Entwicklung eines Kompetenzniveaumodells der Technischen Mechanik für die Studieneingangsphase im Bauingenieurwesen
Der Bedarf an Ingenieuren steigt seit einigen Jahren, aber die Zahl der ausgebildeten Ingenieure reicht nicht aus, um den Bedarf zu decken. Neue Ingenieure müssen an den Hochschulen ausgebildet werden, um dem steigenden Bedarf gerecht zu werden. Die Zahl der Studienanfänger in den Ingenieurwissenschaften ist jedoch rückläufig. Hinzu kommt eine hohe Studienabbruchquote in den allgemeinen Ingenieurwissenschaften oder speziell im Bauingenieurwesen. Als einer der Hauptfaktoren für den Studienabbruch in den ersten Fachsemestern gelten Leistungsprobleme, die zumeist auf einen Rückgang spezieller fachlicher, auch mathematischer Kenntnisse bei Studienanfängern zurückzuführen sind und zu Problemen in den Grundlagenfächern wie der Technischen Mechanik oder Mathematik führen. Da die Studienanfänger diese Wissenslücken in der Regel nicht selbstständig schließen können, ist es aus Sicht der Hochschulen wünschenswert, diese gefährdeten Studienanfänger zu identifizieren, um geeignete Unterstützungsmaßnahmen konzipieren und anbieten zu können.
Aus diesem Grund wurde im Rahmen dieser Arbeit ein Kompetenzniveaumodell der Technischen Mechanik für die Studieneingangsphase im Bauingenieurwesen entwickelt. Als Grundlage für die Niveaumodellierung dienen die im Rahmen der Studie ALSTER entwickelten Testinstrumente. Diese Testinstrumente wurden von der Studie FUNDAMENT adaptiert und auch zur Testung von Probanden in den ersten beiden Fachsemestern eingesetzt. Die Daten beider Studien, die an zwei Standorten (Universität Duisburg-Essen und Ruhr-Universität Bochum) erhoben wurden, dienen somit als Ausgangspunkt für diese Arbeit.
In einem ersten Schritt wurde die gesamte Stichprobe beschrieben und auf signifikante Unterschiede zwischen den beiden Studien untersucht. Es zeigt sich, dass sich sowohl die beiden Studien als auch die Standorte signifikant unterscheiden. Diese Unterschiede können jedoch als typische Jahrgangs- bzw. Kohortenunterschiede interpretiert werden, da die Erhebungen zwei Jahre auseinander liegen. Anschließend erfolgte die Aufbereitung der Daten, wobei der Datensatz mittels eines visuellen Verfahrens (Box-Whisker-Diagramm) auf Ausreißer und Extremwerte untersucht wurde. Im Anschluss erfolgte die Überprüfung des Datensatzes auf fehlende Werte, die mit Hilfe des Predictive Mean Matching-Verfahren imputiert wurden, der imputierte Datensatz wurde nochmals auf Ausreißer/Extremwerte untersucht. Der aufbereitete Datensatz wurde nach der Item-Response-Theorie skaliert. Zunächst wurde geprüft, ob eine gemeinsame Skalierung der beiden vorliegenden Teildatensätze zulässig ist. Dabei stellte sich heraus, dass dies für die Technische Mechanik möglich ist, die Testinstrumente der Rechenfähigkeit jedoch für die beiden Studien getrennt skaliert werden müssen. Nach der Untersuchung des Datensatzes auf auffällige FIT-Werte wurden Modellvergleiche für die einzelnen Teilbereiche (Technische Mechanik und Rechenfähigkeit) und Messzeitpunkte durchgeführt. Für die Testinstrumente der Technischen Mechanik und Rechenfähigkeit (FUNDAMENT) zeigte das 2pl-Birnbaum-Modell die beste Passung zu den vorliegenden Daten, während für ALSTER (Rechenfähigkeit) das 1pl-Rasch-Modell am besten passte. Die IRT skalierten Daten wurden dann für die Modellierung der Niveaumodelle verwendet, wobei aufgrund der 2pl-Birnbaum-Skalierung die Lösungswahrscheinlichkeit der Itemschwierigkeiten auf 80% gesetzt wurde. Es zeigt sich, dass die Mehrheit der Probanden nur niedrige Niveaus erreicht. Zudem sind diese Probanden in der Regel nicht in der Lage, an späteren Messzeitpunkten ein höheres Niveau zu erreichen, während dies Probanden gelingt, die zu Beginn einem mittleren Niveau zugeordnet werden. Weiterhin wurde deutlich, dass es Prädiktoren in Form von Schulbildung, Migrations- und Bildungshintergrund gibt, die einen signifikanten Einfluss auf das erreichte Niveau zu Beginn des ersten Studiensemesters haben.
