Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Molnr Gyngyvr
Szegedi Tudomnyegyetem Nevelstudomnyi Intzet,
MTA-SZTE Kpessgfejlds Kutatcsoport
221
Molnr Gyngyvr
222
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
Mdszerek
Minta
Az elemzseket egy 6-8. vfolyamos (n_6=677; n_7=607; n_8=942) s egy els vfolya-
mos egyetemista mintn felvett kutats adataira alapoztuk (n=1259). A mintavlaszts
okt egyrszt a korbbi elemzsek alapjn (Molnr, Greiff, & Csap, 2013; Molnr &
Psztor-Kovcs, 2015) a fejlds szempontjbl szenzitv s gyorsan vltoz 6-8. vfo-
lyamra es korszak, msrszt a ktelez iskolztats utn az orszg egyik vezet egyete-
mre felvett, a jv rtelmisgt alkot fiatalok problmamegold stratgiinak elemzsi
lehetsge adta.
Mreszkz
223
Molnr Gyngyvr
1. bra
Egy tipikus MicroDYN problma szerkezete hrom bemeneti (A, B, C) s hrom kimeneti
(X, Y, Z) vltozval, valamint klnbz tpus hatsmechanizmusokkal (egy s
tbbszrs hats, egyszeres s tbbszrs fggs, sajtdinamika s mellkhats)
(Forrs: Greiff et al., 2013)
Eljrsok
A 6-8. vfolyamos dikok azonos tesztet kaptak az adatfelvtel sorn, melynek jelents
rszt tartalmazta az egyetemistk rszre kikzvettett teszt. A dikok mindkt esetben
flhallgat segtsgvel meghallgathattk az instrukcikat.
Az adatfelvtelre az intzmnyek szmtgpes termeiben, tanri, illetve adatfelvteli
biztos jelenltben kerlt sor. A teszt megoldsra egy tantsi rnyi id, azaz 45 perc
llt a dikok rendelkezsre.
A jelen tanulmnyban kizrlag a problmamegolds folyamatnak els fzisban mu-
tatott, az online rendszer segtsgvel rgztett, loggolt viselkedsre alapozzuk elemzse-
inket s nem foglalkozunk a msodik s harmadik fzisban megjellt megoldsokkal. A
teszt elejn hrom vide s egy 2 bemeneti s 2 kimeneti vltozt tartalmaz prbaprob-
lma segtsgvel ismerhettk meg a dikok a szimullt rendszerek mkdtetsnek alap-
jait.
224
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
2. bra
A MicroDYN problmk els fzisnak feltrkpezse (2 bementi, 2 kimeneti vltoz)
225
Molnr Gyngyvr
bemeneti vltoz kapcsn, hanem csak kett vagy egy vltozra alkalmazva, akkor 1-el
kdoltuk az j vltoz rtkt. Ha a problmban szerepl sszes bemeneti vltozra al-
kalmazta, akkor pedig 2-es kdolst kapott az j vltoz.
Az elszigetelt vltozkezels megvalstst nz elemzsekbe nem vettk bele a mel-
lkhatssal (kimeneti vltoz hatsa msik kimeneti vltozra, l. 1. bra) vagy sajtdina-
mikval (a rendszer mindenfle kls beavatkozs nlkl is vltozik, l. 1. bra) rendelkez
problmkat, miutn azok pontos feltrkpezshez ms stratgira is szksg volt, vala-
mint nem vettk bele a legegyszerbb, a korbbi elemzsek alapjn a helyes tallgats
magas valsznsge miatt kicsit mshogy viselked problmt sem. Ennek kvetkezt-
ben sszesen hat problma logadatainak elemzsre kerlt sor, melyek ms szempontbl
nzve mind az ltalnos iskolsok, mind az egyetemistk szmra kikzvettett tesztek-
ben elfordultak.
Az 1. tblzat sszefoglalja az elemzsbe bevett, mindkt tesztben azonos (s azonos
helyen, pozciban elfordul) 6 problma komplexitsi fokt, azaz a bemeneti s kime-
neti vltozk s a vltozk kztt lv kapcsolatok szmt, valamint az adott rendszer
mkdsnek feltrkpezshez szksges klnbz belltsok optimlis mennyisgt.
