DuEPublico 2

Dies ist unser neues Repositorium, derzeit für E-Dissertationen und ausgewählte weitere Publikationen. Weitere Informationen...

Computer-based visualizing : learning from science texts by means of self-generated computer-based drawings

Lorenz, Luisa Amelie GND

Research on the effectiveness of generating visualizations while reading and understanding a science text showed: Learning with the help of self-generated visualizations that learners generate paper-and-pencil based has a positive effect on the learning outcome (van Meter & Garner, 2005; van Meter & Firetto, 2013). Although there are several studies concerning learning with paper-and-pencil based self-generated visualizations, only one study has investigated learning with computer-based drawing by means of drag-and-drop. This study did not find distinct evidence for or against the efficacy of learning from science texts with the help of computer-based self-generated visualizations regarding learning outcome (Schwamborn, Thillmann, Opfermann & Leutner, 2011). However results did show that learners generating computer-based visualizations have less cognitive resources available to actively process the information, meaning that computer-based drawing seems to increase the cognitive load (Extraneous Cognitive Load; see Sweller, 2010). The starting point of this dissertation was the lack of evidence for the learner-generated drawing strategy (see Alesandrini, 1984, van Meter & Garner, 2005) being successful in enhancing learning outcome within computer-based learning environments. Based on two experimental studies, it was analyzed whether generative drawing by means of drag-and-drop on a computer screen can increase learning from science texts generally (Generative Drawing Principle, see Schwamborn, Mayer, et al., 2010); second which kind of effect computer-based generative drawing has on students’ cognitive load; and finally whether benefits of generative drawing are the same for paper-based and computer-based materials. Results of the first study show that students have higher learning outcome scores respectively learn more when they learn from a science text using the generative drawing strategy. In addition, the results provide strong and consistent support for the Prognostic Drawing Principle (see Schwamborn, Mayer, et al., 2010). Here, the accuracy or quality of the visualizations generated during learning correlates positively with the posttest scores. Thus, the results suggest that the generative drawing principle and the prognostic drawing principle can be extended to computer-based learning environments, when extraneous processing caused by the specific mechanics of generating computer-based drawings is reduced. Results of the second study show that students learn significantly more when they read and generate drawings on paper than on a computer screen (using drag-and-drop). Results also reveal that students reported significantly less perceived difficulty when working with a text-paragraph in the computer-based learning environment than in the paper-based learning environment. On a subsequent questionnaire, students generally reported fewer difficulties when generating drawings by drag-and-drop on the computer as well as a higher level of motivation. Additionally, the prognostic drawing principle is supported in paper-based as well as in computer-based learning environments. Finally, results of the studies are discussed with regard to their empirical, theoretical and practical contributions as well as their limitations. In addition, indications for future research are given.

Die bisherige Forschung hinsichtlich der Wirksamkeit selbst generierter Visualisierungen beim verstehenden Lesen eines Sachtextes, hat folgendes Ergebnis hervorgebracht: Lernen mit Hilfe von selbst generierten Visualisierungen, die Lernende mit Stift und Papier (papierbasiert) generieren bzw. zeichnen, wirkt sich positiv auf das Lernergebnis aus (van Meter & Garner, 2005; van Meter & Firetto, 2013). Obwohl es mehrere Studien zum Lernen mit papierbasierten, selbst generierten Visualisierungen gibt, hat unserer Kenntnis nach, nur eine Studie diese Art des Zeichnens für computergestütztes Lernen, d.h. mittels Drag-and-Drop untersucht. Diese konnte noch keine eindeutigen Belege für oder gegen die Wirksamkeit computerbasierter selbst generierter Visualisierungen auf das Textverstehen bzw. das Lernergebnis aufzeigen (Schwamborn, Thillmann, Opfermann & Leutner, 2011). Die Ergebnisse der genannten Studie zeigen Hinweise darauf, dass Lernende weniger kognitive Ressourcen für die aktive Verarbeitung der Informationen zur Verfügung haben. Das heißt, dass computerbasiertes Zeichnen die kognitive Belastung (Extraneous Cognitive Load; vgl. Sweller, 2010) zu erhöhen scheint. Fehlende Ergebnisse dafür, dass die Strategie des selbstständigen Visualisierens (vgl. Alesandrini, 1984; van Meter & Garner, 2005) als eine erfolgreiche Lernstrategie auch innerhalb des computerbasierten Lernens verwendet werden kann, war der Ausgangspunkt dieser Dissertation. Anhand zwei experimenteller Studien wurde analysiert, ob selbst generiertes Visualisieren mittels Drag-and-Drop auf einem Computerbildschirm, beim verstehenden Lesen eines Sachtextes, das Lernergebnis erhöhen kann (Generative Drawing Principle; vgl. Schwamborn, Mayer, et al., 2010), welchen Effekt das computerbasierte Visualisieren auf die kognitive Belastung der Lernenden hat und schließlich, ob die Vorteile des generativen Zeichnens für papierbasierte und computerbasierte Materialien gleich sind. Die Ergebnisse der ersten Studie zeigen, dass Lernende, die während des Lesens Visualisierungen generieren, höhere Lernergebnisse erzielen. Zusätzlich liefern die Ergebnisse eine starke und konsistente Unterstützung für das Prognostic Drawing Principle (vgl. Schwamborn, Mayer, et al., 2010). Hier korreliert die Genauigkeit bzw. die Qualität der während des Lernens generierten Visualisierungen positiv mit den Posttest-Ergebnissen. Diese Ergebnisse deuten darauf hin, dass das Generative Drawing Principle und das Prognostic Drawing Principle auf computerbasierte Lernumgebungen ausgeweitet werden können, wenn die, durch die spezielle Mechanik des computerbasierten Visualisierens hervorgerufene, kognitive Belastung (Extraneous Cognitive Load) minimiert wird. Die zweite Studie zeigt deutlich höhere Lernergebnisse der Lernenden, die das verstehende Lesen eines Sachtextes und das gleichzeitige Selbstgenerieren von Visualisierungen, papierbasiert anstatt computerbasiert durchführen. Außerdem zeigt sich, dass Lernende beim computerbasierten Lernen über deutlich weniger wahrgenommene Schwierigkeiten berichten als während des papierbasierten Lernens. In einem anschließenden Fragebogen geben die Lernenden an, weniger Schwierigkeiten beim Generieren von Visualisierungen mittels Drag-and-Drop (computerbasiert) als beim papierbasierten Generieren zu haben. Darüber hinaus, berichten sie über eine höhere Motivation bei der Verwendung des Computers während des Visualisierens, im Gegensatz zum papierbasierten Visualisieren. Diese Ergebnisse geben Hinweise darauf, wie das Lernmaterial für selbst generiertes Visualisieren, vor allem in Hinblick auf eine Reduzierung der kognitiven Belastung, zukünftig verbessert werden kann. Schließlich belegen die Ergebnisse der zweiten Studie noch einmal das Prognostic Drawing Principle in papierbasierten, sowie in computerbasierten Lernumgebungen. Anschließend werden beide Studien in ihren Limitationen und Konsequenzen für zukünftige Forschung kritisch diskutiert.

Share and cite

Citation style:

Lorenz, Luisa Amelie: Computer-based visualizing. learning from science texts by means of self-generated computer-based drawings. 2019.

Rights

Use and reproduction:

Export