MAGYAR PEDAGGIA

117. vf. 2. szm 221238. (2017)

DOI: 10.17670/MPed.2017.2.221

A PROBLMAMEGOLD S TANULSI STRATGIK

VLTOZSA 11 S 19 VES KOR KZTT:
LOGFILE ELEMZSEK

Molnr Gyngyvr
Szegedi Tudomnyegyetem Nevelstudomnyi Intzet,
MTA-SZTE Kpessgfejlds Kutatcsoport

A pedaggiai mrs-rtkels fejldse j lehetsgeket teremtett a problmamegold k-

pessg iskolai kontextusban trtn vizsglata eltt. A problmamegold kpessg, mint
tantrgyakat tfog, diszciplnkat tmetsz, a tuds alkalmazhatsgt biztost transz-
verzlis kpessg fontossgt mutatja, hogy az OECD PISA vizsglatsorozatban is ki-
emelt helyet kapott. Mrtk a msodik (komplex problmamegolds 2003; OECD,
2004), az tdik (kreatv problmamegolds 2012; OECD, 2010; Funke, 2010) s a ha-
todik ciklusban (kollaboratv problmamegolds 2015) is. Mindemellett a legjabb nem-
zeti s nemzetkzi, kszsgek s kpessgek definilst clz programok is a legfonto-
sabb 21. szzadi kpessgek kz soroltk (Binkley et al., 2012). Az oktatsi sikeressg
kapcsn szmos elemzs utalt jelents mrtk prediktv szerepre (Greiff, Wstenberg,
& Funke, 2012; Schweizer, Wstenberg, & Greiff, 2013; Molnr, 2016a), mikzben exp-
licit iskolai fejlesztse a mai napig nem valsul meg (Molnr, Greiff, & Csap, 2013). A
tanulmnyban bemutatott elemzsek clja 11-19 ves dikok minimlisan komplex, szi-
mullt problmk feltrkpezse sorn alkalmazott explorcis stratgiinak minsgi s
mennyisgi lersa, valamint azok vltozsnak feltrkpezse logfjlokon alapul ltens
profil elemzsek alkalmazsval.
A problmamegold kpessg fejlettsgi szintjt mr kutatsokban ms tuds- s k-
pessgterletekre vonatkoz vizsglatokkal ellenttben kevsb merlt fel az igny arra,
hogy ugyanazon konstruktum mrse valsuljon meg technolgiaalapon, mint korbban
papralapon. E helyett a technolgia adta lehetsgek minl szlesebb kr kihasznls-
val a problmamegold kpessg eddig nem vizsglt rszkpessgeinek kutatsa, illetve
maga a konstruktum, mint a 21. szzad egyik kulcsfontossg kpessge, kerlt jradefi-
nilsra. A papralap, statikus problmk segtsgvel trtnt kutatsok eredmnyei
egyre kevsb tkrztk azt, hogy a mai kor dikja milyen j problmamegoldnak bizo-
nyul a technolgiai eszkzkkel teltett mindennapi letben. Ennek hatsra a problma-
megold kpessg jabb dimenziinak kutatsa indult el szmtgp-alapon, lehetv vlt
a problmamegold kpessg korbban nem vizsglt aspektusainak (l. Molnr, 2012;
Greiff et al., 2013; Wstenberg, Greiff, Molnr, & Funke, 2014), mint pldul a problma

