Bildung + Gesellschaft

Mit künstlicher Intelligenz lassen sich Freitextantworten automatisiert auswerten. Dies erleichtert, den Lernfortschritt jedes Lernenden zu verfolgen und Lernmaterialien in individualisierten Lernumgebungen anzupassen.In der organischen Chemie sind mechanistische Probleme zu lösen, Konzepte zu verstehen sowie Synthesen zu planen, durchzuführen und auszuwerten. Bei diesen kognitiven Prozessen ist mechanistisches Denken zentral, das über das Nennen und Beschreiben von Reaktionsmechanismen hinausgeht.1) Mechanistisches Denken umfasst das Erklären molekularer Prozesse, die Analyse von Elektronenbewegungen sowie kinetische und thermodynamische Betrachtungen.2,3)Viele Studierende haben Schwierigkeiten, mechanistisch zu denken:4,5) Es fällt ihnen beispielsweise schwer, Ursache-Wirkungs-Beziehungen herzustellen, nicht explizit dargestellte Eigenschaften zu erkennen oder Strukturmerkmale mit energetischen Einschätzungen zu verknüpfen. Idealerweise werden Studierende daher kontinuierlich in diesen Denkprozessen gefördert.Dazu sind jedoch überwiegend offene Aufgabenformate wie Freitextantworten nötig. Sie auszuwerten, kann zeitintensiv und konzeptionell schwierig sein. Eine Lösung für dieses Problem bietet künstliche Intelligenz (KI): KI-Methoden können komplexe Denkprozesse in offenen Aufgabenformaten automatisiert auswerten.6) Daran anknüpfend ist es Dozierenden zum Beispiel in digitalen Lernumgebungen möglich, individualisiertes Feedback und Übungen bereitzustellen.<h2 type="main">Künstliche Intelligenz und maschinelles Lernen</h2>KI-gestützte algorithmische Entscheidungssysteme übernehmen bereits heute kognitive Aufgaben, die bislang als spezifisch menschlich galten. Daher wird in diesem Zusammenhang häufig die Automatisierung kognitiver Fähigkeiten diskutiert.7) KI lässt sich somit als Software verstehen, die es Computern ermöglicht, Aufgaben wie Problemlösung und Entscheidungsfindung menschenähnlich auszuführen.Das maschinelle Lernen (ML) beschäftigt sich mit sämtlichen selbstlernenden Algorithmen, die in den letzten Jahren zu Innovationen geführt haben. ML ist ein Teilbereich der KI, der Computersysteme befähigt, ohne explizite Programmierung aus Daten zu lernen, Muster zu identifizieren und Prognosen zu treffen.Während unsupervised ML aus nicht menschlich annotierten Daten Kategorien ableitet, kann supervised ML zur automatisierten Auswertung dieser Kategorien genutzt werden.Diese ML-Techniken erlauben der Hochschulfachdidaktik, was bislang nur schwer möglich war: Sie bekommt durch die automatisierte Auswertung offener Aufgabenformate datengetriebene Einblicke in die Kompetenzen von Studierenden.8)<h2 type="main">Schwierigkeiten der Studierenden</h2>Im Frühjahr 2021 nahmen 64 Studierende der Tufts University in Boston im Rahmen des Moduls zur Organischen Chemie II an einer empirischen Studie teil. Angelehnt an die Argumentstruktur Behauptung – Beleg – Begründung (Claim-Evidence-Reasoning Model) nach Toulmin9) wurden sie durch digitale Lernhilfen unterstützt, zu beurteilen, welche Reaktionsprodukte für eine intramolekulare Williamson-Ether-Synthese und eine Claisen-Kondensation plausibel sind (<link href="#nadc20244141003-fig-0001">Abbildung 1).10,11)<figure xml:id="nadc20244141003-fig-0001"><figure><img alt="image" src="https://media.graphassets.com/PCfAT94tQuOpVY7IYHiJ"><figcaption><label>Abb.1: </label>Studierende beurteilen die Plausibilität vier potenzieller Reaktionsprodukte für vier Reaktionsmechanismen, hier eine intramolekulare Williamson-Ether-Synthese. Dazu stellen die Studierenden nacheinander eine Behauptung über die Plausibilität der gezeigten Reaktionsprodukte auf, wobei sie die Behauptung in einem offenen Aufgabenformat belegen und begründen müssen. Rot und grün: implausible beziehungsweise plausible Reaktionsprodukte.