Hvorledes undersøgelsesbaseret naturfagsundervisning kan bruges til at udvikle naturfaglige kompetencer? 

Undersøgelsesbaseret naturfagsundervisning, eller UBNU, er et sæt undervisningsmetoder, som anbefales af mange forskere i naturfagsundervisning. Desværre er kendskabet til UBNU blandt lærere og politikere – og dermed også elever – ikke godt nok. EU-projektet (under 7. rammeprogram) "Mind the Gap" arbejder med udfordringer i kommunikationen mellem politikere, skoleledere, undervisere, og elever i forbindelse med udbredelsen og brugen af undersøgelsesbaseret naturfagsundervisning. Nogle af udfordringerne er helt konkrete, for det er ikke alle lærere, som føler sig trygge ved at forsøge sig med de nye metoder. Som en del af projektet står IND for at lave en hjemmeside med videomateriale der viser, hvordan lærere kan bruge UBNU i naturfagsundervisningen. I arbejdspakke tre som IND har ansvaret for, undersøger vi hvordan UBNU kan bruges til at opnå naturfaglige kompetencer. Vi arbejder med to forskningsspørgsmål:

• Hvordan forstår forskellige aktører naturfaglige kompetencer i læreplaner i Danmark, England og Ungarn, og hvilken indflydelse har lokal kultur på disse forståelser?

• Hvordan har gode naturfagslærere i disse lande forsøgt at fremme naturfaglige kompetencer i naturfagsundervisningen?

Vi har besvaret det første spørgsmål ved at udvikle en metode til at analysere tekster om naturfaglige kompetencer, baseret på netværksteori og informationsteori. Vi bruger videooptagelserne til at besvare det andet spørgsmål.  Projektet kulminerer med, at vi lægger videooptagelser på nettet, som viser, hvordan naturfaglige kompetencer kan fremmes ved at bruge UBNU. 

Hvad mener PISA egentlig med naturfaglige kompetencer?

Begrebet naturfaglige kompetencer er ikke veldefineret, for der er mange bud på, hvad det er. Derfor var et af vores mål med dette projekt at skabe klarhed om hvad forskellige aktører mener, når de skriver naturfaglige kompetencer. Vi analyserer tekster om naturfaglige kompetencer (eng: scientific literacy) ved at bruge den matematisk-fysiske teori om komplekse netværk. Specifikt anvender vi en metode baseret i informationsteori til at analysere strukturen i tekster. Her er en videnskabelig tekst, der forklarer metoden i detalje: SL-networks (pdf).

På disse sider, vil vi gerne give et indtryk af metoden, der ikke kræver hverken didaktisk eller matematisk-fysisk forkundskab. Analysen begynder med en tekst, for eksempel PISA's definition af videnskabelig kompetence. Her har vi taget fat i den engelske version, som lyder:

An individual’s scientific knowledge and use of that knowledge to identify questions, to acquire new knowledge, to explain scientific phenomena, and to draw evidence-based conclusions about science-related issues, understanding of the characteristic features of science as a form of human knowledge and enquiry, awareness of how science and technology shape our material, intellectual, and cultural environments, and willingness to engage in science-related issues, and with the ideas of science, as a reflective citizen.
OECD (2006). Assessing Scientific, Reading and Mathematical Literacy – A Framework for PISA 2006, OECD, Paris.

Helt grundlæggende, går vi ud fra, at de personer som har udformet PISA's definition, mener at det der er værd at gentage, er vigtigt. Læg for eksempel mærke til ordet "knowledge" (eng: viden), som nævnes 4 gange. Men læg også mærke til, at nogle delsætninger lægger sig til "knowledge". Der er en opremsning efter det andet "knowledge", nemlig "use of that knowledge to identify questions, to acquire new knowledge, to explain scientific phenomena, and to draw evidence-based conclusions about science-related issues". Så viden skal altså bruges til at identificere spørgsmål, til at forklare videnskabelige fænomener, og til at drage konklusioner baseret på beviser. 

