Besondere Förderung von Kern- kompetenzen an Spezialgymnasien?
Der Frühübergang in grundständige Gymnasien in Berlin
Abstract
Der vorliegende Beitrag geht der Frage nach, ob Schülerinnen und Schüler, die nach der vierten Klasse in Berlin in ein grundständiges Gymnasium wechseln, in Abhängigkeit vom Profil des besuchten Gymnasiums im Vergleich zu Grundschülern mit vergleichbaren Lernvoraussetzungen unterschiedliche Lernzuwächse im Leseverständnis, in Mathematik und Englisch erreichen. Auf der Datengrundlage der ELEMENT-Studie wurde die Leistungsentwicklung von Schülerinnen und Schülern an grundständigen Gymnasien (N = 1758) und Grundschulen (N = 3169) während der 5. und 6. Jahrgangsstufe mithilfe von Propensity Score Matching-Analysen (PSM) modelliert. Nach Kontrolle von leistungsrelevanten Unterschieden zwischen den Schülergruppen am Ende der 4. Jahrgangsstufe zeigten sich für das Leseverständnis am Ende der 6. Klasse keine statistisch signifikanten Unterschiede. Für die Mathematikleistung ließen sich Unterschiede lediglich zugunsten eines grundständigen Gymnasiums, das zum Untersuchungszeitpunkt noch kein spezifisches Profil entwickelt hatte, nachweisen. In der Domäne Englisch, in der die curricularen Unterschiede zwischen den Schulzweigen stärker akzentuiert sind, wurden positive Ergebnisse im Vergleich zu den Grundschulen für die so genannten Schnellläuferzüge, die englisch-bilingualen Klassen und das grundständige Gymnasium ohne spezifisches Profil ermittelt. Die Lernstände am Ende der 6. Klasse in den altsprachlichen Gymnasien fielen dagegen im Vergleich zu den Grundschulen geringer aus. Die Befunde widersprechen der Annahme, dass mit dem frühen Übergang auf ein grundständiges Gymnasium automatisch eine besondere Förderung der Lesefähigkeit und des mathematischen Verständnisses besonders leistungsfähiger Schülerinnen und Schüler erreicht werde. Die Ergebnisse zu den Englischleistungen weisen hingegen darauf hin, dass Unterschiede in der Leistungsentwicklung auftreten können, sofern die Aufteilung auf Schulen mit unterschiedlichen Bildungsprogrammen mit curricularen Unterschieden im Unterricht einhergeht. Methodische und inhaltliche Implikationen der Befunde und Grenzen ihrer Generalisierbarkeit werden diskutiert.
This article examines whether students’ learning gains in reading, mathematics, and English depend on the time of their transition from elementary school to the academic track of secondary schooling (grade 4 vs. grade 6) and on the profile of the academic-track Gymnasium school attended. Based on data from the ELEMENT study, the learning gains of fifth and sixth graders in elementary (N = 3169) and Gymnasium (N = 1758) schools were modeled using propensity score matching (PSM) analysis. When achievement-related differences at the end of grade 4 were controlled, no statistically significant differences in reading comprehension were found between the student groups at the end of grades 6. Substantial differences in mathematics achievement emerged in favor of a single Gymnasium that had not yet developed a specific curricular profile at the time of assessments. In English, where curricular differences are more pronounced, positive results emerged for schools with accelerated profiles, for the English-bilingual profile, and for the Gymnasium without a specific profile in comparison to elementary schools; the findings for Gymnasium schools focusing on the classics were negative. The findings refute the common assumption that early transition to the academic track of secondary schooling has generally positive effects on the reading and mathematics literacy of high-performing students. The findings for English indicate that differences in learning trajectories may be more pronounced when different educational programs are associated with differences in classroom instruction. Theoretical, methodological, and practical implications and limitations of the study are discussed.
Literatur
(2008). On the failure of the bootstrap for matching estimators. Econometrica, 76, 1537–1557.
(2002). Bereichsübergreifende Perspektiven. In , PISA 2000: Die Länder der Bundesrepublik Deutschland im Vergleich (S. 219–235). Opladen: Leske + Budrich.
(2009). Frühübergang in ein grundständiges Gymnasium – Übergang in ein privilegiertes Entwicklungsmilieu? Ein Vergleich von Regressionsanalyse und Propensity Score Matching. Zeitschrift für Erziehungswissenschaft, 12, 189–215.
(1998). Nationale und internationale Schulleistungsstudien: Was können sie leisten, wo sind ihre Grenzen? Pädagogik, 50, 12–18.
(2000). Schulformen als differentielle Entwicklungsmilieus – eine ungehörige Fragestellung? Erwiderung auf die Expertise «Zur Messung sozialer Motivation in der BIJU-Studie» von Georg Lind. In , Messung sozialer Motivation: Eine Kontroverse (S. 28–68). Frankfurt a. M.: GEW.
(2009). Teachers’ mathematical knowledge, cognitive activation in the classroom, and student progress. American Educational Research Journal, DOI: 10.3102/0002831209345157.
(2001). Familiäre Lebensverhältnisse, Bildungsbeteiligung und Kompetenzerwerb. In , PISA 2000: Basiskompetenzen von Schülerinnen und Schülern im internationalen Vergleich (S. 323–407). Opladen: Leske & Budrich.