221
 Molnr Gyngyvr

feltrkpezse, megoldsa sorn alkalmazott explorcis stratgik minsgi klnbz-

sgnek feltrkpezse.
A korbban nem tapasztalt mennyisg interaktivits s dinamikussg mestersges
krnyezetbl fakad, a krlttnk lv, hihetetlen gyorsasggal fejld technolgiai esz-
kzk s programok okozzk. Ennek ellenre e krnyezet mrselmleti szempontbl tr-
tn mestersges modellezse jelents feladatot s kihvst r s rtt a kutatkra. Az
interaktv problmamegold kpessg mrsnek kt elfogadott megkzeltse ltezik: a
vals lethez hasonlan szmos vltozt tartalmaz, szimullt mikrovilgok [l. pl.: a 2000-
nel is tbb vltozt tartalmaz Lohhausen problma (Drner, Kreuzig, Reither, & Studel,
1983); vagy Gardner s Berry (1995) orvosi rendszert modellez problmja], vagy a mes-
tersgesen egyszerstett, bizonyos szablyokat kvet, minimlis komplex rendszer
(minimal complex system) alkalmazsa [pl.: a lineris egyenletekre pl DYNAMIS
megkzelts MicroDYN modellje (Funke, 1992)]. Utbbi mrselmleti szempontbl
kedvezbb tulajdonsgokkal br, alapveten nagymints, szmtgp-alap tesztelst al-
kalmaz pedaggiai kutatsok kivitelezsre kerlt kidolgozsra.
Az OECD PISA kutatsban s a jelen kutatsban is alkalmazott MicroDYN modell
alapjn fejlesztett interaktv problmk 3-4 perc alatt megismerhetk, feltrkpezhetk (1.
fzis), felptsk s mkdsk modellezhet (2. fzis), majd a megadott cl elrse r-
dekben mkdtethetk (3. fzis). A szakirodalomban elrhet elemzsek a teszt probl-
minak msodik s a harmadik megoldsi fzisban nyjtott teljestmnyeken alapulnak,
s azt ktik kzvetlenl a tuds elsajttsa s tuds alkalmazsa faktorokhoz (Greiff et
al., 2013; Wstenberg et al., 2014). A logfjlelemzsek (a tesztelt szemly ltal adott s
rgztett konkrt vlaszokon tli, a teszt kikzvettse sorn az online rendszer ltal rg-
ztett adatok pl.: mikor s hova, melyik feladatelemre kattintott a tesztelt szemly az
adott problmaszcenrin bell elemzse) segtsgvel azonban kzvetlenl feltrk-
pezhetk s mind mennyisgi, mind minsgi szempontbl jellemezhetk az els fzisban
alkalmazott stratgik, mely terlet mind hazai, mind nemzetkzi szinten hinyterletnek
szmt.

Clok, kutatsi krdsek

A logfjlelemzsek clja a minimlisan komplex, interaktv problmk feltrkpezse,

megoldsa sorn alkalmazott explorcis stratgik minsgi s mennyisgi lersa. An-
nak meghatrozsa, hogy (RQ1) az alkalmazott explorcis stratgia fggvnyben azo-
nosthatk-e a 6-8. vfolyamos dikok s az egyetemistk krben klnbz tpus prob-
lmamegoldk. (RQ2) Milyen profillal jellemezhetk a klnbz problmamegold, fel-
fedez stratgit alkalmaz dikok? (RQ3) Hogyan vltoznak az alkalmazott explorcis
stratgik a teszt megoldsa kzben? (RQ4) Vltoznak-e az illesztett ltens profilcsopor-
tok tulajdonsgai az letkor elrehaladtval, (RQ5) mennyiben tr el a leend rtelmis-
giek, az egyetemistk profilelemzsnek eredmnye az ltalnos iskolsok ltal alkalma-
zott explorcis stratgiktl?

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

Az interaktv problmamegolds teszt 10-10 problmja klnbz komplexits, a

MicroDYN modellen alapul (Funke, 1992; Greiff et al., 2013), minimlisan komplex
rendszer volt. Felptskben azonosak voltak a PISA 2012 kreatv problmamegolds
kutatsban alkalmazott interaktv problmkkal (OECD, 2014). Az elmleti keretrend-
szernek megfelelen korltozott mennyisg vltozt (jelen esetben maximum hrom be-
meneti A, B, s C s hrom kimeneti X, Y s Z l. 1. bra) tartalmaz, a tesztelt
szemly szmra elre ismeretlen fggvnyekkel lerhat nem vals kontextus probl-
mahelyzeteket tartalmaztak. A problmk megoldsa sorn a dikok csak a bemeneti vl-
tozk rtkeit manipullhattk, aminek hatsra a problma htterben lv sszefggs-
rendszer szerint vltoztak a kimeneti vltozk rtkei. Mindezen informcik alapjn a
bemeneti vltozk szisztematikus kontrolllsval, megfelel problmamegold s felfe-
dez stratgia alkalmazsval, maximum 180 msodperc alatt a tesztet megold szem-
lyeknek a problma megoldsnak els fzisban (l. 2. bra) fel kellett fedeznie a rendszer
mkdst, azaz a bementi s a kimeneti vltozk kztti sszefggseket (Wstenberg
et al., 2014).
Pldul a 2. brn bemutatott problma esetben (Este, hazartve, a bejratotok eltt
kuporogva talltok egy cict. Nagyon kimerlt szegny, mozogni is alig br. Elhatrozod,
hogy segtesz rajta. Etetni fogod, amg vissza nem nyeri az erejt. A szomszd nni ktfle
macskaeledelt javasol, egy Brekon s egy Mikas nevt. Vajon hogyan hat a ktfle macs-
kaeledel a cica mozgsnak s dorombolsnak mennyisgre?) a problmamegolds
els fzisban a dikoknak fel kellett fedezni, hogy a kt bemeneti vltoz (bal oldali vl-
tozk: Brekon s Mikas) kapcsolatban ll-e, hatst gyakorol-e a kt kimeneti (jobb oldali
vltozk: Dorombols s Mozgs) vltozra. Ennek rdekben 180 msodperc alatt a
Brekon s a Mikas nev bementi vltozk rtkeinek vltoztatsval, majd a belltott
rtkek alkalmazsval (Alkalmazs gombra val kattints) s a kimeneti vltozkban
trtnt rtkvltozs megfigyelsvel szabadon, irnyts nlkl fedezhettk fel a rend-
szert.

