-
Notifications
You must be signed in to change notification settings - Fork 0
/
Mind_the_gap.Rmd
481 lines (362 loc) · 16.8 KB
/
Mind_the_gap.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
---
title: "Mind the Gap"
subtitle: "Epistemische Überzeugungen als Prädiktoren der Praxisrelevanzeinschätzungen Lehramtsstudierender"
author: "Samuel Merk, Liene Pucite, Jürgen Schneider, Marcus Syring, Thorsten Bohl"
date: "9. März 2016"
output:
ioslides_presentation:
css: my.css
incremental: yes
logo: Abb/logo.png
smaller: no
widescreen: yes
runtime: shiny
bibliography: library.bib
csl: apa.csl
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE)
```
## Übersicht
- Praxisrelevanz GPK
- Epistemische Überzeugungen
- Fragestellung
- Design
- Ergebnisse
- Diskussion
- Reproduzierbare Syntax der Folien, Abb. & Analysen auf https://github.com/sammerk/GEBF2016
- Daten sind bei PsychData publiziert [@Merk2016]
## Praxisrelevanz GPK
- Das Interesse von Lehramtsstudierenden an pädagogischen Inhalten gilt als hoch [@Rösler2013]
- Kritik an bildungswissenschaftlichen Studienanteil:
* weitgehend zusammenhangslos [@Lersch2006; @Merzyn2004]
* kaum berufsfeldbezogen [@Terhart2009]
* vergleichweise irrelevant für Praxis [@Cramer2012]
## Epistemische Überzeugungen
_Personal Epistemology/Epistemic Cognition/Epistemic Beliefs/Epistemische Überzeugungen_ sind als Überzeugungen bzgl. der Genese und Struktur (wissenschaftlichen) Wissen definiert und adressieren typischerweise die Aspekte _Certainty_, _Simplicity_, _Justification_ und _Source_ [@Hofer1997].
- Entwicklungsperspektive [@Krettenauer2004; @Perry1970b; @Weinstock2009]
* Absolutismus/Relativismus/Evaluismus
* tendenziell: trait-like, domänenunspezifisch, qualitativ erfasst
- Multidimensionale Perspektive [@Hofer1997; @Schommer1990]
* Nature of Knowledge: simplicity & certainty
* Nature of Knowing: justification & source
- Integrative Perspektive [@Greene2010b; @Muis2006]
## Hypothesen
* Relativismus inkompatibel mit hoher Bedeutsamkeitseinschätzung
* Das Entwicklungsniveau Epistemologische Überzeugungen prädiziert die wahrgenommene Theorie-Praxis-Verknüpfung pädagogischen Wissens
* Interaktion mit Quelle
* Interaktion mit Kontext
## Design
- Experimentelle Faktoren
* Between-Faktor: __Quelle__
* Between-Faktor: __Kontext__
* Within-Faktor: __Gegenstand__
* <img src="Abb/designtab.png" height="200px" />
## Design
- Umsetzung durch Textvignetten
<img src="Abb/vignettetab.png" height="260px" />
## Stichprobe
```{r load, echo = F, results='hide'}
load("../../.RData")
```
- `r nrow(rawdata_np)` Studierende nahmen freiwillig
* im Rahmen einer obligatorischen Lehrveranstaltung
* in Gruppensitzungen
* unbezahlt teil
- `r round(100/nrow(rawdata_np)*sum(rawdata_np$sex==2, na.rm=T), digits = 1)`% waren weiblich und `r round(100/nrow(rawdata_np)*sum(rawdata_np$sem<4, na.rm=T), digits = 1)`% in den ersten drei Semestern
- Sitzung wurde von geschulten Testleitern anhand eines Manuals durchgeführt
- Das Projekt wurde im Rahmen der institutionellen Strategie der Universität Tübingen aus der Exzellenzinitiative gefördert (DFG ZUK 63)
## Skalen {.nullneunem}
- Within-Person
* Überzeugung zur Theorie-Praxis Integration [@Kunter2014]
* Cognitive Load [@Paas1992]
* Theorienspezifischer Relativismus [@Merk2016a]