</figcaption></figure></figure>Wie die Analyse der von den Studierenden erstellten Argumente zeigt, fällt es ihnen schwer, kausale oder auf elektronischen Eigenschaften basierende Argumente zu bilden (<link href="#nadc20244141003-fig-0002">Tabelle).12) Die Komplexität der Argumente hing zudem nicht nur vom gegebenen Reaktionskontext ab, sondern auch vom individuellen Lernstand der Studierenden. Diese Argumentationsprozesse durch individuell angepasste Lernaufgaben zu fördern, führte zu Lernzuwächsen, war jedoch nicht auf Kohorten mit mehr als 100 Studierenden übertragbar.10,11)<figure xml:id="nadc20244141003-fig-0002"><figure><img alt="image" src="https://media.graphassets.com/R2PmvspHTSi3ceSSCCoz"><figcaption><label>Abb.2: </label>Dimensionen des Modells maschinellen Lernens.</figcaption></figure></figure><h2 type="main">Mit maschinellem Lernen mechanistisches Denken analysieren</h2>Um die individuelle Förderung bei großen Kohorten zu realisieren, haben wir auf Basis der Computational Grounded Theory16) ein ML-Modell entwickelt, das frei formulierte Argumentationen automatisiert auswertet.12) Dazu wurden mit unsupervised ML zunächst generalisierbare Argumentationsmuster datengetrieben aus den Antworten der Lernenden extrahiert. Die so gewonnenen Argumentationsmuster wurden mit chemiedidaktischen Interpretationsrahmen analysiert und überarbeitet.13–15) Zuletzt wurden die insgesamt 1108 von Studierenden formulierten Argumente mit einem supervised ML-Modell automatisiert ausgewertet. Dieses Modell hat in englischer Sprache eine Genauigkeit von über 87 Prozent12) und in deutscher Sprache eine Genauigkeit von über 82 Prozent.17)Das entwickelte Modell greift auf das Bert-Sprachmodell zurück, welches den semantischen Kontext von Wörtern in einem Text analysiert. Bert steht für Bidirectional Encoder Representations from Transformers und macht die Vielschichtigkeit menschlicher Sprache für Computer zugänglich. Durch diese Sprachverarbeitung lassen sich die Argumente der Studierenden anhand ihrer Komplexität in eine von 20 Kategorien einordnen. Diese Kategorien gliedern sich in fokussierte Themen, Kausalität und Tiefe der Argumentation (Tabelle).<h2 type="main">Die Lernumgebung gestalten</h2>Mit dem ML-Modell lässt sich die Komplexität der Argumente hinsichtlich der drei Dimensionen automatisiert analysieren. Daraufhin erhalten die Studierenden in einer digitalen Lernumgebung von uns vorab entwickeltes adaptives Feedback sowie Übungen, welche diese drei Dimensionen abdecken. Adaptives Lernen passt die Unterstützung, also das Feedback und die Komplexität der Übungen, individuell an den Lernstand der Studierenden an und reduziert diese Unterstützung je nach Lernentwicklungen im Lauf der Zeit, um das selbstständige Problemlösen anzuregen.Das Feedback orientiert sich an den Grundsätzen des allgemein- und inhaltlich-strategischen Feedbacks. Dieses adressiert effektive Verfahrensstrategien im Problemlöseprozess und konzeptuelle Komponenten.18)Die Übungen gliedern sich ebenso in zwei Bereiche: Die Studierenden bekommen ein individualisiertes Argumentationstraining, das anleitet, wie Argumente in der organischen Chemie zu strukturieren sind und welche chemischen Konzepte eine solche Argumentation adressieren kann. Zudem fördern sie die Studierenden, chemische Konzepte anzuwenden, etwa bei Themen wie Elektrophilie und Nukleophilie. Insgesamt lassen sich durch diese Lernumgebung 7203 Lernwege abbilden.