Master Arbeit

7/23/2019 Master Arbeit

http://slidepdf.com/reader/full/master-arbeit 1/199

Masterarbeitim Studiengang Wirtschaftspädagogik (Master of Arts)

an der WHL Wissenschaftliche Hochschule Lahr

Einflussfaktoren auf die Bereitschaft von

Lehrpersonen zur Integration digitaler Medien in

Lehrveranstaltungen – eine empirische Studie

Vorgelegt von:

Carmen Müller

Ilsfelder Straße 19

71720 Oberstenfeld

Matrikelnummer: 198108

Erstgutachter:Prof. Dr. Michael Klebl

Zweitgutachter:

Prof. Dr. Bernd Remmele

Eingereicht am: 12.12.2012



Danksagung II

Danksagung

An dieser Stelle möchte ich mich herzlich bei allen bedanken, die mich bei der

Anfertigung dieser Arbeit unterstützt haben.

Zuerst gebührt mein Dank Herrn Prof. Dr. Michael Klebl von der WHL Wissen-

schaftliche Hochschule Lahr, der mich bei meiner Masterarbeit unterstützt, mir

mit wertvollen Hinweisen und schnellen Rückmeldungen meiner E-Mails zur

Seite gestanden und als Gutachter meiner Arbeit fungiert hat.

Mein Dank geht auch an Peter Fluhrer, ehemaliger wissenschaftlicher Mitarbei-

ter der WHL und Projektkoordinator der WHL im Rahmen des Projekts „Digital

Classroom“, der die wesentlichen Vorarbeiten zur Online-Befragung geleistet

und mich bei der Generierung der einzelnen Fragebogen in LimeSurvey® un-

terstützt hat.

Die Zusammenarbeit in der Projektgruppe „Digital Classroom“ war von großer

Hilfsbereitschaft geprägt. Hier gilt mein spezieller Dank der gesamten Projekt-

gruppe „Digital Classroom“, insbesondere den Projektkoordinatoren der Hoch-

schulen in Schottland, Spanien, Schweden und der Türkei.

Ebenfalls bedanken möchte ich mich bei Prof. Dr. Joachim Weber (Rektor der

DHBW Stuttgart) und bei Georg Pönicke (Cuno-Berufskolleg I, Hagen) für die

Möglichkeit der Teilnahme ihrer Hochschule bzw. ihres Berufskollegs an der

Online-Befragung sowie bei Wera Weintritt (Sekretariat der DHBW Stuttgart),

dem wislearn-Team (Cuno-Berufskolleg I, Hagen) und Hartmut Wick (Mitarbei-

ter der AKAD-Gruppe) für die Verteilung des Online-Fragebogens an den Lehr-

personenkreis der DHBW Stuttgart, Berufskollegs Hagen und der AKAD-

Gruppe.

Besonderer Dank gilt allen Lehrpersonen, Dozenten und Professoren, die sich

an der Online-Umfrage beteiligt und eine Auswertung der empirischen Erhe-

bung erst ermöglicht haben.

Weiterhin danke ich meinen zwei Kolleginnen Silke Wolf und Claudia Cischek,

die sich bereit erklärt haben, meine Masterarbeit gegenzulesen, sich nicht ge-

scheut haben, Kritik zu üben und Verbesserungsvorschläge vorzubringen.



Danksagung III

Ebenfalls bedanken möchte ich mich bei meinen Freunden, insbesondere bei

Manuela, Hami, Miriam und Julian, die mir jederzeit zur Seite standen und wäh-

rend meines Studiums immer ein „offenes“ Ohr für mich hatten.

Nicht zuletzt gilt mein besonderer und tiefer Dank meinen Eltern und meinem

Bruder mit seiner Familie, die mich nicht nur während der Masterarbeit, sondern

während meines gesamten Studiums tatkräftig unterstützt und ermutigt haben.

Auch all denen, die hier nicht namentlich genannt wurden, gilt mein herzlicher

Dank.

Oberstenfeld, im Dezember 2012

Carmen Müller



Inhaltsverzeichnis IV

Inhaltsverzeichnis

Danksagung...................................................................................................... II

Inhaltsverzeichnis ........................................................................................... IV

Abbildungsverzeichnis .................................................................................. VII

Tabellenverzeichnis ......................................................................................VIII

1. Einleitung ................................................................................................. 1

1.1 Aufgabenstellung ............................................................................ 2

1.2 Erkenntnisziel und Vorgehen im Überblick................................... 3

2.

Hintergrundinformationen und theoretischer Bezugsrahmen............. 5

2.1 Forschungsstand zur Integration digitaler Medien ...................... 5

2.1.1 Bedingungsfaktoren der Integration digitaler Medien............ 5

2.1.1.1 Materielle hemmende Faktoren ............................... 6

2.1.1.2 Immaterielle hemmende Faktoren............................ 7

2.1.2 Bedingungsfaktoren für die nachhaltige Integration digitalerMedien.................................................................................. 9

2.1.3 Pfadmodelle zur Untersuchung der Integration vonTechnologie ........................................................................ 12

2.1.3.1 Was sind Pfadmodelle? ......................................... 12

2.1.3.2 Studien mit Pfadmodellen ...................................... 13

2.2 Theoretische Bezugspunkte......................................................... 16

2.2.1 Medienpädagogik ............................................................... 16

2.2.2 Zum Begriff Medium bzw. Medien ...................................... 17

2.2.3 Digitale Medien in Bildungsprozessen................................ 20

2.2.3.1 Digitale Medien und digitale Arbeitsmittel .............. 20

2.2.3.2 Merkmale digitaler Medien..................................... 21

2.2.3.3 Digitale Medien als E-Learning-Werkzeuge........... 23

2.2.3.4 Einsatzformen digitaler Medien für Lehr- und Lern-Zwecke................................................................... 26

2.2.4 Mehrwert digitaler Medien................................................... 28

2.2.4.1 Pädagogische und lernförderliche Potenzialedigitaler Medien...................................................... 28



Inhaltsverzeichnis V

2.2.4.2 Mehrwert im Bereich der Hochschule .................... 30

2.2.5 Medienkompetenz .............................................................. 31

2.2.5.1 Medienkompetenz nach Baake.............................. 31

2.2.5.2 Medienkompetenz von Lehrpersonen.................... 33

2.3 Fragestellung der empirischen Untersuchung –konzeptioneller Rahmen ............................................................... 35

2.3.1 Variablen im hypothetischen Pfadmodell............................ 35

2.3.2 Hypothetisches Pfadmodell ................................................ 37

2.3.3 Hypothesen......................................................................... 38

2.3.4

Zweck der Untersuchung und Forschungsfragen ............... 41

3. Einsatz digitaler Medien in Lehrveranstaltungen – eine empirischeUntersuchung ........................................................................................ 42

3.1 Forschungsdesign ........................................................................ 42

3.1.1 Forschungsmethode........................................................... 42

3.1.2 Stichprobe........................................................................... 44

3.2 Erhebungsverfahren ..................................................................... 46

3.2.1 Standardisierter Fragebogen .............................................. 46

3.2.1.1 Persönlicher Hintergrund und Lehrstil .................... 47

3.2.1.2 Einschätzung der eigenen Fähigkeiten bezüglichdes Einsatzes digitaler Arbeitsmittel....................... 49

3.2.1.3 Expertenmeinungen zu digitalen Arbeitsmitteln ..... 50

3.2.1.4 Wahrnehmung des (technischen) Supports........... 52

3.2.1.5 Wahrnehmung bezüglich der Häufigkeit der

Einbindung............................................................. 54

3.2.2 Ablauf der Online-Befragung .............................................. 55

3.3 Auswertungsverfahren ................................................................. 57

3.3.1 Datenimport und Datenbereinigung in SPSS...................... 57

3.3.2 Deskriptive Datenanalyse ................................................... 60

3.3.3 Reliabilitätsanalyse zur Skalenbewertung undSkalenbildung ..................................................................... 62

3.3.4 Faktorenanalyse ................................................................. 65

3.3.5 Korrelationsanalyse zur Prüfung eines Zusammenhangs... 69



Inhaltsverzeichnis VI

3.3.6 Multiple Regressionsanalyse.............................................. 71

3.3.7 Zentrale Tendenz nicht im Pfadmodell abgebildeterVariablen ............................................................................ 76

3.3.7.1 t-Test für unabhängige Stichproben....................... 77

3.3.7.2 Einfaktorielle Varianzanalyse (ANOVA) ................. 78

3.4 Untersuchungsergebnisse ........................................................... 82

3.4.1 Abgeschlossene Fragebogen ............................................. 82

3.4.2 Deskriptive Datenanalyse ................................................... 84

3.4.3 Reliabilitätsanalyse und Skalenbildung............................... 87

3.4.4

Explorative Faktorenanalyse............................................... 90

3.4.5 Korrelationsanalyse ............................................................ 93

3.4.6 Multiple Regressionsanalyse.............................................. 95

3.4.6.1 Ergebnisse und Hypothesenbewertung Modell„Proficiency of Digital Tools“ .................................. 95

3.4.6.2 Ergebnisse und Hypothesenbewertung Modell„Teachers’ Readiness“ ........................................... 97

3.4.6.3 Ergebnisse und Hypothesenbewertung Modell„Teachers’ Beliefs“ ............................................... 100

3.4.6.4 Ergebnisse und Hypothesenbewertung Modell„Process of Integration“........................................ 103

3.4.7 Geschätztes Pfadmodell................................................... 106

3.4.8 Zentrale Tendenz nicht im Pfadmodell abgebildeterVariablen .......................................................................... 107

3.4.8.1 t-Test für unabhängige Stichproben..................... 107

3.4.8.2 Einfaktorielle Varianzanalyse (ANOVA) ............... 109

4. Diskussion und Interpretation der Ergebnisse ................................. 115

5. Zusammenfassung und Ausblick....................................................... 128

Anhang A ....................................................................................................... VIII

Anhang B ....................................................................................................... LIII

Literaturverzeichnis ......................................................................................LIV

Ehrenwörtliche Erklärung.........................................................................LXVIII



Abbildungsverzeichnis VII

Abbildungsverzeichnis

Abbildung 1: Vorläufiges Modell zur Nachhaltigkeit von Owston (insDeutsche übersetzt) ........................................................................................... 9

Abbildung 2: Zentrale Bedingungsfaktoren der nachhaltigenImplementierung digitaler Medien in Schulen................................................... 10

Abbildung 3: Medienpädagogik und ihre Teilgebiete...................................... 16

Abbildung 4: Kennzeichen digitaler Medien ................................................... 21

Abbildung 5: Medienkompetenz nach Baacke ............................................... 32

Abbildung 6: Hypothetisches Pfadmodell der empirischen Untersuchung ..... 37

Abbildung 7: Anteil der Lehrpersonen aus den einzelnen Hochschulen ander verwendeten Stichprobe ............................................................................ 45

Abbildung 8: Aufteilung der „teilweise abgeschlossenen Fragebogen“ nachAbbruch............................................................................................................ 83

Abbildung 9: Geschätztes Pfadmodell.......................................................... 106



Tabellenverzeichnis VIII

Tabellenverzeichnis

Tabelle 1: Mediengruppen............................................................................... 20

Tabelle 2: Beschreibung der Variablen............................................................ 36

Tabelle 3: Verwendete Stichprobe nach demographischen Eigenschaften(N = 382) .......................................................................................................... 45

Tabelle 4: Abgeschlossene Fragebogen der Hochschulen ............................. 82

Tabelle 5: Lage- und Streuungsparameter intervallskalierter Variablen .......... 85

Tabelle 6: Lage- und Streuungsparameter intervallskalierter Variablen(nach Skalenbildung)........................................................................................ 86

Tabelle 7: Cronbachs Alpha-Werte aus der Reliabilitätsanalyse ..................... 87

Tabelle 8: Korrelationskoeffizienten für die Variablenpaare im Pfadmodell..... 93

Tabelle 9: Direkte Einflüsse auf die endogenen Variablen im Pfadmodell(standardisierte Regressionskoeffizienten) ...................................................... 95



1 Einleitung 1

1. Einleitung

Digitale Medien stellen heutzutage einen bedeutenden Entwicklungsmotor

gesellschaftlicher Veränderungen dar und finden im Zuge der Durchdringunggesellschaftlicher Bereiche wie Wirtschaft, Kultur und Verwaltung mit neuen In-

formations- und Kommunikationstechniken auch in der Bildungspraxis vermehrt

Anwendung. Es ergeben sich mit der Weiterentwicklung der Informationstechnik

veränderte Möglichkeiten der Gestaltung, Bereitstellung und Nutzung von Inhal-

ten für Lehren und Lernen, d.h. es geht bei den Veränderungen nicht nur um die

Frage der Lerninhalte, sondern auch um die Frage der Lernformen. Durch ver-

änderte Kommunikationsmittel entstehen zudem neue Formen von Lehr- undLernprozessen.1

Für die Gestaltung zeitgemäßer Lehr- und Lernformen bieten die Medien vielfäl-

tige Möglichkeiten. Im Kontext der Erfahrungsformen stellen sie einen konstituti-

ven Bestandteil von Lehrveranstaltungen dar, der mit anderen Strukturelementen

wie z.B. Zielvorstellungen, Lernvoraussetzungen, Lernaktivitäten, Sozialformen,

Lehrhandlungen, didaktischem Konzept der Lehrperson usw. abzustimmen ist.

Hieraus ergeben sich verschiedene Konsequenzen: Es ist wichtig, Medienange-bote in lernförderlicher Weise in Lehr-Lernprozesse einzubinden. Für die Lehr-

person bedeutet dies, sich bereits bei der Konzeption der Lehrveranstaltung zu

fragen, welche Rolle Medien in dem Gesamtkonzept spielen sollen und wie eine

entsprechende Passung herbeigeführt werden kann. Zudem richtet sich der

Fokus auch auf die Gestaltung von Medienangeboten und die Lehrperson hat

die Aufgabe bei Planung einer Lehrveranstaltung Medienangebote im Hinblick

auf ihre lerntheoretischen Grundlagen und ihre didaktischen Implikationen zuanalysieren.2

1 Vgl. Klebl, M. (2006), S. 92 Vgl. Tulodziecki, G./Herzig, B./Graf, S. (2010), S. 73



1 Einleitung 2

1.1 Aufgabenstellung

Die Möglichkeiten, Medien in Lehrveranstaltungen einzusetzen, haben sich in

den vergangenen Jahren verändert. Die Computertechnik hielt mit dem techno-logischen Fortschritt Einzug in die Schulen. In den vergangenen Jahren wurden

national und international verschiedene Anstrengungen unternommen, die Nut-

zung digitaler Medien in Lehrveranstaltungen zu intensivieren. Für die Nutzung

im Unterricht gibt es verschiedene Begründungszusammenhänge. Zu nennen

sind hierbei der Lebensweltbezug, die Vermittlung von Medienkompetenz, die

Verbesserung fachlicher und überfachlicher Kompetenzen, Schaffung von Chan-

cengleichheit, motivierendere und interessantere Unterrichtsgestaltung und die

Vorbereitung auf die Berufswelt.1

Die Integration digitaler Medien in Lehrveranstaltungen ist jedoch nicht nur von

technischen Faktoren abhängig, sondern in erster Linie von den Lehrpersonen.

Sie müssen die neuen Medien einsetzen und in die Lehre integrieren.2 Es gibt

zahlreiche Untersuchungen, die ergeben haben, dass die Integration und Einfüh-

rung neuer Technologien in den Unterricht ein langsamer und komplexer Pro-

zess ist und von verschiedenen Faktoren beeinflusst wird. Dazu zählen bei-

spielsweise demographische Eigenschaften der Lehrperson, Eigenschaften der

Bildungseinrichtung, Kenntnisstand sowie die Bereitschaft und Ansichten der

Lehrperson bezüglich des Einsatzes digitaler Medien in Lehrveranstaltungen.3

Im Rahmen des Projekts „Digital Classroom“, das eine von der EU geförderte

Grundtvig-Lernpartnerschaft ist, soll der Einsatz und die Einbindung digitaler

Medien bzw. Arbeitsmittel in Bildungsangeboten für Erwachsene untersucht wer-

den. Die Projektgruppe ist keine wissenschaftliche Gruppe, sondern lediglicheine länderübergreifende Lernpartnerschaft, an dem die folgenden Bildungsein-

richtungen beteiligt sind:

• Aberdeen College (Aberdeen/Schottland),

• IOC Institut Obert de Catalunya (Barcelona/Spanien),

• Karamürsel 100.Yil Technical and Vocational Highschool (Kacaeli/Türkei),

1 Vgl. Eickelmann, B. (2010), S. 31f.2 Vgl. Müller, Ch. (2012), o. S.3 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 138



1 Einleitung 3

• Kungälv Vuxenutbildning (Kungälv/Schweden),

• Zentrum für angewandte Weiterbildungsforschung – Institut für Ökonomi-

sche Bildung e.V., vertreten durch den Lehrstuhl für Wirtschaftspädagogik

an der WHL Wissenschaftliche Hochschule Lahr (Lahr/Deutschland),

• Molde Voksenopplæringssenter (Molde/Norwegen).

Mit der vorliegenden Arbeit soll die Projektgruppe „Digital Classroom“ zur Errei-

chung ihres Projektziels unterstützt werden.

1.2 Erkenntnisziel und Vorgehen im Überblick

Das Erkenntnisziel der vorliegenden Arbeit ist, die Einflussfaktoren auf die Be-

reitschaft zur Integration digitaler Medien in Lehrveranstaltungen zu analysieren

und zu beurteilen. Hierfür wird ein forschungsgestütztes Pfadmodell mit acht Va-

riablen eingesetzt, um die kausalen Zusammenhänge zwischen den Faktoren zu

erklären. Das Pfadmodell wird anhand einer Stichprobe von 382 Lehrpersonen,

Dozenten und Professoren aus Hochschulen in Deutschland, Schottland, Spa-

nien, Schweden und der Türkei untersucht. Darüber hinaus werden vier weitere

nicht im Pfadmodell abgebildete Faktoren hinsichtlich ihres Einflusses auf die

Integration digitaler Medien analysiert und beurteilt.

In Teil 2 dieser Masterarbeit werden zunächst die Hintergrundinformationen und

der theoretische Bezugsrahmen dargelegt. Im ersten Schritt wird der For-

schungsstand zur Integration digitaler Medien in Lehrveranstaltungen beleuchtet.

Hierbei wird zunächst auf die Bedingungsfaktoren der Integration digitaler Me-

dien und auf die Bedingungsfaktoren für die nachhaltige Integration digitalerMedien eingegangen. Weiter wird das Pfadmodell als eine nützliche statistische

Methode, um Beziehungen zwischen möglichen Indikatoren und der Integration

von Technologie zu untersuchen, vorgestellt und Studien mit Pfadmodellen

aufgezeigt. Im zweiten Schritt werden theoretische Bezugspunkte erläutert. Zu-

nächst wird hierbei die Medienpädagogik als eigenständige Fachrichtung inner-

halb der Pädagogik dargestellt. Weiter wird der Medienbegriff definiert und Digi-

tale Medien in Bildungsprozessen vorgestellt. Darüber hinaus wird der Mehrwert

digitaler Medien hinsichtlich pädagogischer und lernförderlicher Potenziale und

im Bereich der Hochschule dargelegt. Ferner wird die Medienkompetenz nach



1 Einleitung 4

Baake sowie die Medienkompetenz von Lehrpersonen erläutert. Im dritten Schritt

wird die Fragestellung der empirischen Untersuchung dargelegt. Dabei werden

die Variablen im hypothetischen Pfadmodell, das hypothetische Pfadmodell so-

wie die Hypothesen der Untersuchung aufgezeigt. Schließlich werden der Zweck

der Untersuchung und die Forschungsfragen vorgestellt.

In Teil 3 wird der Einsatz digitaler Medien in Lehrveranstaltungen empirisch un-

tersucht. Zuerst wird das Forschungsdesign aufgezeigt. Es befasst sich mit der

Forschungsmethode und der Stichprobe der Untersuchung. Im zweiten Schritt

wird das Erhebungsverfahren beleuchtet. Dabei wird zunächst auf den standar-

disierten Fragebogen und die fünf Fragebogen-Abschnitte eingegangen. Weiter

wird der Ablauf der Online-Befagung beschrieben. Im dritten Schritt werden die

eingesetzten Auswertungsverfahren ausführlich dargestellt. Die Auswertungs-

verfahren umfassen den Datenimport und Datenbereinigung in SPSS, die de-

skriptive Datenanalyse, die Reliabilitätsanalyse zur Skalenbewertung und

Skalenbildung, die Faktorenanalyse, die Korrelationsanalyse zur Prüfung eines

Zusammenhangs, die multiple Regressionsanalyse sowie die Zentrale Tendenz

nicht im Pfadmodell abgebildeter Variablen. Im vierten Schritt werden die Unter-

suchungsergebnisse detailliert aufgezeigt. Hierbei werden die abgeschlossenen

Fragebogen dargestellt sowie die Ergebnisse zur deskriptiven Datenanalye, zur

Reliabilitätsanalyse mit Skalenbildung, zur explorativen Faktorenanalyse, zur

Korrelationsanalyse sowie die Ergebnisse von vier Regressionsmodellen darge-

legt. Neben der Hypothesenbewertung wird mit den Ergebnissen der empiri-

schen Untersuchung ein geschätztes Pfadmodell aufgestellt. Weiter werden die

Ergebnisse des t-Testes für unabhängige Stichproben und die einfaktorielle

Varianzanalye für nicht im Pfadmodell abgebildete Variable aufgezeigt.

Schließlich werden in Teil 4 die Ergebnisse der empirischen Studie ausführlich

diskutiert und interpretiert sowie Grenzen der Studie aufgezeigt, und in Teil 5 ein

Ausblick für zukünftige Forschungen gegeben.



2 Hintergrundinformationen und theoretischer Bezugsrahmen 5

2. Hintergrundinformationen und theoretischer

Bezugsrahmen

2.1 Forschungsstand zur Integration digitaler Medien

Die Untersuchung von Schulentwicklungs- und Integrationsprozessen mit digita-

len Medien in Schulen bzw. Bildungseinrichtungen umfasst die Erforschung der

folgenden Bedingungsfaktoren:1

• Bedingungsfaktoren zur Implementierung von Innovationen in Schulen

• Bedingungsfaktoren der Einführung von digitalen Medien in Schulen

• Unterrichtsbezogene Kooperationsentwicklung mit digitalen Medien

• Bedingungsfaktoren zur nachhaltigen Implementierung von digitalen Me-

dien in den Unterricht

Die Bedingungsfaktoren zur Implementierung von Innovationen in Schulen be-

ziehen sich auf allgemeine schulische Veränderungsprozesse bzw. auf Innovati-

onsprozesse in anderen öffentlichen Institutionen.2 Der Fokus des betrachteten

Forschungsstandes im Rahmen dieser Masterarbeit liegt auf den Bedingungs-faktoren der Einführung sowie der nachhaltigen Implementierung von digitalen

Medien, die im Folgenden näher beleuchtet werden.