* Interest-Enjoy [@McAuley1989]
- Between-Person
* FREE [@Krettenauer2005]
* FSI [@Krapp1993]
- Für alle Skalen ist die faktorielle Struktur (mit $\tau$-kongenerischen Messmodellen) bestätigt [@Merk2016]
- Alle Skalen weisen befriedigende bis sehr gute Reliabilitätsschätzungen (McDonalds $\omega$) auf [@Merk2016]
## Interaktive Übersicht {.nullfuenfem}
```{r shinydata, warning=F, message=F, cache=T}
library(dplyr)
library(ggplot2)
rawdata_long_np <- rawdata_long_np%>%
mutate(tr = rowMeans(select(., starts_with("tr_"))),
im = rowMeans(select(., starts_with("im_"))),
ie = rowMeans(select(., starts_with("ie_"))),
tp = rowMeans(select(., starts_with("tp_"))),
cl = rowMeans(select(., starts_with("cl_"))),
cu = rowMeans(select(., starts_with("cu_"))),
su = rowMeans(select(., starts_with("su_"))),
ex = rowMeans(select(., starts_with("ex_"))),
bo = rowMeans(select(., starts_with("bo_")))
)
shiny_data <- rawdata_long_np %>%
select(topic, paradigm, source, context, tr, im, ie, tp, cl, cu, su, ex, bo, ke_01_np, sp_01_np)%>%
transmute(Text_Thema = as.factor(topic),
Forschungsparadigma = as.factor(paradigm),
Quelle_des_Wissens = as.factor(source),
Schulkontext = as.factor(context),
Relativismus = scale(tr),
Kenntnis = as.numeric(scale(ke_01_np)),
Kohärenz = as.numeric(scale(sp_01_np)),
Immersion = scale(im),
Interesse_Enjoyment = scale(ie),
Theorie_Praxis_Integration = scale(tp),
Cognitive_Load = scale(cl),
Neugier = scale(cu),
Ueberraschung = scale(su),
Spannung = scale(ex),
Langeweile = scale(bo))
```
```{r renaming, warning=F, message=F, cache=F}
library(car)
shiny_data$Text_Thema <- recode(shiny_data$Text_Thema,
"'bp' = 'Big Fish Little Pond';
'we' = 'Bsp. basiertes Lernen';
'cm' = 'Multimediales Lernen';
'bm' = 'Mobbing';
'gt' = 'Ganztagesbetreuung';
'in' = 'Inklusion'")
shiny_data$Forschungsparadigma <- recode(shiny_data$Forschungsparadigma,
"'dd' = 'Didaktisches Design';
'ed' = 'Empirisch deskriptiv';
'gr' = 'Geisteswissenshaftlich rational'")
shiny_data$Text_Thema <- factor(shiny_data$Text_Thema, levels = c('Bsp. basiertes Lernen',
'Multimediales Lernen',
'Big Fish Little Pond',
'Mobbing',
'Ganztagesbetreuung',
'Inklusion'))
```
```{r shinyapp, message=F, warning=F}
fluidPage(
sidebarLayout(
sidebarPanel(
checkboxInput('jitter', 'Jitter'),
checkboxInput('meanci', 'Mean + CI', value = T),
selectInput('x', 'X', names(shiny_data[sapply(shiny_data, is.factor)]), selected = "Quelle_des_Wissens"),
selectInput('y', 'Y', names(shiny_data[sapply(shiny_data, is.numeric)]), selected = "Theorie_Praxis_Integration"),
selectInput('color', 'Color', c('None', names(shiny_data))),
selectInput('facet_row', 'Facet Row',
c(None='.', names(shiny_data[sapply(shiny_data, is.factor)])))
),
mainPanel(plotOutput('plot'))
)
)
dataset <- reactive({
shiny_data
})
output$plot <- renderPlot({
p <- ggplot(dataset(), aes_string(x=input$x, y=input$y)) + geom_violin(adjust = 2, alpha = 1/3) + theme(axis.title.y = element_text(size = 14, face = "bold"), axis.title.x = element_text(size = 14, face = "bold"),axis.text.x = element_text(size = 12, face = "bold", angle = 40, hjust = 1, vjust = 1))
if (input$color != 'None')
p <- p + aes_string(color=input$color)
facets <- paste(input$facet_row, '~', '.')
if (facets != '. ~ .')