226
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
Eredmnyek
227
Molnr Gyngyvr
A ltens
L-M-R
osztlyok AIC BIC aBIC Entrpia p
teszt
szma
2 12043 12168 12089 0,910 2305 0,0001
3 11041 11232 11111 0,872 1016 0,0001
4 10902 11158 10996 0,829 162 0,0001
5 10827 11148 10944 0,832 100 0,0001
6 10761 11148 10903 0,824 90 0,0001
7 10748 11199 10914 0,802 39 0,3162
8 10746 11263 10936 0,806 27 0,4608
Megjegyzs: AIC: Akaike Informcis Kritrium, BIC: Bayesi Informcis Kritrium, aBIC: korriglt Bayesi
Informcis Kritrium, L-M-R teszt: Lo-Mendell-Rubin valsznsgi hnyados teszt
1
A VOTAT stratgia alkalmazsnak
0,9
0,8
valsznsge
0,7
Csoport 1, 31,0%
0,6
Csoport 2, 16,6%
0,5 Csoport 3, 20,6%
0,4 Csoport 4, 6,3%
0,1
0
1 2 3 4 5 6
A problma sorszma
3. bra
A problmamegold stratgikra alapul ltens profil elemzs
(Jelmagyarzatban lv feliratok: Csoport 1: A legelemibb rendszereket sem kezel problmamegol-
dk; Csoport 2: A legegyszerbb rendszereket alacsony fokon tlt problmamegoldk; Csoport 3:
Egyszer problmkat kisebb sikerekkel tlt problmamegoldk; Csoport 4: A gyorsan tanul
problmamegoldk; Csoport 5: Az egyszer rendszereket jl tlt, de a bonyolultabbnl alulteljest
problmamegoldk; Csoport 6: Magas szint stratgiahasznlk, problmamegoldk)
228
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
Ltens csoport
Ltens
Csoport 1 Csoport 2 Csoport 3 Csoport 4 Csoport 5 Csoport 6
csoport
1 0,920 0,006 0,071 0,001 0,001 0,000
2 0,006 0,878 0,056 0,012 0,047 0,000
3 0,093 0,044 0,827 0,001 0,035 0,000
4 0,008 0,026 0,010 0,846 0,018 0,092
5 0,002 0,106 0,067 0,013 0,779 0,032
6 0,000 0,000 0,000 0,040 0,011 0,949
229
Molnr Gyngyvr
vfolyam
Profilok (gyakorisg, %) Sum
6 7 8
A legelemibb rendszereket sem kezel problmamegoldk 28,5 32,5 31,8 31,0
A legegyszerbb rendszereket alacsony fokon tlt prob-
17,1 10,4 12,5 16,6
lmamegoldk
Egyszer problmkat kisebb sikerekkel tlt problma-
26,8 28,2 14,1 20,6
megoldk
A gyorsan tanul problmamegoldk 3,7 4,4 5,7 6,3
Az egyszer rendszereket jl tlt, de a bonyolultabbnl
11,3 8,0 12,4 8,7
alulteljest problmamegoldk
Magas szint stratgiahasznlk, problmamegoldk 12,5 16,5 23,5 16,7
A ltens L-M-R
AIC BIC aBIC Entrpia p
osztlyok szma teszt
2 10071 10220 10128 0,960 3344 0,0001
3 9611 9837 9697 0,938 486 0,0001
4 9337 9640 9453 0,888 300 0,0001
5 9287 9667 9432 0,896 79 0,8848
6 9267 9724 9441 0,893 49 0,8697
7 9253 9788 9457 0,894 43 1,0000
Megjegyzs: AIC: Akaike Informcis Kritrium, BIC: Bayesi Informcis Kritrium, aBIC: korriglt Bayesi
Informcis Kritrium, L-M-R teszt: Lo-Mendell-Rubin valsznsgi hnyados teszt
230
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
1
A VOTAT stratgia alkalmazsnak
0,9
0,8
valsznsge
0,2
0,1
0
1 2 3 4 5 6 7
A problma sorszma
4. bra