2.1.1 Bedingungsfaktoren der Integration digitaler Medien

Verfolgt man die spezifischen schulischen Innovationen mit digitalen Medien, so

findet man nationale und internationale Befunde zu Bedingungsfaktoren der

Integration von digitalen Medien vorwiegend in der Anfangsphase der Implemen-

tierung. In Deutschland liegt dies darin begründet, dass Multimedia fähige

Computer und die Internetanbindung der Schulen erst Ende der 1990er Jahre

Einzug gehalten haben. Im Kern zielt die Einführung digitaler Medien auf eine

1 Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 42 Vgl. Eickelmann, B. (2010), S. 27




Qualitätsverbesserung von Unterricht und Schule und die Entwicklung einer

neuen Lernkultur.1

Bislang wurden verschiedene nationale und internationale Studien durchgeführt,

die Befunde zu den Gelingensbedingungen des Implementationsprozesses von

digitalen Medien ausweisen. Die Erhebung von Bedingungsfaktoren im deutsch-

sprachigen Raum ist erstmals mit der Computerkoordinatorenbefragung im

Rahmen der Evaluation „Schulen ans Netz“ im Jahr 1998 erhoben worden. Die

Literatur weist in Bezug auf die Erforschung der Gelingensbedingungen der Imp-

lementierung digitaler Medien in Schulen verschiedene Ansätze zur Systemati-

sierung der Bedingungsfaktoren aus.2 Betrachtet man die in verschiedenen

Studien ausgewiesenen Begründungen für die geringe Verbreitung der Nutzung

von digitalen Medien im Unterricht, lässt sich feststellen, dass die von Lehrper-

sonen, Schulleitungen und Computerkoordinatoren hauptsächlich angeführten

Barrieren bzw. Hemmnisse in den ersten Phasen der Implementierung materiel-

len und immateriellen Ursprungs sind.3 Im Folgenden werden die wesentlichen

Faktoren aufgezeigt.

2.1.1.1 Materielle hemmende Faktoren

Bei der Integration von Computern im Unterricht sind die Anzahl und die Aktuali-

tät der vorhandenen Computer sowie die Verfügbarkeit von Peripheriegeräten,

Software und Internetanschlüssen oftmals Hindernisse.4 Der Ausstattungs-

schlüssel selbst sagt nichts über die didaktische Einbindung aus, jedoch resul-

tiert aus einer internationalen Benchmarking-Studie „IT in Schulregionen“ die

Empfehlung eines Schüler-Computer-Verhältnisses von mindestens 6:1. DiesesAusstattungsmaß ermöglicht erst eine Integration neuer Medien in den täglichen

Unterricht, so dass die Potenziale der Informations- und Kommunikations-

Technologien im Unterricht auch genutzt werden können.5

1 Vgl. Eickelmann, B. (2010), S. 552 Vgl. Weinreich, F./Schulz-Zander, R. (2000), S. 577ff.3 Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 54 Vgl. ebenda, S. 65 Vgl. Eickelmann, B. (2010), S. 29f.




2.1.1.2 Immaterielle hemmende Faktoren

Unter den immateriellen hemmenden Faktoren lassen sich schulorganisatorische

Gründe und Lehrervariablen einordnen.

Auf der Ebene der schulorganisatorischen Determinanten stellt sich die Unter-

stützung durch die Schulleitung als wesentlicher Prädiktor heraus.1 Als zentralen

Faktor für die erfolgreiche Integration der Computer in den Unterricht identifizie-

ren Scholl und Prasse (2001) die Übernahme einer Promotorenfunktion durch

die Schulleitung.2 Für innovationsbereite Lehrer kann diese unterstützende

Bedingungen schaffen, die die Einbindung des Computers erleichtern. Die mit

dem Computereinsatz verbundenen Ziele und Konzepte sollten dabei mit dem

Kollegium abgestimmt werden.3

Die fehlende professionelle Betreuung der technischen Systeme und die zeitli-

che Belastung IT-kompetenter Lehrpersonen haben sich als bedeutende Hemm-

faktoren herausgestellt.4 Die fehlende technische Unterstützung, die fehlende

Unterstützung bei der Administration der Systeme sowie das Vorhandensein

bzw. Fehlen eines technischen Koordinators sind ebenso anzuführen.5 Vor allem

in der Anfangsphase der Implementierung ist die Zuverlässigkeit der Technikausschlaggebend. Computer werden von Lehrpersonen hauptsächlich dann ein-

gesetzt, wenn sie sich in die Unterrichtsroutine der Lehrpersonen integrieren las-

sen. Die Lehrpersonen müssen einen Mehrwert erkennen und fortgeschrittene

Anwendungskenntnisse haben.6 Diese Faktoren fördern positive Einstellungen

und Nutzungsabsichten der Lehrpersonen gegenüber digitalen Medien.7

Ein Mangel an Computerwissen und computerbezogenen Fertigkeiten, fehlende

pädagogische Konzepte und fehlende Zeit zur Vorbereitung sind die wesentli-chen Hindernisse auf der Ebene von Lehrervariablen wie Untersuchungen von

Weinreich und Schulz-Zander (2000) sowie Hunneshagen (2005) bestätigen. Die

1 Vgl. Weinreich, F./Schulz-Zander, R. (2000), S. 577ff.2 Vgl. Scholl, W./Prasse, D. (2001), S. 21ff.3 Vgl. Breiter, A.(2001), o. S.4 Vgl. Weinreich, F./Schulz-Zander, R. (2000), S. 577ff.5 Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 66 Vgl. Venezky, R./Davis, C. (2002), o. S.7 Vgl. Teo, T. (2009), S. 302ff.




Grundhaltung der Lehrpersonen stellt kein Hindernis mehr dar; Lehrpersonen

vertreten zunehmend die Auffassung, dass Kenntnisse der digitalen Medien und

deren Einsatz im Unterricht wichtig sind und die es gilt, weiter auszubauen. Laut

UNESCO gibt es zu wenig ausgebildete Lehrpersonen, um Informations- und

Kommunikationstechnologien gewinnbringend in den Unterricht einzubinden.

Dies bedeutet, dass Qualifizierungsmöglichkeiten für Lehrpersonen im Hinblick

auf die didaktisch-pädagogische und medienkompetenzbezogene Professionali-

sierung zur Verfügung gestellt werden müssen.1 Aus Sicht der Organisation spie-

len zudem mangelnde Innovationsbereitwilligkeit bzw. Widerstände gegenüber

Veränderungen eine bedeutende Rolle.2 Auch sind Defizite im Bereich des

„personal change managements“ anzuführen. Ein möglicher Kontroll- und Autori-tätsverlust wird ebenso befürchtet.3

Die Kooperationsentwicklung mit digitalen Medien für die Schulentwicklung wird

als besonders relevant eingestuft laut Untersuchungen von Lindau-Bank und

Magenheim (1998) und Hunneshagen (2005). Sie wird von Schulz-Zander

(2001) als eigenständige Dimension neben der Organisationsentwicklung,

Personalentwicklung, Unterrichtsentwicklung und Technologieentwicklung aus-

gewiesen.4 Neben der unterstützenden Schulleitung halten Weinreich und

Schulz-Zander (2000) die Existenz eines an der Schule eingesetzten Projekt-

teams für einen bedeutsamen Garant für die Zufriedenheit der Lehrpersonen,

welche die Computer an Schulen betreuen.5 Die Isoliertheit einzelner aktiver

Lehrpersonen und die Konzentration der Computerkompetenz auf einen zentra-

len Promotor erweisen sich als störend für die Verbreitung der Computernutzung

im Unterricht.6

1 Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 72 Vgl. Snoeying, R./Ertmer, P. A. (2001), S. 85ff.3 Vgl. Hunneshagen, H./Schulz-Zander, R./Weinreich, F. (2000), S. 55ff.4 Vgl. Schulz-Zander, R. (2001), S. 263ff.5 Vgl. Weinreich, F./Schulz-Zander, R. (2000), S. 577ff.6 Vgl. Hunneshagen, H. (2005), o. S.




2.1.2 Bedingungsfaktoren für die nachhaltige Integration digitaler Medien

Die Bedingungsfaktoren für die Anfangsphase der Implementierung digitaler

Medien wurden vielfach empirisch untersucht. Die Frage nach der Nachhaltigkeit

der Implementierung digitaler Medien in Schulen wurde erstmals in der qualitativ

ausgerichteten IEA-Studie (International Association for Evaluation of Educatio-

nal Achievement) SITES M2 (Second Information Technology in Education

Study, Modul 2, 1999-2002) als eigenständige Forschungsfrage formuliert. Der

Beobachtungszeitraum der Innovationen hat allerdings keine abschließende

Formulierung über Bedingungsfaktoren zugelassen; lediglich erste Anhaltspunk-

te konnten zusammengeführt werden. Auf der Grundlage von 59 der insgesamt

174 internationalen Fallstudien wurde ein erstes Determinanten-Modell gebildet,

welches aufgrund des angesetzten Zeitrahmens und der fehlenden Distanz zur

Einführungsphase der untersuchten Innovationen als vorläufig betrachtet wird.1

Es ist in der folgenden Abbildung 1 dargestellt:

Abbildung 1: Vorläufiges Modell zur Nachhaltigkeit von Owston (ins Deutsche übersetzt)2

Dieses Modell von Owston dient zunächst als Ausgangspunkt für weitere For-

schungen. Es weist notwendige und förderliche Bedingungen für eine nachhalti-

ge Implementierung von digitalen Medien in Schulen aus. Zu den notwendigen

Bedingungen zählt, dass die Lehrperson die Innovation mit Engagement und

Einsatz unterstützt. Für die Lehrperson muss der Mehrwert der Innovation er-

kennbar sein, etwa eine Verbesserung der Motivation, der Lernbereitwilligkeit

1 Vgl. Eickelmann, B. (2010), S. 77f.2 Entnommen aus: Schulz-Zander, R./Eickelmann, B. (2008), S. 10




oder der Leistung der Lernenden. Auch die Professionalisierung der Lehrperson

sowie die administrative Unterstützung durch Schulleitung, Fachleiter, Schulträ-

ger etc. gehören zu den notwendigen Faktoren. Zu den förderlichen Bedingun-

gen zählen sowohl die schulinterne Unterstützung der Lehrperson als auch die

Unterstützung durch externe Partner. Die Promotoren der Innovation in der

Schule („innovation champion“), d.h. die engagierten Lehrpersonen der An-

fangsphase, und die Bereitstellung von Finanzmitteln können die nachhaltige

Implementierung ebenfalls fördern. Eine wichtige Rolle für die nachhaltige Imp-

lementierung der digitalen Medien spielen auch (bildungs-)politische Fürsprecher

der Innovation sowie die Einbettung der Innovation in ein bildungspolitisches

Gesamtkonzept.1

Eickelmann (2010) hat fünf Jahre nach dem Erhebungszeitraum der SITES M2

eine Folgeuntersuchung vorgenommen. Auf der Grundlage der qualitativen und

quantitativen Daten ist ein Determinanten-Modell entwickelt worden, das die

zentralen Bedingungsfaktoren für die nachhaltige Implementierung digitaler

Medien in Schulen abbildet. Diese sind in der folgenden Abbildung 2 dargestellt.

Abbildung 2: Zentrale Bedingungsfaktoren der nachhaltigen Implementierung digitaler Medien in

Schulen2

1 Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 9f.2 Entnommen aus: Eickelmann, B. (2010), S. 276




Darüber hinaus wird die Bandbreite von Prädiktoren, d.h. hemmende und för-

dernde Bedingungsfaktoren, zusammengefasst. Hierbei werden vier schulische

Ebenen unterschieden: Kontextebene, Inputebene, Prozessebene Schule und

Prozessebene Unterricht. Diese Oberkategorien werden in Subkategorien unter-

gliedert, die in der Anlage A1 ersichtlich sind.

Die identifizierten Hemmfaktoren sind, differenziert nach den schulischen Ebe-

nen, tabellarisch in Anlage A2 dargestellt. Betrachtet man die einzelnen Hinde-

rungsgründe, so ergeben sich aus den Analysen Ebenen übergreifende Zusam-

menhänge, auf die im Detail hier nicht näher eingegangen werden soll. Es soll

lediglich darauf hingewiesen werden, dass es eine Wirkungsrichtung von „links“

nach „rechts“ gibt: Faktoren der Kontextebene wirken auf die Input- und Prozess-

ebenen, Faktoren der Inputebene auf die beiden Prozessebenen und Faktoren

der Prozessebene Schule auf die Prozessebene Unterricht. Anlage A3 stellt die

identifizierten förderlichen Bedingungsfaktoren tabellarisch dar.1

In den vorangegangenen Kapiteln wurde ein Überblick an möglichen Einfluss-

faktoren auf die Implementierung bzw. Integration digitaler Medien gegeben.

Betrachtet man die Ergebnisse von Eickelmann, so sind für den Bereich der

Lehrpersonen und deren Bereitschaft, digitale Medien in Lehrveranstaltungen

einzusetzen, vor allem die Bedingungsfaktoren auf der Inputebene von Bedeu-

tung. Für die Inputebene der hemmenden Faktoren findet man solche, die sich

auf die IT-Ausstattung, fehlende personelle Ausstattungen mit Systemadminist-

ratoren und Lehrervariablen wie technische und (medien-)didaktische Kenntnis-

se und Kompetenzen der Lehrpersonen, Vorbehalte und Hemmungen der Lehr-

personen, fehlende Bereitschaft von Lehrpersonen und Arbeitsbelastung bezie-

hen (vgl. Anlage A2). Wie die hemmenden beziehen sich auch die förderlichen

Faktoren auf die IT-Ausstattung, den First-Level-Support durch Fachkräfte, Leh-

rervariablen, schulformspezifische Bedingungen und zeitliche Aspekte (vgl. An-

lage A3). Ausgehend von der Vielzahl an Einflussfaktoren zur Implementierung

bzw. Integration digitaler Medien stellt sich die Frage, wie diese Faktoren auf

ihren Zusammenhang untersucht werden können. Eine im Rahmen dieser Arbeit

relevante Methode wird nachfolgend vorgestellt.

1 Vgl. Eickelmann, B. (2010), S. 279ff.




2.1.3 Pfadmodelle zur Untersuchung der Integration von Technologie

Betrachtet man die Komplexität von Faktoren, die die Integration von Technolo-

gien in Bildungseinrichtungen beeinflussen, so stellt das Pfadmodell eine nützli-

che statistische Methode dar, um Beziehungen zwischen möglichen Indikatoren

und der Integration von Technologie zu untersuchen.

2.1.3.1 Was sind Pfadmodelle?

Die Pfadanalyse gehört zu den Strukturgleichungsmodellen und ist zurückzufüh-

ren auf den Genetiker Sewell Wright, der versucht hat, die Einflüsse größerer

Variablensysteme mit Hilfe linearer Gleichungssysteme zu untersuchen. Wrightging es darum, gerichtete Beziehungen zwischen Variablen zu spezifizieren und

die Effektstärke der unabhängigen Variablen (Ursachen) auf die abhängigen

Variablen (Wirkungen) zu ermitteln. Die Analyse dieser gerichteten Modelle be-

zeichnet man als Pfadanalyse. In der Pfadanalyse geht es in erster Linie nicht

darum, Effekte zwischen den Variablen als kausale Einflüsse zu bestimmen,

sondern theoretisch abgeleitete Hypothesen anhand von Zusammenhangsgrö-

ßen (Kovarianzen oder Korrelationen) empirisch zu überprüfen.1

Die Pfadanalyse beginnt mit einem theoriegebundenen Ansatz, der sich aus der

Erstellung eines eindeutig ausgearbeiteten Strukturmodells (Pfad-Diagramm),

das eine bildliche Darstellung der Beziehungen zwischen den Variablen liefert,

ergibt. In Pfadmodellen geben Pfeile die hypothetischen Pfade und die Richtung

der Einflüsse zwischen den zwei Variablentypen – endogene und exogene Vari-

able – an.2 Exogene Variable bezeichnen in der Statistik Faktoren, aus deren

Ausprägung in einem Kausal- oder Strukturgleichungsmodell die Ausprägungeiner endogenen Variable erklärt oder vorhergesagt werden soll.3 Exogene Vari-

able haben keine von anderen Variablen des Pfadmodells zu ihnen bzw. auf sie

gerichtete Pfeile und der Wert der exogenen Variablen wird nicht von den ande-

ren Variablen erklärt, d.h. keine andere Variable wirkt auf sie ein. Im Gegensatz

dazu sind auf eine endogene Variable mehrere Pfeile gerichtet und ihr Wert wird

1 Vgl. Reinecke, J. (2005), S. 452 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 1393 Vgl. Wikipedia (2012a), o. S.




von einer oder mehreren der anderen Variablen erklärt.1 Endogene Variable sind

solche Faktoren, deren Ausprägung in einem Kausal- oder Strukturgleichungs-

modell erklärt oder vorhergesagt werden soll.2 Ferner können endogene Variable

sowohl abhängige als auch unabhängige Variable sein.

Die Berechnung von Pfadschätzungen liefert den Grad und die Richtung der

Effekte, die vorausgesetzt werden, um zwischen den Variablen zu bestehen.

Das Verfahren bringt drei Arten von Effekten hervor: direkt, indirekt und total. Ein

direkter Effekt gibt die Beziehung zwischen zwei Variablen ohne Mediations-

variable an. Der direkte kausale Effekt wird durch den standardisierten Regres-

sionskoeffizienten (Beta) wiedergegeben. Ein indirekter Effekt gibt den Effekteiner unabhängigen Variablen auf eine abhängige Variable durch ein oder

mehrere Mediationsvariable an. Indirekte Effekte werden durch die Summe der

Produkte der direkten Effekte durch die intervenierenden Variablen im Modell

berechnet. Der totale Effekt ist einfach die Summe aus den direkten und indirek-

ten Effekten.3

2.1.3.2 Studien mit Pfadmodellen

Bislang gibt es nur wenige Studien, die Einflussfaktoren auf die Integration von

Technologie mithilfe eines Pfadmodells untersucht haben.4 Vier Studien sollen

hierzu im Folgenden kurz aufgezeigt werden.

Mathews und Guarino (2000) haben ein Pfadmodell entwickelt, in dem sie

versuchten, die Computernutzung als eine Funktion vor dem Hintergrund des

Lehrers und dessen demographischen Eigenschaften zu erklären. Die Eigen-

schaften des Lehrers beinhalteten den akademischen Grad, das Geschlecht, die

Computer-Kenntnisse, die Anzahl Computer im Unterricht, Schulniveau und

langjährige Erfahrung. In der Studie wurden rund 3.000 Lehrer in Idaho, USA,

befragt mit dem Resultat, dass Geschlecht, langjährige Erfahrung, Anzahl Com-

puter im Unterricht und Computer-Kenntnisse einen direkten Einfluss auf die

1 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 1392 Vgl. Wikipedia (2012b), o. S.3 Vgl. Inan F. A./Lowther, D. L. (2009), S. 1394 Vgl. ebenda, S. 139




Computernutzung und langjährige Erfahrung einen direkten Einfluss auf die

Computer-Kenntnisse haben.1 Mathews und Guarino (2000) fanden auch her-

aus, dass Lehrer mit langjähriger Erfahrung dazu neigen, Computer weniger

häufig einzusetzen.2

Das Pfadmodell von Van Braak, Tondeur und Valcke (2004) erklärt die unter-

schiedlichen Arten von Computernutzung durch die Untersuchung von demogra-

phischen Eigenschaften, Computer-Erfahrung und Einstellungen von Lehrern. In

dieser Untersuchung wurden 486 Grundschullehrer befragt. Es wurde festge-

stellt, dass einige lehrerbezogene Faktoren wie Einstellungen gegenüber Com-

putern und Computer-Training den stärksten direkten Einfluss auf die Computer-

nutzung im Klassenzimmer haben. Zudem wurde in Erfahrung gebracht, dass

das Alter und vorherige Computer-Erfahrungen einen indirekten Einfluss auf die

Computernutzung im Unterricht haben. Die Studie versuchte erstmals zu erklä-

ren, wie die Faktoren die unterschiedlichen Arten der Computernutzung beein-

flussen. Die Variablen im Pfadmodell waren jedoch zu begrenzt, um hier ein

plausibles Forschungsergebnis zu erzielen.3

Robinson (2003) hat ein Pfadmodell eingesetzt, das die Beziehungen zwischen

demographischen Eigenschaften von Lehrern, Computer-Kenntnissen, externen

Unterstützungsvariablen, Auffassungen von Lehrern gegenüber der Computer-

nutzung und Selbsteinschätzung der Computernutzung an fünf Schulen in Michi-

gan, USA, untersuchte. Die lehrerbezogenen Eigenschaften waren Geschlecht,

Alter, Lehrniveau, Jahre des Lehrens, Unterrichtsfächer, Computer-Erfahrung

und vorheriges Technologie-Training. Zu den schulbezogenen Eigenschaften

gehörten die notwendige Software auf den Computern an der Schule sowie an-

gemessene technische und administrative Unterstützung. Die Studie ergab, dass

die Computernutzung für Verbesserungsaktivitäten und Computer-Kenntnisse

von Lehrern signifikante Einflussgrößen innerhalb des Pfadmodells waren. Das

Modell von Robinson zeigt, dass Computer-Kenntnisse eine Mediationsvariable

darstellen und von den demographischen Eigenschaften und den externen Un-

1 Vgl. Inan F.A./Lowther, D. L. (2009), S. 1392 Vgl. Mathews, J. G./Guarino, A. (2000), S. 3853 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 140




terstützungsvariabeln wie administrative Unterstützung und der Verfügbarkeit der

Software indirekt auf die Computernutzung vermittelt.1

Schließlich haben Inan und Lowther (2009) ein Pfadmodell entwickelt, das die

direkten und indirekten Einflüsse von lehrerbezogenen Eigenschaften und Um-

feldfaktoren auf die Integration von Technologie in Lehrveranstaltungen prüft.

Die Untersuchung wurde mit 1.382 Lehrern an öffentlichen Schulen in Tennes-

see, USA, vorgenommen. Die Forschungsergebnisse lieferten einen signifikan-

ten Beweis dafür, dass das entwickelte Modell nützlich ist in Bezug auf die Ein-

flussfaktoren auf die Integration von Technologie und den Beziehungen zwi-

schen den Einflussfaktoren.

Die Studie ergab, dass demographische Eigenschaften, wie Alter und Jahre des

Lehrens, einen negativen Einfluss auf Computer-Kenntnisse haben und die In-

tegration von Technologien somit indirekt beeinflussen. Die Eigenschaften der

Bildungseinrichtung, wie technische und administrative Unterstützung sowie die

Verfügbarkeit von Computern, hingegen haben einen positiven Einfluss auf

Computer-Kenntnisse. Sie beeinflussen zudem die Bereitschaft (Teachers’

Readiness) und Ansichten (Teachers’ Beliefs) der Lehrpersonen positiv.

