5. Bruk av forskning i undervisningen¶
Bruk av resultater fra forskning om læring i undervisningen¶
Jeg er sterkt overbevist om at undervisere bør bruke resultater fra vitenskapelig forskning på læring og utdanning når man planlegger og utvikler sin undervisning. Hvordan jeg bruker forskningen på disse områdene i min undervisning er beskrevet utfyllende i kapittelet om min undervisningsfilosofi.
Kort sammenfattet har jeg fokusert på tre områder:
Teorien om Kognitiv Last (Cognitive Load Theory)
Formativ vurdering og Peer instruction
Samstemt undervisning (Constructive Alignment)
Den andre siden av “En forskende tilnærming” er å forske på sin egen undervisning. Dette aspektet er beskrevet nærmere i dette kapitlet.
Forskning på egen undervisning¶
Det nye bachelor studieprogrammet Biovitenskap, som startet høsten 2017, er unik i at det integrerer programmering i hele studieløpet. Første semester møter studentene BIOS1100 som gir en innføring i å lage og eksperimentere med enkle modeller av biologiske systemer.
Det er per dags dato lite forskningsbasert kunnskap om hvordan biologistudenter stiller seg til programmering i biologi og enda mindre hvilke læringsstrategier de bruker for å løse biologiske problemstillinger med programmering. Vi er derfor i en unik posisjon ved Institutt for Biovitenskap til å fremskaffe slik kunnskap ved å ‘forske på’ studenter i BIOS1100.
Som et første steg i å samle kunnskap på dette området har kollega Tone Gregers ved IBV tatt initiativ til å tilby lektorstudenter som tar en undervisningsrettet master å skrive sin oppgave om studenter som tar BIOS1100. Så langt har fire masterstudenter hatt et slikt prosjekt, og jeg var medveileder for alle disse. Veiledningsteamet har vært tverrfaglig, med utdanningsforskere fra fysisk institutt (Maria Vetleseter Bøe og Ellen Henriksen) en underviser fra skolelaboratoriet ved Institutt for Biologi (Tone Gregers) og meg som emneansvarlig i BIOS1100.
Formålet med disse prosjektene har vært å undersøke studenters holdninger til, og motivasjon for programmering og modellering i biologi, samt å finne ut hvordan studentene velger å løse ulike biologiske problemstillinger ved hjelp av programmering.
Funnene i masterprosjekter har jeg brukt aktivt for å forbedre kurset, både faglig og hvordan emnet undervises. I tillegg har dette arbeidet blitt presentert på MNT konferansen i 2019 og 2021. MNT konferansen er en nasjonal konferanse om erfaringsdeling av den forskningsbaserte og vitenskapelige tilnærmingen til undervisning og læring etter SoTL (Scholarship of Teaching and Learning) prinsippene. Det har i tillegg blitt publisert en vitenskapelig artikkel om hvordan lektorstudenter som tar en undervisningsrettet master ved instituttet bidrar til undervisningskvaliteten [19], og en om resultatene av to av deres prosjekter [20].
Nedenfor gjøres kort rede for prosjektene, funnene, og hvordan disse har blitt integrert i videreutvikling av BIOS1100.
June Edvarda Eliassen 2020¶
Tittel: Biologistudenters motivasjon for beregningsorientert biologi etter innføring av krav om full fordypning i realfaglig matematikk
Problemstilling: Hvordan var motivasjonen hos studentene for programmering og modellering i biologi etter innføring av krav om full fordypning i realfaglig matematikk?
Metode: spørreskjema som ble delt ut første og siste forelesning i 2019
Teoretisk rammeverk brukt i studiet: Eccles’ forventningsverdi teori om prestasjonsorienterte valg; Hidi og Renningers fire-fasemodell for interesseutvikling; Banduras mestringsforventningsteori
Lenke til oppgaven: http://urn.nb.no/URN:NBN:no-82918
Kort sammendrag
Resultatene indikerer at matematikk R2 ser ut til å henge sammen med større mestringsforventning og større interesse for BIOS1100
Det ser ut som om mange av studentene valgte bort full fordypning i biologi til fordel for R2
Funnene støtter antagelsen om at nytteverdi er den sterkeste motiverende faktoren for emne
Nytteverdien må ses i lys av at emne er obligatorisk for studieprogrammet, og at studenter ellers har lite interesse for programmering og modellering i biologi
Anbefalinger for BIOS1100
Å spille på relevansen for å skape større interesse for programmering og modellering i biologi
Oppfølging
I 2020 ble blant annet dette implementert da vi tok i bruk data fra den pågående korona pandemien for å modellere sykdomsutbrudd.