Egyetemistk problmamegold stratgiinak ltens profilelemzse
(Jelmagyarzatban lv feliratok: Csoport 1: Egyszer problmkat kisebb sikerekkel tlt,
azokon tanulni kpes problmamegoldk, de a bonyolultabb rendszereken alulteljestk s lassan
tanulk; Csoport 2: Egyszer problmkat kisebb sikerekkel tlt, de a bonyolultabb rendszere-
ken alulteljestk; Csoport 3: A gyorsan tanul problmamegoldk; Csoport 4: Magas szint
stratgiahasznlk, problmamegoldk)
A teszten bell a 6-8. vfolyamos mintn, mindssze a dikok 6%-a, a gyorsan tanulk
vltottak, fejlesztettk jelents mrtkben az alkalmazott stratgit, a tbbi dik helyes
vagy kevsb sikeres stratgiahasznlata vltozatlan marad. Ez az arny az egyetemista
mintn kzel hromszorosra ntt, azaz a dikok 17%-a tudta azt megvalstani, hogy a
kezdeti helytelen stratgit helyes stratgiv alaktsa t, a tbbiek stratgiahasznlata
alapveten, minsgileg nem vltozott meg a teszt szimullt, hasonl felpts probl-
minak megoldsa kzben (RQ3).
Diszkusszi
231
Molnr Gyngyvr
232
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
lag mennyisgi elv elemzs, st jelen esetben tves kvetkeztetsek levonst eredm-
nyezn. Pldul a gyorsan tanulk csoportja a teszt elejn gy viselkedett, mint a legala-
csonyabb szint problmamegoldk, majd a problmkkal dolgozva egy jelents tanulsi
fzison, minsgi vltozson estek t s a teszt msodik felre mr a magas szint probl-
mamegoldknl tapasztalt teljestmnyt mutattk. Egy kizrlag mennyisgi elv elemzs
a kezdeti alacsony teljestmny miatt nem mutatn ki a valsgban elrt s mutatott szak-
rtsgi szintet, miutn tlagban a szakrt problmamegoldk eredmnyei alatt teljes-
tettek. St sszessgben az alacsony s a magas szint problmamegoldk teljestmnye
kztt definilhat tlagos stratgiahasznlatuk (tlag _evf7_teszt_gyorsan_tanul=3,09; t-
lag_evf7_stratgia_gyorsan_tanul=5,17) miatt ket soroln a rendszer a kzepes teljestmny prob-
lmamegoldk kz, akik viszont profilelemzseink alapjn nem alkotnak kln osztlyt.
A msik, tlagos teljestmnye alapjn ide sorolt osztly (a dikok 9%-a) a kezdetben ma-
gasan teljestk, majd a komplexebb rendszereken alulteljestk csoportja lenne (t-
lag_evf7_teszt=2,02; tlag_evf7_stratgia=5,00). Az tlagos teljestmnyk szintn kzepes
szint, azonban jelents minsgi eltrs van a kt csoporthoz tartoz dikok kztt.
A gyorsan tanulk felttelezheten sok, igny szerint, specilis helyzetekben knnyen
adaptlhat kognitv smval rendelkeznek (Markman, 1999), ugyanakkor az adaptci-
hoz idre van szksgk. A szakrt problmamegoldk velk szemben sokkal kidolgo-
zottabb, explicitebb smkat rhetnek el, amelyekre alapozva mr a kezdetektl fogva k-
pesek a legoptimlisabb felfedez stratgia alkalmazsra. A kezdetben magasan, majd
bonyolultabb rendszerek esetn alacsonyan teljestknl felttelezheten a kognitv tlter-
hels jelent meg.
