Das Seminar soll Studierenden im Master-Bereich die Gelegenheit geben, grundlegende Vorgehensweisen, Untersuchungsmethoden und Ergebnisse der Fachdidaktik der MINT-Fächer (mit speziellem Fokus auf die Ingenieurwissenschaften) kennenzulernen. Im Unterschied zu den gemeinsam mit dem ZLL angebotenen Tutor*innen-Schulungen geht es hier weniger um das Erlernen bestimmter Unterrichtsmethoden, sondern mehr um die Fachdidaktik als Forschungsthema. Das Seminar dient auch der Vorbereitung für Studierende, die sich – etwa im Rahmen einer Masterarbeit oder einer späteren Promotion – in Richtung der Fachdidaktik der Ingenieurwissenschaften orientieren möchten.
Im Rahmen des Seminar erarbeiten sich die Teilnehmenden in der Selbstlernzeit die Inhalte teilweise selbst, bevor diese dann in der Präsenzveranstaltung vertieft diskutiert werden. Grundlage für die Vergabe der Leistungspunkte sind einzelne kurze schriftliche und mündliche Beiträge zur Veranstaltung.
Sonstiges:
Erster Veranstaltungstermin ist in der zweiten Vorlesungswoche, also am Montag, den 23.10.2023, um 16 Uhr.
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: NTA - Nicht-technisches Angebot (0-NTA)
In Stud.IP angemeldete Teilnehmer: 11
Betreute Abschlussarbeiten
laufende
beendete
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.