<h2 type="main">Die ML-basierte Lernumgebung in der Lehre einsetzen</h2>Derzeit setzt die Indiana University in Bloomington die ML-basierte Lernumgebung ein, um etwa 300 Studierende der Organischen Chemie II individuell zu fördern, alternative Reaktionsprodukte verschiedener Mechanismen zu beurteilen (<link href="#nadc20244141003-fig-0003">Abbildung 2). Nach Trainings zur Argumentation und zur Anwendung chemischen Konzeptwissens sehen die Studierenden nacheinander vier unterschiedliche Reaktionsprodukte. Zwei dieser Produkte sind nicht plausibel, die anderen entsprechen einer Zwischenstufe und dem tatsächlichen Reaktionsprodukt (Abbildung 1 links, S. 9). Die Studierenden müssen nun in einem offenen Aufgabenformat argumentieren, warum die gezeigten Reaktionsprodukte mehr oder weniger plausibel sind (Abbildung 1, rechts).19,20)<figure xml:id="nadc20244141003-fig-0003"><figure><img alt="image" src="https://media.graphassets.com/ueesmZFDQiOxOQfA3d1B"><figcaption><label>Abb.3: </label>Implementierung maschinellen Lernens zur adaptiven Förderung von Studierenden der Organischen Chemie II der Indiana University in Bloomington über ein Semester hinweg.</figcaption></figure></figure>Das ML-Modell wertet die Freitextantworten dann automatisiert aus (Abbildung 2). So lassen sich für jeden Studierenden basierend auf dem aktuellen Lernstand adaptives Feedback sowie Übungen bereitstellen. Hieran anschließend beurteilen die Studierenden die gezeigten Reaktionsprodukte für einen weiteren Mechanismus, woraufhin sich die automatisierte Auswertung sowie die Feedback- und Übungsschleife wiederholt.<h2 type="main">Ausblick</h2>Eine ML-basierte Lernumgebung in die Lehre einzubinden, bietet Vorteile für Studierende und Dozierende. Durch die automatisierte Auswertung lassen sich künftig mehr schriftliche Ausführungen in offenen Aufgabenformaten einfordern und in lernbegleitenden Settings auswerten. Zudem können Studierende schon während des Semesters mehrfach individuelles Feedback erhalten und ihr Konzeptverständnis in anschließenden Übungsphasen erweitern. Verglichen mit dem traditionellen Übungsmodell in Vorlesungen mit großen Kohorten, bei dem alle Studierenden dieselben Übungen ohne individuelles Feedback erhalten, kann diese stärker individualisierte Lehre womöglich größere Lernzuwächse erreichen. Es bleibt zu untersuchen, welche Lernentwicklungen über ein Semester hinweg zu beobachten sind und inwiefern eine solche Lehre tatsächlich das Lernen beeinflusst.Dozierende wiederum haben die Möglichkeit, die Ergebnisse der KI-gestützten Analyse zu nutzen, um ihre Lehre sukzessive an die Lernbedürfnisse der aktuellen Kohorte anzupassen. Dies ermöglicht es, Lehrmethoden kontinuierlich zu optimieren. Es wird sich zeigen, wie stark Dozierende die Ergebnisse einer KI-Analyse nutzen, um in einer Lehrveranstaltung individuell auf die Fähig- und Schwierigkeiten ihrer Studierenden einzugehen. Zudem ist zu klären, inwiefern die grafische Aufbereitung der KI-Ergebnisse die Interpretierbarkeit der Informationen für Dozierende erleichtert und ihre Entscheidungsfindung beeinflusst.<h2 type="main">Die Autor:innen</h2>Dieser Beitrag stammt von Paul P. Martin und Nicole Graulich. Martin hat im Jahr 2022 sein Lehramtsstudium in Chemie und Mathematik an der Universität Gießen mit der Ersten Staatsprüfung abgeschlossen und promoviert seither im Arbeitskreis von Graulich zur Anwendung von KI in der Hochschulfachdidaktik der organischen Chemie. Graulich ist seit 2014 Professorin für Didaktik der Chemie an der Universität Gießen. Sie beschäftigt sich mit der Analyse und Förderung von Lehr-Lern-Prozessen in der organischen Chemie auf Hochschulniveau. <email><a href="mailto:nicole.graulich@dc.jlug.de">nicole.graulich@dc.jlug.de</a></email><img alt="image" src="https://media.graphassets.com/bNrssg0RHG0xBu3wHkoU"><img alt="image" src="https://media.graphassets.com/zEJv1SOT7CzU2yWWsQ4M"><h2 type="main">AUF EINEN BLICK</h2>In der organischen Chemie müssen Studierende komplexe Probleme lösen und mechanistische Schlüsse ziehen. Dabei haben manche Schwierigkeiten.Künstliche Intelligenz wertet Argumentationen etwa zur Plausibilität von Reaktionsprodukten automatisiert aus und stellt basierend darauf individualisiertes Feedback und Übungen bereit.Dies kann Dozierenden helfen, auf unterschiedliche Lernbedürfnisse einzugehen.