-Klose, B., Prediger, S., Seeber, S., Ziegler, B., Lewalter, D., Maaz, K., Reintjes, C., & Stanat, P. (2023). Lehrkräftegewinnung und Lehrkräftebildung für einen hochwertigen Unterricht. Gutachten der Ständigen Wissenschaftlichen Kommission der Kultusministerkonferenz. KMK. https://doi.org/10.25656/01:28059

Lai, M. K., & Schildkamp, K. (2013). Data-based Decision Making: An Overview. In K. Schildkamp, M. K. Lai, & L. Earl (Hrsg.), Data-based Decision Making in Education (S. 9–21). Springer Netherlands. https://doi.org/10.1007/978-94-007-4816-3_2

Mandinach, E. B., Friedman, J. M., & Gummer, E. S. (2015). How Can Schools of Education Help to Build Educators’ Capacity to Use Data? A Systemic View of the Issue. Teachers College Record: The Voice of Scholarship in Education, 117(4), 1–50. https://doi.org/10.1177/016146811511700404

Mandinach, E. B., & Gummer, E. S. (2016a). Data literacy for educators: Making it count in teacher preparation and practice. Teachers College Press.

Mandinach, E. B., & Gummer, E. S. (2016b). What does it mean for teachers to be data literate: Laying out the skills, knowledge, and dispositions. Teaching and Teacher Education, 60, 366–376. https://doi.org/10.1016/j.tate.2016.07.011

Marsh, J. A. (2012). Interventions Promoting Educators’ Use of Data: Research Insights and Gaps. Teachers College Record: The Voice of Scholarship in Education, 114(11), 1–48. https://doi.org/10.1177/016146811211401106

Mayer, R. (2014). Principles based on social cues in multimedia learning: Personalization, voice, image, and embodiment. The Cambridge handbook of multimedia learning, 16, 345–370.

Mousavi, S. Y., Low, R., & Sweller, J. (1995). Reducing cognitive load by mixing auditory and visual presentation modes. Journal of Educational Psychology, 87(2), 319–334. https://doi.org/10.1037/0022-0663.87.2.319

Richter, E., & Richter, D. (2024). Measuring the quality of teacher professional development: A large-scale validation study of an 18-item instrument for daily use. Studies in Educational Evaluation, 81, 101357. https://doi.org/10.1016/j.stueduc.2024.101357

Rzejak, D., Gröschner, A., Lipowsky, F., Richter, D., & Calcagni, E. (2023). Qualität von Lehrkräftefortbildungen einschätzen. Ein Arbeitsbuch aus dem Projekt IMPRESS. I, 41, 51 ungezählte pages. https://doi.org/10.25656/01:26502

Schildkamp, K., Karbautzki, L., & Vanhoof, J. (2014). Exploring data use practices around Europe: Identifying enablers and barriers. Studies in Educational Evaluation, 42, 15–24. https://doi.org/10.1016/j.stueduc.2013.10.007

Sweller, J. (1988). Cognitive Load During Problem Solving: Effects on Learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

Sweller, J. (2008). Cognitive Load Theory and the Use of Educational Technology. Educational Technology, 48(1), 32–35.

Van Geel, M., Keuning, T., Visscher, A. J., & Fox, J.-P. (2016). Assessing the Effects of a School-Wide Data-Based Decision-Making Intervention on Student Achievement Growth in Primary Schools. American Educational Research Journal, 53(2), 360–394. https://doi.org/10.3102/0002831216637346

Die BayernCloud Schule (ByCS) stellt die zentrale Werkzeugplattform des Freistaats Bayern für zentrale, anwendungsbasierte Schulentwicklungsmaßnahmen dar. Der ByCS-Kosmos umfasst sowohl pädagogische Anwendungen, als auch Verwaltungsanwendungen oder Screening-Tools, wie der datenbasierten Sprachstandserhebung im Vorschulalter. Die Lehrer(fort)bildung und die regionale Multiplikation bedienen immer stärker den technisch-fachlichen Brückenschlag in die Praxis und tragen durch zentrale Strukturen erheblich zum Transfer in die individuelle Schulentwicklung bei - ganz konkret und sehr gezielt.

ByCS: https://www.bycs.de/index.html

VBW- Digitale Bildung an bayerischen Schulen zwischen Pandemie und KI; Dezember 2024.