p <- p + facet_grid(facets)
if (input$jitter)
p <- p + geom_jitter()
if (input$meanci)
p <- p + stat_summary(fun.data = "mean_cl_boot", colour = "red", size=0.7)
p
}, width = 650)
```
## Mehrebenenfaktorenanalyse {.nullachtem}
```{r MCFA_unres, echo=F, warning=F, message=F, cache=T, eval = T}
# Mplusmodell
library(MplusAutomation)
rawdata_long_np$IDnum <- as.numeric(as.factor(rawdata_long_np$Pseudonym))
MCFA_unres <- mplusObject(
TITLE = "MCFA_unres",
ANALYSIS = "TYPE = TWOLEVEL;",
VARIABLE = "USEVARIABLES = tp_01_np tp_02_np tp_03_np tp_04_np
tp_05_np tp_06_np;
CLUSTER = IDnum;",
MODEL = "%WITHIN%
TPW BY tp_01_np
tp_02_np
tp_03_np
tp_04_np
tp_05_np
tp_06_np;
%BETWEEN%
TPB BY tp_01_np
tp_02_np
tp_03_np
tp_04_np
tp_05_np
tp_06_np;",
OUTPUT = "Standardized;",
rdata = rawdata_long_np)
MCFA_unres_fit <- mplusModeler(MCFA_unres, "MCFA_unres.dat", run = 0)
```
```{r MCFA_res, echo=F, warning=F, message=F, cache=T, eval = T}
# Mplusmodell
MCFA_res <- mplusObject(
TITLE = "MCFA_res",
ANALYSIS = "TYPE = TWOLEVEL;",
VARIABLE = "USEVARIABLES = tp_01_np tp_02_np tp_03_np tp_04_np
tp_05_np tp_06_np;
CLUSTER = IDnum;",
MODEL = "%WITHIN%
TPW BY tp_01_np(01)
tp_02_np(02)
tp_03_np(03)
tp_04_np(04)
tp_05_np(05)
tp_06_np(06);
%BETWEEN%
TPB BY tp_01_np(01)
tp_02_np(02)
tp_03_np(03)
tp_04_np(04)
tp_05_np(05)
tp_06_np(06);",
OUTPUT = "Standardized Modindices(5);",
rdata = rawdata_long_np)
MCFA_res_fit <- mplusModeler(MCFA_res, "MCFA_res.dat", run = 0)
```
```{r MCFA_compare, eval=F, echo=F, warning=F, message=F, cache=T}
compareModels(readModels("MCFA_unres.out"), readModels("MCFA_res.out"), diffTest = T)
```
```{r fitprintfunktion, echo=F, warning=F, message=F, cache=T}
## Printfunktion für mplus definieren
library(MplusAutomation)
fpf_mp <- function(x){
fm_tmp <- readModels(as.character(x))
return(sprintf(
"χ^2^ = %s, __df__ = %s,
CFI = %s, TLI = %s,
RMSEA = %s, SRMR~within~ = %s,
SRMR~between~ = %s",
round(fm_tmp$summaries$ChiSqM_Value,3),
fm_tmp$summaries$ChiSqM_DF,
round(fm_tmp$summaries$CFI,3),
round(fm_tmp$summaries$TLI,3),
round(fm_tmp$summaries$RMSEA_Estimate,3),
round(fm_tmp$summaries$SRMR.Within,3),
round(fm_tmp$summaries$SRMR.Between,3)
)
)
}
```
- Simultane Prüfung der faktoriellen Struktur auf beiden Ebenen mithilfe MCFA [@Hox2010]
* <center><img src="Abb/MCFA_tikz.pdf" height="200px" /></center>
* Gute Modellpassung: `r fpf_mp("MCFA_unres.out")`
- Weiteres Modell mit ebeneninvarianten Messmodellen
* Fragwürdige Modellpassung auf Betweenebene: `r fpf_mp("MCFA_res.out")`
## Mehrebenenstrukturgleichungsmodelle {.nullachtem}
```{r MLSEM_fin, eval=F}
library(MplusAutomation)
# Numerische PID für MPlus
rawdata_long_np$IDNUM <- as.numeric(as.factor(rawdata_long_np$Pseudonym))
# Groupmeancentering Items
rawdata_long_np <- rawdata_long_np%>%
group_by(Pseudonym)%>%
mutate(ke_01_pc = ke_01_np - mean(ke_01_np, na.rm = TRUE),
tr_01_pc = tr_01_np - mean(tr_01_np, na.rm = TRUE),
tr_02_pc = tr_02_np - mean(tr_02_np, na.rm = TRUE),
tr_03_pc = tr_03_np - mean(tr_03_np, na.rm = TRUE),
tr_04_pc = tr_04_np - mean(tr_04_np, na.rm = TRUE),
cl_01_pc = cl_01_np - mean(cl_01_np, na.rm = TRUE),
cl_02_pc = cl_02_np - mean(cl_02_np, na.rm = TRUE),
cl_03_pc = cl_03_np - mean(cl_03_np, na.rm = TRUE),
ie_01_pc = ie_01_np - mean(ie_01_np, na.rm = TRUE),
ie_02_pc = ie_02_np - mean(ie_02_np, na.rm = TRUE),
ie_03_pc = ie_03_np - mean(ie_03_np, na.rm = TRUE),