<ul class="references" cited="no" style="numbered" xml:id="nadc20244141003-bibl-0001"><li xml:id="nadc20244141003-bib-0001">1 P. Machamer, L. Darden, C. F. Craver, Philos. Sci. 2000, 67, 1–25</li><li xml:id="nadc20244141003-bib-0002">2 W. M. Goodwin, Ann. N. Y. Acad. Sci. 2003, 988, 141–153</li><li xml:id="nadc20244141003-bib-0003">3 W. M. Goodwin, Found. Chem. 2008, 10, 117–127</li><li xml:id="nadc20244141003-bib-0004">4 N. Graulich, Chem. Educ. Res. Pract. 2015, 16, 9–21</li><li xml:id="nadc20244141003-bib-0005">5 A. J. Dood, F. M. Watts, J. Chem. Educ. 2022, 100, 53–68</li><li xml:id="nadc20244141003-bib-0006">6 P. P. Martin, N. Graulich, Chem. Educ. Res. Pract. 2023, 24, 407–427</li><li xml:id="nadc20244141003-bib-0007">7 K. Zweig, Ein Algorithmus hat kein Taktgefühl, Heyne, München 2019</li><li xml:id="nadc20244141003-bib-0008">8 M. Kubsch, C. Krist, J. M. Rosenberg, J. Res. Sci. Teach. 2023, 60, 423–447</li><li xml:id="nadc20244141003-bib-0009">9 S. E. Toulmin, The uses of argument (Rev. Ed.), Cambridge University Press, Cambridge 2003</li><li xml:id="nadc20244141003-bib-0010">10 L. S. Lieber, K. Ibraj, I. Caspari-Gnann et al., Chem. Educ. Res. Pract. 2022, 23, 811–828</li><li xml:id="nadc20244141003-bib-0011">11 L. S. Lieber, K. Ibraj, I. Caspari-Gnann et al., J. Chem. Educ. 2022, 99, 2754–2761</li><li xml:id="nadc20244141003-bib-0012">12 P. P. Martin, D. Kranz, P. Wulff et al., J. Res. Sci. Teach. 2023, doi: 10.1002/tea.21903</li><li xml:id="nadc20244141003-bib-0013">13 H. Sevian, V. Talanquer, Chem. Educ. Res. Pract. 2014, 15, 10–23</li><li xml:id="nadc20244141003-bib-0014">14 N. E. Bodé, J. M. Deng, A. B. Flynn, J. Chem. Educ. 2019, 96, 1068–1082</li><li xml:id="nadc20244141003-bib-0015">15 J. M. Deng, A. B. Flynn, Chem. Educ. Res. Pract. 2021, 22, 749–771</li><li xml:id="nadc20244141003-bib-0016">16 L. K. Nelson, Sociol. Methods Res. 2020, 49, 3–42</li><li xml:id="nadc20244141003-bib-0017">17 P. P. Martin, N. Graulich, J. Sci. Educ. Technol. 2024, doi: 10.1007/s10956–023–10087–4</li><li xml:id="nadc20244141003-bib-0018">18 F. Zech, Grundkurs Mathedidaktik (10. Aufl.), Beltz Pädagogik, Weinheim &amp; Basel 2002</li><li xml:id="nadc20244141003-bib-0019">19 L. S. Lieber, N. Graulich, J. Chem. Educ. 2020, 97, 3731–3738</li><li xml:id="nadc20244141003-bib-0020">20 L. S. Lieber, N. Graulich, Chem. Educ. Res. Pract. 2022, 23, 38–53</li></ul>

Artikel

Lehre in der organischen Chemie individualisieren

Mit künstlicher Intelligenz lassen sich Freitextantworten automatisiert auswerten. Dies erleichtert, den Lernfortschritt jedes Lernenden zu verfolgen und Lernmaterialien in individualisierten Lernumgebungen anzupassen.In der organischen Chemie sind mechanistische Probleme zu lösen, Konzepte zu ve...

PD Dr.

Auf der Jagd nach im Periodensystem fehlenden Elementen gab es einige Irrungen und Wirrungen &ndash; selbst Nobelpreistr&auml;ger lagen falsch. Und auch, wenn das von den Entdeckern vorgeschlagene K&uuml;rzel dasselbe ist: Np sollte urspr&uuml;nglich Nipponium hei&szlig;en, nicht Neptunium.
Die Wissenschaftsgeschichte ist laut dem Wissenschaftsphilosophen und -theoretiker Thomas S. Kuhn eine Geschichte der Paradigmenwechsel.1) Die Lehrbuchwissenschaft stellt im Allgemeinen die geltenden Paradigmen heraus und neigt dazu, die vergangenen Paradigmen dem Vergessen anheim fallen zu lassen. Dies gilt oft auch f&uuml;r die Personen, die diese Paradigmen vertreten (haben). Dabei ist eine solche Trennung nach Personen nicht unbedingt eindeutig: Auch die Gro&szlig;en ihrer Zunft liegen mal daneben.