Sowohl „Teachers’ Readiness“ als auch „Teachers’ Beliefs“ wirken sich positiv

auf die Integration von Technologien aus. Beide Faktoren vermitteln als Media-

torvariable zwischen den demographischen Eigenschaften und den Eigenschaf-

ten der Bildungseinrichtung einerseits und der Integration von Technologien an-

dererseits. Das Modell zeigt weiter auf, dass neben „Teachers’ Readiness“ und

„Teachers’ Beliefs“ auch Computer-Kenntnisse eine Mediationsvariable darstel-

len. Diese nimmt allerdings keinen direkten, sondern lediglich einen indirekten

Einfluss über „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf die Integration

von Technologien im Pfadmodell. 2

Die Forschungsergebnisse des Pfadmodells von Inan und Lowther (2009) sind in

der Anlage A4 abgebildet; sie bilden den Ausgangspunkt dieser Arbeit.

1 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 1402 Vgl. ebenda, S. 137ff.




2.2 Theoretische Bezugspunkte

2.2.1 Medienpädagogik

Digitale Bildungsangebote haben sich mittlerweile als fester Bestandteil in derMedienlandschaft der Erwachsenen- und Weiterbildung etabliert. Eine entschei-

dende Rolle kommt hierbei der gezielten Gestaltung und Verwendung von

digitalen Medien zu, um Lernprozesse effektiv und nachhaltig zu fördern.1 Als

wissenschaftliche Disziplin beschäftigt sich die Medienpädagogik mit allen erzie-

herischen Fragen, Problemen und Themen, die mit Medien zusammenhängen.

Im weiteren Sinne versteht man unter Medienpädagogik die sowohl pädagogisch

orientierte praktische als auch theoretische Beschäftigung mit den Medien; siewird als eigenständige Fachrichtung innerhalb der Pädagogik aufgefasst.2 Zur

Medienpädagogik zählen die Mediendidaktik, die Medienerziehung sowie die

informationstechnische Bildung:

Abbildung 3: Medienpädagogik und ihre Teilgebiete3

Die Mediendidaktik befasst sich mit der Erziehung durch Medien, d.h. mit den

Funktionen, der Auswahl, dem Einsatz, der Entwicklung, Herstellung und Gestal-

tung sowie den Wirkungen von Medien in Lehr- und Lernprozessen. Das Ziel der

Mediendidaktik ist die Optimierung dieser Prozesse mithilfe von Medien.4

Typische Fragen, mit denen sich die Mediendidaktik beschäftigt sind: „Welche

Medien eignen sich für die Erreichung bestimmter pädagogisch gerechtfertigter

Zielvorstellungen? Welche Funktionen können konkrete Medien im Bildungs-

1 Vgl. Glaser, M./Weigand, S./Schwan, S. (2009), S. 1902 Vgl. Wikipedia (2012c), o. S.3 Entnommen aus: Glaser, M./Weigand, S./Schwan, S. (2009), S. 1914 Vgl. de Witt, C./Czerwionka, T. (2007), S. 32




prozess übernehmen? Wie können Medien als Werkzeuge in Lehr- und Lern-

situationen von Lernenden genutzt werden?“1 Um diese Fragen beantworten zu

können, ist es notwendig, die Lernwirksamkeit von Medien bzw. Medien-

merkmalen zu erforschen und darüber hinaus Theorien zum Lernen mit Medien

zu entwickeln.2

Die Medienerziehung thematisiert die Hinführung des Lernenden zu einem

kompetenten Umgang mit Medien im Sinne einer kritischen und bewussten

Mediennutzung, d.h. sie zielt auf den reflektierten Medienkonsum und kritischen

Umgang mit Medienangeboten ab.3 Fragen der Medienerziehung sind: Welche

bildungsrelevanten Ziele bezüglich Medien sollen angestrebt werden? Wie

können diese Ziele in erzieherischen Kontexten erreicht werden?4

Die Mediendidaktik und Medienerziehung stehen in engem Bezug zum dritten

Teilgebiet, der informations-, medien- oder kommunikationstechnischen Bildung,

die die Vermittlung von Basisqualifikationen für mediendidaktisches und medien-

erzieherisches Handeln zum Gegenstand hat. Die informationstechnische

Bildung unterstützt den Aufbau von Medienkompetenz und Medienwissen, um

die aktive Teilhabe von Menschen in der Medien- und Wissensgesellschaft zu

ermöglichen.5

2.2.2 Zum Begriff Medium bzw. Medien

Es handelt sich beim Medienbegriff um einen ausgesprochen vielseitig verwen-

deten Begriff, der je nach Zielsetzung und Begründungszusammenhang unter-

schiedlich konkretisiert wird. Eine einheitliche Begriffsbestimmung lässt sich für

den Begriff Medium bzw. Medien nicht finden.6 Mindestens zwei Grundbedeu-tungen des Begriffs „Medium“ sind jedoch festzuhalten: Zum einen sind Medien

Vermittler, als Dinge, Instrumente oder Symbolsysteme, die zwischen Mensch

und Welt vermitteln. Diese Dinge, Instrumente oder Symbolsysteme haben zum

1 Glaser, M./Weigand, S./Schwan, S. (2009),S. 190f.2 Vgl. Dörr, G. (2009), S. 2083 Vgl. Glaser, M./Weigand, S./Schwan, S. (2009), S. 1904 Vgl. Dörr, G. (2009), S. 2085 Vgl. Glaser, M./Weigand, S./Schwan, S. (2009), S. 1906 Vgl. Lermen, M. (2008), S. 214




anderen immer den Charakter der Öffentlichkeit, d.h. sie sind Gemeingut und für

alle zugänglich; sie haben somit eine soziale Funktion.

In der ersten Bedeutung werden Medien als Informationsvermittler verstanden.

Sie erfüllen einerseits eine vermittelnde Funktion zwischen Menschen und

Wissen und andererseits können sie als Mittel der Kommunikation zwischen

Menschen verstanden werden. Ein Medium ist in dieser Bedeutung ein Träger

oder Mittler von Information, welcher Kommunikation ermöglicht.1 Im engen

Sinne kann dementsprechend von Medien als Hilfsmittel in organisierten Lehr-

und Lernprozessen gesprochen werden. Für einen pädagogisch sinnvollen

Einsatz von Medien ist es erforderlich, die Medien in der „Doppelfunktion als

Lehr - und Lern mittel“ zu betrachten.2

In der zweiten Bedeutung sind Medien Repräsentationen der Welt für Menschen,

und zwar öffentlich, d.h. allgemein zugänglich und verständlich. Dabei sind

Medien immer von Menschen. Aus der Öffentlichkeit von Medien folgt die

„Objektivierung pädagogischer Handlungen“. Mediale Lern-angebote sind zeitu-

nabhängig und ortsunabhängig. Ebenso ist die Qualität von in Medien repräsen-

tierten objektivierten Lehrhandlungen unabhängig von einzelnen Lehrpersonen

gleichbleibend.3

In der Literatur wird häufig mit mehrfachen Medienbegriffen operiert, die genauer

differenziert werden können:4

• Medien als konventionalisierte Kommunikationsmittel:

Dieser Medienbegriff beschreibt die Symbolsysteme, mit denen Information

vermittelt wird. Das sind im umfassenden Sinn alle Objekte, die als Zeichen

dienen können. Als Beispiele können die Beschilderung im Straßenverkehr

oder grafische Benutzungsoberflächen für technische Systeme genannt

werden.

1 Vgl. Klebl, M. (2006), S. 842 Vgl. Lermen, M. (2008), S. 2153 Vgl. Klebl, M. (2006), S. 844 Vgl. ebenda, S. 84f.




• Medien als Medienangebot:

Dieser Medienbegriff beschreibt das einzelne Resultat der Verwendung von

Kommunikationsmitteln, d.h. ein einzelnes, konkretes Produkt innerhalb eines

Symbolsystems. Das kann eine einzelne Fernsehsendung oder ein einzelner

Text sein.

• Medien als Geräte und Technik (Mediensystem):

Dieser Medienbegriff beschreibt Materialien und Werkzeuge, die zur Erstel-

lung und Verbreitung von Medienangeboten eingesetzt werden, einschließlich

der Endgeräte bzw. Trägermedien, die für die Nutzung eines Medienangebots

notwendig sind. Für digitale Medien, die auf Rechnertechnik aufbauen, kanneine spezifische Kombination aus physischer Rechnertechnik, Betriebssys-

tem, Netzwerktechnik und Programmwerkzeugen als ein komplexes Medien-

system betrachtet werden. Digitale Medien unterliegen immer einer sich ge-

genseitig ergänzenden Funktionalität von Hard- und Software.1

• Medien als Organisation:

Dieser Medienbegriff umfasst alle Unternehmen und Institutionen, die die Er-

stellung und Verbreitung von Medienangeboten zur Aufgabe oder zum Zweck

haben. Dazu zählen z.B. Rundfunkanstalten und Verlagshäuser.

Entscheidend für die vorliegende Masterarbeit ist hauptsächlich das Mediensys-

tem. Das Mediensystem steht in engem Zusammenhang mit Medienangeboten.

Die konzeptionelle wie technische Unterscheidung der Medienangebote vom

Mediensystem, d.h. von einem technischen Lernsystem, das die Medienangebo-

te verwaltet und den Beteiligten am Lehr-/Lernprozess durch ein Lern-

Dialogsystem zugänglich macht, ermöglicht Austausch und Verwendung von

digitalen Bildungsmedien. Medienangebote sind einzelne Lehr-/Lerneinheiten für

mediengestützte Bildungsprozesse, d.h. einzelne konkrete Inhalte zur Verwen-

dung in Lehr-/Lernprozessen. Die Trennung von Mediensystem und Medien-

angebot entspricht letztendlich der Trennung von Lernsystem und Lerninhalt.2

1 Vgl. Schwier, B. (2008), S. 22 Vgl. Klebl, M. (2006), S. 85




Hinsichtlich des Technikeinsatzes kann zwischen vier Mediengruppen unter-

schieden werden, die in der folgenden Tabelle 1 aufgeführt sind:

Kategorie Beispiele

Primärmedien (Menschmedien) Theater, Hofnarr, Erzähler, Priester, Spielleute

Sekundärmedien (Druckmedien) Brief, Tafel, Zeitung, Zeitschrift, Flugblatt, Buch,

Plakat, Heft

Tertiärmedien (Elektronische Medien) Hörfunk, Tonträger, Film, Video, Fernsehen, Telefon

Quartärmedien (Digitale Medien) Computer, E-Mail, Intranet, World Wide Web

Tabelle 1: Mediengruppen1

Die Trennung in die einzelnen Mediengruppen ist nicht immer eindeutig. Die

Gruppierungen sind jedoch weit verbreitet, und es lassen sich einige Gemein-

samkeiten in den einzelnen Gruppen erkennen.2 Im Rahmen dieser Masterarbeit

sind die digitalen Medien von Bedeutung, die in den folgenden Kapiteln näher

betrachtet werden.

2.2.3 Digitale Medien in Bildungsprozessen

2.2.3.1 Digitale Medien und digitale Arbeitsmittel

Die Einführung eines jeden Mediums in den Lehr-Lern-Prozess ist mit einer

technischen Innovation verbunden. Bei der Nutzung eines neuen Kommunikati-

ons- und Interaktionsmediums kann somit immer von einem jeweils „neuen“

Medium gesprochen werden. Mit dem Terminus „Neue Medien“ werden heutzu-

tage die mit Hilfe des Computers und des Internets realisierten digitalen Medien

bezeichnet – in Abgrenzung gegenüber den „alten“ Medien. Zu diesen zählenneben den Druckmedien in erster Linie die klassischen Massenmedien wie

Fernsehen und Rundfunk. Die Unterschiede zwischen den neuen und alten Me-

dien sind dabei fließend, wobei die bestehenden Medien nicht von den neuen

Medien verdrängt, sondern vielmehr ergänzt werden.3

1 Mit Änderungen entnommen aus: Lermen, M. (2008), S. 2172 Vgl. Lermen, M. (2008), S. 217f.3 Vgl. ebenda, S. 218




Unter digitalen Medien werden „alle Formen der Wissensaufbereitung oder der

Informationsvermittlung verstanden, die in digitalisierter Form über Computer

oder Internet erreichbar sind und die sich durch eine hypermediale Struktur aus-

zeichnen“.1 Die digitalen Medien umfassen neben einzelnen Medienprodukten

auch komplexe medientechnische (Software-) Systeme wie z.B. die verschiede-

nen Arten von Lernplattformen.2

Zu diesen medientechnischen Systemen kann auch der im Rahmen des Projekts

„Digital Classroom“, auf der die empirische Untersuchung dieser Masterarbeit

basiert, verwendete Begriff „digitale Arbeitsmittel“ gezählt werden. Das Projekt-

team setzte nicht den Begriff „neue Medien“ im Projekt ein, sondern entwickelte

folgende Definition für den Begriff „digitale Arbeitsmittel“: „Unter digitalen Ar-

beitsmitteln werden Software-Anwendungen verstanden, die Lehr- und Lernakti-

vitäten unterstützen. Diese Anwendungen bieten mehr interaktive Funktionen als

die üblichen Office-Anwendungen wie Word, Excel oder PowerPoint. Öffentliche

Seiten des World Wide Web sind nicht Teil dieser Definition von Arbeitsmitteln.“

2.2.3.2 Merkmale digitaler Medien

Die (neuen) digitalen Medien lassen sich im Vergleich zu herkömmlichen Medien

durch verschiedene Merkmale abgrenzen, wie die folgende Abbildung 4 darstellt:

Abbildung 4: Kennzeichen digitaler Medien3

1 Aufenanger, S. (1999), S. 42 Vgl. Pfäffli, B. K. (2005), o. S.3 Entnommen aus: Lermen, M. (2008), S. 222




Die Basis der digitalen Medien bildet die Integration verschiedener (Einzel-)

Medien auf einer Plattform, dem Computer, und den damit verbundenen techni-

schen Möglichkeiten. Dies kann unter dem Begriff „Multimedia“ zusammenge-

fasst werden. Multimedia ist ein Konzept, das technische und anwendungsbezo-

gene Dimensionen integriert. Mit Hilfe des Computers erlaubt es als zentrales

Integrationselement die Kombination von zeitabhängigen (dynamischen) und

zeitunabhängigen (statischen) Informationen. Die Vorteile der Computerbasie-

rung liegen in den Möglichkeiten der Digitalisierung und Speicherung von Daten,

der Vernetzung von Computersystemen und dem Datenaustausch. Weitere zent-

rale Merkmale sind die Möglichkeiten der Vernetzung und der Interaktivität. Mit

Hilfe der digitalen Medien werden Formen der Kooperation zwischen Lernendenund Lehrenden sowie zwischen Lernenden untereinander realisierbar. Die Ver-

netzung beinhaltet sowohl die technische Verbindung über Intra- oder Internet

als auch die Möglichkeit, Informationen zueinander in Beziehung zu setzen und

Inhalte zu vernetzen. Die Interaktivität ist darin zu sehen, dass die Mediennut-

zenden mit dem medialen System interagieren und eine unmittelbare Rückmel-

dung vom Medium erhalten können; Möglichkeiten der Steuerung und Modifika-

tion von Interaktionen treten dadurch in den Vordergrund. Ein weiteres Merkmalist die Hyperstrukturierung. Sie bezeichnet die Möglichkeit der nicht-linearen

Vernetzung von Informationen in Form von Hypertexten. Den Lernenden können

dadurch individuelle Zugänge zu den verschiedensten Themengebieten angebo-

ten werden. Informationen können auch mit Hilfe der digitalen Medien in wesent-

lich komplexerer Art und Weise präsentiert werden (Multifunktionalität). Die Multi-

funktionalität digitaler Medien wird besonders bei Simulationssoftware deutlich.1

Diese sechs Merkmale lassen sich vereinzelt auch bei den Primär-, Sekundär-und Tertiärmedien finden. Jedoch zeichnen sich die digitalen Medien neben dem

Aspekt der Digitalisierung vor allem dadurch aus, dass die Verteilungswege der

Kommunikation andere sind (Kabelnetze, Satellitentechnik, Internet etc.) und sie

eine Medienkonvergenz aufweisen.2

1 Vgl. Lermen, M. (2008), S. 219ff.2 Vgl. ebenda, S. 221




2.2.3.3 Digitale Medien als E-Learning-Werkzeuge

Der Einsatz digitaler Medien ist von einer wachsenden Anzahl neuer Begriffsde-

finitionen und Anglizismen begleitet. Als dominierender Begriff im Zusammen-

hang mit der Integration von digitalen Medien in Lehr-Lern-Prozesse hat sich der

Terminus E-Learning durchgesetzt. E-Learning wird als Oberbegriff für alle

Varianten computer- und internetbasierter Lehr- und Lernangebote verstanden,

die auf der Anwendung von Informations- und Kommunikationstechnologien

basieren.1 Hense und Mandl (2009) definieren E-Learning ganz allgemein als

„den Einsatz digitaler Medien und Technologien als Werkzeuge zur Gestaltung

von Lernumgebungen und zur Unterstützung von Lehr- und Lernprozessen“.2 Es

können zwei Klassen von E-Learning-Werkzeugen unterschieden werden, die im

Folgenden näher beleuchtet werden:

• Werkzeuge zur Unterstützung der Präsenzlehre

• Werkzeuge zur Gestaltung netzbasierter Lehr-Lern-Angebote

Werkzeuge zur Unterstützung der Präsenzlehre

Um die klassische Lehr-Lern-Situation in Klassenzimmern, Seminar-/Vorlesungs-

räumen zu unterstützen, werden digitale Technologien in vielen Kontexten ver-

wendet. Zur Standardausstattung dieser digital unterstützen Präsenzlehre zählt

ein mobiler oder fest installierter Beamer zur Projektion von Computer- oder

Videobildern. Ein Präsentationsrechner ist entweder vorhanden oder wird als

mobiles Notebook mitgebracht. Smartboards können zudem die Kombination

aus Präsentationsrechner und Beamer mit der Möglichkeit ergänzen, Eingaben

direkt auf dem projizierten Computerbildschirm vorzunehmen. Spezielle Stifte

ersetzen dabei die Maus und erlauben über die integrierte Schrifterkennung

auch die Eingabe von Texten in das Programm. Auch das direkte Zeichnen auf

der Benutzeroberfläche ist möglich; Zeichnungen können gespeichert und später

weitergegeben bzw. wiederverwendet werden.3 Der große Vorteil technischer

1 Vgl. Lermen, M. (2008), S. 2232 Hense, J./Mandl, H. (2009), S. 303 Vgl. ebenda, S. 30f.




Hilfsmittel wie Smartboards oder auch Graphiktabletts ist, dass man eine Prä-

sentation direkt und während des Vortrags erweitern und damit ein vertiefendes

Lehren und Lernen ermöglichen kann.1

Zunehmend werden Computeranwendungen nicht nur frontal eingesetzt,

sondern durch alle Lernenden in sogenannten Laptop-Klassen. Diese sind in

jedem konventionellen Lernraum zu realisieren, indem mobile Rechner in einem

speziellen Rollschrank vorrätig gehalten werden, wo sie aufgeladen und je nach

Bedarf zum Einsatz gebracht werden. Laptop-Klassenräume erlauben einen sehr

flexiblen Computereinsatz, bei dem sowohl frontal, individuell als auch koopera-

tiv gelernt werden kann.2

Werkzeuge zur Gestaltung netzbasierter Lehr-Lern-Angebote

Im Rahmen virtueller Lehr-Lern-Angebote werden eine Vielzahl unterschiedlicher

netzbasierter Medien und Technologien verwendet. Dabei wird auf das gesamte

Spektrum an Kommunikations- und Informationswerkzeugen zurückgegriffen, die

auch allgemein im Internet eingesetzt werden. Hierzu zählen z.B. E-Mail, Mai-

linglisten, Diskussionsforen, Newsgroups, Chats oder konventionelle (statische)Webseiten. Darüber hinaus gibt es noch eine Vielzahl weiterer Anwendungen; im

Folgenden werden die wichtigsten Anwendungen aus den Bereichen „Content

Management Systeme“ und Lernplattformen sowie Anwendungen und Dienste

des „Web 2.0“ kurz aufgezeigt:

• „Content Management Systeme“ und Lernplattformen

Ein „Content Management System“ dient der einfachen webbasierten Erstel-

lung von Auftritten im Internet; es ist eine Software zur gemeinschaftlichen

Erstellung, Bearbeitung und Organisation von Inhalten zumeist in Webseiten,

aber auch in anderen Medienformen.3 Zu den wichtigsten Merkmalen gehö-

ren ein Redaktionssystem mit verschiedenen Rollen und Zuständigkeiten,

Frontend und Backend, Unabhängigkeit von Inhalt und Layout sowie Modula-

1 Vgl. Bartsch, T.-C./Rex. B. F. (2008), S. 272 Vgl. Hense, J./Mandl, H. (2009), S. 30f.3 Vgl. Wikipedia (2012d), o. S.




rität und Erweiterbarkeit. Darüber hinaus gibt es sogenannte „Learning Con-

tent Management Systeme“, die speziell für den Einsatz als Lernplattform

ausgelegt sind. Wichtigste Ergänzungen sind Module zur Verwaltung von

Kursen, Kursgruppen, Teilnehmerdaten sowie ein Autorentool, das zur Erstel-

lung von multimedialen Lerneinheiten und automatisierten Lernerfolgstests

dient. Daneben sind auch Groupware-Funktionen wie ein gemeinsamer Ka-

lender für eine Lerngruppe, interne E-Mail-Funktion und private oder gemein-

same Dateibereiche weitere Elemente.1 Lernplattformen haben den Vorteil,

dass sie zeit- und ortsunabhängigen Zugriff über Web-Browser ermöglichen

und einfach zu bedienen sind. Darüber hinaus verfügen sie über eine Vielzahl

von Funktionen für die online-gestützte Lehre. Für Lernende ergibt sich eineVereinfachung des Auffindens, Abrufens und Verwaltens von Kursinhalten,

Dokumenten und formalen Aufgaben. Lehrende können von den Möglichkei-

ten, Lerninhalte über die Software zu gestalten, zu dokumentieren und zu

präsentieren, profitieren.2 Eine der bekanntesten Lernplattformen ist moodle.