Bei der Überprüfung der Forschungsfragen konnten signifikante Unterschiede in den Personenfähigkeiten der beiden Studien nachgewiesen werden. Darüber hinaus besteht ein signifikanter Zusammenhang zwischen dem erreichten Kompetenzniveau und den erzielten Klausurnoten (Technische Mechanik und Mathematik) am Ende der ersten beiden Fachsemester. Probanden mit einem niedrigen Kompetenzniveau können als Risikogruppe bezeichnet werden, da sie die Klausuren tendenziell nicht bestehen. Ebenso konnte gezeigt werden, dass die in FUNDAMENT entwickelten digitalen Elemente für die Studienvorphase (Online-Self- Assessment und Online-Vorkurs) keinen signifikanten Einfluss auf die Klausurnoten haben. Hingegen können die ebenfalls in FUNDAMENT entwickelten interaktive Online-Module als Indikator für das Erreichen eines bestimmten Kompetenzniveaus angesehen werden.
The demand for engineers has been increasing for several years, but the number of trained engineers is not sufficient to meet the demand. New engineers need to be trained at universities in order to meet the increasing demand. However, the number of new engineering students is declining. In addition, there is a high drop-out rate in the general engineering sciences or specifically in civil engineering. One of the main factors for students dropping out in the first few semesters is considered to be performance problems, which are mostly due to a decline in specific technical, including mathematical, knowledge among first-year students and lead to problems in basic subjects such as engineering mechanics or mathematics. s first-year students are generally unable to close these knowledge gaps independently, it is desirable from the universities’ point of view to identify these vulnerable first-year students in order to be able to design and offer suitable support measures.
For this reason, a competence level model of engineering mechanics for the introductory phase of civil engineering was developed as part of this thesis. The test instruments developed as part of the ALSTER study serve as the basis for the competence level modelling. These test instruments were adapted from the FUNDAMENT study and also used to test students in the first two semesters. The data from both studies, which were collected at two locations (University of Duisburg-Essen and Ruhr-University Bochum), thus serve as the starting point for this work.
In a first step, the entire sample was described and analysed for significant differences between the two studies. It was found that both the two studies and the locations differed significantly. However, these differences can be interpreted as typical vintage or cohort differences, as the surveys were conducted two years apart. The data was then processed, whereby the data set was analysed for outliers and extreme values using a visual method (box-whisker diagram). The data set was then checked for missing values, which were imputed using the Predictive Mean Matching method, and the imputed data set was analysed again for outliers/extreme values. The processed data set was scaled using the Item-Response-Theorie. First, it was checked whether a joint scaling of the two available partial data sets is permissible. It turned out that this was possible for the engineering mechanics, but that the numeracy test instruments had to be scaled separately for the two studies. After analysing the data set for conspicuous FIT values, model comparisons were carried out for the individual sub-areas (engineering mechanics and mathematics) and measurement point. For the test instruments of engineering mechanics and numeracy (FUNDAMENT), the 2pl-Birnbaum model showed the best fit to the available data, while for ALSTER (numeracy) the 1pl-Rasch model fitted best. The IRT scaled data were then used to model the competence level models, whereby the solution probability of the item difficulties was set to 80% due to the 2pl-Birnbaum scaling. It can be seen that the majority of test subjects only achieve low levels. In addition, these test subjects are generally not able to reach a higher level at later measurement points, while test subjects who are assigned to an intermediate level at the beginning are able to do so. Furthermore, it became clear that there are predictors in the form of school education, migration and educational background that have a significant influence on the level achieved at the beginning of the first semester of study.
When examining the research questions, significant differences were found in the personal abilities of the two studies. In addition, there is a significant correlation between the level of competence achieved and the exam grades achieved (engineering mechanics and mathematics) at the end of the first two semesters. Subjects with a low level of competence can be labelled as a risk group, as they tend to fail the exams. It was also shown that the digital elements developed in FUNDAMENT for the preliminary study phase (online self assessment and online preliminary course) have no significant influence on the exam grades. On the other hand, the interactive online modules also developed in FUNDAMENT can be seen as an indicator for the achievement of a certain level of competence.