Analyse des Lehrwerkes “Alles Deutsch” für die Klassen sechs bis neun des schwedischen Schulsystems im Hinblick auf die Eignung für SchülerInnen mit Aufmerksamkeitsdefizit-Hyperaktivitätsstörung und Lese-Rechtschreib-Schwäche
Bibliographic record
Abstract
Die vorliegende Arbeit thematisiert die Eignung des Lehrwerks Alles Deutsch an die Diagnosen Lese-Rechtschreib-Schwäche und Aufmerksamkeitsdefizit- Hyperaktivitätsstörung. Durch Erarbeitung der Kennzeichen und didaktischer Empfehlungen für die beiden Diagnosen wird der theoretische Rahmen für die folgende praktische Analyse des Lehrwerks gestellt. Die Arbeit soll damit durch die Forschungsfrage „Inwiefern ist das Lehrwerk Alles Deutsch an die fremdspachliche Förderung der Diagnosen Lese- Rechtschreib-Schwäche und Aufmerksamkeitsdefizit-Hyperaktivitätssyndrom angepasst?“ sowohl Lehrpersonen bei der Wahl eines geeigneten Lehrwerks für den DaF-Unterricht helfen als auch zur Verbesserung von Lehrwerken im Hinblick auf diese Diagnosen beitragen. Die Analyse ergibt, dass das Lehrwerk in vielen der erarbeiteten Kriterien gut an die Diagnosen angepasst ist. Sie zeigt jedoch auch deutlich, dass auch Verbesserungsmöglichkeiten zu finden sind, die die Anpassung noch besser gestalten könnten. Diese Überarbeitungen sowie auch weitergehende Forschung mit Fokus auf Parallelen zu anderen Diagnosen sowie die Befragung von Lehrpersonal und SchülerInnen kann die Entwicklung in diesem Forschungsgebiet weiterführend bereichern.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".