• Anwendungen und Dienste des Web 2.0

Zu Beginn des Internetzeitalters standen aufgrund der technischen und

finanziellen Anforderungen bei der Publikation von Webinhalten einige weni-

ge Inhaltsanbieter vielen Inhaltsrezipienten gegenüber. Inzwischen ermögli-

chen die Anwendungen des Web 2.0 auch technisch weniger versierten

Personen, Inhalte im Rahmen häufig kostenloser Dienste einem breiten Pub-

likum mit Hilfe eines Webbrowsers zu präsentieren. Zu den bekanntesten

zählen u.a. Weblogs, Podcasts und Wikis, die technisch gesehen speziali-

sierte Content Management Systeme darstellen.3

Weblogs sind regelmäßig aktualisierte, thematische „Tagebücher“ einer ein-

zelnen Person oder einer Personengruppe, die öffentlich über eine feste

Internetadresse gelesen werden können. Sie werden pädagogisch genutzt

als Portfolios z.B. für Schreibübungen im Sprachunterricht oder bei Projekt-

arbeiten zur einfachen Dokumentation von Lernprozessen und Lernergebnis-

1 Vgl. Hense, J./Mandl, H. (2009), S. 32f.2 Vgl. Hörr, A. (2010), o. S.3 Vgl. Hense, J./Mandl, H. (2009), S. 33




sen. Der Einsatz von Weblogs kann auch als „Sprachrohr“ von Lehrpersonen

erfolgen, über das bei der rein virtuellen Lehre Inhalte, Rückmeldungen oder

Arbeitsaufträge an die gesamte Lerngruppe weitergegeben werden.

Podcasts sind in ihrer Funktionalität Weblogs ähnlich. Die Inhalte werden

jedoch nicht als Text eingestellt, sondern als Audio- oder Videodatei. Diese

Dateien können entweder direkt im Internet angesehen bzw. angehört oder

für den mobilen Einsatz auf entsprechende Endgeräte kopiert werden. Der

Aufwand für die Produktion von Inhalten ist hier sehr hoch, so dass diese in

pädagogischen Kontexten bislang wenig eingesetzt werden.

Wikis ermöglichen den einfachen Aufbau eines multimedialen Hyptertexts,

bei dem die Inhalte jederzeit kommentiert oder verändert werden können. Sie

sind einfach zu bedienen. Das bekannteste Wiki ist die Online-Enzyklopädie

Wikipedia. In Lehr-Lern-Szenarien werden Wikis gerne zur kollaborativen

Erarbeitung eines Themengebiets genutzt. Einzelne Aspekte des Themenge-

biets werden erarbeitet und in das Wiki als Einträge eingestellt. Anschließend

erfolgt die Vernetzung des Wikis zwischen den einzelnen Beiträgen. Wikis

dienen jedoch auch oftmals als einfache Alternative zum umfangreichen

Content Management System. Sie werden eingesetzt, um z.B. die Interaktion

zwischen den Lernenden untereinander und mit der Lehrperson oder den

Dateiaustausch online zu organisieren.1

2.2.3.4 Einsatzformen digitaler Medien für Lehr- und Lern-Zwecke

In der Literatur lassen sich eine Vielzahl von Kategorisierungen und Klassifizie-

rungen für den Einsatz digitaler Medien und Technologien im Bereich desLehrens und Lernens finden. Digitale Medien und Technologien können in unter-

schiedlichen Kontexten und Szenarien des E-Learning verwendet werden. Geht

man von der „klassischen“ Gestaltung von Lernangeboten in Präsenzform (face-

to-face) aus, so lassen sich grundsätzlich vier Einsatzformen unterscheiden:2

1 Vgl. Hense, J./Mandl, H. (2009), S. 33f.2 Vgl. ebenda, S. 34f.




• Ein additiver Einsatz liegt vor, wenn klassische Präsenzangebote wie

z.B. ein Seminar um E-Learning-Elemente ergänzt und angereichert wer-

den. Hierunter fallen sowohl die Nutzung von Präsentationsrechner und

Beamer zur Unterstützung eines Lehrvortrags als auch die Einrichtung ei-

ner begleitenden Lernplattform.

• Wenn das Angebot sowohl in klassischer Präsenzform als auch als reines

E-Learning-Angebot bereitsteht, so kann man von einem alternativen

Einsatz sprechen. Ein komplett neues E-Learning-Angebot zu entwickeln

ist meist sehr aufwendig. So werden beispielsweise im universitären Be-

reich Vorlesungen mit besonders großer Zuhörerzahl aufgezeichnet und

zum Download (z.B. per Videocast) oder als Videostream im Internet ver-

fügbar gemacht.

• Das Präsenzlernen wird beim substitutiven Einsatz komplett durch E-

Learning ersetzt. Beispiele sind multimediale Selbstlernprogramme in

Form von Computer-based Trainings bzw. Web-based Trainings. Sie wer-

den zu den unterschiedlichsten Inhaltsgebieten angeboten und kommen

ohne den Kontakt zu einer Lehrperson aus. Verbreitung gefunden haben

Formen der virtuellen Lehre, bei denen im Rahmen einer Lernplattform

nicht gänzlich alleine, sondern im Kontakt mit Lehrpersonen und Mitler-

nenden gearbeitet wird (Bsp.: Virtuelles Klassenzimmer).

• Der integrative Einsatz versucht, die Vorteile von Präsenz- und E-

Learning-Angeboten durch den Wechsel von Face-to-face- und virtuellen

Phasen konzeptionell zu kombinieren. Diese gemischte Einsatzform ist

unter dem Begriff des „Blended Learning“ zu finden. Zu Beginn und amEnde eines Kurs- bzw. Seminarangebots werden je eine Präsenzveran-

staltung durchgeführt und dazwischen eine oder mehrere virtuelle Lern-

einheiten. In anderen Worten: Die klassischen Lernmethoden werden mit

den Möglichkeiten der digitalen Medien in einem umfassenden Lehr-Lern-

Arrangement kombiniert.1 Ein Modell hybrider Lernarrangements in Hoch-

schulen ist Anlage A5 zu entnehmen.

1 Vgl. Lermen, M. (2008), S. 230




In jüngster Zeit haben sich auch Einsatzformen entwickelt, die sich nicht klar in

eine der vier Einsatzformen einordnen lassen, da sie sowohl additiv als auch

alternativ, substitutiv oder integrativ eingesetzt werden. Hierzu gehören „Mobile

Learning“ und „Game based Learning“. Während beim „Mobile Learning“ der Zu-

griff auf lernrelevante Inhalte über mobile Endgeräte wie Smartphone, PDAs,

Mini-Notebooks oder mobile Audio- und Videoplayer erfolgt, werden beim

„Game-based Learning“ computer- oder netzbasierte Spiele zur gezielten Unter-

stützung von Lehr-Lern-Prozessen eingesetzt.1

2.2.4 Mehrwert digitaler Medien

2.2.4.1 Pädagogische und lernförderliche Potenziale digitaler Medien

Mit der Einführung eines neuen Mediums geht meistens zunächst ein erheblicher

Mehraufwand einher. Damit stellt sich die Frage, ob diesem erhöhten Aufwand

ein tatsächlich vorhandener pädagogisch-didaktischer Mehrwert entgegensteht.2

„Ein Einsatz computerbasierter Medien ist in jedem Fall nur sinnvoll, wenn sich

ein Mehrwert gegenüber konventionellen Medien ergibt“.3 Technologische, inhalt-

liche, ergonomische und didaktische Aspekte vermischen sich dabei bei der Nut-zung medialer Lernarrangements.4

Häufig ist die Nutzung neuer digitaler Medien mit hohen Erwartungen in Bezug

auf ihre Lernwirksamkeit und ihren Innovationsgehalt verbunden. Diese Erwar-

tungen haben sich im Rückblick oft als naiv und überzogen herausgestellt. In

vielen Fällen wurde die Technik zu stark in den Vordergrund gestellt und päda-

gogische Aspekte vernachlässigt. Neue Technologien werden infolge dieser

Herangehensweise häufig in Verbindung mit ungeeigneten Lehr-Lern-Ansätzenzum Einsatz gebracht. Der Einsatz neuer digitaler Medien entfaltet nicht per se

große Effekte in Bezug auf ein verbessertes Lernen oder eine nachhaltige Moti-

vierung von Lernenden. Es lassen sich allerdings Ansatzpunkte finden, in denen

1 Vgl. Hense, J./Mandl, H. (2009), S. 35f.2 Vgl. Lermen, M. (2008), S. 2483 Staiger S. (2004), S. 414 Vgl. Lermen, M. (2008), S. 248




digitale Medien das Potenzial aufweisen, deren Umsetzung zu erleichtern und zu

unterstützen:1

• Schaffung eines authentischen und realitätsnahen Kontexts:

Fallbasierte Lernszenarien, Planspiele oder Simulationssysteme erlauben am

Einzelplatzrechner oder im Netzwerk mit komplexen Szenarien zu agieren.

Die Interaktivität dieser Systeme ermöglicht es, jederzeit Rückmeldung über

die Handlungen beim Lernen zu erhalten. Weitere Gestaltungsmöglichkeiten

sind durch den unmittelbaren Informationszugriff neuer Medien gegeben.

• Anregen von multiplen Perspektiven und Kontexten:

Das Arbeiten an komplexen Fällen und in simulierten Systemen erlaubt oft-

mals die Variation von Bedingungen, Abläufen und Lösungswegen. Derselbe

Lerngegenstand lässt sich somit aus verschiedenen Perspektiven und Kon-

texten betrachten. Multiple Perspektiven entstehen zum Beispiel durch das

Einnehmen verschiedener Rollen in computermodellierten Simulationen oder

durch das Suchen alternativer Lösungswege. Durch die Informationsfülle und

Multimedialität neuer Medien ergeben sich weitere Zugänge.

• Unterstützung von Kommunikation und Kooperation:

Neben E-Mail, Diskussionsforen und Chats sind hier vor allem auch die neue-

ren „social networks“ wie etwa MySpace, Facebook oder verschiedene

Online-Communities wie YouTube oder Twitter zu nennen. Sie sind leicht

nutzbare Möglichkeiten, in Computernetzen zu kommunizieren und kooperie-

ren. Die Anwendungen und Dienste des Web 2.0 wie Wikis und Weblogs eig-

nen sich vor allem für das gemeinsame Arbeiten an konkreten Produkten wie

Texten. Diese Werkzeuge alleine garantieren jedoch nicht automatisch eine

lernförderliche Kommunikation und Kooperation. Wichtig ist der Einsatz

instruktionaler Unterstützung in Form von Kooperationsskripts, Feedback-

Regeln oder Online-Tutoring.

1 Vgl. Hense, J./Mandl, H. (2009), S. 36f.




• Bereitstellen von instruktionaler Unterstützung:

Selbstgesteuertes und kooperatives Lernen müssen instruktional begleitet

und unterstützt werden, um Überforderungen zu vermeiden oder einen Ein-

stieg in ein neues Thema zu erleichtern. Für die direkte und individualisierte

Rückmeldung können digitale Medien wie Weblogs und Wikis genutzt

werden.

Der Begriff Mehrwert ist im pädagogischen Kontext nicht eindeutig belegt. Unter-

schiedliche Autoren kommen zu diversen Einschätzungen und Kategorisierun-

gen, worin der Mehrwert digitaler Medien bestehen kann.1 Neben diesen vier

erläuterten Ansatzpunkten können noch weitere lernförderliche Potenziale be-nannt werden wie Dezentralisierung und Deregulierung von Lernorten, Multi-

codalität und Multimodalität, Information-on-demand und just-in-time, Adaptivität,

Entlastung von Routinetätigkeiten oder sanktionsfreie Räume.2 Einen Überblick

über mögliche Mehrwerte liefert Anlage A6.

Grundsätzlich kann jedoch nicht von einem den Medien selbst innewohnenden

Mehrwert ausgegangen werden, der sich einstellt, sobald ein bestimmtes Medi-

um oder Mediensystem eingeführt wird. Die Generierung des Mehrwerts ist eine„mediendidaktische Gestaltungsaufgabe“. 3

2.2.4.2 Mehrwert im Bereich der Hochschule

Auf den Mehrwert digitaler Medien für das Lehren und Lernen im universitären

Bereich wird von diversen bildungpolitisch orientierten Gremien hingewiesen. So

hat der Wissenschaftsrat in seinen „Empfehlungen zur Hochschulentwicklung

durch Multimedia in Studium und Lehre“ zahlreiche Vorteile genannt, die der

Einsatz virtueller Lehrveranstaltungen in den normalen Lehrbetrieb mit sich

bringt. Mit Hilfe der digitalen Medien sollen neben der systematischen Verbesse-

rung der Qualität der Lehre vor allem flexiblere Angebote, eine kooperative Aus-

stattung von Studiengängen, mehr Selbststudium, die Einbeziehung internatio-

naler Module sowie eine bessere Betreuung in kleineren Studiengruppen

1 Vgl. Stratmann, J. (2007), S. 162 Vgl. Herzig, B. (2008), S. 499f.3 Vgl. Stratmann, J. (2007), S. 22




realisiert werden. Zugleich soll durch die virtuelle Praxis eine Integration von

Forschung ins Studium erzielt werden. Der Programmbeirat der Virtuellen Hoch-

schule Baden-Württemberg formuliert in seinen „Empfehlungen des Programm-

beirats der Virtuellen Hochschule Baden-Württemberg“ folgende vier Aspekte,

die die Entwicklung einer virtuellen Hochschule begleiten:1

• Attraktivere Lehrangebote durch die Integration „moderner“ Studienele-

mente und Vermittlungsformen (Anreicherung)

• Nutzung des didaktischen Mehrwerts multimedialer Lehr- und Lernformen

(Qualitätsverbesserung)

• Ergänzung des hauseigenen Lehrangebots durch den Import von Stu-dienmodulen bzw. dessen Profilierung durch den Export von hauseigenen

Lehrveranstaltungen (Programmpflege)

• Skalengewinne und Entlastungseffekte z.B. bei hoch standardisierten

Grundveranstaltungen (Effizienzsteigerung)

2.2.5 Medienkompetenz

2.2.5.1 Medienkompetenz nach Baake

Medienkompetenz wird als leitender Begriff und zentrales theoretisches Konzept

der Medienpädagogik seit Anfang der 1990er Jahre verstärkt diskutiert. Im Zuge

der Einführung von Internet und Multimedia wurde ein medienpädagogischer wie

materiell-ausstattungsbezogener Nachholbedarf in nahezu allen Bereichen von

Bildung und Erziehung attestiert.2 Medienkompetenz ist ein vielschichtiger Beg-

riff. Generell bedeutet er die Befähigung, mit Medien aller Art souverän umzuge-

hen.3 Baacke versteht unter Medienkompetenz „eine Schlüsselqualifikation zur

Bewältigung der Aufgabe, insbesondere mit den neuen Möglichkeiten der Infor-

mationsnutzung umgehen zu können“.4 Diese Kompetenz reicht über die techni-

sche Fähigkeit zur Bedienung verschiedener Medien hinaus.

1 Vgl. Lermen, M. (2008), S. 2502 Vgl. Hugger, K.-U. (2008), S. 933 Vgl. Schneider, F. (2011), S. 74 Vollbrecht, R. (2000), S. 63




Baacke differenziert den Begriff der Medienkompetenz in vier Dimensionen, die

prinzipiell jeder Mensch entwickelt haben sollte: Medienkritik, Medienkunde,

Mediennutzung und Mediengestaltung.1 Abbildung 5 gibt die vier Dimensionen

der Medienkompetenz nach Baacke wieder, die im Folgenden erläutert werden.

Abbildung 5: Medienkompetenz nach Baacke2

Medienkritik bedeutet die Fähigkeit, problematische gesellschaftliche Prozesse

(z.B. Medienkonzentration) analytisch angemessen zu erfassen. Jeder Mensch

sollte reflexiv in der Lage sein, dieses analytische Wissen auf sich selbst unddas eigene Handeln anzuwenden. Die ethische Dimension daran ist, das analyti-

sche Denken und reflexiven Rückbezug als sozial verantwortet abzustimmen

und zu definieren. Medienkunde umfasst das Wissen über die heutigen Medien-

systeme. Die informative Dimension der Medienkunde beinhaltet klassische

Wissensbestände, und die instrumentell-qualifikatorische Dimension beinhaltet

die Fähigkeit, neue Geräte auch bedienen zu können. Mediennutzung ist zwei-

fach zu verstehen: Medien sollen rezeptiv angewendet werden (Programm-Nutzungskompetenz) und interaktive Angebote genutzt werden können. Schließ-

lich stellt Mediengestaltung in Baackes Ausdifferenzierung den vierten Bereich

der Medienkompetenz dar. Hierunter fallen einerseits die innovativen Verände-

rungen und Entwicklungen des Mediensystems und andererseits die kreativen

ästhetischen Varianten, die über die Grenzen der alltäglichen Kommunikations-

1 Vgl. Lermen, M. (2008), S. 2612 Enthalten in: Lermen, M. (2008), S. 261




routinen hinausgehen.1 Die beiden Aspekte Medienkritik und Medienkunde um-

fassen die Dimension der Vermittlung, während die Dimension der Zielorientie-

rung im Handeln der Menschen, d.h. der Mediennutzung und Mediengestaltung,

liegt.2 Das Modell der Medienkompetenz von Baacke ist mittlerweile zwar von

anderen Autoren weiterentwickelt und modifiziert worden, meistens sind die vier

Dimensionen jedoch übernommen worden.3

Baake hebt den Begriff Medienkompetenz theoretisch auf die überindividuelle,

gesellschaftliche Ebene. Der Begriff wird mit diesem Ausdifferenzierungsziel zum

„Diskurs der Informationsgesellschaft“, der alle wirtschaftlichen, technischen,

sozialen, kulturellen und ästhetischen Probleme mit einbezieht, so dass er stän-

dig aktualisiert werden kann und muss.

Bei dieser Betrachtung des Begriffs Medienkompetenz und den Möglichkeiten

seiner Vermittlung zeigt sich, dass sich durch aktive (Be-)Nutzung der Medien

eine Kritikfähigkeit herausbilden soll, die zum Auswählen diverser Medienange-

bote genutzt werden kann. Mit anderen Worten: Die eigene aktive Arbeit mit ei-

nem Medium ermöglicht dessen kritische Nutzung sowohl im privaten wie auch

beruflichen Alltag. Die Auseinandersetzung mit Medien kann zu einer kritischen

Auseinandersetzung der Person mit sich selbst im Sinne einer Bewusstseinsbil-

dung eingesetzt werden und der Person damit neue Formen autonomen Han-

delns ermöglichen.4

2.2.5.2 Medienkompetenz von Lehrpersonen

Die Entwicklung von Medienkompetenz als Aufgabe der Schule setzt seitens der

Lehrpersonen voraus, dass sie selbst Medienkompetenz erworben haben oderdiese weiterentwickeln und darüber hinaus in der Lage sind, die Medienkompe-

tenz ihrer Schüler/innen zu fördern. Lehrpersonen sollten zu folgenden Punkten

in der Lage bzw. bereit sein:5

1 Vgl. Hugger, K.-U. (2008), S. 942 Vgl. Wikipedia (2012e), o. S.3 Vgl. Lermen, M. (2008), S. 2614 Vgl. Wikipedia (2012e), o. S.5 Vgl. Tulodziecki, G./Herzig, B./Grafe, S. (2010), S. 359




• Medienangebote und nicht-mediale Möglichkeiten im Hinblick auf ange-

strebte Nutzungszusammenhänge erläutern und sachgemäß handhaben,

kriterienbezogen vergleichen und bewerten, begründet auswählen sowie

unter Beachtung gesellschaftlicher bzw. sozialer Verantwortung nutzen.

• Eigene Aussagen unter Verwendung bewusst ausgewählter Gestaltungs-

arten mit sachgemäßer Handhabung der jeweiligen Technik und situati-

onsangemessener Planung sowie unter Beachtung gesellschaftlicher und

sozialer Verantwortung gestalten und Einzelnen bzw. bestimmten Grup-

pen zur Verfügung stellen oder öffentlich verbreiten.

•

Gestaltungsmöglichkeiten von Medien erläutern und in ihrer Bedeutungfür mediale Aussagen einschätzen sowie Gestaltungsmittel für eigene

Medienbeiträge begründet auswählen, die eingesetzten Gestaltungsmittel

in vorhandenen Medienangeboten analytisch erfassen und hinsichtlich der

Übereinstimmung von Form, Inhalt oder anderer Kriterien bewerten.

• Medieneinflüsse beschreiben, kriterienbezogen bewerten und problemati-

sche Einflüsse der Mediennutzung in geeigneten Formen aufarbeiten und

ihnen gegebenenfalls entgegenwirken sowie Medieneinflüsse bei dereigenen Mediengestaltung und Verbreitung berücksichtigen.

• Bedingungen von Medienproduktion und Medienverbreitung erläutern,

Verbindungen zwischen solchen Bedingungen und den Medienprodukten

sowie ihrer Nutzung herstellen, die Bedingungen in Orientierung am

gesellschaftlich Wünschenswerten beurteilen und Einflussmöglichkeiten

beim eigenen Handeln skizzieren und wahrnehmen.

Medienkompetenz ist als ein wichtiger Bestandteil medienpädagogischer

Kompetenz anzusehen. Medienpädagogische Kompetenz erfordert zudem

Bereitschaft sowie Wissen und Können in den Kompetenzfeldern der Medienso-

zialisation, der Medienbildung insgesamt einschließlich medienerzieherischer

Maßnahmen, der Medienverwendung für Lernen und Lehren sowie die Entwick-

lung medienpädagogischer Konzepte.1 Auf diese Kompetenzbereiche soll hier im

Rahmen dieser Masterarbeit nicht weiter eingegangen werden.

1 Vgl. Tulodziecki, G./Herzig, B./Grafe, S. (2010), S. 360




2.3 Fragestellung der empirischen Untersuchung –

konzeptioneller Rahmen

Ausgangspunkt dieser empirischen Untersuchung sind die Forschungsergebnis-se von Inan und Lowther (2009). In ihrer Studie haben sie ein Pfadmodell entwi-

ckelt, welches die direkten und indirekten Einflüsse von Lehrereigenschaften und

Schulfaktoren auf die Integration von Technologien von Lehrern in deren Lehr-

veranstaltungen prüft; die hypothetischen Kausalzusammenhänge zwischen

Einflussfaktoren, die für die Integration von Technologien von Bedeutung sind,

werden dabei erklärt (vgl. Anlage A4).1 Ein erstes Pfadmodell wurde bereits von

Robinson (2003) in seiner Dissertation „External and internal factors whichpredict teachers’ computer usage in K-12 classrooms“ entwickelt, welches Inan

und Lowther weiterentwickelt haben.2

Das erweiterte Pfadmodell von Inan und Lowther (2009) wird im Rahmen dieser

Arbeit in angepasster Form eingesetzt. Es wird hierbei nicht auf die Integration

von Technologie im Allgemeinen eingegangen, sondern speziell der Einsatz von

digitalen Arbeitsmitteln (Digital Tools) in Lehrveranstaltungen untersucht.

Die verwendeten Variablen und deren Beschreibungen, das hypothetische

Pfadmodell, die Annahmen bzw. Hypothesen und deren Begründungen sowie

die Forschungsfragen der Studie werden in den folgenden Kapiteln vorgestellt.

Es wird an dieser Stelle darauf hingewiesen, dass die Variablen im Pfadmodell in

der empirischen Untersuchung in englischer Sprache eingesetzt werden.

2.3.1 Variablen im hypothetischen Pfadmodell

Für das hypothetische Pfadmodell der Studie werden insgesamt acht Variablen

verwendet, die in der folgenden Tabelle 2 beschrieben werden.

