· individuelle förderung in der physikolympiade · Schritt 1: Vorverarbeitung des Textinputs Schritt 2: Sequenzgenerierung durch ML-basierte Zuordnung von Themen E=mc² Hypothese Konzeptueller Aspekt Annahme Schritt 3: Feedbackgenerierung basierend auf Sequenz WENN Bedingung1 erfüllt DANN gib Feedback1 WENN Bedingung2 erfüllt DANN gib Feedback2 … Rahmenmodell für die automatisierte Erzeugung prozessbasierten Feedbacks für physikalische Problemlösungen. Der z-score zeigt, wie weit ein Wert vom Mittelwert entfernt ist – gemessen in Standardabweichungen. Fazit Die Ergebnisse der Studien zeigen, dass Teilnehmende der ersten Runde der PhysikOlympiade unterschiedliche Be- dürfnisse aufweisen, die Anpassungen in der Förderung erfordern. Insbesondere würde ein großer Anteil der Teil- nehmenden von Unterstützungsangeboten zum physikali- schen Problemlösen profitieren, die bereits zu Beginn des Wettbewerbs zur Verfügung stünden. Um diese Förderung möglichst effektiv zu gestalten, können ML-gestützte Feed- backsysteme eingesetzt werden. Wie die vorgestellten Er- gebnisse zeigen, ermöglichen ML-Methoden eine automati- sierte Erfassung von Problemlöseprozessen, auf deren Basis individualisiertes Feedback zur Struktur der Problemlö- sungen gegeben werden kann. Ein solches Feedbacksystem wäre nicht nur auf die PhysikOlympiade beschränkt, son- dern könnte auch im regulären Schulunterricht eingesetzt werden. Als digitale Unterstützung kann solch ein Feed- backsystem Lehrkräfte entlasten und Schüler*innen als ein individuellen Tutor dienen, der sie bei der Entwicklung ihrer Problemlösefähigkeiten unterstützt. Ausgehend von der Erkenntnis, dass Annahmen vor konzeptuellen Aspekten adressiert werden sollten, könnte entsprechendes regelbasiertes Feedback folgen- dermaßen aussehen: WENN der erste Satz ein konzeptueller Aspekt ist, DANN gib folgendes Feedback: „Gut, dass du über physikalische Konzepte nachdenkst! Diese hängen oft mit zugrundeliegenden Annahmen zusammen – überlege also zuerst, welche Annahmen dem Problem zugrunde liegen.“ 23 Tschisgale, P., Steegh, A., Kubsch, M., Petersen, S., & Neu- mann, K. (2024). Towards a more individualised support of science competition participants – identification and exami- nation of participant profiles based on cognitive and affective characteristics. International Journal of Science Education, 1–25. https://doi.org/10.1080/09500693.2023.2300147 Tschisgale, P., Steegh, A., Petersen, S., Kubsch, M., Wulff, P., & Neumann, K. (2024). Are science competitions meeting their intentions? A case study on affective and cognitive pre- dictors of success in the Physics Olympiad. Disciplinary and In- terdisciplinary Science Education Research, 6(1), 10. https://doi.org/10.1186/s43031-024-00102-y Tschisgale, P., Wulff, P., & Kubsch, M. (2023). Integrating ar- tificial intelligence-based methods into qualitative research in physics education research: A case for computational groun- ded theory. Physical Review Physics Education Research, 19(2), 020123. https://doi.org/10.1103/PhysRevPhysEducRes.19.020123 Tschisgale, P., Kubsch, M., Wulff, P., Petersen, S., & Neumann, K. (2025). Exploring the sequential structure of students’ phy- sics problem-solving approaches using process mining and se- quence analysis. Physical Review Physics Education Research, 21(1), 010111. https://doi.org/10.1103/PhysRevPhysEducRes.21.010111 Dr. Paul Tschisgale ist Postdoc in der Abteilung Didaktik der Physik am IPN. Er beschäftigt sich in seiner Forschung aktuell mit der Analyse und Erfassung physikalischer Problemlöseprozesse durch den Einsatz von KI- und Data-Science-Methoden sowie der darauf basierenden Generierung von automatisiertem und adaptivem Feedback. In diesem Artikel gibt er einen Einblick in das Thema seiner Dissertation. tschisgale@leibniz-ipn.de