A dikok kzel 40%-t a profilelemzs tovbbi kt, korbban nem felttelezett cso-
portba sorolta. Az els csoport tagjai a teszt elejn, a legegyszerbb problmk kapcsn
kisfok tanulsrl tettek bizonysgot, majd a bonyolultabb rendszereknl egyrtelmen a
legalacsonyabban teljestk csoportjba kerltek t. A dikok 21%-a mr alacsony-kze-
pes szinten teljestett a teszt elejn, majd semmifle fejldst nem mutatva a problma-
megold helyzetek komplexitsnak nvekedsvel prhuzamosan fokozatosan a legala-
csonyabban teljestk tborhoz csatlakoztak.
Az vfolyamok kztti fejlds az elvrtnl, a felttelezettnl kisebb mrtk volt. Az
egyedli jelents vltozst a kzel ktszeresre nvekedett magas szint stratgiahaszn-
lattal rendelkez dikok elfordulsa jelentette, ugyanakkor mg 8. vfolyamon is a di-
kok 45%-a a kt legalacsonyabb kpessgszint csoportba tartozott. k azok, akik gya-
korlatilag semmilyen szinten sem kpesek az elszigetelt vltozkezels alkalmazsra.
Az egyetemistk kztt trtnt adatfelvtel eredmnyeire pt elemzs alapveten
altmasztotta a korbbi megllaptsainkat (Csap & Molnr, 2012), miszerint br okta-
tsi rendszernk kevsb fejleszti a dikok gondolkodsi kpessgeit, belertve problma-
megold gondolkodsukat, de az iskolai szelekci jelents mrtkben magyarzhat a di-
kok problmamegold kpessgeinek fejlettsgi szintjvel (Molnr, 2016a). A ltens
profilelemzs felttelezheten az ers szelekci miatt mr csak ngy csoportba osztotta
a dikokat: magasan teljestk; gyorsan tanulk; kezdetben tlag alatt teljestk, de az egy-
szer rendszereken tanulni kpes s vgl a kezdetben tlag alatt, alacsonyabban teljes-
tk, majd a problmk bonyolultsgi fokval prhuzamosan egyre alacsonyabban teljest
233
Molnr Gyngyvr
dikok. Az egyetemistk kztt mindssze 20% volt azon dikok arnya, akik gondolko-
dsi kpessgk alapjn ezen legalacsonyabban teljestk kz sorolhatak. Felttelez-
snk szerint egy azonos korosztly reprezentatv mintn kialakultak volna az ltalnos
iskols mintn tapasztalt legalacsonyabban teljest osztlyok is.
A dikok stratgiahasznlatt s interaktv problmamegolds teszten nyjtott teljest-
mnyt szmos kpessg, egyni jellemz hatrozza meg. Ilyen kpessgek pldul az
ltalnos gondolkodsi kpessgek s a fluid intelligencia (pl.: Greiff et al., 2013;
Wstenberg et al., 2012). Ugyanakkor a ltens profilelemzsek rmutattak arra, hogy a
klnbz tanulsi tpusok, stlusok (Jonassen & Grabowski, 1993) terlete is relevns
kutatsi krdsknt merlhet fel a kapcsn, hogy a dikok milyen felfedez stratgikat
hasznlnak problmamegold helyzetekben s hogyan tanulnak a teszt megoldsa sorn.
Kvetkeztetsek
234
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
Ksznetnyilvnts
Irodalom
Binkley, M., Erstad, E., Herman, J., Raizen, S., Ripley, M., Miller-Ricci, M., & Rumble, M. (2012). Defining
21st century skills. In P. Griffin, B. McGaw & E. Care (Eds.), Assessment and teaching of 21st Century
skills (pp. 1766). Dordrecht: Springer. doi: 10.1007/978-94-007-2324-5_2
Clark, S. L., & Muthn, B. (n.d.). Relating latent class analysis results to variables not included in the analysis
[PDF document]. Retrieved from http://statmodel2.com/download/relatinglca.pdf
Collins, L. M., & Lanza, S. T. (2010). Latent class and latent transition analysis: With applications in the
social, behavioral, and health sciences. Wiley: New York.
