Das Projekt DEEP-SRL untersucht, wie Primarlehrpersonen darin unterstützt werden können, die Kompetenzen zum selbstregulierten Lernens (SRL) ihrer Schüler:innen in digitalen Lernumgebungen (DLE) zu fördern. Drei Teilprojekte beschäftigen sich mit 1) den unterschiedlichen Fähigkeiten und motivationale Orientierungen von Schüler:innen in der Interaktion mit digitalen metakognitiven Prompts, 2) den Kompetenzen und Einstellungen von Lehrpersonen für die SRL-Förderung in DLEs und 3) dem Einsatz von Learning Analytics und maschinellem Lernen für das SRL-Assessment und die individuelle SRL-Förderung. 

HINTERGRUND

Das Lernen in DLEs eröffnet neue Möglichkeiten für individualisiertes Lernen, stellt aber auch hohe Anforderungen an die SRL-Fähigkeiten der Schüler:innen. Forschungsergebnisse zeigen, dass jüngere oder schwächere Lerner:innen, denen bestimmte SRL-Fähigkeiten noch fehlen, deshalb nicht immer vom Lernen in DLEs profitieren (Azevedo, 2005). Diese enge Verknüpfung von effektivem Lernen in DLEs und SRL-Fähigkeiten könnte einen weiteren negativen Einfluss auf die Chancengerechtigkeit von Kindern mit unterschiedlichem sozioökonomischen und akademischen Hintergrund haben. Untersuchungen zeigen aber auch, dass Schüler:innen, die in ihren SRL-Fähigkeiten gefördert werden, hier leistungsmässig aufholen können (Guo et al., 2022). Digitale Technologien bieten in diesem Kontext verschiedene Möglichkeiten zur SRL-Unterstützung, die in vielen Fällen zu einer Verbesserung von Lernprozessen und -ergebnissen führen können (Prasse et al., 2024). Solche digitalen Unterstützungsangebote helfen jedoch nicht allen Lernenden und sind weniger wirksam, wenn sie nicht auf die individuellen Bedürfnisse der Lernenden abgestimmt sind (Wong et al., 2019). Allerdings existieren bisher nur wenige Erkenntnisse dazu, welche konkreten Lernvoraussetzungen die Wahrnehmung und Nutzung digitaler Unterstützungsangebote beeinflussen und was dies für die Entwicklung adaptiver digitaler SRL-Werkzeuge bedeutet. 

Lehrpersonen spielen eine bedeutsame Rolle in der individuellen Anpassung digitaler Unterrichtsdesigns an die unterschiedlichen Voraussetzungen der Lernenden. Allerdings ist auch hier noch wenig darüber bekannt, wie Primarlehrpersonen digitale Technologien zur individuellen SRL-Förderung nutzen und wie erfolgreich das gelingt. Forschungsergebnisse zeigen, dass Lehrpersonen generell wenig SRL-Förderung in ihre Unterrichtspraxis integrieren, was auf die oft begrenzten Kompetenzen in diesem Bereich zurückzuführen ist (Karlen et al., 2020). Dies könnte in Bezug auf DLEs noch gravierender sein. Learning-Analytics Ansätze (z.B. maschinelles Lernen) und interaktive SRL-Dashboards könnten Lehrpersonen helfen, die Kompetenzen ihrer Schüler:innen besser einzuschätzen und die SRL-Unterstützung individuell darauf abzustimmen. Jedoch ist der Einsatz solcher Methoden zur SRL-Diagnose und Förderung insbesondere auf der Primarstufe komplex und ethisch anspruchsvoll. Es braucht ausserdem mehr Wissen dazu, wie die Überzeugungen und Kompetenzen der Lehrpersonen deren Interaktion mit digitalen SRL-Unterstützungssystemen beeinflussen (Molenaar, 2022).

FORSCHUNGSDESIGN UND AUSBLICK

DEEP-SRL aims at empowering primary school teachers to promote self-regulated learning skills (SRL) among diverse students in digital learning environments (DLE). In three sub-projects we explore 1) students’ variability in interacting with digital metacognitive prompts, 2) teachers’ attitudes and competences regarding the promotion of SRL in a DLE, and 3) opportunities of learning analytics and machine learning to assess students' SRL skills and to empower teachers to adapt SRL-supports to students’ individual needs. 

BACKGROUND

Learning in DLEs opens up new opportunities for individualised learning, but also places high demands on students' SRL skills. Research shows that younger and struggling learners do not always benefit from learning in DLEs because they lack the necessary SRL skills (Azevedo, 2005). Unfortunately, the high importance of SRL skills for learning in DLEs may also engender inequity for students from disadvantaged socio-economic and academic backgrounds. However, research also suggests that disadvantaged students may catch up when supported in their SRL skills (Guo et al., 2022). Digital technologies offer various opportunities to support SRL which have been shown to improve learning processes and outcomes (Prasse et al., 2024). But not all students benefit from SRL supports and such supports are more effective when they are adaptive to students' individual needs (Wong et al., 2019). More research is needed on which specific learner characteristics influence the way students perceive and use digital SRL supports, and how this might inform the development of adaptive SRL support designs.

Teachers also play an important role in tailoring the instructional design of a DLE towards learners with differing abilities, but we know little about how primary school teachers use digital technologies to promote SRL for different learners. Research shows that teachers generally integrate little SRL support into their classroom practice often due to limited competence (Karlen et al., 2020). This may be even more pronounced in DLEs. Here, learning analytics dashboards could assist teachers to better monitor their students' SRL and to provide individualised support. However, the use of new methods (e.g., machine learning) for the assessment and support of SRL at primary school level is complex and involves ethical considerations. Moreover, we need to better understand how teachers’ beliefs and competences influence their interaction with such SRL supports (Molenaar, 2022).

RESEARCH DESIGN AND OUTLOOK

Our sample contains school classes from the following Swiss cantons: