CuCo – Customized Confidence Ratings in Digital Learning Environments

Die Digitalisierung hat viele Lernaktivitäten ins Online-Format verlagert und damit neue Möglichkeiten geschaffen, Lernumgebungen an individuelle Lernmerkmale (z. B. metakognitive Fähigkeiten, Selbstvertrauen) anzupassen. Die Integration personalisierter Confidence Ratings (CR) – bei denen Lernende angeben, wie sicher sie sich bei ihren Antworten sind – könnte eine solche Möglichkeit sein, das Lernen während digitaler Lerneinheiten zu verbessern. Die „cognizant confidence“-Hypothese besagt, dass CR vorhandene Überzeugungen über das eigene Selbstvertrauen aktivieren, die sich anschliessend auf die Leistung auswirken. Daher würden Lernende mit hohem Selbstvertrauen von CR profitieren, während Lernende mit niedrigem Selbstvertrauen eher Nachteile hätten. 

Da CR in der Bildungsforschung genutzt werden, um metakognitive Fähigkeiten in Behaltensaufgaben zu messen, ist es entscheidend zu prüfen, ob die Implementierung von CR in einer digitalen Lerneinheit die Leistung beeinflusst und ob das Selbstvertrauen diesen Effekt moderiert. Ziel ist es, CR so in digitale Lernsettings zu integrieren, dass sie das Lernen aller verbessern und nicht nur der selbstsicheren Lernenden.

Zusammengefasst adressiert CuCo eine zentrale Fragestellung der Bildungswissenschaft und untersucht das Zusammenspiel zwischen Merkmalen der Lernenden und einer personalisierten digitalen Lernumgebung. Die gewonnenen Erkenntnisse können anschliessend in digitalen Lernübungen eingesetzt werden, und über die DSI-Communities können wir Lehrpersonen einbinden und sie darin unterstützen, ein forschungsbasiertes Werkzeug zur Förderung des Lernens in digitalen Lernumgebungen zu nutzen.

Teilweise finanziert durch die Community Education der Digital Society Initiative (DSI) der Universität Zürich

Projektleitung:
Dr. Helene M. von Gugelberg (UZH) 

Projektteam:
Jun Prof. Dr. Jana Jungjohann (TU Dortmund)
Prof. Dr. Damian Birney (USYD)
Prof. Dr. Sascha Schneider (UZH)