Csap, B. (2003). A kpessgek fejldse s iskolai fejlesztse. Budapest: Akadmiai Kiad.
Csap, B., & Molnr, G. (2012). Gondolkodsi kszsgek s kpessgek. In B. Csap (Ed.), Mrlegen a
magyar iskola (pp. 407440). Budapest: Nemzeti Tanknyvkiad.
Drner, D., Kreuzig, H. W., Reither, F., & Studel, T. (1983). Lohhausen. Vom Umgang mit Unbestimmtheit
und Komplexitt. Bern: Hans Huber.
Dziak, J. J., Coffman, D. L., Lanza, S. T., & Li, R. (2012). Sensitivity and specificity of information criteria.
Technical Report Series #12-119 [PDF document]. Retrieved from
https://methodology.psu.edu/media/techreports/12-119.pdf
235
Molnr Gyngyvr
Funke, J. (1992). Wissen ber dynamische Systeme: Erwerb, Reprsentation und Anwendung. Heidelberg:
Springer. doi: 10.1007/978-3-642-77346-4
Funke, J. (2010). Complex problem solving: A case for complex cognition? Cognitive Processing, 11, 133
142. doi: 10.1007/s10339-009-0345-0
Funke, J. (2014). Analysis of minimal complex systems and complex problem solving require different forms
of causal cognition. Frontiers in Psychology, 5, 739. doi: 10.3389/fpsyg.2014.00739
Gardner, P. H., & Berry, D. C. (1995). The effect of different forms of advice on the control of a simulated
complex system. Applied Cognitive Psychology, 9(7), 5579. doi: 10.1002/acp.2350090706
Greiff, S., Wstenberg, S., & Avvisati, F. (2015). Computer-generated log-file analyses as a window into
students' minds? A showcase study based on the PISA 2012 assessment of problem solving. Computers &
Education, 91, 92105. doi: 10.1016/j.compedu.2015.10.018
Greiff, S., Wstenberg, S., & Funke, J. (2012). Dynamic problem solving: A new assessment perspective.
Applied Psychological Measurement, 36(3), 189213. doi: 10.1177/0146621612439620
Greiff, S., Wstenberg, S., Csap, B., Demetriou, A. Hautamki, H., Graesser, A. C., & Martin, R. (2014).
Domain-general problem solving skills and education in the 21st century. Educational Research Review,
13, 7483. doi: 10.1016/j.edurev.2014.10.002
Greiff, S., Wstenberg, S., Molnr, G., Fischer, A., Funke. J., & Csap, B. (2013). Complex problem solving
in educational contexts Something beyond g: Concept, assessment, measurement invariance, and
construct validity. Journal of Educational Psychology, 105(2), 364379. doi: 10.1037/a0031856
Jonassen, D. H. & Grabowski, B. L. (Eds.). (1993). Handbook of individual differences, learning, and
instruction. Mahwah, NJ: Lawrence Erlbaum. doi: 10.4324/9780203052860
Markman, A. B. (1999). Knowledge representation. Mahwah, NJ: Lawrence Erlbaum.
Molnr, G. (2012). A problmamegold gondolkods fejldse: az intelligencia s szociokonmiai httr
befolysol hatsa 3-11. vfolyamon. Magyar Pedaggia, 112(1), 4158.
Molnr, G. (2016a): A dinamikus problmamegold kpessg, mint a tuds elsajttsnak s alkalmazsnak
kpessge: fejlds s elrejelezhetsg az Orszgos kompetenciamrs eredmnyei, az iskolai sikeressg
s a demogrfiai httrvltozk alapjn. Iskolakultra, 26(5), 316. doi: 10.17543/iskkult.2016.5.3
Molnr, G. (2016b): Interaktv problmamegold krnyezetben alkalmazott felfedez stratgik hatkonysga
s azok vltozsa: logfjlelemzsek. Magyar Pedaggia, 116(4), 427453.
doi: 10.17670/mped.2016.4.427
Molnr, G., & Psztor-Kovcs, A (2015). A problmamegold kpessg mrse online tesztkrnyezetben. In
B. Csap & A. Zsolnai (Eds.), Online diagnosztikus mrsek az iskola kezd szakaszban (pp. 279300).
Budapest: Oktatskutat s Fejleszt Intzet.