Sehr sch&ouml;n l&auml;sst sich das an folgender Geschichte illustrieren:
<figure xml:id="nadc20244139988-fig-0001">
<figure><img alt="image" src="https://media.graphassets.com/Tzl1ipSQQt6Immk6jx1d">
<figcaption><label>Abb.1: </label>Hypothetische Diskussion einiger Beteiligter um die Entdeckung der Elemente 43, 75 und 93. Von links: Masataka Ogawa, Ida Noddack, Enrico Fermi, Emilio Segr&eacute;, Edwin M. McMillan; zu dritt: Fritz Strassmann, Lise Meitner und Otto Hahn. Violett: falsche Aussagen und nicht akzeptierte Elementnamen, blau: richtige Aussagen und akzeptierte Elementnamen.19,20)</figcaption>
</figure>
</figure>
<h2 type="main">Das Element unter Mangan</h2>
Der Japaner Masataka Ogawa meinte im Jahr 1906, das Element 43 entdeckt zu haben. Auf Vorschlag seines Lehrers (und Nobelpreistr&auml;gers) William Ramsay wollte er es nach seiner Heimat Nipponium (Np) nennen.2)
Dass im Periodensystem unter Mangan ein weiteres Element stehen m&uuml;sste, war schon ein halbes Jahrhundert zuvor Dimitrij Mendelejeff aufgefallen (Abbildung rechts).3,4) Viele L&uuml;cken in seinem System sollten sich in den folgenden Dekaden f&uuml;llen &ndash; vor allem die Entwicklung der Spektroskopie erm&ouml;glichte Vervollst&auml;ndigungen in der 1. und 3. Gruppe, bei den Lanthanoiden sowie der Entdeckung der Edelgase.
<figure xml:id="nadc20244139988-fig-0002">
<figure><img alt="image" src="https://media.graphassets.com/skkREQ1SSJK0quvvHsxq">
<figcaption><label>Abb.2: </label>Mendelejeffs Periodensystem in der Version des Jahres 1871.4) Hervorgehoben (Red.) ist die Position von &bdquo;Ekamangan&ldquo; in der Gruppe VII mit der erwarteten Atommasse 100 f&uuml;r das fehlende Element.</figcaption>
</figure>
</figure>
Nur in der 7. Gruppe wollte sich trotz vieler Anl&auml;ufe kein Erfolg einstellen. Ogawa war nicht der einzige, der glaubte, Element 43 gefunden zu haben &ndash; Roberto Zingales listet nicht weniger als zw&ouml;lf Namensvorschl&auml;ge zwischen 1828 und 1947.5) Mit seiner Einsch&auml;tzung lag Ogawa allerdings knapp daneben: In Wahrheit hielt er wohl das (ebenfalls noch unbekannte) Rhenium (Dwimangan, &bdquo;2 unter Mangan&ldquo;) in der Hand.
Bis zur wahren Entdeckung von Technetium sollten noch fast 30 Jahre vergehen.
<h2 type="main">Nipponium</h2>
In der Retrospektive ist klar, warum die Suche so m&uuml;hsam war: Das zweite Element der 7. Gruppe, Technetium, ist ein Radioelement. Es kommt in der Natur nur in extrem kleinen Mengen vor, &uuml;berwiegend durch Spontanzerfall von Uran-238. W&auml;gbare Mengen davon lie&szlig;en sich erst viel sp&auml;ter konzentrieren: Im Jahr 1961 gewannen Kenna und Kuroda 1 ng Tc aus 5,3 kg Pechblende.6) Und das homologe Rhenium geh&ouml;rt zu dem halben Dutzend der (nicht radioaktiven) Elemente, die in der Erdkruste am seltensten vorkommen (n&auml;mlich mit 0,7 ppb).
Ogawa hatte also bei der vermeintlichen Entdeckung ebenso geirrt wie sein Lehrer. Im Nachhinein lie&szlig;en sich die von ihm gefundenen neuen Spektrallinien dem Rhenium zuweisen. (Die eindeutige Zuordnung der Spektrallinien zu den Elementen hatte Moseley erst 1914 etabliert.)
Dies erkannten im Jahr 1925 Ida Tacke, Walter Noddack und Otto Berg. Sie suchten ebenfalls nach den fehlenden Elementen der Gruppe 7. Und sie stellten fest, dass Ogawa wohl Element 75 gesehen haben musste. Sie reproduzierten das und nannten es Rhenium, nach dem Rheinland, der Heimat Ida Tackes.
Das Trio meinte, im gleichen Experiment auch Element 43 nachgewiesen zu haben. Hierf&uuml;r schlugen sie den Namen Masurium vor, nach Masurien, Noddacks Heimat.7) Dass sie dabei irrten, darf man inzwischen als gesichert annehmen, auch wenn die Diskussion dar&uuml;ber zwischenzeitlich noch einmal aufflammte (vgl. Lit. 8). Auch sie hatten aber Rhenium gefunden und einige Spektrallinien f&auml;lschlich Element 43 zugeordnet.