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)

A problmamegolds msodik fzisban a problma alatt tallhat modellben nyilak

segtsgvel brzolni kellett a felfedezett sszefggsrendszert (melyik bemeneti vltoz
melyik kimeneti vltozra van hatssal sajtdinamika s mellkhats (l. 1. bra) nem
szerepelt a tanulmnyban elemzsre kerlt problmk kztt). Vgl a harmadik fzisban
mkdtetni kellett a rendszert: megismerve a valdi sszefggseket a bemeneti vltozk
rtkeit vltoztatva elrni a kimeneti vltozk elre meghatrozott clrtkeit. Mindezt
maximum 4 lpsben (az Alkalmazs gomb maximum ngyszeri hasznlatval l. 1.
bra) s 180 msodperc alatt.

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)

A szimullt rendszerek mkdse br szmos stratgival felfedezhet volt, mgis a

korbbi kutatsi eredmnyek alapjn megllapthat, hogy az gynevezett VOTAT stra-
tgia (very vary-one-thing-at-a-time, Tschirgi, 1980; Funke, 2014; vagy vltozk kont-
rollja: Greiff, Wstenberg, Csap, Demetriou, Hautamki, Graesser, & Martin, 2014) s a
VOTAT stratgin bell is az elszigetelt vltozkezelst alkalmaz stratgia (Wstenberg,
Stadler, Hautamki, & Greiff, 2014) a leghatkonyabb, leginkbb a helyes megoldshoz
vezet stratgia. A VOTAT stratgia alkalmazsa sorn egyszerre mindig csak egy vltoz
kerl vltoztatsra, a tbbi vltozatlan marad. A VOTAT stratgin bell az elszigetelt
vltozkezelst alkalmaz stratgia lnyege, hogy egyszerre minden esetben csak egy be-
meneti vltoz rtke kerl vltoztatsra, a tbbi vltoz rtke semleges, jelen esetben 0
rtken van. Ezen eredmnyre alapozva alaktottuk ki a logfjlok alapjn generlt 0, 1, 2
kategrikat tartalmaz ltens profil elemzs kategorikus megfigyelt indiktor vltozit.
A logfilk kdolsnak mdszert l. Molnr (2016b) tanulmnyban.
Minden egyes problma kapcsn hozzrendeltnk a dikokhoz egy-egy vltozt, ami
azt jellemezte, hogy az adott dik az adott problma kapcsn mennyire alkalmazta a teljes
mrtkben elszigetelt vltozkezelsre pt VOTAT stratgit. Ha egyltaln nem tette,
akkor az j vltoz rtke 0 lett. Ha rszlegesen tette, azaz pldul nem mind a hrom

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.