1 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 140f.2 Vgl. Robinson, W. I. (2003), o. S.




Variablen Beschreibung der Variablen

Age (Alter) Angegebenes Alter der befragten Lehrperson

Years of Teaching (Jahre des Lehrens) Angegebene Jahre des Lehrens als Lehrperson

Proficiency of Digital Tools(Kenntnisstand digitaler Arbeitsmittel)

Wahrnehmung der befragten Lehrperson an eigenenFähigkeiten bezüglich des Einsatzes digitaler

Arbeitsmittel

Overall Support

(Allgemeine Unterstützung)

Wahrnehmung der befragten Lehrperson an der

Unterstützung von administrativer Seite, Kollegen,

Interessengruppen etc. hinsichtlich der Integration

digitaler Arbeitsmittel in der Bildungseinrichtung

Technical Support

(Technische Unterstützung)

Wahrnehmung der befragten Lehrperson an der

Eignung der technischen Unterstützung, Verfügbar-

keit an Ressourcen und Unterstützung bei Computer-

Software und Fehlerbehebung

Teachers’ Readiness

(Bereitschaft der Lehrperson)

Auffassung bzw. Wahrnehmung der befragten

Lehrperson seiner Fähigkeiten und Fertigkeiten, die

erforderlich sind, um digitale Arbeitsmittel in seine

Lehrveranstaltung zu integrieren

Teachers’ Beliefs

(Ansichten der Lehrperson)

Auffassung bzw. Wahrnehmung der befragten

Lehrperson an dem Einfluss digitaler Arbeitsmittel auf

den Lernerfolg und die Lernleistung der Studenten/ Studentinnen bzw. Schüler/innen (Impact on

Students) sowie auf den Unterricht (Impact on

Classroom Instruction)

Integration of Digital Tools

(Integration digitaler Arbeitsmittel)

Selbsteinschätzung der befragten Lehrperson an der

Häufigkeit des Einsatzes an digitalen Arbeitsmitteln in

seiner Lehrveranstaltung

Tabelle 2: Beschreibung der Variablen1

Inan und Lowther (2009) verwendeten in ihrem Pfadmodell eine weitere Variab-

le: „Computer Availability“. Diese Variable wird im Rahmen dieser empirischen

Untersuchung nicht eingesetzt. Die technische Ausstattung und Verfügbarkeit

von Computern in den Bildungseinrichtungen wird vorausgesetzt.

1 Mit Änderungen entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 141




2.3.2 Hypothetisches Pfadmodell

Das hypothetische Pfadmodell dieser Studie zeigt die folgende Abbildung 6:

Block 1 Block 2 Block 3 Block 4

Abbildung 6: Hypothetisches Pfadmodell der empirischen Untersuchung1

Das Pfadmodell besteht aus vier Variablenblöcke:

Block 1: Block 1 beinhaltet vier exogene (unabhängige) Variable. Hierzu zäh-

len die demographischen Eigenschaften der Lehrperson „Age“ und

„Years of Teaching“ und Eigenschaften der Bildungseinrichtung hin-

sichtlich der Unterstützung beim Einsatz digitaler Arbeitsmittel

„Overall Support“ und „Technical Support“.

Block 2: Block 2 enthält die Variable „Proficiency of Digital Tools“. Diese en-

dogene Variable fungiert sowohl als unabhängige als auch abhängi-

ge Variable im Pfadmodell.

Block 3: Block 3 beinhaltet zwei auf die Lehrperson bezogene, endogene

Variable: zum einen die Variable „Teachers’ Readiness“ und zum

anderen „Teachers’ Beliefs“. Beide Variablen werden als unabhän-

gige und abhängige Variable im Pfadmodell eingesetzt.

Block 4: Block 4 wird von der endogenen Variablen „Integration of Digital

Tools“ gebildet; hierbei handelt es sich um eine abhängige Variable.

1 Mit Änderungen entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 146




2.3.3 Hypothesen

Die Forschungsergebnisse von Inan und Lowther (2009) sind Ausgangspunkt

dieser empirischen Untersuchung; folglich liegen die Hypothesen für die Unter-

suchung dieser Masterarbeit (hauptsächlich) in deren Forschungsergebnisse

begründet. Es werden lediglich direkte Einflüsse der Variablen untersucht, d.h.

indirekte Effekte auf die Integration digitaler Arbeitsmittel bleiben im Rahmen

dieser Masterarbeit unberücksichtigt. Die Hypothesen stellen die Pfeilrichtungen

im hypothetischen Pfadmodell in Kapitel 2.3.2 dar.

Forschungsergebnisse von Inan und Lowther (2009) und Robinson (2003) haben

ergeben, dass die demographischen Eigenschaften von Lehrpersonen einen

negativen direkten Einfluss auf die Computer-Kenntnisse der Lehrperson haben.

Lehrer, die älter sind und länger unterrichten, haben geringere Kenntnisse und

Fähigkeiten im Umgang mit Computern, d.h. die Computer-Kenntnisse verrin-

gern sich mit zunehmendem Alter und Unterrichtserfahrung.1 Hieraus ergeben

sich die folgenden Hypothesen:

H1: „Age“ hat einen negativen direkten Einfluss auf „Proficiency of Digital

Tools“: Je älter die Lehrperson, desto geringer ist der Kenntnisstand digitaler Arbeitsmittel.

H2a: „Years of Teaching“ hat einen negativen direkten Einfluss auf

„Proficiency of Digital Tools“: Je länger die Lehrperson bereits unterrich-

tet, desto geringer ist der Kenntnisstand digitaler Arbeitsmittel .

Ein weiteres Forschungsergebnis von Inan und Lowther (2009) ist, dass Lehrer,

die länger unterrichten eine geringere Bereitschaft besitzen, Technologien ein-

zusetzen. Dies führt zu folgender Hypothese:

H2b: „Years of Teaching“ hat einen negativen direkten Einfluss auf

„Teachers’ Readiness“: Je länger die Lehrperson bereits unterrichtet,

desto geringer ist die Bereitschaft der Lehrperson, digitale Arbeitsmittel

einzusetzen .

1 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 145f.




Des Weiteren hat die Studie von Inan und Lowther (2009) ergeben, dass sich

das Vorhandensein von Eigenschaften der Bildungseinrichtung wie allgemeine

Unterstützung, technische Unterstützung und Computer-Verfügbarkeit sowohl

auf die Computer-Kenntnisse von Lehrern als auch auf die Bereitschaft und die

Ansichten der Lehrperson, Technologie einzusetzen, positiv auswirkt bzw. diese

Faktoren erhöht. Die allgemeine Unterstützung hat in deren Pfadmodell den

größten positiven Einfluss auf die Ansichten der Lehrperson, Technologie einzu-

setzen. Auch Mumtaz (2005) sowie Windschitl und Sahl (2002) haben herausge-

funden, dass Eigenschaften der Bildungseinrichtung wesentlich die Ansichten

der Lehrperson beeinflussen, indem die Lehrperson Unterstützung und positive

Vorstellungen von administrativer Seite und Interessengruppen erhält. Lumpeund Chambers (2001) haben in ihrer Untersuchung eine Liste mit Einflussfakto-

ren auf die Ansichten der Lehrperson erfasst, welche auch die allgemeine und

technische Unterstützung enthält. Für die Untersuchung lassen sich hieraus die

folgenden Hypothesen ableiten:

H3a: „Overall Support“ hat einen positiven direkten Einfluss auf „Proficiency of

Digital Tools“: Je größer die allgemeine Unterstützung in der Bildungsein-

richtung ist, desto größer ist der Kenntnisstand digitaler Arbeitsmittel.

H3b: „Overall Support“ hat einen positiven direkten Einfluss auf „Teachers’

Readiness“: Je größer die allgemeine Unterstützung in der Bildungsein-

richtung ist, desto größer ist die Bereitschaft der Lehrperson, digitale

Arbeitsmittel einzusetzen.

H3c: „Overall Support“ hat einen positiven direkten Einfluss auf „Teachers’

Beliefs“: Je größer die allgemeine Unterstützung in der Bildungseinrich-

tung ist, desto größer sind die Ansichten der Lehrperson, digitale

Arbeitsmittel einzusetzen.

H4a: „Technical Support“ hat einen positiven direkten Einfluss auf „Proficiency

of Digital Tools“: Je größer die technische Unterstützung ist, desto größer

ist der Kenntnisstand digitaler Arbeitsmittel.

H4b: „Technical Support“ hat einen positiven direkten Einfluss auf „Teachers’

Readiness“: Je größer die technische Unterstützung ist, desto größer ist die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen.




H4c: „Technical Support“ hat einen positiven direkten Einfluss auf „Teachers’

Beliefs“: Je größer die technische Unterstützung ist, desto größer sind die

Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen.

Inan und Lowther (2009) haben zudem herausgefunden, dass Computer-

Kenntnisse sowohl die Bereitschaft als auch die Ansichten der Lehrperson,

Technologien einzusetzen, positiv beeinflussen. Die Computer-Kenntnisse der

Lehrperson haben in deren Pfadmodell den größten Einfluss auf die Bereitschaft,

Technologien einzusetzen. Hieraus ergeben sich folgende Hypothesen:

H5a: „Proficiency of Digital Tools“ hat einen positiven direkten Einfluss auf

„Teachers’ Readiness“: Je größer der Kenntnisstand digitaler Arbeitsmit- tel ist, desto größer ist die Bereitschaft der Lehrperson, diese einzusetzen

H5b: „Proficiency of Digital Tools“ hat einen positiven direkten Einfluss auf

„Teachers’ Beliefs“: Je größer der Kenntnisstand digitaler Arbeitsmittel ist,

desto größer sind die Ansichten der Lehrperson, diese einzusetzen.

In den Forschungsergebnissen von Inan und Lowther (2009) beeinflussen

sowohl die Bereitschaft als auch die Ansichten der Lehrperson, Technologien

einzusetzen, die Integration von Technologie in positiver Weise. Ansichten der

Lehrperson ist ein wesentlicher Einflussfaktor auf die Integration von Technolo-

gie im Unterricht; dies bestätigen auch zahlreiche vorangegangene Studien (u.a.

Ertmer, 2005 sowie Vannatta und Fordham, 2004). Die Bereitschaft der Lehrper-

son hat in Inan und Lowther’s Studie den größten Einfluss auf die Integration von

Technologie. Vorangegangene Studien belegen dieses Forschungsergebnis:

Kanaya, Light und Culp (2005) als auch Scheffler und Logan (1999) geben an,

dass Lehrer, die bereit und überzeugt sind, Technologie zu integrieren, häufiger

Technologie im Unterricht einsetzen. Folgende Hypothesen lassen sich ableiten:

H6: „Teachers’ Readiness“ hat einen positiven direkten Einfluss auf „Integra-

tion of Digital Tools“: Je größer die Bereitschaft der Lehrperson ist, desto

größer ist die Integration digitaler Arbeitsmittel.

H7: „Teachers’ Beliefs“ hat einen positiven direkten Einfluss auf „Integration

of Digital Tools“: Je größer die Ansichten der Lehrperson sind, desto

größer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen.

.




2.3.4 Zweck der Untersuchung und Forschungsfragen

Zweck dieser Untersuchung ist es, die Einflüsse von individuellen Eigenschaften

und Umweltfaktoren von Lehrpersonen auf die Integration digitaler Arbeitsmittel

in Lehrveranstaltungen der Lehrpersonen zu untersuchen, d.h. was beeinflusst

den Einsatz digitaler Arbeitsmittel in Lehrveranstaltungen und welche positiven

und negativen direkten Zusammenhänge bestehen zwischen den Variablen.

Zudem ist geplant, die Beziehungen zwischen den Einflussgrößen durch ein

entwickeltes Pfadmodell zu erklären, das auf vorangegangenen Studien basiert.

Betrachtet man das Pfadmodell als Forschungsrahmen, so sollen folgende

Forschungsfragen in der Untersuchung beleuchtet werden:

F1: Beeinflussen demographische Eigenschaften von Lehrpersonen die In-

tegration digitaler Arbeitsmittel in Lehrveranstaltungen?

F2: Beeinflussen Eigenschaften der Bildungseinrichtung die Integration digi-

taler Arbeitsmittel in Lehrveranstaltungen?

F3: Beeinflussen der Kenntnisstand digitaler Arbeitsmittel der Lehrperson, die

Bereitschaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzu-

setzen, die Integration digitaler Arbeitsmittel in Lehrveranstaltungen?

Neben diesen speziell auf das hypothetische Pfadmodell bezogenen For-

schungsfragen sollen im Rahmen dieser empirischen Studie auch Mittelwertun-

terschiede nicht im Pfadmodell abgebildeter Eigenschaften untersucht werden:

F4: Unterscheiden sich Frauen und Männer im Mittel bezüglich der Integrati-

on digitaler Arbeitsmittel?

F5:

Unterscheidet sich die Integration digitaler Arbeitsmittel im Mittel zwischen Unterrichtsfächer, Lehrmethoden oder Schulungen der Lehr-

person?

Nicht Gegenstand der Untersuchung sind indirekte und totale Effekte auf die

Integration digitaler Arbeitsmittel. Ebenso werden keine Unterschiede zwischen

den befragten (deutschen) Bildungseinrichtungen untersucht und keine Länder-

vergleiche vorgenommen.



3 Einsatz digitaler Medien in Lehrveranstaltungen – eine empirische Untersuchung 42

3. Einsatz digitaler Medien in Lehrveranstaltungen – eine

empirische Untersuchung

Zur Prüfung bzw. Beantwortung der in den Kapiteln 2.3.3 und 2.3.4 formulierten

Forschungshypothesen und Forschungsfragen wird im Rahmen dieser Master-

arbeit mit Hilfe eines Fragebogens der Zusammenhang zwischen diversen Ein-

flussfaktoren und der Integration digitaler Arbeitsmittel in Lehrveranstaltungen

erforscht. Die empirische Untersuchung wird in den folgenden Kapiteln darge-

stellt.

3.1 Forschungsdesign

3.1.1 Forschungsmethode

Zur Erhebung der Daten im Rahmen dieser Masterarbeit wurde die Methode der

standardisierten Online-Befragung als Forschungsmethode gewählt. Die Befra-

gung stellt eine der in den Sozialwissenschaften am häufigsten verwendeten

Methoden dar und dient der Ermittlung von Fakten, Wissen, Meinungen, Einstel-

lungen oder Bewertungen eines Personenkreises.1 Die Online-Befragung ist eineder jüngsten Erhebungsarten in der empirischen Forschung. Online-Befragungen

sind Erhebungen, bei denen die Teilnehmer entweder den auf einem Server ab-

gelegten Fragebogen im Internet online ausfüllen oder den Fragebogen von ei-

nem Server herunterladen und per E-Mail zurücksenden oder den Fragebogen

per E-Mail zugeschickt bekommen und zurücksenden. Die Online-Befragung ist

keine modernisierte Form der schriftlichen Befragung, sondern eine völlig neue

Befragungsart mit charakteristischen Stärken und Schwächen und zählt zurquantitativen Marktforschung. Die quantitative Befragung hat die Aufgabe, exak-

te und für die Grundgesamtheit repräsentative Daten zu beschaffen, damit diese

auf das Universum hochgerechnet werden können. Sie zielt darauf ab, den Un-

tersuchungsgegenstand zu beschreiben oder Zusammenhänge mit statistischen

Rechenverfahren zu untersuchen.2

1 Vgl. Schnell, R./Hill, P./Esser, E. (1999), S. 2992 Vgl. Hofte-Fankhauser, K./Wälty, H. F. (2009), S. 58ff.




Für die Online-Befragung dieser empirischen Untersuchung wurde ein standar-

disierter Fragebogen eingesetzt, um die Auffassungen von Lehrpersonen in Hin-

blick auf die Integration digitaler Arbeitsmittel zu erheben. Fragen und Antwort-

vorgaben wurden genau festgelegt. Die Online-Befragung erfolgte in Form einer

Querschnittsuntersuchung, d.h. die Daten wurden einmalig innerhalb einer vor-

gegebenen Zeitspanne erhoben. Angelegt wurde der Fragebogen in LimeSur-

vey, einem Programm zur Erstellung von Online-Fragebogen.1 Die Verteilung

des Fragebogens erfolgte über einen Link, der mit einem Begleitschreiben per E-

Mail an den Ansprechpartner der jeweiligen Hochschule versendet wurde.

Die Wahl der standardisierten Online-Befragung als Erhebungsmethode in

dieser Masterarbeit wurde aus verschiedenen Gründen gewählt: Zum einen gibt

es bereits standardisierte Fragebogen aus vorangegangenen Studien zu diesem

Themengebiet. So haben beispielsweise Lowther, Strahl, Inan und Ross (2008)

den Fragebogen „Teacher Technology Questionnaire“ (TTQ) und Wozney,

Venkatesh und Abrami (2001) den Fragebogen „Technology Implementation

Questionnaire“ (TIQ) entwickelt und in ihren Forschungen erfolgreich eingesetzt.

Die Neuentwicklung eines Fragebogens mit all seinen Konstrukten ist sehr zeit-

aufwendig und kostenintensiv, daher wurde im Vorfeld der empirischen Untersu-

chung entschieden, auf bereits bestehende Fragebogen zurückzugreifen. Bereits

existierende Fragebogen können miteinander kombiniert und weiterentwickelt

bzw. für die eigene Untersuchung angepasst werden. Forschungsergebnisse

lassen sich dabei auch einfacher miteinander vergleichen und können aufeinan-

der aufbauen. Zum anderen ist der ausgewählte Personenkreis für die Online-

Befragung online erreichbar. Die Daten lassen sich dadurch rasch erheben; ein

Rücklauf erfolgt meistens schnell, d.h. die Feedback-Zeit ist nur kurz. Hinzukommt, dass die Daten für die anschließende Auswertung sofort verfügbar sind,

da sie automatisch direkt in eine Datenbank eingespeist werden. Dadurch wer-

den Eingabefehler, wie sie bei schriftlichen Befragungen vorkommen können,

vermieden.2 Allgemein betrachtet sind Online-Befragungen relativ kostengünstig,

da kein personeller oder materieller Aufwand bei der Durchführung notwendig

ist. Die computergestützte Benutzerführung vermeidet zudem Fehler des Inter-

1 Vgl. http://www.limesurvey.com 2 Vgl. Wikipedia (2012f), o. S.




viewers. Die Beantwortung der Fragen ist zudem zeit- und ortsunabhängig und

kann dadurch breit gestreut werden.1

3.1.2 Stichprobe

Die Probandengruppe der empirischen Untersuchung setzte sich aus Lehrper-

sonen, Dozenten und Professoren aus sieben Bildungseinrichtungen zusammen:

Zum einen wurden Lehrpersonen an den am Projekt „Digital Classroom“ teil-

nehmenden Bildungseinrichtungen befragt und zum anderen Lehrpersonen in

Bildungseinrichtungen in Deutschland, die zwar nicht am Projekt „Digital Class-

room“ beteiligt waren, jedoch das Projekt mit ihrem Beitrag unterstützten. Die

Auswahl der zweiten Probandengruppe erfolgte durch persönliche Kontakte von

Herrn Prof. Dr. Michael Klebl (Lehrstuhl für Wirtschaftspädagogik, WHL) und der

Autorin dieser Masterarbeit. Zur ersten Probandengruppe zählten das Aberdeen

College (Aberdeen/Schottland), das IOC Institut Obert de Catalunya (Barcelo-

na/Spanien), das Karamürsel 100.Yil Technical and Vocational Highschool (Ka-

caeli/Türkei), das Kungälv Vuxenutbildning (Kungälv/Schweden) und die AKAD-

Gruppe, welche die WHL Wissenschaftliche Hochschule Lahr einschließt. Das

Molde Voksenopplæringssenter (Molde/Norwegen) hat sich an der Umfrage

nicht beteiligt. Die zweite Probandengruppe bestand aus Repräsentanten der

Dualen Hochschule Baden-Württemberg Stuttgart (DHBW Stuttgart) und der Be-

rufskollege Hagen. Lernende, Schüler und Studenten wurden nicht befragt. In

der Anlage A7 werden die teilnehmenden Bildungseinrichtungen kurz beschrie-

ben; detailliertere Informationen sind den Webseiten der Hochschulen zu ent-

nehmen.

Bei der Stichprobe dieser empirischen Untersuchung handelt es sich um eine

Klumpen-Stichprobe. Die Grundgesamtheit ist in viele kleine Teilgesamtheiten

zerlegt, die sogenannten Klumpen. Jeder Klumpen entspricht einer einzelnen

Bildungsinstitution. Im Gegensatz zur geschichteten Stichprobe wird bei der

Klumpen-Stichprobe nur ein Teil der Klumpen zufällig ausgewählt und gelangt in

die Stichprobe.2 Die Elemente der Klumpen werden vollständig erfasst; es

1 Vgl. Hofte-Fankhauser, K./Wälty, H. F. (2009), S. 712 Vgl. Wikipedia (2010), o. S.




Geschlecht Häufigkeit Prozent

Weiblich 161 42,1

Männlich 221 57,9

Alter Häufigkeit Prozent

29 Jahre und jünger 12 3,1

30 - 39 Jahre 73 19,1

40 - 49 Jahre 141 36,9

50 - 59 Jahre 128 33,5

60 Jahre und älter 28 7,3

Jahre des Lehrens Häufigkeit Prozent0 - 2 Jahre 18 4,7

3 - 5 Jahre 30 7,9

6 - 10 Jahre 76 19,9

11 - 15 Jahre 70 18,3

16 Jahre und mehr 188 49,2

Unterrichtsfach Häufigkeit Prozent

Mathematik, Informatik, Naturwissenschaften oder Technik 103 27,0

Geisteswissenschaften und Sprachen 81 21,2

Sozialwissenschaften (einschließlich BWL / VWL) 67 17,5

Sport 4 1,0

Sonderpädagogik 5 1,3

Sonstige 122 31,9

werden alle Lehrpersonen, Dozenten und Professoren an den einzelnen

Bildungseinrichtungen befragt.

Die Online-Befragung erfolgte einmalig, d.h. es gab nicht mehrere Versuchszeit-

punkte. Die Versuchsbedingungen für die Probanden können als identisch

betrachtet werden. Insgesamt haben sich 443 Lehrpersonen an der Online-

Befragung beteiligt, von denen 382 Fragebogen in der Analyse verwendet wer-

den. Die genaue Anzahl der befragten Lehrpersonen in den einzelnen Bildungs-

einrichtungen ist nicht bekannt, so dass keine Rücklaufquote berechnet werden

kann. Die Stichprobe setzt sich wie folgt zusammen:

Abbildung 7: Anteil der Lehrpersonen aus den einzelnen Hochschulen an der verwendeten

Stichprobe

Tabelle 3: Verwendete Stichprobe nach demographischen Eigenschaften (N = 382)

N = 382




3.2 Erhebungsverfahren

3.2.1 Standardisierter Fragebogen

Der eingesetzte Fragebogen basiert – wie bereits erwähnt – auf zwei Fragebo-gen vorangegangener Forschungen: dem Fragebogen „Teacher Technology

Questionnaire“ (TTQ) der University of Memphis im Rahmen einer Studie von

Lowther, Strahl, Inan und Ross (2008) und dem Fragebogen „Technology

Implementation Questionnaire“ (TIQ) der Concordia University, Montreal im

Rahmen einer Studie von Wozney, Venkatesh und Abrami (2001). Diese beiden

Fragebogen wurden speziell für das Projekt „Digital Classroom“ von den Projekt-

teilnehmern der WHL Wissenschaftliche Hochschule Lahr zu einem einzigenFragebogen zusammengefasst und angepasst.

