Machine Learning (ML) kann den methodischen Werkzeugkasten naturwissenschaftsdidaktischer Forschung erweitern – doch was bedeutet das konkret für Lehre und Lernen, insbesondere in der Organischen Chemie? In dieser Folge sprechen wir darüber, wie ML-Verfahren genutzt werden können, um Lernprozesse in der Hochschullehre besser zu verstehen und gezielt zu fördern. Ein besonderer Schwerpunkt liegt auf dem mechanistischen Begründen – einer zentralen Kompetenz in der Organischen Chemie.

Wir diskutieren, welche Potenziale supervised und unsupervised ML-Ansätze bieten, wie Computational Grounded Theory datengetriebene und theoriegeleitete Ansätze verknüpft und warum Explainable AI entscheidend ist, um Forschungsergebnisse nachvollziehbar zu machen. Gleichzeitig geht es um grundlegende Fragen: Welche Rollen übernehmen Mensch und Maschine im Forschungsprozess? Wie lassen sich Validität und Reliabilität sichern? Und warum führt der Einsatz von ML nicht automatisch zu besseren Lernprozessen bei allen Studierenden?

Anhand tiefer Einblicke in das Promotionsprojekt von Paul Martin (Justus-Liebig-Universität Gießen, Paul.Martin@didaktik.chemie.uni-giessen.de) wird deutlich, dass ML traditionelle Lehrformate nicht ersetzen, sondern sinnvoll ergänzen sollte. Eine Folge über Potenziale und die verantwortungsvolle Integration datenbasierter Methoden in die naturwissenschaftliche Hochschullehre und Forschung – bei „Nicht im Fachraum essen!“.


Wichtige Links und Publikationen:

Kubsch, M., Krist, C., & Rosenberg, J. M. (2023). Distributing epistemic functions and tasks—A framework for augmenting human analytic power with machine learning in science education research. Journal of Research in Science Teaching, 60(2), 423-447. https://doi.org/10.1002/tea.21803

Martin, P. P., Kranz, D., & Graulich, N. (2025). Revealing rubric relations: Investigating the interdependence of a research-informed and a machine learning-based rubric in assessing student reasoning in chemistry. International Journal of Artificial Intelligence in Education, 35(3), 1465-1503. https://doi.org/10.1007/s40593-024-00440-y

Martin, P. P., & Graulich, N. (2024). Beyond language barriers: Allowing multiple languages in postsecondary chemistry classes through multilingual machine learning. Journal of Science Education and Technology, 33(3), 333-348. https://doi.org/10.1007/s10956-023-10087-4

Martin, P. P., & Graulich, N. (2023). When a machine detects student reasoning: a review of machine learning-based formative assessment of mechanistic reasoning. Chemistry Education Research and Practice, 24(2), 407-427. https://doi.org/10.1039/D2RP00287F

Martin, P. P., Kranz, D., Wulff, P., & Graulich, N. (2024). Exploring new depths: Applying machine learning for the analysis of student argumentation in chemistry. Journal of Research in Science Teaching, 61(8), 1757-1792. https://doi.org/10.1002/tea.21903

Martin, P. P., Kubsch, M., Yik, B. J., Burlingham, B. T., & Graulich, N. (2025). Adaptive, but equitable? Exploring the impact of machine learning‐based adaptive support on educational debts in undergraduate chemistry. Science Education. https://doi.org/10.1002/sce.70042

Nelson, L. K. (2020). Computational grounded theory: A methodological framework. Sociological Methods & Research, 49(1), 3-42. https://doi.org/10.1177/0049124117729703

Rost, M., Resch, K., & Lembens, A. (2025). Using computational grounded theory to analyze pre-service chemistry teachers’ reflective practice regarding technology integration in classrooms within a service-learning–oriented seminar.Journal of Science Education and Technology, 34(6), 1519–1540. https://doi.org/10.1007/s10956-025-10236-x

Tschisgale, P., Wulff, P., & Kubsch, M. (2023). Integrating artificial intelligence-based methods into qualitative research in physics education research: A case for computational grounded theory. Physical Review Physics Education Research, 19(2), 020123. https://doi.org/10.1103/PhysRevPhysEducRes.19.020123