1. tblzat. A ltens profil elemzsbe bevont problmk minimlis komplexitsa

A problma Bementi Kimeneti A klnbz belltsok

Kapcsolatok
tesztben vltozk vltozk optimlis szma, amivel a
szma
elfoglalt helye szma szma rendszer felfedezhet
2 2 2 2 2
3 2 2 2 2
4 2 2 2 2
5 3 2 3 3
6 3 3 3 3
8 3 3 4 4

A problmamegoldk ltens osztlyaink meghatrozsa rdekben mindkt korosz-

tlyban kln-kln ltens profil (Collins & Lanza, 2010) elemzst vgeztnk. Ketttl
nyolcosztlyos megoldsokat vizsgltunk. A ltens profil elemzs eljrsa hasonl a
klaszteranalzishez. Felttelezett, de nem mrhet, azaz ltens osztlyokhoz val tartozst
vizsgl diszkrt vagy folytonos megfigyelt vltozk elemzsvel. Modell alap statisztikai
elemzsi eljrs. A tanulmnyban ismertetett ltens profil elemzs a problmamegoldk
olyan tpusait keresi, akik az alkalmazott problmamegold stratgik tekintetben ha-
sonl mintzatot mutatnak. A megfigyelt indiktor vltozk a hat klnll problma fel-
trkpezse sorn hasznlt stratgik tkdolt pontrtkei voltak.
A ltens csoportok szmnak meghatrozsa sorn tbb kritriumot is alkalmaztunk:
relatv illeszkedsindexeket, mint az AIC (Akaike Information Criterion, Akaike Inform-
cis Kritrium), a BIC (Bayesian Information Criterion, Bayesi Informcis Kritrium)
s az aBIC (adjusted Bayesian Information Criterion, korriglt Bayesi Informcis
Kritrium) mutatkat. Mindhrom esetben az alacsonyabb rtkek a jobban illeszked

226
 A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek

modellt jellemzik. [A hrom leggyakrabban hasznlt illeszkedsmutat lerst, mkd-

skben lv eltrseket l. Dziak, Coffman, Lanza s Li (2012) tanulmnyban.] Az
entrpia segtsgvel megllapthat, hogy milyen pontosan tudjuk a szemlyeket a
megfelel csoportokba sorolni, kategrikhoz hozzrendelni, azaz mennyire homognek
a csoportok. Minl kzelebbi az entrpia rtke 1-hez, annl tkletesebb a szemlyek
ltens csoportokba sorolsa. A besorols pontossgt ngy szinten definilhatjuk (Clark
& Muthn, n.d.): tkletes, magas, kzepes s alacsony entrpia. Idelis esetben az entr-
pia rtke 1, azaz a szemlyek ltens csoportokhoz trtn besorolsa tkletes. Ha az
entrpia tlagos rtke 0,8, akkor a szemlyek 80%-t lehetett pontosan egy ltens osz-
tlyhoz hozzrendelni. Kzepes entrpia esetn (az entrpia tlagos rtke 0,6) ez az rtk
60%, mg alacsony entrpin (az entrpia tlagos rtke 0,4) 40%. Vgl a Lo-Mendell-
Rubin valsznsgi hnyados teszttel (Lo-Mendell-Rubin Adjusted Likelihood Ratio Test)
sszehasonltottuk az n szm ltens osztlyt tartalmaz modellt, az n1 szmval. A szig-
nifikns p-rtk (p<0,05) azt jelzi, hogy az n1 szm modell elvetsre kerl az n csopor-
tot tartalmaz modell javra, ugyanis az aktulisan tesztelt modell jobban illeszkedik, mint
az azt megelz (Muthn & Muthn, 2012). Az elemzseket az MPlus 6.0 programmal
vgeztk.