<h2 type="main">Transurane</h2>
Wenig sp&auml;ter, im Jahr 1934, bestrahlte Enrico Fermi Uran und erhielt dabei bis dahin unbekannte Beta-Strahler. Da beim Beta-Zerfall stets das nachfolgende Element entsteht, glaubte er, Transurane entdeckt zu haben.9) Trotz des Nobelpreises 1938 unter anderem f&uuml;r diese Arbeiten lag er mit dieser Einsch&auml;tzung falsch.
Ida Noddack (geb. Tacke) wies unmittelbar nach der Ver&ouml;ffentlichung darauf hin, dass Fermi ihrer Meinung nach nicht ausreichend gepr&uuml;ft hatte, ob nicht andere Elemente entstanden sein k&ouml;nnten.10) Sie brachte sogar in die Diskussion, dass er wohl die Spaltung (Zerplatzen) von Atomkernen beobachtet haben m&ouml;ge. Diese Einsch&auml;tzung fand allerdings wenig Resonanz, da eine Kernspaltung als physikalisch unm&ouml;glich galt.
Noddacks Vorschlag &ndash; solide chemische Analyse, um die entstehenden Elemente eindeutig zu identifizieren &ndash; war genau das, was sp&auml;ter zur Entdeckung der Kernspaltung f&uuml;hrte. Ironischerweise bedeutet das: Unter den von Fermi erzeugten Spaltprodukten muss auch das omin&ouml;se Element 43 (Technetium) gewesen sein.
Dieses Element letztlich doch zu entdecken blieb Carlo Perrier und Emilio Segr&egrave; im Jahr 1937 vorbehalten.11) Hierf&uuml;r identifizierten sie radioaktive Produkte, die beim Bestrahlen von Molybd&auml;n mit Deuteriumionen entstehen, als eindeutig der 7. Gruppe zugeh&ouml;rig &ndash; und schlossen so die L&uuml;cke im Periodensystem.
Wenig sp&auml;ter wiesen Otto Hahn und Fritz Strassmann in einer Abwandlung des Fermi-Experiments die Kernspaltung nach: Sie machten Barium unter den Produkten aus, und das konnte nur durch Spaltung entstanden sein. Lise Meitner &ndash; die zuvor mit Hahn in Berlin zusammengearbeitet hatte, aber mittlerweile im Exil war &ndash; und Otto Frisch sprangen ihnen mit einer physikalischen Erkl&auml;rung zur Seite, sprachen aber von zwei ungef&auml;hr gleich gro&szlig;en Bruchst&uuml;cken, obwohl die Spaltung typischerweise asymmetrisch verl&auml;uft. Ida Noddack kommentiert dies in den Naturwissenschaften:12) &bdquo;Auch jetzt, nachdem er den Zerfall des Urans durch Neutronen in gr&ouml;&szlig;ere Bruchst&uuml;cke nachgewiesen hat, unterl&auml;&szlig;t O. Hahn es, meine 1934 ausgesprochene Vermutung, da&szlig; ein solcher Proze&szlig; stattfinden k&ouml;nne, zu zitieren.&ldquo; Der Kommentar bleibt unbeantwortet (Kasten).
Segr&egrave; erkannte sogleich, welche Konsequenz die Kernspaltung in Bezug auf die Transurane hatte: Wenn sich Uran spalten l&auml;sst, dann dominieren die Spaltprodukte im Fermi-Experiment. Gelingt es aber, diese selektiv abzutrennen, dann m&uuml;ssten auch Transurane nachweisbar sein. Mit diesem Gedanken lag er richtig &ndash; so beschreibt er einen radioaktiven Stoff mit einer Halbwertzeit von etwa zwei Tagen (Np-239),13) ordnet sie aber einem Seltenerdelement zu. Da allgemein angenommen wird, dass Uran (und die folgenden Elemente) &Uuml;bergangsmetalle sind, verpasst er nur knapp die Entdeckung von Element 93, das seiner Meinung nach ein Rheniumanalogon sein m&uuml;sste. Damit lag er falsch. H&auml;tte er es besser wissen k&ouml;nnen?
<h2 type="main">Ein Rheniumanalogon?</h2>
Allgemein wird das Actinoidenkonzept, das erst 1946 publiziert wird, Glenn T. Seaborg zugeschrieben.14) Doch es gab Vorl&auml;ufer wie Alfred Werner15) oder Viatscheslaw Romanoff16), die schon fr&uuml;her ein Periodensystem mit 32 Spalten aufgezeichnet hatten (Abbildung unten).