Sofie Rudberg 2020¶
Tittel: Relevansen av kompetansen fra matematikk R2 i beregningsorientert biologi
Problemstilling: Hvordan gjør kompetansen fra R2 seg gjeldende i problemløsningsstrategier hos studenter i arbeid med beregningsorientert biologi?
Metode: observasjoner av studentene i situasjoner med oppgaveløsning, og intervju, i 2019
Teoretisk rammeverk brukt i studiet: Computational thinking, mathematical thinking
Lenke til oppgaven: http://urn.nb.no/URN:NBN:no-82936
Kort sammendrag
Studentene er stort sett positive til at det har blitt R2-krav på utdanningen, og anser de strategiske kunnskapene fra matematikken som relevante
Studentene benytter seg av problemløsningsstrategier kjent fra matematikk og computational thinking
Studentene har derimot utfordringer med å løse mer sammensatte oppgaver, og benytter seg ikke av disse problemløsningsstrategiene når de arbeider med mer tradisjonell biologi
Anbefalinger for BIOS1100
Kompetansen fra matematikk R2 er relevant for studentene på biovitenskap, men undervisningen bør legge opp til mer trening innen ulike problemløsningsstrategier
Oppfølging
I 2020 ble det brukt en del tid på å gi studentene en forståelse av at det er nyttig å ha en strategi for å løse problemer i faget. Dette er fortsatt et forbedringspunkt i kurset.
Marthe Mjøen Berg 2019¶
Tittel: Studenter sin interesse og mestringsforventning for programmering og modellering i biologi
Problemstilling: Hva kjennetegner studenter sin interesse og mestringsforventning for programmering og modellering i biologi?
Metode: spørreskjema som ble delt ut første og siste forelesning i 2018
Teoretisk rammeverk brukt i studiet: Eccles’’ forventningsverdi teori om prestasjonsorienterte valg; Hidi og Renningers fire-fasemodell for interesseutvikling; Banduras mestringsforventningsteori
Lenke til oppgaven: http://urn.nb.no/URN:NBN:no-73633
Kort sammendrag
Studentene har høyere mestringsforventning og interesseverdiene for studieprogrammet sitt, enn for BIOS1100
Studentene får gjennom semesteret noe høyere mestringsforventning til BIOS1100, mens interessen for emnet går litt ned
Anbefalinger for BIOS1100
Bevisstgjøre studenten av relevansen for programmering utenfor emnet BIOS1100
Tilby ekstra faglig støtte til studentene som har lav mestringsforventning
Oppfølging
Flere grep som ble gjort fra og med 2019 prøver å koble faget sammen med de andre fag studentene tar. Endringer i undervisningsform bidrar til mer faglig støtte.
Lars Erik Håland 2019¶
Tittel: Studenters arbeid med programmering i biovitenskapelige problemstillinger. En kvalitativ studie av biologistudenters arbeid med Python
Problemstilling: Hvordan arbeider studenter når de programmerer i introduksjonskurs i biologi?
Metode: observasjoner av studentene i situasjoner med oppgaveløsning, og intervju, i 2018
Teoretisk rammeverk brukt i studiet: Computational Thinking
Lenke til oppgaven: http://urn.nb.no/URN:NBN:no-73632
Kort sammendrag
Studentene opplever de samme typer utfordringer som man ser i andre introduksjonskurs i programmering: det er utfordrende å skrive store programmer og finne gode problemløsningsstrategier
Det biologifaglige virker å ha positivt effekt på deres evne til å løse programmeringsoppgaver, samtidig som at det gjør oppgaven vanskeligere, fordi det krever at de både må bruke biologi- og programmeringskunnskaper
Bruk av biovitenskapelige oppgaver fører også til at programmeringen blir mer interessant for de fleste studentene.
Oppfølging
Fra og med 2019 ble det å undervise problemløsningsstrategier mer og mer et fokus i BIOS1100.