Eredmnyek

A logfjlokon alapul, a problmamegolds els fzisa sorn alkalmazott stratgikat jel-

lemz, 0, 1 s 2 kdols, generlt j vltozk segtsgvel szmolt megbzhatsgi mu-
tat rtke az elemzsbe bevont 6 item vonatkozsban =0,89. A dikok felfedez stra-
tgiinak e tpus kdolsa megbzhatan jellemzi az alkalmazott felfedez stratgia mi-
nsgt.
A 2. tblzat mutatja a ltens osztlyok szmtl fggen az informci alap kritri-
umokat s az entrpit. Mind az AIC, a BIC s az elemszmra kontrolllt a BIC is folya-
matos cskkenst mutatott az egyes osztlyok hozzadsval. A hatosztlyos megolds
utn azonban kiegyenltds mutatkozott. Az entrpit tekintve a kett s hromcsoportos
megoldsok rtk el a maximum szintet. Az L-M-R Teszt (Lo-Mendell-Rubin valszn-
sgi hnyados teszt) alapjn azonban a hat egymstl elklnthet profillal jellemezhet
csoportot tartalmaz modellt fogadtuk el. Az alkalmazott explorcis stratgia fggvny-
ben egyrtelmen azonosthatak a klnbz tpus problmamegoldk (RQ1).
A hat, egymstl elklnthet problmamegold profillal lerhat csoportok jellem-
zit a 3. bra mutatja. A dikok kze harmada (31,0%) a legelemibb rendszereket sem
kezel problmamegoldk csoportjba tartozott (Csoport 1), az ide sorolt dikok 92%-os
biztonsggal jellemezhetek ezzel a problmamegold profillal. Tlk kicsit sikeresebbek
(Csoport 2) a legegyszerbb rendszereket alacsony fokon tlt problmamegoldk
(16,6%). A jelen modellben ide sorolt dikokrl 88% biztonsggal jelenthet ki, hogy ebbe
s nem egy msik profil csoportba tartoznak. ket az alkalmazott problmamegold stra-
tgik alapjn az egyszer problmkat kisebb sikerekkel tlt problmamegoldk
(20,6%) kvettk (Csoport 3). Az e hrom profillal jellemezhet problmamegoldk, a

227
 Molnr Gyngyvr

dikok kzel 70%-a, alapveten nagyon alacsonyszint kpessgekkel rendelkeznek s a

teszt megoldsa kzben sem tanultak.

2. tblzat. A ltens profil elemzsek illeszkedsi mutati a 6-tteles stratgiaelemzs ese-

tn (6-8-os minta)

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%

0,3 Csoport 5, 8,7%

Csoport 6, 16,7%
0,2

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

A profilelemzs alapjn a 6-8. vfolyamosok 6,3%-a nagyon hatkony tanulsi kpes-

sggel rendelkezik, ugyanis, mg a teszt elejn az egyszerbb rendszerek ttekintsvel,
feltrkpezsvel is problmjuk volt, addig az utols, legbonyolultabb (sajtdinamikval
nem rendelkez) problmt mr kzel 95% valsznsggel oldottk meg (Csoport 4, l. 3.
bra). E gyorsan tanul dikok 85%-os biztonsggal sorolhatak e profilba. A dikok
8,7%-a (Csoport 5, l. 3. bra) az egyszer rendszereket jl tltta, de a bonyolultabbnl
mr az alulteljest problmamegoldk csoportjhoz tartozott. Vgl a 6-8. vfolyamosok
16,7%-a magas szint problmamegold kpessgekkel (Csoport 6), j problmamegold
stratgikkal rendelkezett, k azok, akik hatkonyan trkpeztk fel mind az egyszer,
mind a legbonyolultabb rendszereket is. 95%-os biztonsggal llthat ezen dikokrl,
hogy ez a profil jellemz rjuk (3. tblzat) s nem msik csoportba sorolhatak (RQ2).

3. tblzat. Az adott profillal jellemezhet csoporthoz tartozs valsznsge (6-8. vfo-

lyam)

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

Az vfolyamonknti elemzsek egyrszt altmasztottk a 6-8. vfolyam vonatkoz-

sban egyttesen vgzett ltens profilelemzsek eredmnyeit, msrszt megmutattk a
vltozs tendenciit (4. tblzat). Elzetes hipotzisnkkel ellenttben hatodikrl nyolca-
dik vfolyamra ntt a legalacsonyabb szint stratgiahasznlk arnya, ami a minta sz-
szettelbl is addhatott, miutn vfolyamonknti bontsban nem reprezentatv mintav-
lasztsrl volt sz.
Jelents mrtkben cskkent a msik kt tlag alatt teljest profillal rendelkez dikok
arnya. Kis mrtkben ntt a gyorsan tanulk s az egyszer rendszereket tlt, de a bo-
nyolultabbakkal kevsb boldogul stratgiahasznlk arnya. Vgl hatodikrl nyolca-
dik vfolyamra jelents mrtkben, kzel ktszeresre nvekedett a magas szint strat-
giahasznlattal rendelkez dikok elfordulsa. Az eredmnyeik jrulhattak hozz f-
kpp az vfolyamonknti tlagos teljestmnyben tapasztalt nvekedshez (RQ4).
A fejldsi folyamatok jellegnek pontosabb megrtse s rtelmezse vgett lefuttat-
tuk a ltens profilelemzseket az egyetemista korosztlyban felvett logfjlokon is. A k-
zpiskola utn ers szelekcin tesett s az orszg egyik vezet egyetemn els vfolya-
mot kezd dikok problmamegold kpessgeik s az alkalmazott stratgik alapjn az
L-M-R teszt eredmnye szerint ngy, klnbz profillal jellemezhet csoportba sorolha-