<figure xml:id="nadc20244139988-fig-0003">
<figure><img alt="image" src="https://media.graphassets.com/NxqHFEHWSQkaIWv5TOXt">
<figcaption><label>Abb.3: </label>Romanoffs Periodensystem aus dem Jahr 193416) mit 32 Spalten und einer systematischen Ableitung der sp&auml;teren Actinoidenreihe.</figcaption>
</figure>
</figure>
Wie auch immer &ndash; Edwin M. McMillan und Philip H. Abelson wiederholten Segr&egrave;s Experiment im Jahr 1940. Sie fanden nicht nur das neue Element &ndash; &bdquo;the new element has little if any resemblance to its homolog rhenium; for it does not precipitate with H2S in acid solution&rdquo; &ndash;, sondern dachten auch laut &uuml;ber eine Actinoidenreihe nach (&bdquo;together with the apparent similarity to uranium, suggests that there may be a second &bdquo;rare earth&ldquo; group of similar elements starting with uranium&rdquo;). Damit deuteten sie an, dass Segr&egrave; praktisch gleicherma&szlig;en recht und unrecht haben k&ouml;nnte.17) Sie nannten das Element Neptunium.
Damit schlie&szlig;t sich der Kreis: Dass Neptunium als Elementsymbol das K&uuml;rzel &bdquo;Np&ldquo; bekam, ist gewisserma&szlig;en der Trostpreis f&uuml;r Ogawa &ndash; der Einzige, der im Rahmen dieser Geschichte nie richtig lag. Dass einige der hier genannten Personen &ndash; im Rahmen dieser Geschichte &ndash; immer recht hatten, ist hingegen wahrscheinlich einfach dem Umstand geschuldet, dass jede Recherche irgendwo enden muss.
Was bleibt als Bilanz?
<h2 type="main">Bilanz</h2>
Irren geh&ouml;rt offenbar zum Handwerk. Auch Lehrer (und Nobelpreistr&auml;gerinnen) k&ouml;nnen irren. Und zwar nicht nur, wenn sie &uuml;ber den Tellerrand blicken, sondern in ihrem ureigenen Feld.
Bisweilen m&ouml;gen pers&ouml;nliche Eitelkeit, Anerkennung oder Nichtanerkennung wissenschaftlicher Leistungen in der Wissenschaftsgeschichte eine Rolle spielen.
Zuletzt m&ouml;chte der Autor dieses Beitrags aus pers&ouml;nlichen Gr&uuml;nden (Eitelkeit?) Thomas Kuhn widersprechen: Paradigmenwechsel in der Wissenschaft finden typischerweise &uuml;ber lange Zeit statt, schrittweise. Dies gilt selbst im Dunstkreis der Kernspaltung, eines Paradebeispiels f&uuml;r &bdquo;wissenschaftliche Revolution&ldquo;. Die F&auml;higkeit zu lernen, Erkenntnis trotz Irrtums aller Beteiligten, das ist die Revolution. Frei nach dem chilenischen Komponisten Sergio Ortega: La scienza unida, jam&aacute;s ser&aacute; vencida &ndash; Die vereinte Wissenschaft wird niemals besiegt werden.18)
<h2 type="main">Unbeantwortet: Ida Noddack</h2>
Anmerkung der Redaktion der Naturwissenschaften zu Ida Noddacks Kommentar (S. 13, dritte Spalte): &bdquo;Die Herren Otto Hahn und Fritz Strassmann haben &hellip; weder Zeit noch Lust auf vorstehende Notiz zu antworten. Sie glauben darauf um so eher verzichten zu k&ouml;nnen, als die M&ouml;glichkeit eines Zerfalles schwerer Atome in kleinere Bruchst&uuml;cke fr&uuml;her auch von vielen anderen diskutiert worden ist, ohne dass daraus experimentelle Konsequenzen gezogen wurden. Sie &uuml;berlassen das Urteil &uuml;ber die Berechtigung der Anspr&uuml;che von Frau Ida Noddack und die Art ihrer Darstellung den Fachgenossen.&ldquo;
<h2 type="main">Der Autor</h2>
Erik Strub leitet seit 2013 als Privatdozent eine Arbeitsgruppe an der Universit&auml;t K&ouml;ln. Der Chemiker befasst sich mit Radioanalytik, langlebigen Nukliden, Arch&auml;ometrie und der Chemie des Technetiums. Er forscht an Standards f&uuml;r Beschleunigermassenspektrometrie (AMS) sowie langlebigen Radionukliden in der Geologie und bei der Stilllegung kerntechnischer Anlagen.<img alt="image" src="https://media.graphassets.com/9NSQ1wPtRSWf2hBuu3UX">
<h2 type="main">AUF EINEN BLICK</h2>
Die L&uuml;cken im Periodensystem lie&szlig;en sich nicht immer einfach schlie&szlig;en, denn oft erwiesen sich Annahmen als falsch.