PISA's definition af videnskabelige kompetencer, er formuleret som en sætning på 73 ord, og der ligger en hel masse budskaber i dette. Vores metode begynder med at konstruere sætninger, som hver især indeholder et budskab. På den måde kan vi nemlig få et tal på, hvor vigtigt et bestemt ord egentlig er. Sådan som vores metode virker lige nu bliver opremsningen ovenfor til følgende sætninger:

• An individual’s use of scientific knowledge to identify questions

• An individual’s use of scientific knowledge to acquire new knowledge

• An individual’s use of scientific knowledge to explain scientific phenomena

• An individual’s use of scientific knowledge to draw evidence-based conclusions about science-related issues

Ved den omskrivning er 2 "knowledge" blevet til 5 "knowledge", og i vores analyse er ordet "knowledge" nu blevet mere vigtigt. Pointen med omskrivningen er, at den tillader, at vi konstruerer et netværk af ord, som vi kan bruge til at analysere teksten visuelt.

PISA-netværket i Figur 1 er konstrueret således, at vi tegner en pil mellem to ord, hvis de står ved siden af hinanden i en sætning. Vi øger tykkelsen på pilen, hvis to ord står ved siden af hinanden flere gange. Når et ord nævnes, kommer det på kortet. Jo flere gange det nævnes, desto større tegner vi cirklen som repræsenterer ordet.

Nogle ord er meget almindelige, og de ville blive rigtig store, hvis vi ikke filtrerede dem fra. Det har vi gjort på den måde, at ord som "er", "af", og "kan" ikke får egne cirkler, men til gengæld placeres på pilene. Derfor kan du faktisk læse PISA's definition ved at følge pilene.

I det næste skridt bruger vi et computerprogram (Rosvall & Bergtrom, 2008) til at kortlægge netværket. Groft sagt simulerer computerprogrammet en person der skimmer teksten, og vi lader denne ”skimmer” skimme teksten rigtig mange gange. Computerprogrammet placerer ordene i grupper, som er bestemt af hvor ofte den skimmer den gruppe ord inden den går videre til en anden gruppe ord. På Figur 2 A kan du se, hvordan computerprogrammet har inddelt PISA-netværket. Størrelsen af de grå cirkler, der omkranser grupperne afhænger af, hvor meget tid computerprogrammet bruger på at skimme netop den gruppe ord. Pilene mellem de grå cirkler, fortæller hvor ofte ”skimmeren” går fra en gruppe ord til en anden. På figur 2 B kan du se, hvilke navne vi har givet grupperne.  

Klik på billedet for en højere opløsning (åbner i et nyt vindue). 

Vi har på tilsvarende måde analyseret strategiske dokumenter om naturfaglige kompetencer fra Ungarn, England, Danmark. I det videre forløb analyserer vi også andre typer af dokumenter.

Naturfaglige kompetencer på video

Vi illustrerer med videoklip, hvordan UBNU kan bruges i undervisning af naturfaglige kompetencer. Linket herunder er en videooptagelse, som illustrerer, hvordan en lille del af den danske version af naturfaglige kompetence understøttes af UBNU. Med til videooptagelsen hører en kommentar, som også er herunder. Endelig hører der en tekst om konteksten for optagelsen. Vi kalder en aktivitet for undersøgelsesbaseret undervisning, hvis eleverne engageres i

1. Autentiske og problembaserede læreaktiviteter, hvor der ikke nødvendigvis er et entydigt, korrekt svar.
2. At bruge eksperimentelle procedurer, at udføre egentlige eksperimenter, og ”hands on” aktiviteter (for eksempel informationssøgning).
3. Læresekvenser, som eleverne selv styrer og justerer.
4. At snakke videnskabeligt med hinanden.

Her er et eksempel på et klip, en kommentar og en kontekst – alle på engelsk.
Videoklippene skal indgå i efteruddannelse af lærere i naturfag, hvilket er en af hovedformålene med Mind The Gap. I løbet af foråret 2009 oparbejder vi en mængde klip, som illustrerer forskellige dele af de danske naturfaglige kompetencer. Vi udgiver klippene på en hjemmeside sammen med en kommentar om, hvad det er i klippet som har specielt med naturfaglige kompetencer at gøre. Vi mener også at den større sammenhæng som klippet indgår i er relevant, så den beskriver vi også.

Videre læsning

Roberts, D. A. (2007). Scientific Literacy/Science Literacy. In S. K. Abell, N. G. Lederman, & (eds.), Handbook of research on science education (pp. 729-780). Mahwah, New Jersey: Lawrence Erlbaum Associates, Inc.
Rosvall, M., & Bergstrom, C. T. (2008). Maps of random walks on complex networks reveal community structure. PNAS , 1118-1123.