Der Fragebogen mit dem deutschen Titel „Digitale Arbeitsmittel in der Lehre“ ent-

hält insgesamt 17 Fragen1, die in fünf Abschnitte eingeteilt sind:

1) Persönlicher Hintergrund und Lehrstil

2) Einschätzung der eigenen Fähigkeiten bezüglich des Einsatzes digitaler

Arbeitsmittel

3) Expertenmeinungen zu digitalen Arbeitsmitteln

4) Wahrnehmung des (technischen) Supports

5) Wahrnehmung bezüglich der Häufigkeit der Einbindung

Die Basis bildete ursprünglich der englische Fragebogen, der von den Projekt-

teilnehmern „Digital Classroom“ in die jeweilige Landessprache übersetzt wurde;

für jedes Land entstand somit ein separater Fragebogen. In Deutschland mach-

ten die unterschiedlichen Arten an beteiligten Bildungseinrichtungen drei separa-

te Fragebogen erforderlich. Im Fragebogen der DHBW Stuttgart und der AKAD-

Gruppe wird von „Studierenden“ gesprochen, während im Fragebogen der

Berufskollegs Hagen „Schüler/-innen“ an den entsprechenden Stellen im Frage-

bogen eingesetzt wird. Lehrveranstaltungen werden im Fragebogen der DHBW

Stuttgart und der Berufskollegs Hagen mit „Lehrveranstaltungen“ beschrieben,

hingegen wird der Begriff „Bildungsangebote“ bei der AKAD-Gruppe verwendet.

1 18 Fragen für die Berufskollegs Hagen




Der Fragebogen wurde vor dem Versand an den Personenkreis der jeweiligen

Hochschulen durch die Teilnehmer am Projekt „Digital Classroom“ getestet (Pre-

test erfolgte Mitte September 2012); Fehler und Unstimmigkeiten wurden hierbei

beseitigt. Zudem wurde die Dauer für das Ausfüllen des Fragebogens getestet.

Der „Teacher Technology Questionnaire“ (TTQ) wurde validiert und bereits häu-

fig in Forschungs- und Evaluationsstudien eingesetzt (u.a. Lowther und Ross,

2000; Sterbinsky und Burke, 2004; Lowther, Strahl, Inan und Ross, 2008). Die

Reliabilität des TTQ wurde vor der Studie von Inan und Lowther (2009) an 4.863

Lehrern getestet, die den Fragebogen als Teil des Forschungsprojekts für das

„Center of Research in Educational Policy“ abgeschlossen haben; die ermittelten

Reliabilitätskoeffizienten lagen für jede Sub-Skala zwischen 0.75 und 0.89. Die

Skalen im vorliegenden Fragebogen werden später im Rahmen der Untersu-

chung einer Reliablitätsanalyse unterzogen.

Im Folgenden werden nun die einzelnen Fragebogen-Abschnitte sowie die Ope-

rationalisierung der eingesetzten Konstrukte bzw. Skalen anhand des Fragebo-

gens der DHBW Stuttgart näher erläutert. Der vollständige Fragebogen der

DHBW Stuttgart ist der Anlage A8 zu entnehmen; die vollständigen Fragebogen

der anderen Hochschulen finden sich im Anhang B (Anlage B1 bis B6).

3.2.1.1 Persönlicher Hintergrund und Lehrstil

Im ersten Fragebogen-Abschnitt wurden demographische und lehrbezogene

Eigenschaften der Lehrpersonen erhoben. Fünf Items sind in diesem Abschnitt

enthalten. Bei den Variablen handelt es sich um manifeste Variable, d.h. sie sind

direkt beobachtbar und können auch als Indikatoren bezeichnet werden. ZurBeantwortung der Fragen wurden – mit Ausnahme der Auswahlkategorie „Sons-

tige" bei der Erfragung des Unterrichtsfachs – geschlossene Antwortformate ein-

gesetzt, was die Objektivität verbessert.

Frage 1: Geschlecht, erfasst als dichotomes Merkmal (Weiblich bzw. Männ-

lich )

Frage 2: Alter („Age“), gemessen in den Ausprägungen 29 Jahre und jün-

ger, 30 – 39 Jahre, 40 – 49 Jahre, 50 – 59 Jahre, 60 Jahre und älter




Frage 3: Jahre des Lehrens („Years of Teaching), erhoben in den Ausprä-

gungen 0 – 2 Jahre, 3 – 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16

Jahre und mehr 1

Frage 4: Unterrichtsfach, erfasst in sechs Kategorien:

• Mathematik, Informatik, Naturwissenschaften oder Technik

• Geisteswissenschaften und Sprachen

• Sozialwissenschaften (einschließlich BWL/VWL)2

• Sport

• Sonderpädagogik

• Sonstiges 3

Frage 5: Lehrmethodik, erfasst in fünf Ausprägungen:

• Überwiegend von der Lehrkraft ausgehend (z.B. Vortrag und

Vorlesungen)

• Stärker von der Aktivität der Lehrkraft ausgehend

• Balance zwischen den auf die Lehrkraft und den auf die Lernen-

den ausgerichteten Aktivitäten

• Stärker auf die Aktivitäten der Lernenden ausgerichtet • Überwiegend auf die Aktivitäten der Lernenden ausgerichtet

(Entdecken-lassendes, experimentelles Lernen)

Der Fragebogen für die Berufskollegs Hagen beinhaltete darüber hinaus eine

zusätzliche Frage, in der die Lehrperson aufgefordert wurde, das Berufskolleg

anzugeben, indem hauptsächlich unterrichtet wird.

Frage 5b: Berufskolleg Hagen, erfasst in sechs Kategorien: Cuno- Berufskolleg I, Cuno-Berufskolleg II, Kaufmannsschule I Berufskol-

leg, Kaufmannsschule II Berufskolleg, Käthe-Kollwitz-Berufskolleg,

keine Angabe

1 Im schwedischen Fragebogen wurden die Ausprägungen 0 – 2 Jahre und 3 – 5 Jahre zu einerAusprägung < 5 Jahre zusammengefasst. Diese Abweichung ergab sich aufgrund des vorzeiti-gen Beginns der Umfrage in Schweden.

2

Diese Ausprägung wurde im schwedischen Fragebogen nicht erfasst.3 Die Kategorie „Sonstiges“ wurde im Fragebogen so angelegt, dass das Unterrichtsfach vondem Probanden näher spezifiziert werden kann; es handelt sich hier um ein offenes Antwort-format.




3.2.1.2 Einschätzung der eigenen Fähigkeiten bezüglich des Einsatzes

digitaler Arbeitsmittel

Im zweiten Fragebogen-Abschnitt wurde die Einschätzung der Fähigkeiten be-

züglich des Einsatzes digitaler Arbeitsmittel der befragten Lehrperson sowie der

Fähigkeiten und Fertigkeiten, die erforderlich sind, um digitale Arbeitsmittel in die

Lehrveranstaltung zu integrieren, erhoben. Zwei Fragen sind in diesem Abschnitt

enthalten, aus denen sich die Variablen „Proficiency of Digital Tools“ (Frage 6)

und „Teachers’ Readiness“ (Frage 7) im Pfadmodell ergeben.

Frage 6: Leistungsstand digitaler Arbeitsmittel („Proficiency of Digital

Tools“), erhoben in sechs Ausprägungen:

• Ich habe keinerlei Erfahrung mit digitalen Arbeitsmitteln.

• Ich habe versucht, digitale Arbeitsmittel zu nutzen, benötige je-

doch regelmäßig Unterstützung.

• Ich kenne die Grundfunktionen einiger Computer-Anwendungen.

• Ich weise durchschnittliche Kenntnisse in einigen Computer-

Anwendungen auf.

• Ich habe den kompetenten Umgang für ein breites Spektrum an

digitalen Arbeitsmitteln erlernt.

• Ich beherrsche die Anwendung eines großen Spektrums digitaler

Arbeitsmittel sehr gut.

Bei der Variablen „Teachers’ Readiness“ handelt es sich um ein Konstrukt, d.h.

eine nicht direkt beobachtbare (latente) Variable, die über beobachtbare Indika-

toren operationalisiert und messbar gemacht werden musste. Hierfür wurden vier

Items im Fragebogen eingesetzt, die von den Untersuchungsteilnehmern jeweils

anhand einer fünfstufigen Likert-Skala mit den Antwortoptionen (1) „trifft über-

haupt nicht zu “, (2) „trifft eher nicht zu “, (3) „trifft teilweise zu “, (4) „trifft eher zu “,

(5) „trifft vollkommen zu “ beurteilt wurden.

Frage 7: Bereitschaft der Lehrperson („Teachers’ Readiness“), erfasst

durch vier Items:

• Ich weiß, wie ich digitale Arbeitsmittel ideenreich in den Lehrver-

anstaltungen einsetze.




• Ich bin in der Lage, den Einsatz digitaler Arbeitsmittel mit dem

gültigen Lehrplan abzustimmen.

• Ich bin hinreichend geschult worden, damit ich digitale Arbeits-

mittel in meinen Lehrveranstaltungen einsetzen kann.

• Meine Computerkenntnisse reichen aus, um Lehrveranstaltun-

gen angemessen abzuhalten, in denen Studierende digitale Ar-

beitsmittel nutzen.

3.2.1.3 Expertenmeinungen zu digitalen Arbeitsmitteln

Im dritten Abschnitt des Fragebogens wurden die Lehrpersonen aufgefordert, die

Auffassung bzw. Wahrnehmung in Hinblick auf den Einfluss digitaler Arbeitsmit-

tel auf den Lernerfolg und die Lernleistung der Studenten/Studentinnen bzw.

Schüler/innen sowie auf den Unterricht zu beurteilen.

In diesem Fragebogen-Abschnitt wurde das Konstrukt „Teachers’ Beliefs“ opera-

tionalisiert und messbar gemacht. Zur Operationalisierung dieses Konstrukts

wurden für diesen Abschnitt zwei Sub-Konstrukte eingesetzt: „Impact on

Students“ (Frage 8) und „Impact on Classroom Instruction“ (Frage 9); beide zu-

sammen bestimmten die Variable „Teachers’ Beliefs“. Das Sub-Konstrukt

„Impact on Students“ setzte sich aus acht Items, das Sub-Konstrukt „Impact on

Classroom Instruction“ aus vier Items zusammen. Die Untersuchungsteilnehmer

wurden dabei aufgefordert, für jedes Item den Grad ihrer Zustimmung zu beurtei-

len. Hierfür standen ihnen jeweils fünfstufige Likert-Skalen mit den Antwortoptio-

nen (1) „trifft überhaupt nicht zu “, (2) „trifft eher nicht zu “, (3) „trifft teilweise zu “,

(4) „trifft eher zu “, (5) „trifft vollkommen zu “ zur Verfügung.

Frage 8: Auswirkungen auf Studierende/Lernende/Schüler („Impact on

Students“), zusammengesetzt aus acht Items:

• Der Einsatz digitaler Arbeitsmittel hat das Niveau der Interaktion

und/oder der Zusammenarbeit zwischen den Studierenden er-

höht.

• Der Einsatz digitaler Arbeitsmittel hat das Lernen und die Leis-

tung der Studierenden positiv beeinflusst.




• Der Einsatz digitaler Arbeitsmittel hat die Arbeitsqualität der Stu-

dierenden verbessert.

• Der Einsatz digitaler Arbeitsmittel verbessert das problemlösen-

de Lernen.

• Der Einsatz digitaler Arbeitsmittel motiviert die Studierenden da-

zu, sich mehr in die Lernaktivitäten einzubringen.

• Der Einsatz digitaler Arbeitsmittel fördert die Entwicklung der

Sozialkompetenz der Studierenden (z.B. die Fähigkeit, eine per-

sönliche Beziehung zu anderen aufzubauen oder mit ihnen zu-

sammen zu arbeiten).

• Der Einsatz digitaler Arbeitsmittel fördert die Entwicklung der Kommunikationsfähigkeit (z.B. die Schreib- und Präsentations-

techniken).

Frage 9: Auswirkungen auf Studium/Unterricht („Impact on Classroom

Instruction“), erfasst durch vier Items:

• Das Studium ist stärker auf die Studierenden ausgerichtet, wenn

digitale Arbeitsmittel eingesetzt werden.

• Die Lernaktivitäten haben sich durch die Bemühungen, digitale

Arbeitsmittel in den Unterricht einzubinden, auf sehr positive

Weise verändert.

• Das Studium ist interaktiver, wenn digitale Arbeitsmittel in den

Lehrveranstaltungen eingesetzt werden.

• Der Einsatz digitaler Arbeitsmittel ermöglicht es den Lehrkräften,

Lernmoderatoren anstelle von Informationslieferanten zu sein.

Den dritten Fragebogen-Abschnitt beendeten die folgenden zwei Items, die als

Kontrollvariablen im Fragebogen für Frage 9 eingesetzt wurden1:

Frage 10: Wie bewerten Sie grundsätzlich den Einsatz digitaler Arbeits-

mittel in Lehrveranstaltungen? (Bewertung), erfasst als dicho-

tomes Merkmal (eher schlecht bzw. eher gut )

1 Hinweis: Beide Kontrollvariable sind nicht Gegenstand der Masterarbeit, d.h. sie bleiben in denAnalysen unberücksichtigt.




Frage 11: Wie bewerten Sie grundsätzlich den Einsatz digitaler Arbeits-

mittel in Lehrveranstaltungen? (Nützlichkeit), erfasst als dicho-

tomes Merkmal (eher nutzlos bzw. eher hilfreich )

3.2.1.4 Wahrnehmung des (technischen) Supports

Im vierten Fragebogen-Abschnitt wurden institutionenbezogene Eigenschaften

bzw. die Unterstützung seitens der Bildungseinrichtung erhoben: die wahrge-

nommene Unterstützung von administrativer Seite, Kollegen, Interessengruppen

etc. hinsichtlich der Integration digitaler Arbeitsmittel in der Bildungseinrichtung

(„Overall Support“) sowie die Wahrnehmung an der Eignung der technischenUnterstützung, Verfügbarkeit an Ressourcen und Unterstützung bei Computer-

Software und Fehlerbehebung („Technical Support“) (jeweils Frage 12). Darüber

hinaus wurde die Unterstützung hinsichtlich Schulungen (Frage 13) und eines

Technologie-Coaches („Technology Coach Effectiveness“) (Frage 14 und 151)

erfasst.

Bei den Variablen „Overall Support“, „Technical Support“ und „Technology Co-

ach Effectiveness“ handelt es sich jeweils um Konstrukte, die über beobachtbareIndikatoren operationalisiert und messbar gemacht werden mussten. Für „Over-

all Support“ und „Technical Support“ wurden hierfür acht Items (für jedes Kon-

strukt vier Items) und für „Technologie-Coach“ vier Items im Fragebogen einge-

setzt, die von den befragten Lehrpersonen jeweils anhand einer fünfstufigen Li-

kert-Skala mit den Antwortoptionen (1) „trifft überhaupt nicht zu “, (2) „trifft eher

nicht zu “, (3) „trifft teilweise zu “, (4) „trifft eher zu “, (5) „trifft vollkommen zu “ beur-

teilt wurden.Frage 12: Allgemeine Unterstützung („Overall Support“), erfasst durch vier

Items:

• Verschiedene Interessengruppen unterstützen die technologi-

schen Bemühungen unserer Institution.

1 Hinweis: Die Variable „Technology Coach Effectiveness“ ist nicht Gegenstand der Masterarbeit,d.h. sie bleibt in den Analysen unberücksichtigt.




• Die Lehrkräfte werden ausreichend administrativ unterstützt, um

digitale Arbeitsmittel in Lehrveranstaltungen einzubinden.

• Unsere Institution hat einen gut entwickelten Technologieplan,

der zu allen technologischen Neuerungen instruiert.

• Im Allgemeinen unterstützen die Lehrkräfte unserer Institution

technologische Neuerungen.

Technische Unterstützung („Technical Support“), zusammen-

gesetzt aus vier Items:

• Der überwiegende Teil unserer Computer wird in gutem Arbeits-

zustand gehalten.

• Ich kann ohne Weiteres Auskunft zu technischen Fragen einho-

len.

• Meine Studierenden haben ausreichenden Zugang zu techni-

schen Arbeitsmitteln, die sich auf dem neuesten Stand befinden.

• Der Zugang zu digitalen Arbeitsmitteln in Lehrveranstaltungen ist

an unserer Institution sehr leicht.

Frage 13: Schulung, erhoben in den Ausprägungen keine Schulung, einen

ganzen Tag oder weniger, mehr als einen Tag und weniger als ein

Semester, einen Semester-Lehrgang, mehr als ein Semester.

Frage 14: Gibt es in Ihrer Institution eine Person, die als eine Art „Tech-

nologie-Coach“ zur Verfügung steht? (Technology Coach), er-

fasst als dichotomes Merkmal ( ja bzw. nein )

Frage 15: Effektivität eines Technologie-Coach („Technology Coach Ef-

fectiveness“), erfasst durch vier Items:• Ich habe regelmäßig an Fortbildungen teilgenommen, die von

unserem Technologie-Coach geplant und angeboten wurden.

• Ich setze digitale Arbeitsmittel häufiger in meinen Lehrveranstal-

tungen ein, seitdem ich an einer Fortbildung teilgenommen habe,

die von unserem Technologie-Coach geplant und angeboten

wurde.




• Die Qualität meiner Lehrveranstaltungen, in denen ich techni-

sche Arbeitsmittel einsetze, hat sich verbessert, seitdem ich an

einer Fortbildung teilgenommen habe, die von unserem Techno-

logie-Coach geplant und angeboten wurde.

• Im Großen und Ganzen ist unser Technologie Coach ein wert-

voller Gewinn, was die Implementierung von Technologie in un-

serer Institution angeht.

3.2.1.5 Wahrnehmung bezüglich der Häufigkeit der Einbindung

Im fünften Abschnitt des Fragebogens wurden die Teilnehmer aufgefordert, die

Wahrnehmung bezüglich der Häufigkeit der Einbindung digitaler Arbeitsmittel in

ihre Lehraktivitäten zu beurteilen.

In diesem Fragebogen-Abschnitt wurde das Konstrukt „Integration of Digital

Tools“ operationalisiert und messbar gemacht. Zur Operationalisierung dieses

Konstruktes wurden das Sub-Konstrukt „Process of Integration“ (Frage 16) und

das Sub-Konstrukt „Future Development of Integration“ (Frage 17) eingesetzt.

Das Konstrukt „Process of Integration“ setzte sich aus zehn Items zusammen,

die von den Untersuchungsteilnehmern anhand einer fünfstufigen Likert-Skala

bewertet wurden. Die Antwortoptionen waren (1) „nie“, (2) „selten“, (3) „manch-

mal “, (4) „oft “ und (5) „immer “.

Das Konstrukt „Future Development of Integration“ setzte sich aus drei Items

zusammen. Hier wurden die Lehrpersonen aufgefordert, für jedes Item den Grad

ihrer Zustimmung anhand einer fünfstufigen Likert-Skala mit den Antwortoptio-

nen (1) „trifft überhaupt nicht zu “, (2) „trifft eher nicht zu “, (3) „trifft teilweise zu “,(4) „trifft eher zu “, (5) „trifft vollkommen zu “ zu beurteilen.

Frage 16: Häufigkeit der Integration („Process of Integration“), zusam-

mengesetzt aus zehn Items:

• Instruierend (z.B. Vortrag, Vorlesung)

• Kommunikativ (z.B. E-Mail, ICQ, Facebook, Skype, Videokonfe-

renz)

• Organisatorisch (z.B. Datenbank, Arbeitsblätter, Aufzeichnun- gen, Unterrichtspläne)




• Analytisch/programmierend (z.B. Statistiken, Grafiken, Simulati-

onen)

• Entspannend (z.B. Spiele)

• Erweiternd (z.B. Experimente, Erkundungsumgebung, Brain-

storming)

• Kreativ (z.B. audio-visuelle Medien wie Film, Animationen, Bil-

der)

• Veröffentlichend (z.B. Blog, Online-Journal)

• Evaluierend (z.B. Prüfung, Portfolio, Tests)

• Informativ (z.B. Internetrecherche)

Frage 17: Zukünftige Entwicklung der Integration („Future Development

of Integration“), erfasst durch drei Items:

• Ich denke, ich werde digitale Arbeitsmittel viel mehr in meinen

Lehrveranstaltungen einsetzen als ich dies im Augenblick tue.

• Ich kann mir vorstellen, dass meine Lehre in Zukunft viel stärker

technologiebasiert sein wird.

• Ich werde den Einsatz digitaler Arbeitsmittel meinen Kollegen

weter empfehlen.

3.2.2 Ablauf der Online-Befragung

Jeder der sieben Fragebogen wurde in LimeSurvey mit einem Link angelegt, der

direkt zur Einleitungsseite und dem ersten Themenblock des Fragebogens führt.

Dieser Link wurde zunächst per E-Mail an den Ansprechpartner der jeweiligen

Hochschule geschickt, der den Link wiederum an den entsprechenden Perso-nenkreis an der Hochschule versendet bzw. weitergeleitet hat. Die Ansprech-

partner wurden im Vorfeld festgelegt.1 Der Versand an die Lehrpersonen in den

Hochschulen wurde damit dem Ansprechpartner überlassen; zwar wurde die

Kontrolle über den Versand des Fragebogens „aus der Hand gegeben“, jedoch

kennt der Ansprechpartner den Personenkreis seiner Hochschule besser, so

dass dadurch eine höhere Rücklaufquote zu erwarten ist als bei einem Versand

1 In den teilnehmenden Hochschulen des Projekts „Digital Classroom“ handelte es sich um die jeweiligen Projektkoordinatoren der Hochschulen.




an die Lehrpersonen von einer unbekannten Person. An den deutschen Hoch-

schulen erfolgte der Versand des Links zusammen mit einem Begleitschreiben.

Das Begleitschreiben enthielt u.a. Hintergrundinformationen zur Umfrage, die

Bearbeitungsdauer der Umfrage sowie eine Frist für die Teilnahme an der Onli-

ne-Befragung, d.h. bis wann an der Umfrage teilgenommen werden kann. Der

Anlage A9 ist beispielhaft das Begleitschreiben an den deutschen Hochschulen

zu entnehmen.

Der Zeitraum, d.h. Start- und Endtermin der Online-Befragung war aufgrund or-

ganisatorischer Gegebenheiten an den einzelnen Hochschulen unterschiedlich.