229
 Molnr Gyngyvr

tk (5. tblzat). A dikok 11,1%-a kisebb sikereket rt el az egyszerbb problmk meg-

oldsa sorn, de a komplexebbekkel mr nem boldogultak. A dikok egy msik 10,0%-a
az egyszerbb problmk megoldsa sorn kpes volt fejldni, tanulni a teszt megoldsa
sorn, de a bonyolultabb, komplexebb rendszereket mr nem lttk t. A dikok 16,9%-a
sorolhat a gyorsan tanulk kz, k azok, akik a teszt elejn csak kisebb sikereket rtek
el az egyszerbb problmk megoldsa sorn, ugyanakkor a teszt vgre megtanultk ke-
zelni mg a legbonyolultabb rendszereket is. Vgl, a dikok 62,0%-a a profilelemzs ltal
kpzett legmagasabb szint problmamegoldk s stratgiahasznlk csoportjba tartozik
(4. bra, RQ5).

4. tblzat. A klnbz profillal jellemezhet problmamegold csoportokhoz tartozs

gyakorisga vfolyamonknti bontsban

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

5. tblzat. A ltens profil elemzsek illeszkedsi mutati a dikok problmamegold stra-

tgiahasznlatnak elemzse alapjn (egyetemista minta)

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

0,7 Csoport 1, 11,1%

0,6 Csoport 2, 10,0%

0,5 Csoport 3, 16,9%

0,4 Csoport 4, 62,0%
0,3

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

A logfjlokkal vgzett ltens profilelemzsek lehetsget biztostottak arra, hogy kvalita-

tv szempontbl jellemezzk a dikok ltal interaktv problmamegold helyzetekben al-
kalmazott felfedez stratgikat. Az eredmnyek alapjn egy a legelemibb rendszereket
sem kezel, a legegyszerbb rendszereket alacsony fokon tlt, az egyszer problmkat
kisebb sikerekkel tlt, a gyorsan tanul, az egyszer rendszereket jl tlt, de a bonyo-
lultabbnl alulteljest s a magas szint stratgiahasznlk, problmamegoldk hatoszt-
lyos rendszerrel rhatak le, jellemezhetek leginkbb az adatok. Keresztmetszetileg a ma-
gasabb vfolyamra jr dikok csak kis mrtkben mutattak szofisztikltabb felfedez