ie_04_pc = ie_04_np - mean(ie_04_np, na.rm = TRUE),
ie_05_pc = ie_05_np - mean(ie_05_np, na.rm = TRUE))
# Summenkonstraste Quelle rawdata_long_np
rawdata_long_np$I_exp <- ifelse(rawdata_long_np$source == "exp", 1,
ifelse(rawdata_long_np$source == "erf", -1,0))
rawdata_long_np$I_wis <- ifelse(rawdata_long_np$source == "wis", 1,
ifelse(rawdata_long_np$source == "erf", -1,0))
# Summenkonstraste Quelle rawdata_np
rawdata_np$I_exp <- ifelse(rawdata_np$source == "exp", 1,
ifelse(rawdata_np$source == "erf", -1,0))
rawdata_np$I_wis <- ifelse(rawdata_np$source == "wis", 1,
ifelse(rawdata_np$source == "erf", -1,0))
#Summenkontraste Forschungsgegenstände
rawdata_long_np$Icm <- ifelse(rawdata_long_np$topic == "we",-1,
ifelse(rawdata_long_np$topic == "cm", 1, 0))
rawdata_long_np$Ibp <- ifelse(rawdata_long_np$topic == "we",-1,
ifelse(rawdata_long_np$topic == "bp", 1, 0))
rawdata_long_np$Ibm <- ifelse(rawdata_long_np$topic == "we",-1,
ifelse(rawdata_long_np$topic == "bm", 1, 0))
rawdata_long_np$Iin <- ifelse(rawdata_long_np$topic == "we",-1,
ifelse(rawdata_long_np$topic == "in", 1, 0))
rawdata_long_np$Igt <- ifelse(rawdata_long_np$topic == "we",-1,
ifelse(rawdata_long_np$topic == "gt", 1, 0))
# Mplusmodell
MLSEM_fin <- mplusObject(
TITLE = "MGMLSEM_tp_tr_di_I_si",
ANALYSIS = "TYPE = TWOLEVEL;",
VARIABLE = "USEVARIABLES = tp_01_np tp_02_np tp_03_np tp_04_np
tp_05_np tp_06_np
tr_01_pc tr_02_pc tr_03_pc tr_04_pc
ke_01_pc
cl_01_pc cl_02_pc cl_03_pc
ie_01_pc ie_02_pc ie_03_pc ie_04_pc ie_05_pc
di_01_np di_02_np di_03_np di_04_np di_05_np
di_06_np di_07_np di_08_np di_09_np di_10_np
di_11_np di_12_np di_13_np
si_01_np si_02_np si_03_np si_04_np si_05_np
si_06_np si_07_np
I_exp I_wis;
WITHIN = ke_01_pc
tr_01_pc tr_02_pc tr_03_pc tr_04_pc
cl_01_pc cl_02_pc cl_03_pc
ie_01_pc ie_02_pc ie_03_pc ie_04_pc ie_05_pc;
BETWEEN = di_01_np di_02_np di_03_np di_04_np di_05_np
di_06_np di_07_np di_08_np di_09_np di_10_np
di_11_np di_12_np di_13_np
si_01_np si_02_np si_03_np si_04_np si_05_np
si_06_np si_07_np
I_exp I_wis;
CLUSTER = IDnum;",
MODEL = "%WITHIN%
TPW BY tp_01_np
tp_02_np
tp_03_np
tp_04_np
tp_05_np
tp_06_np;
CLW BY cl_01_pc cl_02_pc cl_03_pc;
IEW BY ie_01_pc ie_02_pc ie_03_pc ie_04_pc ie_05_pc;
IE_05_PC WITH IE_03_PC;
TRW BY tr_01_pc tr_02_pc tr_03_pc tr_04_pc;
TPW ON KE_01_pc CLW IEW TRW;
TRW CLW IEW ON KE_01_pc;
TRW WITH IEW CLW;
IEW WITH CLW;
%BETWEEN%
TPB BY tp_01_np
tp_02_np
tp_03_np
tp_04_np
tp_05_np
tp_06_np;
DI BY di_01_np di_02_np di_03_np di_04_np di_05_np
di_06_np di_07_np di_08_np di_09_np di_10_np
di_11_np di_12_np di_13_np;
SI BY si_01_np si_02_np si_03_np si_04_np si_05_np
si_05_np si_06_np si_07_np;
TPB ON DI SI I_exp I_wis;",
OUTPUT = "Standardized;",
rdata = rawdata_long_np)
MLSEM_fin_fit <- mplusModeler(MLSEM_fin, "MLSEM_fin.dat", run = 0)
```
<center><img src="Abb/MLSEM_fin_tikz.pdf" height="390px" /></center>
<div class="centered">
`r fpf_mp("MLSEM_fin.out")`
</div>
## Diskussion
* Epistemische Überzeugungen als theoretisch und empirisch relevante Variable: <span style="color:red">Mind</span> the Gap!
* Betrachtet man multidimensionale Perspektive: Effekte deutlich kleiner
* Echte Interaktionen?
* Validität des abhängigen Konstrukts
* Welche Konsequenz ist aus der großen within-person Varianz zu ziehen?
## Skalenhandbuch
<iframe width="560" height="315" src="Codebook.html" frameborder="0"></iframe>
## Literatur {.nullfuenfem}