Stud. Aushilfs-/Vertretungslehrkräfte unterstützen
Der massive Lehrkräftemangel führt deutschlandweit zumverstärkten Unterrichtseinsatz von Lehramtsstudierenden an Schulen. Diese Aushilfs- und Vertretungslehrkräfte sammeln dabei extracurriculareschulische Praxiserfahrungen, können diese aber nicht systematisch für ihren Professionalisierungsprozess im Studium nutzen.DieserEntwicklung begegnet der Projektverbund der Universitäten Hildesheim (UHi) und Marburg (UMR) mit save_u (Studentische Aushilfs-/Vertretungslehrkräfte unterstützen):UHi und UMRwerden gemeinsam Studienelemente konzipieren und erproben, umdie extracurricularenPraxiserfahrungen der Lehramtsstudierenden in Schulen kohärent mit ihrem Lern-und Professionalisierungsprozess im Studium zu verzahnen. Neben akademischem Ertrag und Innovationspotenzial erhöht die enge Anbindung schulischer Tätigkeit an wissenschaftsgeleitete Reflexion kurzfristig die Unterrichtsqualität.Die Kooperation der bzgl. Schulformen und strukturellem Rahmen komplementär aufgestellten UHi und UMR wird das Professionalisierungsspektrum für Lehrende und Studierende erweitern. save_u erlaubt eine Neufokussierung der wissenschaftlichen Qualifizierung im Lehramtsstudium durch innovative Praxisorientierung und Verbesserung des Bezugs zu Anforderungen des Berufsfelds. Die vonsave_uerprobten Modelle haben das Potenzial, bundesländer- und studiengangübergreifend für Architekturen von Lehramtsstudiengängen als Blaupausen für Studienstruktur, einzelne Module, Lehrformate und Lehrkultur zu dienen.
Auf einen Blick
Kontakt
Das könnte Sie auch interessieren
Kausale Inferenz, Maschinelles Lernen und Reproduzierbare Forschung
Das Projekt KMR strebt an, moderne empirische Verfahren der kausalen Inferenz, des maschinellen Lernens und der reproduzierbaren Forschung in große verpflichtende Lehrveranstaltungen der Ökonometrie in wirtschaftswissenschaftlichen Studiengängen zu tragen, hier zunächst konkret die Einführung in die Ökonometrie (Wintersemester, 6 ECTS) an der Universität Duisburg-Essen (UDE). Umfangreiche open source-Materialien machen die Projektergebnisse anderen Studierenden und Lehrenden zugänglich. Der Arbeitsplan des Projektes gliedert sich in die vier Arbeitspakete Identifikationsstrategien (AP1), Maschinelles Lernen (AP2), Implementierung empirischer Forschung (AP3) und einem open-source-Kompendium (AP4). AP1 macht moderne kausale empirische Strategien wie difference-in-differences oder regression discontinuity zugänglich für Bachelorstudierende. AP1 adressiert erfolgreiche prädiktive Verfahren wie decision und regression trees und random forests. AP3 widmet sich der Vermittlung von Kompetenzen zur reproduzierbaren Forschung. Hierzu gehören die Integration von Text und statistischer Analyse ("RMarkdown"), interaktive Präsentation ("Shiny"), Versionskontrolle ("Github") oder die Erstellung von Paketen. AP4 erstellt ein open source-Online Kompendiums (AP4), das die Inhalte des Moduls frei zugänglich veranstaltungsbegleitend, aber auch zum Selbststudium bereitstellt.
Projekt anzeigen