231
 Molnr Gyngyvr

stratgikat, nagyon alacsony mrtk volt a 6. s 8. vfolyam kztt megfigyelhet fej-

lds.
Eredetileg, a szakirodalom alapjn egy ngyosztlyos eredmnyt feltteleztnk. H-
rom osztlyt a dikok teszten nyjtott teljestmnye alapjn: alacsony szint, a kzepes s
a magas szint problmamegold, azaz minl magasabb szint felfedez stratgikkal ren-
delkezik, annl jobban teljest a teszten; valamint a hasonl struktrj, felpts probl-
mk miatt feltteleztk, hogy lesz egy, a gyorsan tanul dikokat tmrt osztly is.
A gyenge, kzepes s magas szint hrmas osztlyozs a szakrtssg mennyisgi k-
lnbsgeivel is megfoghat, amire korbbi kutatsok mr felhvtk a figyelmet
(Sonnleitner et al., 2012; Greiff, Wstenberg, & Avvisati, 2015; OECD, 2014). Ugyanak-
kor a tipikus kzepes szint problmamegold profil megltt nem tmasztottk al elem-
zseink. A mennyisgi jellemzkkel is lerhat csoportokhoz tartoz dikok vagy a ki-
emelkeden j (tlag_evf7_teszt=4,62; tlag_evf7_stratgia=5,8), vagy sszessgben az alacsony
szint problmamegoldkhoz tartoztak (tlag_evf7_teszt=1,32; tlag_evf7_stratgia=1,08).
A ltens profilelemzsek alapjn egyrtelmen hat klnbz tulajdonsgokkal jelle-
mezhet csoportot klnthettnk el egymstl: a legelemibb rendszereket sem kezel
problmamegoldk, ide sorolhat a 6-8. vfolyamos dikok harmada. Nluk kicsit sikere-
sebbek a legegyszerbb rendszereket alacsony fokon tlt s kisebb fok tanulst mutat
problmamegoldk csoportja (16%), akik azonban a bonyolultabb rendszereknl mr a
legalacsonyabban teljestk eredmnyeit mutatjk. Hozzjuk tulajdonsgukban egyrszt
kzel llnak, de mgis kln profillal jellemezhetek az egyszer problmkat kisebb si-
kerekkel tlt, de a bonyolultabb rendszerekkel nem boldogul problmamegoldk
(21%). k nem mutattak fejldst, tanulst a teszt problmi megoldsa kzben. Azon
dikok, akik e tulajdonsgokkal lerhat csoportok valamelyikbe sorolhatak, alapveten
nagyon alacsony szint problmamegold, feltrkpez, explorcis kpessgekkel ren-
delkeznek (a dikok 70%-a) s tanulsi kpessgk is alacsony szint. Ezzel szemben a
profilelemzs alapjn a 6-8. vfolyamosok kb. 6-8%-a nagyon hatkony tanulsi kpess-
gekkel rendelkezik. k azok, akiknek a teszt elejn az egyszerbb rendszerek ttekints-
vel, feltrkpezsvel is problmjuk volt, ugyanakkor a teszt megoldsa kzben megta-
nultk annak hasznlatt, a minimlisan komplex rendszerek hatkony feltrkpezsnek
mdszert. A teszt vgre a legbonyolultabb (sajtdinamikval mg nem rendelkez)
problmkat is mr kzel 95% valsznsggel oldottk meg. Az egyszer problmk
megolds kapcsn nluk jobban teljestett a dikok azon 8-10%-a, akik az egyszer rend-
szereket jl tlttk, de a bonyolultabbnl mr az alulteljest problmamegoldk csoport-
jhoz tartoztak. Vgl a 6-8. vfolyamosok kzel 17%-t sorolhattuk a magas szint prob-
lmamegold kpessgekkel, j problmamegold stratgikkal rendelkez dikok kz,
k azok, akik hatkonyan trkpeztk fel mind az egyszer, mind a legbonyolultabb rend-
szereket is. Az egyetemista korosztlyban, az rettsgit kvet szelekci hatsra arnyuk
meghaladta a 60%-ot, de a gyorsan tanul dikok rtja is jelentsen, dupljra emelkedett
a vizsglt mintn.
A ltens profilelemzs alap megkzelts igazi elnye, hogy rvilgtott arra, meg-
erstette azon hipotzisnket, hogy a fejlds nemcsak mennyisgi, hanem minsgi vl-
tozssal is lerhat. A stratgiahasznlat szakrtssge kapcsn nem elegend egy kizr-

