Seite - 173 - in L3T - Lehrbuch für Lernen und Lehren mit Technologien

173 Auch ist es oft (aus ethischen Gründen) nicht möglich, Teilnehmer/innen an Experimenten „zufällig“ aus- zuwählen oder Gruppen zuzuteilen, es handelt sich dann um „Quasiexperimente“. Die Voraussetzungen ei- nes experimentellen Designs sind beim Lernen und Lehren mit Technologien nur selten zu realisieren. In der Forschungspraxis ist es oft schwierig, Vergleichsgruppen zu bilden. So sind die Unterschiede in zwei Schulklassen (Lehrer/innen, Schüler/innen, Verteilungen) oft schon zu groß, um Wirkungen zweier unter- schiedlicher Interventionen beurteilen zu können. Die Feldstudie ist zwar im Forschungsbereich eine uner- lässliche Vorgehensweise, da die Ergebnisse oft vom Laborversuch deutlich abweichen, aber umgekehrt auch viel schwieriger zu systematisieren. Sofern es nur um reine Technologien geht, beispielsweise um Per- formancetests unter bestimmten Bedingungen, gibt es diese Schwierigkeiten nicht. Bevor Daten ausgewertet werden, müssen die erhobenen Daten in aller Regel erst aufbereitet werden. Dann liegen sie in unterschiedlichen Formaten vor, beispielsweise als Texte, Tabellen oder auch als Foto- oder Videomaterial. Es gibt unterschiedliche Auswertungsmöglichkeiten, die jedoch auch von den spezifischen Materialien abhängen. So gibt es für Daten, die in Form von Zahlen vorliegen, zunächst einmal die Möglichkeit der quantita- tiven Auswertungsmöglichkeiten. Deskriptive statistische Verfahren geben dabei einen Überblick über Verteilungen, beispielsweise Durchschnittswerte oder Rangreihen. Die Berechnung des Korrelationskoeffi- zienten ermöglicht so die Überprüfung, ob zwei Datensätze statistisch zusammenhängen. Die Clusteranaly- se ist ein algorithmisches Verfahren, das auf „Häufelungen“ von Daten mit ähnlichen Merkmalsausprägun- gen hinweisen kann. Die Soziale-Netzwerk-Analyse wertet beispielsweise Vernetzungsstrukturen im Hin- blick auf entscheidende Knoten im Netzwerk der Beziehungen oder Kommunikationsflüsse aus. Bei Ver- gleichen von Datensätzen, beispielsweise Gruppenvergleiche oder Prä- und Postdaten, kommen sogenannte inferenzstatistische Verfahren zum Einsatz. Diese erlauben Aussagen darüber, ob Unterschiede in den Gruppen durch den Zufall erklärt werden können oder statistisch bedeutsam sind. Bei sogenannten „Zu- sammenhangstudien“ wird versucht zu klären, inwieweit zwei Faktoren voneinander abhängen. Hier kann beispielweise das statistische Zusammenhangsmaß des Korrelationskoeffizienten berechnet werden. Solche Verfahren werden auch bei explorativen Auswertungen eingesetzt, um beispielsweise auf besondere Zu- sammenhänge aufmerksam zu werden (vgl. Kapitel #analytics). Bei qualitativ orientierten Verfahren werden Daten im Hinblick auf inhaltliche Aspekte ausgewertet, beispielsweise werden Text- und Inhaltsanalysen im Hinblick auf bestimmte Motive, Argumentationsstruk- turen, Muster (engl. Pattern) oder Aussagen hin angefertigt. Manchmal werden diese Kriterien auch erst während der Auswertung entwickelt. So beschreibt das Verfahren der „Grounded Theory“ (Glaser & Strauss, 1967) die Entwicklung und Entstehung von Theorien auf Grundlage der Auswertung von qualitati- ven Daten (in der Regel Texten). Gruppen können dabei verglichen werden, indem Besonderheiten identifi- ziert werden. Fallstudienanalysen versuchen beispielsweise häufig, Erfolg- und oder Misserfolgskriterien von Unternehmungen zu identifizieren. Schließlich werden auch in der systematischen Entwicklung von neuartigen Konzepten und Systemen zahl- reiche unterschiedliche Methoden eingesetzt, die mehr oder weniger genau vorschreiben, wie diese Ent- wicklung stattfinden soll, um die angestrebten positiven Ergebnisse zu erhalten, um besonders ökonomisch voran zu kommen oder auch, um besonders innovative Verfahren zu erhalten. In der angewandten Informatik sind hier Prinzipien wie die iterative Softwareentwicklung, Prototyping, Analysen von Einsatzpotentialen oder auch nutzer-/nutzerinnen-zentrierten- Anwendungsentwicklungen zu nennen, wobei Letztere beispielsweise mit Hilfe der Persona-Methode gut zu den unterschiedlichen Anfor- derungen und Nutzergruppen passen. Auch gibt es zahlreiche Vorschläge, wie man zu gelungenen Lernum- gebungen und -materialien gelangt, zum Beispiel das ADDIE- oder das ARCS-Modell oder indem man Ar- chitekturen solcher Informationssysteme entwirft. Auch gibt es Innovationsentwicklungsverfahren wie Lead-User-Workshops, die hier Anleitungen geben können. Spezielle Methoden in der Usability-Forschung (zum Beispiel Thinking Aloud oder Heuristische Evaluation) helfen, speziell die Mensch-Maschine-Inter- aktion besser zu verstehen (siehe Kapitel #usability). Schließlich ermöglichen unterschiedliche Evaluati- onsmethoden, die Entwicklung zu optimieren oder abschließend auf Stärken und Schwächen hinzuweisen.