Molnr, G., Greiff, S., & Csap, B. (2013). Inductive reasoning, domain specific and complex problem
solving: relations and development. Thinking skills and Creativity, 9(8), 3545.
doi: 10.1016/j.tsc.2013.03.002
Muthn, L. K., & Muthn, B. O. (2012). Mplus Users Guide (7th edition). Los Angeles: CA: Muthn &
Muthn.
OECD (2010). PISA 2012 Field trial problem solving framework [PDF document]. Retrieved from
http://www.oecd.org/dataoecd/8/42/46962005.pdf.
OECD (2014). PISA 2012 results: Creative problem solving. Students skills in tackling real-life problems
(Volume V). Paris: OECD. doi: 10.1787/9789264208070-6-en
Schweizer, F., Wstenberg, S., & Greiff, S. (2013). Validity of the MicroDYN approach: Complex problem
solving predicts school grades beyond working memory capacity. Learning and Individual Differences,
24, 4252. doi: 10.1016/j.lindif.2012.12.011
236
A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek
Sonnleitner, P., Brunner, M., Greiff, S., Funke, J., Keller, U., Martin, R., Hazotte, C., Mayer, H., & Latour, T.
(2012). The Genetics Lab. Acceptance and psychometric characteristics of a computer-based microworld
to assess complex problem solving. Psychological Test and Assessment Modeling, 54, 5472.
Tschigi, J. E. (1980). Sensible reasoning: A hypothesis about hypotheses. Child Development, 51, 110.
doi: 10.2307/1129583
Wstenberg, S., Greiff, S., & Funke, J. (2012). Complex problem solving More than reasoning? Intelligence,
40, 114. doi: 10.1016/j.intell.2011.11.003
Wstenberg, S., Greiff, S., Molnr, G., & Funke, J. (2014). Cross-national gender differences in complex
problem solving and their determinants. Learning and Individual Differences, 29, 1829.
doi: 10.1016/j.lindif.2013.10.006
Wstenberg, S., Stadler, M., Hautamki, J., & Greiff, S. (2014). The role of strategy knowledge for the
application of strategies in complex problem solving tasks. Technology, Knowledge, and Learning, 19,
127146. doi: 10.1007/s10758-014-9222-8
237
Molnr Gyngyvr
ABSTRACT
Gyngyvr Molnr
Problem solving is a transversal skill that transcends individual disciplines and explores the
applicability of knowledge. Mapping certain aspects of this skill which had not been
investigated previously became a reality with computerbased testing. The aim of log file
analyses is to provide both a qualitative and quantitative description of exploration strategies
used in mapping minimally complex, simulated problems. The participants in the study were
sixth to eighthgraders (n=2226) and firstyear university students (n=1259). A latent profile
analysis was conducted to ascertain the exploration strategies employed by the latent classes
as they worked to understand the problems. Solutions were examined in two to eight classes.
Based on the findings of this study, a distinction can be made between (A) six qualitatively
different groups in the primary age group: (1) cannot process even the most fundamental
systems; (2) grasps the simplest systems at a low level; (3) grasps simple problems with some
success; (4) learns fast; (5) grasps simple systems well, but underperforms when working with
more complex systems; and (6) uses advanced strategies; and (B) four qualitatively different
groups at the university level: (1) low-performing strategy users; (2) proficient strategy users;
(3) slow learners; and, finally, (4) rapid learners, the most valuable group from an educational
point of view. No so-called intermediate strategy users were detected. The analyses bear out
the assumption that school selection can be significantly explained by the developmental level
of students problem solving abilities. The true benefit of the latent profile analysisbased
approach is that it has confirmed the hypothesis that development can be described not only
with quantitative change, but also with qualitative change. An exclusively quantitative analysis
is insufficient, as it would lead to false conclusions in this case.
238