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

A strukturlis egyenletek mdszerhez tartoz profilelemzsekkel nemcsak a fejlds

mennyisgi, hanem minsgi vltozst is detektlni tudtuk s definilni a klnbz tu-
lajdonsgokkal jellemezhet dikokat problmamegold kpessgk fejlettsgi szintje
szerint. Az alkalmazott stratgia s tanulsi kpessgek fnyben a dikok hat csoportja
klnthet el egymstl: a legelemibb rendszereket sem kezel, a legegyszerbb rend-
szereket alacsony fokon tlt, az egyszer problmkat kisebb sikerekkel tlt, a gyor-
san tanul, az egyszer rendszereket jl tlt, de a bonyolultabbnl alulteljest s a ma-
gas szint stratgiahasznlk. Ezen elemzsek az interaktv problmamegold kpessg
korbban nem vizsglt aspektust (Greiff et al., 2013; Wstenberg, Greiff, Molnr, &
Funke, 2014), a problma feltrkpezse s megoldsa sorn alkalmazott explorcis stra-
tgik minsgi klnbzsgeit s azok tg letkori intervallumban trtn vltozst
trkpeztk fel.
A dikok ltal alkalmazott felfedez s problmamegold stratgik mintzatnak
elemzse a pedaggusoknak fontos informcit szolgltathat azon dikokrl, akik sszes-
sgben egymshoz kzel ll teljestmnyt mutatnak, ugyanakkor azt klnbz ton,
utakon rik el. Ez a megklnbztets a tants mdszereinek kivlasztsban s sze-
mlyre szabsban, a gondolkodsi kpessgek clzott fejlesztsben is szerepet jtszhat.
Az elszigetelt vltozkezelsre alapoz felfedez stratgik alkalmazsa nemcsak a prob-
lmamegoldssal kapcsolatos kutatsokban kerlt eltrbe, hanem meghatroz tnyez-
nek bizonyult a termszettudomnyos gondolkods elsajttsi folyamatban is.
Az eredmnyek alapjn felmerlt lnyeges oktatsi vonatkozs kutatsi krds, hogy
mi klnbzteti meg azon dikokat egymstl, akik a teszt elejn mg gyengbben telje-
stettek, nem ismertk az elszigetelt vltozkezelsre alapoz stratgit, majd gyorsan fej-
ld, gyors tanulsra kpes dikknt a teszt vgre mr a legbonyolultabb problmkat is
sikeresen oldottk meg, illetve akik nem is tudtak tovbblpni s megmaradtak az alacso-
nyan teljestk kztt. Elre lehet-e jelezni egyb kpessgek alapjn, hogy kik lesznek a
magas kpessgszint, illetve a tants szempontjbl legizgalmasabb csoportba, a gyor-
san tanul dikok csoportjba tartoz tanulk? Vajon melyek azok a kevsb komplex,

234
 A problmamegold s tanulsi stratgik vltozsa 11 s 19 ves kor kztt: logfile elemzsek

ezrt knnyebben fejleszthet kpessgek a problmamegolds komponenskpessgei

, amelyek befolysoljk azt, hogy valaki j vagy rossz problmamegoldnak bizonyul?
Ezen kpessgek (pl.: az induktv gondolkods, l. Molnr, Greiff, & Csap, 2013) tanrai
fejlesztse nlklzhetetlen lenne. Teljes kr feltrkpezsk tovbbi kutatsokat ig-
nyel.
A korbbi eredmnyek alapjn a fejlds szempontjbl szenzitv szakaszban lv 6-
8. vfolyamos dikok s az ers, ktszeres (ltalnos iskola s kzpiskola utn) szelek-
cin is tesett egyetemistk eredmnyein alapul ltens profilok alapjn megllapthatjuk,
hogy br oktatsi rendszernk kevsb fejleszti a dikok gondolkodsi kpessgeit, bele-
rtve problmamegold gondolkodsukat, de az iskolai szelekci egyrtelmen, jelents
mrtkben magyarzhat a dikok problmamegold kpessgeinek, explorcis stratgi-
ik s tanulsi kpessgeik fejlettsgi szintjvel. Mindezen eredmnyek egyre inkbb fel-
hvjk a figyelmet a kzel teljes mrtkben ismeretek kzvettsn alap oktatssal szem-
ben a gondolkodsi kpessgek fejlesztst is fkuszba llt problma-alap tanuls s
tants megkzeltsnek iskolai alkalmazsra.
Ezek az eredmnyek j megvilgtsba helyezik a korbbi, nemzetkzi, fkpp egy
specifikus stratgia hasznlatnak vizsglatra fkuszl MicroDYN krnyezetben trtnt
elemzseket s azok rtelmezst. A ltens profilelemzsek altmasztottk azt az elm-
letet, miszerint a kpessgek fejldse mind mennyisgi, mind minsgi vltozson alapul
(Csap, 2003). A technolgiaalap tesztels s az j elemzsi eljrsok segtsgvel mind-
kett szmszersthet s objektv eszkzkkel jellemezhet.

Ksznetnyilvnts

A tanulmny megrst az OTKA K115497 kutats tmogatta.

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

LEARNING AND PROBLEM SOLVING STRATEGIES USED BY 1119-YEAR-OLD STUDENTS:

LOGFILE ANALYSES

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.

Magyar Pedaggia, 117(2). 221238. (2017)

DOI: 10.17670/MPed.2017.2.221

Levelezsi cm / Address for correspondence: Molnr Gyngyvr, SZTE Nevelstudomnyi

Intzet, Oktatselmleti Kutatcsoport. H6722 Szeged, Petfi Sndor sgt. 3034.

238