Pre-service Biology Teachers’ Responses to First-Hand Anomalous Data During Modelling Processes

Abstract

In this research project we investigate the role of responses to anomalous data during modelling processes. Modelling is seen as a comprehensive practice that encompasses various aspects of scientific thinking; hence, it is an important style of scientific thinking, especially if analysed from a process-based perspective. Therefore, it provides the opportunity to understand the role of anomalous data on scientific thinking from a broader perspective. We analysed how pre-service biology teachers (N = 11) reacted to self-generated anomalous data during modelling processes induced by investigating a water black box. The videotaped and transcribed modelling processes were analysed using qualitative content analysis. If anomalous data were recognised, a majority of explanations were based on methodical issues. This finding supports results from previous studies investigating responses to firsthand anomalous data. Furthermore, we found four response patterns to anomalous data during modelling processes: no recognition, no explanation, methodical explanation, and model-related explanation. Besides, our study indicates by trend a systematic relation between response patterns to anomalous data and modelling strategies. Consequently, the improvement of responses to anomalous data could be a promising way to foster modelling competencies. We are convinced that an integrated approach to anomalous data and modelling could lead to deeper insights into the role of data in scientific thinking processes.

Analysis of Data-Based Scientific Reasoning from a Product-Based and a Process-Based Perspective

“…Especially data that are not in line with prior knowledge, so-called anomalous or contradicting data [8], are a driving force for engaging in scientific reasoning. Reasoning processes initiated by anomalous data address conceptual knowledge regarding conceptual development, procedural knowledge regarding questions of methodology, and epistemic knowledge regarding questions of credibility and limits of data-based knowledge acquisition (e.g., [8][9][10]).…”

“…Most studies investigating reasoning in the light of anomalous data focus the analysis on participants' explanations for their reaction to the data (e.g., [8,9]), not including an analysis of the reasoning process itself. The reaction to the data can be regarded as the product from a previous reasoning process (e.g., [10,11]). Hence, studies that only focus on the reaction (e.g., change of initial theory) analyze responses to anomalous data from a product-based view.…”

What Is Difficult in Modeling? the Identification and Description of Challenges Pre-service Science Teachers Encounter in Modeling Processes

“…3). Hierbei konnten teilweise Hinderniskategorien repliziert werden, die bereits in anderen Forschungsarbeiten zum Modellieren (Hogan und Thomas 2001;Meister et al 2020;Sins et al 2005;Windschitl und Thompson 2006), Experimentieren (Baur 2018;Hammann 2004), sowie wissenschaftlichen Arbeiten allgemein (Woolley et al 2018) identifiziert worden waren (Hinderniskategorien 2 (Fehlerhafte Dokumentation), 3 (Hinweise auf unsystematischen Input), 4 (Unzufriedenheit mit den Daten) und 10 (Randbeobachtung wird überbewertet)). Parallelen zum Experimentieren und wissenschaftlichen Arbeiten im Allgemeinen lassen sich insbesondere im Hinblick auf die explorativen Tätigkeiten des Modellierens und den Umgang mit den generierten Daten erkennen: Unsystematisches Vorgehen (Baur 2018;Hammann 2004;Woolley et al 2018), die Auswahl unvollständiger oder unrelevanter Variablen (Hammann 2004;Woolley et al 2018) und die fehlerhafte Dokumentation von Ergebnissen (Woolley et al 2018) können arbeitsweisenunabhängig und über verschiedene Zielgruppen hinweg beobachtet werden.…”

“…Solche unerwarteten, anomalen Daten, welche die Blackbox durch ihren inneren Mechanismus provoziert (insb. wenn der Output das eingefüllte Volumen eines Inputs überschreitet), werden oftmals nicht anhand eines gezeichneten Modells erklärt, sondern vielmehr methodisch unter anderem mit mangelnden eigenen Fähigkeiten begründet (Meister et al 2020).…”

“…Obwohl Hinderniskategorie 9 (Mangelnde Zeichenfähigkeit) in keiner der zum Vergleich herangezogenen Studien zum Modellieren (Hogan und Thomas 2001;Meister et al 2020;Sins et al 2005;Windschitl und Thompson 2006), Experimentieren (Baur 2018;Hammann 2004) oder wissenschaftlichen Arbeiten allgemein (Woolley et al 2018) beschrieben wird, weisen andere Studien durchaus auf die Relevanz des Zeichnens sowie damit verbundenen Hindernissen im Kontext naturwissenschaftlichen Unterrichts hin (Chittleborough und Treagust 2007;Quillin und Thomas 2015). Bei einem Probanden (Carlo) ist Mangelnde Zeichenfähigkeit als Hindernis besonders auffällig: Er zeichnet überhaupt kein Modell und begründet dies sowohl mit mangelnden Fähigkeiten als auch geringer Motivation, wodurch sein Modellierungsprozess nur aus Tätigkeiten der Exploration besteht (Strategie 1; Tab.…”