(2006). Schulstruktur und die Entstehung differenzieller Lern- und Entwicklungsmilieus. In , Herkunftsbedingte Disparitäten im Bildungswesen: Differenzielle Bildungsprozesse und Probleme der Verteilungsgerechtigkeit (S. 95–188). Wiesbaden: VS Verlag für Sozialwissenschaften.
(2009). Kognitive Leistungsentwicklung in differenziellen Lernumwelten: Effekte des gegliederten Sekundarschulsystems in Deutschland. Berlin: Max-Planck-Institut für Bildungsforschung.
(2009). Klassenkomposition, Migrationshintergrund und Leistung: Mehrebenenanalysen zum Sprach- und Leseverständnis von Grundschülern. Wiesbaden: VS Verlag für Sozialwissenschaften.
(2009). Performance trajectories and performance gaps as achievement effect-size benchmarks for educational interventions. Journal of Research on Educational Effectiveness, 1, 289–328.
(2008). Some practical guidance for the implementation of propensity score matching. Journal of Economic Surveys, 22, 31–72.
(1992). A power primer. Psychological Bulletin, 112, 155–159.
(2003). Three internationally standardised measures for comparative research on occupational status. In , Advances in cross-national comparison: A European working book for demographic and socio-economic variables (pp. 159–193). New York: Kluwer Academic Press.
(2004). Full matching in an observational study of coaching for the SAT. Journal of the American Statistical Association, 99, 609–618.
(2000). Causal parameters and policy analysis in economics: A twentieth century perspective. The Quarterly Journal of Economics, 115, 45–97.
(1997). Matching as an econometric evaluation estimator: Evidence from evaluating a job training programme. Review of Economic Studies, 64, 605–654.
(2002). Begabtenförderung im Gymnasium: Ergebnisse einer zehnjährigen Längsschnittstudie. Opladen: Leske + Budrich.
(2000). Kognitiver Fähigkeitstest für 4.–12. Klassen, Revision (KFT 4 12 + R). Göttingen: Hogrefe.
(2007). Matching as nonparametric preprocessing in reducing model dependence in parametric causal inference. Political Analysis, 15, 199–236.
(2008). The MatchIt Package (Version 2.3–1) [Computer Software]. Verfügbar unter www.gking.harvard.edu/matchit/ [30.9.2008].
(2006). The dangers of extreme counterfactuals. Political Analysis, 14, 131–159.
(2001). Leistungsgruppierungen in der Sekundarstufe I: Ihre Konsequenzen für die Mathematikleistung und das mathematische Selbstkonzept der Begabung. Zeitschrift für Pädagogische Psychologie, 15, 99–110.
(2002). Entwicklung schulischer Leistungen. In , Entwicklungspsychologie: Ein Lehrbuch (S. 756–786). Weinheim: Psychologie Verlags Union.
(2004). AIC and BIC: Comparisons of assumptions and performance. Sociological Methods and Research, 33, 188–229.
(2001). A note on the common support problem in applied evaluation studies. Discussion Paper No. 2001–01. University of St Gallen, SIAW.
(2002). Some practical issues in the evaluation of heterogeneous labour market programmes by matching methods. Journal of the Royal Statistical Society, A 165, 59–82.
(2008). Element. Erhebung zum Lese- und Mathematikverständnis. Entwicklung in den Jahrgangsstufen 4 bis 6 in Berlin: Abschlussbericht über die Untersuchungen 2003, 2004 und 2005 an Berliner Grundschulen und grundständigen Gymnasien. Berlin: Humboldt Universität zu Berlin.
(2007). Umgang mit fehlenden Werten in der psychologischen Forschung: Probleme und Lösungen. Psychologische Rundschau, 58, 103–117.
(2007). Counterfactuals and causal inference: Methods and principles in social research. Cambridge, UK: Cambridge University Press.
(1998–2008). Mplus (Version 5.1) [Computer software]. Los Angeles, CA: Autor.
(2007). Die Bedeutung der mittleren Klassenfähigkeit für das Unterrichtsgeschehen und die Entwicklung individueller Fähigkeiten. Unterrichtswissenschaft, 35, 68–89.
(2002). Observational studies (2. Aufl.). New York: Springer.
(1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41–50.
(1985). Constructing a control group using multivariate matched sampling methods that incorporate the propensity score. The American Statistician, 39, 33–38.
(2000). Combining propensity score matching with additional adjustments for prognostic covariates. Journal of the American Statistical Association, 95, 573–85.
(1999). NORM for Windows 95/98/NT: Multiple imputation of incomplete data under a normal model (Version 3.02) [Computer software]. University Park, PA: Penn State Department of Statistics.
(2010). Probability and causality: Theory. Manuskript in Vorbereitung. Heidelberg: Springer.
(in press). Assessing teacher candidates’ general pedagogical and psychological knowledge: Test construction and validation.
(1998). ACER ConQuest: Generalized item response modeling software manual. Melbourne: Australian Council for Educational Research.
(2007). A review of propensity score application in healthcare outcome and epidemiology. Verfügbar unter www.lexjansen.com/pharmasug/2007/pr/pr02.pdf [25.2.2010].
(2004). Using matching to estimate treatment effects: Data requirements, matching metrics, and Monte Carlo evidence. Review of Economics and Statistics, 86, 91–107.
(2000). Peer effects in private and public schools across countries. Journal of Policy Analysis and Management, 19, 75–92.