Ursprünglich war eine Bearbeitungszeit von vier Wochen geplant. In Schweden

wurde die Umfrage jedoch bereits vor dem Pretest Anfang September 2012 ge-

startet und endete zum 31. Oktober 2012. Vorgenommene Änderungen der Pro-

jektgruppe am Fragebogen Mitte September 2012 konnten hier nicht berücksich-

tigt werden. An den Hochschulen in Schottland, der Türkei, Spanien und an der

DHBW Stuttgart erfolgte die Befragung im Zeitraum von Anfang Oktober 2012

bis 31. Oktober 2012, an den Berufskollegs Hagen zwischen Ende Oktober 2012

und 11. November 2012 und an der AKAD-Gruppe zwischen Anfang November

2012 und 25. November 2012.1 Zur Steigerung der Rücklaufquote wurde bei al-

len Untersuchungsteilnehmern kurz vor Ablauf der Frist noch einmal per E-Mail

um Unterstützung geworben. Da die Online-Befragung der AKAD-Gruppe und

der Berufskollegs Hagen zum Auswertungszeitpunkt dieser Masterarbeit noch

nicht abgeschlossen war, wurde für die Analyse der Ergebnisse der Stand der

Daten zum 10. November 2012 eingesetzt.

1 Der genaue Starttermin bzw. der Versand der E-Mails an den teilnehmenden Personenkreis dereinzelnen Hochschulen liegt der Autorin nicht vor.




3.3 Auswertungsverfahren

Die Datenanalyse der empirischen Untersuchung erfolgt in mehreren Schritten

über das Statistikprogramm SPSS® Statistics 17.0. Das schrittweise Vorgehenwird in diesem Kapitel ausführlich erläutert.

3.3.1 Datenimport und Datenbereinigung in SPSS

Datenimport in SPSS

Das Fragebogen-Tool LimeSurvey enthält für jede Hochschule einen separaten

Fragebogen, der in der jeweiligen Landessprache angelegt ist. Für jede der sie-ben Hochschulen existieren damit separate Antwort-Datensätze, die aus Lime-

Survey in das Statistikprogramm SPSS importiert werden (müssen). Zunächst

werden aus LimeSurvey alle Antworten je Hochschule, d.h. sowohl die unvoll-

ständigen als auch vollständigen Antworten, über eine Syntax-Datei und eine

Daten-Datei exportiert und anschließend in SPSS importiert und je Hochschule

abgespeichert. Jede Hochschule verfügt nun über einen Antwort-Datensatz in

SPSS.

Überprüfung der Variablen in den einzelnen Datensätzen

Im ersten Schritt der Datenbereinigung werden die Variablen in der Variablenan-

sicht überprüft. Zunächst liegt das Augenmerk auf den Variablentypen. In einer

SPSS Tabelle sollen generell nur Variablen mit dem Typ „Numerisch“ stehen;

„String“ Variable sind nicht für Auswertungen geeignet. Eine Vielzahl der Variab-

len wurde als Variablentyp „String“ importiert, die es nun „umzukodieren“ gilt.1

Hierbei ist darauf zu achten, dass alle Antwortoptionen in den Wertelabels über-nommen werden; zur Kontrolle werden die Wertelabels mit den Original-

Fragebogen der einzelnen Hochschulen abgeglichen. Zudem wird die Reihenfol-

ge der Werte in den Wertelabels in den einzelnen Datensätzen für jede Hoch-

schule überprüft und – sofern erforderlich – durch Umpolung in allen Datensät-

1 Funktion in SPSS: Transformieren – Automatisch umkodieren ; für jede umzukodierende Variab-

le wird ein neuer Name vergeben.




zen vereinheitlicht.1 Dies ist für die spätere Zusammenführung der einzelnen Da-

tensätze der Hochschulen zu einem gesamten Datensatz notwendig. Ebenso ist

darauf zu achten, dass die Namen und das Spaltenformat der einzelnen Variab-

len in jedem Datensatz identisch sind.

Nach Anpassung des Variablentyps und der Wertelabels werden die Messni-

veaus der einzelnen Variablen überprüft und angepasst; die Messniveaus

nominal, ordinal und metrisch werden den einzelnen Variablen entsprechend

zugeordnet. Zu den nominalskalierten Variablen zählen „Geschlecht“, „Unter-

richtsfach“ und „Berufskolleg Hagen“ sowie die dichotomen Variablen „Bewer-

tung“, „Nützlichkeit“ und „Technologie-Coach“. Die Variablen „Lehrmethodik“ und

„Schulung“ werden als ordinalskalierte Variable angelegt. Zu den ordinalskalier-

ten Variablen gehören streng genommen auch die Variablen „Age“, „Years of

Teaching“ sowie „Proficiency of Digital Tools“; aufgrund des zu untersuchenden

hypothetischen Pfadmodells mittels multipler Regressionsanalyse2 werden diese

Variablen aber als intervallskalierte bzw. metrische Variablen in SPSS angelegt

und als solche betrachtet. Ebenfalls zu den metrischen Variablen gehören alle

Items, die mit einer fünfstufigen Likert-Skala im Fragebogen ausgewiesen sind

sowie die Skalen, die aus diesen Items gebildet werden. Ein Auszug der

Variablenansicht mit den zugeordneten Messniveaus ist der Anlage A10 zu ent-

nehmen.

Nun gilt es noch, die Variablenlabels in der Variablenansicht anzupassen. Beim

Datenimport aus LimeSurvey in SPSS wird die Frage bzw. der Text jedes Items

im Variablenlabel in der jeweiligen Sprache der Fragebogen ausgewiesen. Zu-

nächst wird der Datensatz einer Hochschule als „Masterdokument“ ausgewählt,

in dem später die anderen Datensätze zu einer Gesamtdatei zusammengefügt

werden. Für diese empirische Studie wird der Datensatz der DHBW Stuttgart

1 Einige Antwortoptionen in den Fragebogen der Sprachen Englisch, Spanisch, Türkisch undSchwedisch hatten eine andere Reihenfolge als die deutschen Fragebogen: Wertelabels 5-4-3-2-1 müssen auf 1-2-3-4-5 umgepolt werden. Dies erfolgte während des Umkodierungsprozes-ses über die Funktion in SPSS: Transformieren – Automatisch umkodieren. Im Dialogfeld wirdfolgende Einstellung vorgenommen: Umkodierung beginnen bei: Größtem Wert .

2 Eine multiple Regressionsanalyse erfordert Intervallskalenniveau der eingesetzten Variablen.Laut der Studie von Inan und Lowther (2009) wurden die Variablen in ihrem Pfadmodell einermultiplen Regression unterzogen, daher wird davon ausgegangen, dass auch in ihrer Studiealle Variablen intervallskaliert waren.




(Sprache: Deutsch) als Masterdokument verwendet; hier werden nun die Vari-

ablenlabels umbenannt.1

Zusammenführung der einzelnen Datensätze zu einer Gesamtdatei

Vor dem Zusammenfügen der einzelnen Datensätze zu einer Gesamtdatei wird

in jedem Datensatz eine zusätzliche, neue „numerische“ Variable eingefügt,

welche die jeweilige Hochschule identifizieren soll; das Messniveau ist normal-

skaliert. Den Fällen wird die entsprechende Hochschule zugewiesen. Darüber

hinaus wird in den einzelnen Datensätzen nach „leeren“ Fällen sortiert, d.h. Fäl-

le, die bereits zu Beginn abgebrochen wurden und keine Daten für die Daten-

analyse bereitstellen. Diese werden aus den Datensätzen entfernt; es handelt

sich hier um insgesamt 20 Fälle.

Nachdem nun alle Datensätze dieselbe Variablenstruktur aufweisen, können die

einzelnen Datensätze je Hochschule im letzten Schritt der Datenbereinigung zu

einer Gesamtdatei zusammengefügt werden.

Anmerkungen zur Datenbereinigung

Bei der Datenbereinigung sind einige Probleme aufgetreten, deren Lösungen

bzw. Umsetzungen im Folgenden kurz beschrieben werden:

Datensatz Schweden:

Die Online-Umfrage der Hochschule Schweden wurde vorzeitig gestartet, so

dass Änderungen im Fragebogen, die im Projekt „Digital Classroom“ nachträg-

lich gemacht wurden, nicht berücksichtigt werden konnten:

• Frage 3 des schwedischen Fragebogens beinhaltete lediglich vier

Antwortoptionen (< 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16 Jahre undmehr), während die Fragebogen der anderen Hochschulen aus fünf Ant-

wortoptionen (0 – 2 Jahre, 3 – 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16

Jahre und mehr) bestanden. Die zusätzliche Antwortoption, die den

Bereich < 5 Jahre nochmals unterteilt, ist im Projekt „Digital Classroom“

nochmals geändert worden. Bei der Datenbereinigung wurde festgestellt,

dass es zwei Fälle gab, bei denen die Antwortoption < 5 Jahre von den

1 Die Variablenlabels der anderen Datensätze können vernachlässigt werden, da beim Zusam-menfügen der Datensätze lediglich die Fälle übernommen werden.




Lehrpersonen ausgewählt wurde. Diese beiden Fälle wurden aus der

Gesamtdatei für die Analyse ausgeschlossen, da nicht bekannt ist, ob es

sich bei der Antwortoption um 0 – 2 Jahre oder 3 – 5 Jahre handelt.1

• Frage 4 des schwedischen Fragebogens beinhaltete nur fünf Unterrichts-

fächer. Das Unterrichtsfach „Sozialwissenschaften (einschließlich BWL/

VWL)“ wurde nicht erfragt. Zudem wurde der Fragebogen in LimeSurvey

mit der Option Mehrfachantworten angelegt; zwei Fälle sind hiervon be-

troffen, die für die Analyse aus der Gesamtdatei ausgeschlossen wurden.

• Die Fragenreihenfolge des schwedischen Fragebogens wurde anders an-

gelegt. Die Fragenreihenfolge 6, 7, 8, 9, 10 und 11 im schwedischen Fra-gebogen entsprachen der Fragenreihenfolge 8, 9, 10, 11, 6 und 7 in den

anderen Fragebogen; die Reihenfolge des schwedischen Fragebogens

wurde an die Reihenfolge der anderen Fragebogen angepasst.

Datensatz Türkei:

Trotz der Antwort „Nein“ bei Frage 14 wurde Frage 15 von allen Lehrpersonen

ausgefüllt; Der Grund war eine fehlerhafte Einstellung dieser Frage in LimeSur-

vey. In der Hochschule Türkei steht keine Person als eine Art „Technologie-Coach“ zur Verfügung, deswegen wurden die Angaben in Frage 15 aus dem

Datensatz der Türkei und letztendlich auch aus der Gesamtdatei für die Hoch-

schule Türkei entfernt.

3.3.2 Deskriptive Datenanalyse

Die deskriptive Statistik beschäftigt sich mit der Darstellung der gesammeltenDaten, um einen schnellen Überblick der Ergebnisse zu gewinnen. Sie ist not-

wendig, um die Eignung der Daten für bestimmte bi- und multivariate Analyse-

verfahren einzuschätzen. Im Rahmen der deskriptiven, univariaten Analyse wer-

den in der Regel Häufigkeitsverteilungen, Lage- und Streuungsparameter be-

trachtet, aber auch die Normalverteilung sowie Schiefe und Steilheit einer (Häu-

figkeits-)Verteilung sind von Bedeutung.

1 Einer der beiden Fälle wurde zusätzlich nur „teilweise abgeschlossen“.




Häufigkeitsverteilungen beschreiben, wie oft die verschiedenen Merkmalsaus-

prägungen einer Variablen im Datensatz vorkommen. Es wird zwischen absolu-

ten und relativen Häufigkeiten unterschieden. Die sogenannte zentrale Tendenz

der Daten wird durch Lageparameter dargestellt. Sie charakterisieren die Häu-

figkeitsverteilung durch einen einzigen Wert, der die gesamte Verteilung so gut

wie möglich repräsentieren soll. Zu den wichtigsten zählen das arithmetische

Mittel, der Median und der Modus. Die Streuungsparameter hingegen beschrei-

ben die Variabilität eines Merkmals in einem Datensatz. Dabei wird gemessen,

wie dicht die Werte einer Häufigkeitsverteilung um den Mittelwert streuen. Die

Varianz und die Standardabweichung sind hierbei die am häufigsten verwende-

ten Größen.1 Die annähernde Normalverteilung der Daten gilt für die Durchfüh-rung vieler statistischer Verfahren als wichtigste Voraussetzung. Es gibt unend-

lich viele Normalverteilungen; allen gemeinsam ist die Symmetrie um den Mittel-

wert. Bei einer Normalverteilung sind Schiefe und Steilheit immer Null.2

Die deskriptive Analyse dieser Arbeit erfolgt mit der Gesamtdatei nach der Ent-

fernung der Fälle mit „fehlenden Werten“.3 Für den Gesamtdatensatz werden

Häufigkeitstabellen für alle Variablen bzw. Items ermittelt. Zudem wird für nomi-

nalskalierte Variablen der Modalwert (Modus) berechnet und als Diagrammtyp

ein Balkendiagramm ausgewiesen, welches die Häufigkeiten in den Diagramm-

werten angibt. Ordinalskalierte Variablen werden mit dem Median und Modalwert

ausgewiesen und erhalten als Diagrammtyp ebenfalls ein Balkendiagramm, das

die Häufigkeiten in den Diagrammwerten angibt. Die Lageparameter Modalwert,

Median und Mittelwert sowie die Streuungsparameter Standardabweichung und

Varianz und die Verteilung der Normalverteilung (Schiefe, Kurtosis) werden für

die intervallskalierten Variablen berechnet. Darüber hinaus wird als Diagrammtypein Histogramm mit Normalverteilungskurve je intervallskalierte Variable erstellt.4

1 Hinweis: Nicht alle Lage- und Streuungsparameter sind für jedes Skalenniveau geeignet bzw.einsetzbar.

2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010a), o. S.3 Aufgrund des großen Datensatzes der Umfrage wird im Rahmen dieser Masterarbeit die Ge-

samtdatei vor Entfernung der Fälle mit „fehlenden Werten“ nicht betrachtet. Die deskriptive

Analyse findet lediglich mit dem Gesamtdatensatz ohne „fehlende Werte“ statt; N = 382.4 Die Prüfung auf Normalverteilung erfolgt im Rahmen der deskriptiven Datenalyse lediglich an-hand eines grafischen Tests; ein Chi² Test sowie eine explorative Datenanalyse werden mit denVariablen im Pfadmodell vor der bzw. parallel zur multiplen Regressionsanalyse vorgenommen.




Die deskriptiven Statistiken erfolgen in SPSS über den Befehl Analysieren – De-

skriptive Statistiken – Häufigkeiten 1.

Um eine Übersicht der Häufigkeitsverteilung für jede Variable je Hochschule, die

in die Fallauswahl bzw. den folgenden Analysen einbezogen werden, zu be-

kommen, werden für jede Variable zudem „einfache“ Kreuztabellen erstellt.

Die Kreuztabelle wird in SPSS über den Befehl Analysieren – Deskriptive Statis-

tiken – Kreuztabellen 2 vorgenommen.

3.3.3 Reliabilitätsanalyse zur Skalenbewertung und Skalenbildung

Items im Fragebogen, die ein Konstrukt bilden, werden zunächst auf Reliabilität

überprüft. Erfüllen die Items die Kriterien, werden sie zu einer Skala zusammen-

gefügt. Um in SPSS eine Reliabilitätsanalyse zur Bewertung einer zusammen-

gesetzten Skala durchzuführen, ist es nicht notwendig, dass diese Skala tatsäch-

lich konstruiert und ihre Ausprägungen berechnet wurden. Die einzelnen Items,

die zu einer Skala zusammengefasst werden sollen, bilden die Grundlage der

Prozedur, und SPSS berechnet im Hintergrund die zusammengefasste Skala,

auf die sich die Aussagen der Reliabilitätsanalyse beziehen. Eine Skala wird als

Summe der einzelnen Items gebildet. SPSS addiert die Werte der ausgewählten

Items, so dass die Summe der Testergebnisse als Skala zur Messung des Kon-

strukts dient. Die Reliabilitätsanalyse wird anhand dieser Skala durchgeführt, die

Ergebnisse der Analyse sind allerdings allgemeiner Natur und geben Aufschluss

darüber, wie gut die einzelnen Items geeignet sind, in einer gemeinsamen Skala

zusammengefasst zu werden. Die einzelnen Items bzw. Variablen müssen fol-

1 Folgende Einstellungen werden im Dialogfeld vorgenommen: In das Feld Variable(n) werden

die Variablen bzw. Items eingefügt. Im Dialogfeld der Schaltfläche Statistiken werden in derGruppe Lagemaße – je nach Skalenniveau – Modalwert, Median und Mittelwert , in der GruppeStreuung Standardabweichung, Varianz sowie Minimum und Maximum g und in der GruppeVerteilung Schiefe und Kurtosis angekreuzt. Im Dialogfeld der Schaltfläche Diagramme werdenals Diagrammtyp Balkendiagramme für nominal- und ordinalskalierte Variable und Histogram- me Mit Normalverteilungskurve für intervallskalierte Variable sowie als Diagrammwerte Häufig- keiten ausgewählt.

2 Im Dialogfeld warden die folgenden Einstellungen vorgenommen: In das Feld Spalten wird dieVariable Hochschule bzw. Land eingetragen, in das Feld Zeile(n) alle anderen Variablen. Zu-dem wird das Feld Gruppierte Balkendiagramme anzeigen ausgewählt; für alle weiteren Dialog-felder werden die Voreinstellungen von SPSS übernommen.




gende Anforderungen erfüllen, damit sich die Ergebnisse der Reliabiltätsanalyse

sinnvoll interpretieren lassen:1

• Skalenniveau: dichotom, ordinalskaliert oder intervallskaliert; für alle müs-

sen numerische Kodierungen verwendet werden.

• Einheitliche Orientierung: Notwendige Voraussetzung ist eine einheitliche

Orientierung der Items, d.h. bei allen Items sollten die inhaltliche Bedeu-

tung der großen/kleinen Werte übereinstimmen. Kennzeichnen bei einem

Item große Werte ein positives und kleine Werte ein negatives Testergeb-

nis, sollte dies bei allen übrigen Items auch der Fall sein. Andernfalls

müssen die Werte umkodiert werden.• Einheitlicher Wertebereich: Items sollten sich sinnvoll additiv zu einer Ge-

samtskala zusammenfassen lassen. Dies erfordert einen einheitlichen

Wertebereich der Items. Ist dies nicht der Fall, so sollten die Items ggf.

umkodiert und auf einen einheitlichen Wertebereich normiert werden.

Der Wert Cronbachs Alpha ist ein zentrales Ergebnis der Reliabilitätsanalyse.

„Cronbachs Alpha ist ein Maß für die Reliabilität (die Zuverlässigkeit) der Ge-

samtskala und wird häufig auch als ein Maß der internen Konsistenz bezeich-

net.“2 Je größer Cronbachs Alpha, desto höher ist die Validität der Gesamtskala;

d.h. der Wert von Cronbachs Alpha ist umso höher, je stärker die einzelnen

Items miteinander korrelieren. In der Literatur wird ein Wert von mindestens 0.8

gefordert, damit eine zusammengesetzte Skala als hinreichend zuverlässig an-

gesehen werden kann. Im Output von SPSS gibt die Reliabilitätsanalyse ferner

Auskunft darüber, welchen Beitrag die einzelnen Items zur Gesamtskala leisten.3

Es wird für die folgenden Fragen bzw. deren Items im Fragebogen eine Reliabili-

tätsanalyse durchgeführt:

• Frage 7: Zusammenfassung der 4 Items zur Skala „Teachers’ Readiness“

• Frage 8: Zusammenfassung der 8 Items zur Skala „Impact on Students“

1 Vgl. Brosius, F. (2006), S. 797f.2 Brosius, F. (2006), S. 7983 Vgl. ebenda, S. 800




• Frage 9: Zusammenfassung der 4 Items zur Skala „Impact on Classroom

Instruction“

• Frage 12/1: Zusammenfassung der Items 1, 2, 3, 4 zur Skala „Overall

Support“

• Frage 12/2: Zusammenfassung der Items 5, 6, 7, 8 zur Skala „Technical

Support“

• Frage 15: Zusammenfassung der 4 Items zur Skala „Technology Coach“

• Frage 16: Zusammenfassung der 10 Items zur Skala „Process of

Integration“

• Frage 17: Zusammenfassung der 3 Items zur Skala „Future Development

of Integration“

Alle Items erfüllen die oben genannten Anforderungen: sie sind intervallskaliert

und haben durch die vorgegebene fünfstufige Likert-Skala sowohl eine einheitli-

che Orientierung als auch einheitliche Wertelabels in SPSS.

Die Reliabilitätsanalyse wird in SPSS über den Befehl Analysieren – Skalierung

– Reliabilitätsanalyse 1 vorgenommen.

Der Wert von Cronbachs Alpha wird häufig auch als Maß für die Eindimensiona-

lität der Items aufgefasst. Es wird versucht, aus Cronbachs Alpha Erkenntnisse

darüber zu gewinnen, ob die Items tatsächlich dieselbe Größe messen und in

einer gemeinsamen Skala aufgehen sollten: sind alle Items stark miteinander

korreliert, scheint ihnen dieselbe Größe bzw. Hintergrundvariable zugrunde zu

liegen. Umgekehrt bilden Items mit geringer Korrelation unterschiedliche Dimen-

sionen ab, und es ist möglicherweise nicht sinnvoll, sie zu einer Skala zusam-

menzufassen. Diese Zusammenhänge treffen zwischen der Korrelation der

Items und ihrer Eindimensionalität grundsätzlich zu, jedoch gibt Cronbachs Al-

pha nur bedingt Aufschluss darüber, inwieweit alle Items dieselbe Dimension

abbilden. So kann sich auch für eine Gruppe von Items, die zwei oder mehr Di-

1 Folgende Einstellungen werden im Dialogfeld vorgenommen: In das Feld Items werden die

Items eingefügt, die zu einer Skala zusammengefasst werden sollen. In der Dropdown-ListeModell wird der Eintrag Alpha gewählt. Im Dialogfeld der Schaltfläche Statistiken werden in derGruppe Deskriptive für alle drei Optionen Item , Skala und Skala wenn Item gelöscht , in derGruppe Zwischen Items Korrelationen , in der Gruppe ANOVA-Tabelle der F-Test angekreuzt.




mensionen abbilden, ein hoher Alpha-Wert ergeben. Um solche Zusammenhän-

ge zu identifizieren, eignet sich eine Faktorenanalyse.1 Letztendlich bedeutet

dies, dass Items vor einer Skalenbildung vorsichtshalber einer Faktorenanalyse

unterzogen werden sollten.