So meinte der Japaner Masataka Ogawa im Jahr 1906, Element 43, Technetium gefunden zu haben. Tats&auml;chlich aber hatte er Rhenium entdeckt.
Technetium wiesen erst im Jahr 1937 Emilio Segr&egrave; und Carlo Perrier nach.
<ul class="references" cited="no" xml:id="nadc20244139988-bibl-0001">
<li xml:id="nadc20244139988-bib-0001">1 T. S. Kuhn: Die Struktur wissenschaftlicher Revolutionen. Suhrkamp, Frankfurt am Main 1981, ISBN 3&ndash;518&ndash;07625&ndash;6</li>
<li xml:id="nadc20244139988-bib-0002">2 M. Ogawa, J. Coll. Sci. Imp. Univ., Tokyo, 25, Art. 15 (1908); C.A, 3,4036 (1909)</li>
<li xml:id="nadc20244139988-bib-0003">3 D. Mendelejeff, Zeitschrift f&uuml;r Chemie 1869, 12, 405</li>
<li xml:id="nadc20244139988-bib-0004">4 D. Mendelejeff in: Annalen der Chemie und Pharmacie, VIII. Supplementband 1871, S. 133</li>
<li xml:id="nadc20244139988-bib-0005">5 R. Zingales, J. Chem. Education 2005, 82, 221</li>
<li xml:id="nadc20244139988-bib-0006">6 K. Kenna, Inorg. Nucl. Chem. 1961, 23, 142&ndash;114</li>
<li xml:id="nadc20244139988-bib-0007">7 I. Tacke, W. Noddack, O. Berg: Die Ekamangane, Naturwiss. 1925, 13 (26), S. 567</li>
<li xml:id="nadc20244139988-bib-0008">8 P. H. Van Assche, J. T. J. Armstrong, Res. Natl. Inst. Stand. and Tech. (NIST) 1999, 104, 599</li>
<li xml:id="nadc20244139988-bib-0009">9 E. Fermi, Nature 133, 898</li>
<li xml:id="nadc20244139988-bib-0010">10 I. Noddack: &Uuml;ber das Element 93, Angew. Chem. 1934, 47(37), 653</li>
<li xml:id="nadc20244139988-bib-0011">11 C. Perrier, E. Segr&egrave;, J. Chem. Phys. 1937, 5, 712</li>
<li xml:id="nadc20244139988-bib-0012">12 I. Noddack, Naturwiss. 1939, 2, 212</li>
<li xml:id="nadc20244139988-bib-0013">13 E. Segr&egrave;, Phys. Rev. 1939, 55, 1104</li>
<li xml:id="nadc20244139988-bib-0014">14 G. T. Seaborg 1944 zun&auml;chst geheim, dann Science 1946, 104 (2704), 379</li>
<li xml:id="nadc20244139988-bib-0015">15 A. Werner, Ber. Dtsch. Chem. Ges. 1905, 38, 914</li>
<li xml:id="nadc20244139988-bib-0016">16 V. I. Romanoff, Rev. Sci. 1934, 72, 661</li>
<li xml:id="nadc20244139988-bib-0017">17 E. M. McMillan, Phys. Rev. 1940, 57, 1185</li>
<li xml:id="nadc20244139988-bib-0018">18 Sergio Ortega, Pl&auml;ne records, PF13 D66, Dortmund 1974</li>
<li xml:id="nadc20244139988-bib-0019">19 Tacke Noddack <a href="https://t1p.de/wab13" target="_blank" rel="noopener">t1p.de/wab13</a>, Ogawa doi: <accessionid ref="info:doi/10.1524/ract.2012.1954">10.1524/ract.2012.1954</accessionid>, Fermi <a href="https://t1p.de/siw6x" target="_blank" rel="noopener">t1p.de/siw6x</a>, Segr&egrave; <a href="https://t1p.de/o3dpm" target="_blank" rel="noopener">t1p.de/o3dpm</a>, McMillan <a href="https://t1p.de/mbdw4" target="_blank" rel="noopener">t1p.de/mbdw4</a></li>
<li xml:id="nadc20244139988-bib-0020">20 Hahn/Meitner/Stra&szlig;mann, doi: <accessionid ref="info:doi/10.3233/JNR-150018">10.3233/JNR-150018</accessionid></li>
</ul>

Artikel

Lehre in der organischen Chemie individualisieren

Überprüfung Ihres Anmeldestatus ...