Katharina Gierl

• In der vorliegenden Studie wurde ein Verfahren zur Analyse naturwissenschaftlicher Beschreibungen entwickelt und anhand der Beschreibungen von (N = 28) Physiklehramtsstudierenden erprobt. Im Rahmen der Arbeit wurden Merkmale naturwissenschaftlicher Beschreibungen identifiziert, die bedeutsam für erfolgreiche Erkenntnis- und Problemlöseprozesse sind. Zu den Merkmalen zählen die mittlere Anzahl an Kernaussagen, die Komplexität, der Theoretische Bezug, die Spezifität und die Linearisierung. Zur Untersuchung dieser Merkmale wurde gemäß der qualitativen strukturierenden Inhaltsanalyse nach Mayring (2022) Kategoriensysteme entwickelt. Für die Analyse der identifizierten Merkmale wurden entsprechend der qualitativen strukturierenden Inhaltsanalyse nach Mayring (2022) Kategoriensysteme erstellt. Diese Systeme ermöglichten eine gezielte quantitative Analyse der Beschreibungen von Physiklehramtsstudierenden verschiedener Expertise-Niveaus (u.a. deklarative Modellkompetenz), um Unterschiede in den Beschreibungsmerkmalen herauszuarbeiten. Die Ergebnisse zeigen, dass die Beschreibungen der Studierenden zwar einen hohen theoretischen Bezug aufweisen, sich jedoch in der Anzahl modell-spezifischer Zusammenhänge unterscheiden. Studierende mit einer hohen deklarativen Modellkompetenz formulieren mehr modell-spezifische Zusammenhänge. Dies deckt sich mit Befunden anderer Studien, in denen beobachtet werden konnte, dass Lernende vorwiegend auf einer Oberflächenstruktur beschreiben, wohingegen Expert:innen auf einer Tiefenstruktur beschreiben (Heller & Reif, 1984; Larkin et al., 1980). Ferner deuten die Ergebnisse darauf hin, dass die Transparenz einen positiven Einfluss auf die Formulierung modellspezifischer Zusammenhänge hat.
• In the present study, a method for analyzing scientific descriptions was developed and tested using descriptions from (N = 28) physics education students. The work identified characteristics of scientific descriptions that are significant for successful knowledge acquisition and problem-solving processes. These characteristics include the average number of core statements, complexity, theoretical reference, specificity, and linearization. To investigate these characteristics, category systems were developed according to the qualitative structuring content analysis by Mayring (2022). These systems enabled a targeted quantitative analysis of the descriptions provided by physics education students of various expertise levels (including declarative model competence) to highlight differences in the description characteristics. The results show that while the students' descriptions have a high theoretical reference, they differ in the number of model-specific connections (e.g., causal or functional relationships). Students with high declarative model competence formulate more model-specific connections. This finding aligns with results from other studies, which observed that learners predominantly describe at a surface structure level, whereas experts describe at a deeper structure level (Heller & Reif, 1984; Larkin et al., 1980). Furthermore, the results suggest that transparency has a positive influence on the formulation of model-specific connections.