Neben den oben genannten Skalen werden zwei weitere Skalen gebildet, die

sich jeweils aus zwei Fragen mit verschiedenen Items zusammensetzen:

• Frage 8 und Frage 9: Zusammenfassung der 12 Items zur Skala

„Teachers’ Beliefs“

• Frage 16 und Frage 17: Zusammenfassung der 13 Items zur Skala

„Integration of Digital Tools“

Da sich diese Skalen aus mehr als einer Frage zusammensetzen, sollen diese

Items neben einer Reliabilitätsanalyse zusätzlich einer Faktorenanalyse unterzo-

gen werden, auf die im folgenden Kapitel näher eingegangen wird. Damit soll

geprüft werden, ob sie jeweils dieselbe Dimension abbilden. Auf eine Faktoren-

analyse weiterer (oben) gebildeter Skalen wird verzichtet.

Nachdem die Skala auf Reliabilität überprüft wurde, werden die Items in SPSS

zu der entsprechenden Skala zusammengefügt. Dies erfolgt über den Befehl

Transformieren – Variable berechnen 2.

3.3.4 Faktorenanalyse

Die Faktorenanalyse zählt zu den Interdependenzanalysen. Ausgangspunkt der

Faktorenanalyse bildet eine große Anzahl von Variablen, von denen a priori nicht

bekannt ist, ob und in welcher Weise sie miteinander zusammenhängen, für die jedoch vermutet wird, dass sie bestimmte komplexe Sachverhalte repräsentie-

ren. Es lässt sich mit der Faktorenanalyse untersuchen, ob sich unter den be-

trachteten Variablen solche Gruppen von Variablen befinden, denen jeweils eine

1 Vgl. Brosius, F. (2006), S. 801

2 Im Dialogfeld werden folgende Einstellungen vorgenommen: Unter Zielvariable wird der Nameder neugebildeten Variablen eingegeben. Zur Bildung des Mittelwerts gibt man unter numeri- scher Ausdruck MEAN ein und fügt die einzelnen Items, die die Skala abbilden sollen, durchKommata getrennt in einer Klammer ein.




komplexe Hintergrundvariable, ein sogenannter Faktor, zugrunde liegt.1 Ziel ei-

ner Faktorenanalyse ist die Zusammenfassung und Reduktion von vielen Variab-

len zu wenigen Faktoren. Bei einer explorativen Analyse wird keine Struktur der

Daten vorausgesagt, bei einer konfirmatorischen Analyse hingegen soll eine an-

genommene Struktur bestätigt werden.2

Im Rahmen dieser Untersuchung werden die gebildeten Skalen „Teachers’

Beliefs“ und „Integration of Digital Tools“ einer explorativen Faktorenanalyse

unterzogen. Das schrittweise Vorgehen der Faktorenanalyse wird im Folgenden

beschrieben:3

Variablenauswahl

Zunächst werden die ausgewählten Variablen bzw. Items in einem Modell

mit entsprechenden Fragestellungen dargestellt. Es wird davon ausgegangen,

dass die Struktur anfangs unbekannt ist; d.h. es kann ein Faktor oder mehr als

ein Faktor bei der Analyse entdeckt werden.

Modell 1: Skala „Teachers’ Beliefs“

Können die 12 Items der Fragen 8 und 9 zu einem Faktor, der Ska-

la „Teachers’ Beliefs“ zusammengefasst werden oder bilden sich

mehrere Faktoren heraus?

1 Vgl. Brosius, F. (2006), S. 7632 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010b), o. S.3 Vgl. ebenda, o. S.

Item 12

…

Item 1

Item 2

Item 3Faktor

(Skala „Teachers’ Beliefs)

?Item 12

…

Item 1

Item 2

Item 3Faktor

(Skala „Teachers’ Beliefs)

?




Modell 2: Skala „Integration of Digital Tools“

Können die 13 Items der Fragen 16 und 17 zu einem Faktor, der

Skala „Integration of Digital Tools“ zusammengefasst werden oderbilden sich mehrere Faktoren heraus?

Berechnung und Eignung der Korrelationsmatrix

Durch die Berechnung einer Korrelationsmatrix in SPSS erhält man einen ersten

Überblick über die Variablen; in ihr werden die bivariaten Korrelationen zwischen

den einzelnen Variablen aufgetragen. Sie gibt jedoch noch keine Auskunft über

einen gemeinsamen Faktor. Im nächsten Schritt muss geprüft werden, ob dieKorrelationsmatrix bzw. die Daten für eine Faktorenanalyse geeignet sind. Dies

erfolgt mit dem „Maß der Stichprobeneignung“. Es zeigt an, wie stark die Variab-

len zusammengehören und ob eine Faktorenanalyse sinnvoll ist oder nicht. Das

Maß kann Werte zwischen 0 und 1 annehmen – je höher, desto besser. Über

SPSS wird eine Anti-Image-Matrix erstellt, die als Entscheidungshilfe dient, ob

einzelne Variablen aus der Analyse entfernt werden sollten.

Bestimmung der Kommunalitäten

In den oben gezeigten Modellen wird davon ausgegangen, dass die komplette

Varianz der Variablen durch den Faktor bzw. die Faktoren erklärt werden kann.

Es gibt allerdings meistens noch merkmalsspezifische Einflüsse, die nicht durch

die Faktoren bewirkt werden und auf die Variablen einwirken, die sogenannten

Einzelrestfaktoren. Unter Kommunalität eines Merkmals wird nun der Varianzan-

teil eines Merkmals verstanden, der durch die gemeinsamen Faktoren erklärt

wird. Gibt es Einzelrestfaktoren im Modell, so stellt sich die Frage, welche

Item 13

…

Item 1

Item 2

Item 3

Faktor(Skala „Integration of

Digital Tools“)?Item 13

…

Item 1

Item 2

Item 3

Faktor(Skala „Integration of

Digital Tools“)?




Größenordnung für die Kommunalitäten angenommen werden soll. Dies wird als

Kommunalitäten-Problem bezeichnet. Zwei Lösungen sind möglich:

• Hauptkomponentenanalyse: Es wird davon ausgegangen, dass es keine

Einzelrestfaktoren gibt und die Varianz nur durch die Faktoren erklärt

wird. Für jede Kommunalität wird der Wert 1 angenommen.

• Hauptachsenmethode: Kleinere Kommunalitäten werden vorgegeben.

Für die zwei Modelle der Untersuchung wird die Hauptkomponentenanalyse

gewählt; die Frage lautet: Wie lassen sich die auf einen Faktor hoch ladenden

Variablen durch einen Sammelbegriff (Komponente) zusammenfassen?

Extraktion und Zahl der Faktoren

Nachdem die Daten überprüft und die Methode gewählt wurde, beginnt die ei-

gentliche Faktorenanalyse. Die mathematische Berechnung beruht auf der

Rechnung mit Matrizen und Vektoren. Das Ziel ist es, ein neues Bezugssystem

(Koordinatensystem) mit möglichst wenigen Dimensionen (Achsen) zu finden,

das möglichst gut in die Daten eingepasst werden kann. Die Achsen stellen die

Faktoren dar. Die Größe der Winkel von Vektoren und Achsen spiegeln die Kor-

relationen der Variablen und der Faktoren wider. Je kleiner der Winkel, desto

stärker laden die Variablen auf den Faktor und desto größer ist die Korrelation

mit dem Faktor; diese Korrelationen nennt man Faktorladungen.

Für die Bestimmung der Anzahl der Faktoren wird das Kaiser-Kriterium in SPSS

eingesetzt. Es sollen alle die Faktoren extrahiert werden, deren Eigenwert grö-

ßer 1 ist. Anhand der Eigenwerte lässt sich der Varianzanteil bestimmen, der

durch den Faktor erklärt wird. Die Eigenwerte der Faktoren lassen sich aus der

SPSS Ausgabe ablesen.

Bestimmung der Faktorwerte

Im nächsten Schritt muss bestimmt werden, welche Variablen auf welchen Fak-

tor hochladen. SPSS gibt hierzu eine Komponentenmatrix mit Faktorladungen

an, die die Korrelation zwischen Variable und Faktor darstellen. In der Fußnote

dieser Matrix wird angegeben, wie viele Faktoren über SPSS extrahiert wurden.

In der jeweiligen Spalte der Komponenten sind die Faktorladungen enthalten. Abeinem Wert von 0.5 kann von einer hohen Korrelation gesprochen werden.




Damit eine Variable nur auf einen Faktor hochlädt, wird zusätzlich über SPSS

eine Rotation der Achsen vorgenommen, so dass sich die Faktorladungen

ändern und eine eindeutigere Einfachstruktur erreicht wird. Die Achsen werden

dabei orthogonal zueinander belassen.

Interpretation der Faktoren

Im letzten Schritt der Faktorenanalyse wird nun ein Sammelbegriff für die Variab-

len gefunden, die auf den jeweiligen Faktor hochladen. Da die Faktorenanalyse

nicht im Mittelpunkt dieser Arbeit steht, wird in den zwei Modellen lediglich über-

prüft, ob die Items sich zu einem Sammelbegriff und damit der jeweils gebildeten

Skala zusammenfassen lassen oder ob sich mehrere Sammelbegriffe ergeben.

Die Faktorenanalyse erfolgt in SPSS über den Befehl Analysieren – Dimensions-

reduzierung – Faktorenanalyse 1.

3.3.5 Korrelationsanalyse zur Prüfung eines Zusammenhangs

Bevor eine multiple Regressionsanalyse vorgenommen wird, soll zunächst der

Zusammenhang zwischen den einzelnen Variablen untersucht werden. Hierfür

gibt es je nach Skalenniveau der Variablen unterschiedliche Verfahren. Relevant

für die Variablen im zu untersuchenden Pfadmodell ist die Korrelation. Sie wird

verwendet, wenn der lineare Zusammenhang zweier intervallskalierter Variablen

identifiziert werden soll; sie findet hauptsächlich Anwendung, wenn der lineare

Zusammenhang ungerichtet ist. Zur Bestimmung der Stärke dieses Zusammen-

hangs wird der Produkt-Moment-Korrelationskoeffizient nach Pearson und Brav-

ais (Pearsons Korrelationskoeffizient) berechnet.2

Der ermittelte Korrelationskoeffizient ist ein Maß für die Stärke und die Richtung

des Zusammenhangs zweier Variablen. Der Korrelationskoeffizient drückt die

1 Im Dialogfeld werden folgende Einstellungen vorgenommen: Die im Modell zu untersuchendenItems bzw. Variablen werden unter Variablen eingegeben. In dem Dialogfeld der SchaltflächeDeskriptive Statistik werden in der Gruppe Statistiken die Anfangslösung und in der Gruppe Korrelationsmatrix die Koeffizienten ausgewählt. Zudem wird für die Berechnung des Maßesder Stichprobeneignung KMO und Bartlett-Test auf Sphärizität sowie Anti-Image angekreuzt. Indem Dialogfeld der Schaltfläche Extraktion wird in der Dropdown-Liste Methode die Hauptkom-

ponenten ausgewählt. In der Gruppe Analysieren Korrelationsmatrix und in der Gruppe Extra- hieren Basierend auf dem Eigenwert Eigenwerte größer als: 1 angekreuzt. In dem Dialogfeldder Schaltfläche Rotation wird die Methode Varimax ausgewählt.

2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010c), o. S.




Stärke des linearen Zusammenhangs in einer zwischen – 1 und +1 liegenden

Maßzahl aus, wobei ein positiver Wert auf einen positiven Zusammenhang und

ein negativer Wert auf einen negativen Zusammenhang hinweist. Bei einem

Wert von 0 besteht kein Zusammenhang zwischen den Variablen.1

Die folgenden Variablenpaare werden einer Korrelationsanalyse unterzogen:

Mit den ausgegebenen Korrelationskoeffizienten lässt sich noch keine Aussage

darüber machen, ob ein statistischer Zusammenhang besteht oder nicht. Es

muss ein Signifikanztest vorgenommen werden, der überprüft, ob ein signifikan-

1 Vgl. Brosius, F. (2006), S. 513

Technical Support Teachers’ Beliefs

Technical Support Integration of Digital Tools

Technical Support Teachers’ Readiness

Technical Support Proficiency of Digital Tools

Overall Support Integration of Digital Tools

Proficiency of Digital Tools Teachers’ Readiness

Proficiency of Digital Tools Teachers’ Beliefs

Proficiency of Digital Tools Integration of Digital Tools

Teachers’ Readiness Integration of Digital Tools

Overall Support Teachers’ Beliefs

Teachers’ Beliefs Integration of Digital Tools

Technical Support Teachers’ Beliefs

Technical Support Integration of Digital Tools

Technical Support Teachers’ Readiness

Technical Support Proficiency of Digital Tools

Overall Support Integration of Digital Tools

Proficiency of Digital Tools Teachers’ Readiness

Proficiency of Digital Tools Teachers’ Beliefs

Proficiency of Digital Tools Integration of Digital Tools

Teachers’ Readiness Integration of Digital Tools

Overall Support Teachers’ Beliefs

Teachers’ Beliefs Integration of Digital Tools

Years of Teaching Proficiency of Digital Tools

Years of Teaching Teachers’ Readiness

Age Integration of Digital Tools

Age Teachers’ Beliefs

Age Teachers’ Readiness

Years of Teaching Teachers’ Beliefs

Years of Teaching Integration of Digital Tools

Overall Support Proficiency of Digital Tools

Overall Support Teachers’ Readiness

Age Proficiency of Digital Tools

Years of Teaching Proficiency of Digital Tools

Years of Teaching Teachers’ Readiness

Age Integration of Digital Tools

Age Teachers’ Beliefs

Age Teachers’ Readiness

Years of Teaching Teachers’ Beliefs

Years of Teaching Integration of Digital Tools

Overall Support Proficiency of Digital Tools

Overall Support Teachers’ Readiness

Age Proficiency of Digital Tools




ter Zusammenhang zwischen den betrachteten Variablen überhaupt vorliegt, d.h.

ob aus den Stichprobenbeobachtungen geschlossen werden kann, dass in der

Grundgesamtheit ein solcher linearer Zusammenhang besteht.

In SPSS werden die Korrelationskoeffizienten für jedes Variablenpaar mit dem

Befehl Analysieren – Korrelation – Bivariat 1 bestimmt. Bei der Berechnung der

Korrelation gibt SPSS den p-Wert automatisch aus; die Korrelation wird zweisei-

tig auf Signifikanz getestet.

3.3.6 Multiple Regressionsanalyse

Nachdem mit der Korrelation die Stärke und Richtung des Zusammenhangszwischen den Variablenpaaren untersucht wurde, werden nun mit multiplen Reg-

ressionsanalysen (linear) gerichtete Zusammenhänge geprüft. An dieser Stelle

sei angemerkt, dass unabhängig von den Ergebnissen der Korrelationsanalyse

alle im hypothetischen Pfadmodell abgebildeten Variablen in die entsprechenden

multiplen Regressionsanalysen eingesetzt werden.

Die multiple Regressionsanalyse wird angewendet, um die Abhängigkeit einer

intervallskalierten abhängigen Variablen von mehreren intervallskalierten unab-

hängigen Variablen zu untersuchen. Die Zusammenhänge lassen sich quantita-

tiv beschreiben und erklären. Anders als bei einer reinen Korrelationsanalyse

wird bei einer Regressionsanalyse eine eindeutige Richtung der Zusammenhän-

ge angenommen; diese basieren in dieser Untersuchung auf vorangegangenen

Studien. Eine Kausalität lässt sich mit einer Regression jedoch nicht beweisen.

Eine multiple Regressionsanalyse erfolgt in mehreren Schritten, die im Folgen-

den beschrieben werden:2

1 Im Dialogfeld werden die im Modell zu untersuchenden Variablen unter Variablen eingegeben.

Unter Korrelationskoeffizienten wird Pearson ausgewählt, da es sich um intervallskalierte Vari-able handelt, und der Test auf Signifikanz wird auf Zweiseitig eingestellt. Ebenso wird das FeldSignifikante Korrelationen markieren angeklickt.

2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010d), o. S




Modellformulierung

Die Variablen „Proficiency of Digital Tools“, „Teachers’ Beliefs“, “Teachers’

Readiness” und “Integration of Digital Tools” sind endogene Variablen des hypo-

thetischen Pfadmodells (vgl. Kapitel 2.3.2). Außer der Variablen “Integration of

Digital Tools” dienen die endogenen Variablen sowohl als abhängige als auch

unabhängige Variablen. Für jede exogene Variable („Age“, „Years of Teaching“,

„Overall Support“ und „Technical Support”) soll mit der multiplen Regressions-

analyse der Einfluss auf die endogene Variablen berechnet werden. Fungiert die

endogene Variable nicht als abhängige Variable im Modell, so wird sie als unab-

hängige Variable betrachtet und fließt ebenfalls in das multiple Regressions-

modell ein.

Hieraus ergeben sich für die acht Variablen im Pfadmodell vier Abhängigkeiten

abhängiger Variablen von mehreren unabhängigen Variablen, die jeweils mit

Hilfe einer multiplen Regressionsanalyse untersucht bzw. überprüft werden.

Nachfolgend werden die einzelnen Modelle sowie deren Fragestellung darge-

stellt:

Modell 1: Welchen Einfluss haben die Variablen „Age“, „Years of Teaching“,„Overall Support“ und „Technical Support“ auf „Proficiency of

Digital Tools“?

Modell 2: Welchen Einfluss haben die Variablen „Age“, „Years of Teaching“,

„Overall Support“, „Technical Support“ und „Proficiency of Digital

Tools“ auf “Teachers’ Readiness”?

Technical Support

Years of Teaching

Age

Proficiency of Digital Tools

Overall Support

Technical Support

Years of Teaching

Age


Overall Support


Technical Support

Overall Support

Years of Teaching

Age



Technical Support

Overall Support

Years of Teaching

Age





Modell 3: Welchen Einfluss haben die Variablen „Age“, „Years of Teaching“,

„Overall Support“, „Technical Support“ und „Proficiency of Digital

Tools“ auf “Teachers’ Beliefs”?

Modell 4: Welchen Einfluss haben die Variablen „Age“, „Years of Teaching“,„Overall Support“, „Technical Support“, „Proficiency of Digital

Tools“, „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf

“Integration of Digital Tools“?

Schätzung der Regressionsfunktion

Im nächsten Schritt wird die Regressionsfunktion geschätzt. Mit Hilfe von SPSS

lässt sich die Regressionsgerade berechnen; die Regressionskoeffizienten der

Regressionsgeraden und der standardisierten Regressionsgleichung können in

der Tabellenausgabe Koeffizienten abgelesen werden. Die standardisierte Gera-

de läuft durch den Ursprung; mit ihr lässt sich feststellen, wie stark der Zusam-

menhang ist und ob dieser signifikant ist. Zudem kann festgestellt werden, wel-

che unabhängige Variable den stärksten Einfluss auf die abhängige Variable hat.

Teachers’ Beliefs



Technical Support

Overall Support

Years of Teaching

Age


Teachers’ Beliefs



Technical Support

Overall Support

Years of Teaching

Age



Technical Support

Overall Support

Years of Teaching

Age

Teachers’ Beliefs


Technical Support

Overall Support

Years of Teaching

Age

Teachers’ Beliefs




Prüfung der Regressionsfunktion

Es werden zwei Gütemaße berechnet, um zu prüfen, wie gut die Regressions-

funktion das Modell beschreibt: das Bestimmtheitsmaß R² und die F-Statistik.

Wie gut die Regressionsgerade zu den empirischen Daten passt, wird durch das

Bestimmtheitsmass R² angegeben. R² kann Werte zwischen 0 und 1 annehmen;

bei einem Wert von 0 wird keine Varianz der Daten durch das Modell erklärt,

wobei bei einem Wert von 1 die gesamte Varianz erklärt wird. Da das Bestimmt-

heitsmaß die Eigenschaft hat, dass es umso größer wird, je größer die Zahl der

unabhängigen Variablen ist, wird der von SPSS ausgegebene korrigierte R²-

Wert in der Analyse verwendet.

Durch die F-Statistik wird überprüft, ob das Bestimmtheitsmass nur zufällig oder

durch den Zusammenhang der Daten entstanden ist. Die berechnete F-Statistik

muss mit dem theoretischen Wert aus der Wahrscheinlichkeitsverteilung vergli-

chen werden; er sollte höher sein als der theoretisch angenommene.

Prüfung der Regressionskoeffizienten

Die Überprüfung der Regressionskoeffizienten erfolgt mit der t-Statistik. Der be-

rechnete Wert wird mit dem theoretischen Wert einer Wahrscheinlichkeitsfunkti-on verglichen und zwar mit dem der t-Verteilung. Bei der multiplen Regression

lässt sich somit feststellen, welche unabhängige Variable den größten Einfluss

hat und welche Variable(n) gegebenenfalls aus dem Modell entfernt werden

muss bzw. müssen.1

Werden Variablen aus dem Modell entfernt, ändern sich die Werte für das Modell

und auch die Regressionskoeffizienten der anderen Variablen. Wird festgestellt,

dass Variablen aus dem einen oder anderen Modell entfernt werden sollten, so

wird für das entsprechende Modell eine Modellanpassung vorgenommen.

Prüfung der Modellprämissen

Neben der Prüfung der Regressionsgleichung und der Regressionskoeffizienten

werden die Annahmen geprüft, die der Berechnung einer linearen multiplen Reg-

ressionsanalyse zugrunde liegen. Die Annahmen können durch folgende Punkte

verletzt werden:

1 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010d), o. S




• Nicht-Linearität: Die Daten einer multiplen Regressionsanalyse lassen

sich nicht mehr in einem Koordinatensystem darstellen. Eine Prüfung

mittels eines Diagramms ist daher nicht möglich. Für die zu prüfenden

Modelle wird von Linearität der Daten ausgegangen.

• Keine Normalverteilung der Residuen: Die Residuen einer Regressions-

schätzung sollten nicht nur zufällig auftreten, sondern zudem normalver-

teilt sein.1 In SPSS wird zur Prüfung auf Normalverteilung ein grafischer

Test bzw. ein Histogramm der Residuen mit einer Normalverteilungs-

kurve angefordert.

•

Hetereoskedastizität: Residuen der gemessenen Daten sollten die glei-che Varianz haben. Mit SPSS lässt sich die Homoskedastizität durch

Betrachten der Residuen in einem Diagramm überprüfen. Auf der x-

Achse werden die standardisierten Werte für y aufgetragen, auf der y-

Achse die standardisierten Residuen. Bei Heteroskedastizität lässt sich

ein Zusammenhang zwischen beiden Variablen erkennen.

• Autokorrelation: Die Residuen dürfen nicht korreliert sein, ansonsten

spricht man von Autokorrelation. In SPSS erfolgt die Überprüfung mitHilfe des Durbin-Watson-Tests. Diese Durbon-Watson-Statistik kann

Werte zwischen 0 und 4 annehmen: Bei einem Wert von 0 liegt eine

vollständig positive Autokorrelation, bei einem Wert von 2 liegt keine Au-

tokorrelation, bei einem Wert von 4 eine vollständige negative Autokor-

relation vor.

• Multikollinearität: Bei einer multiplen Regression darf keine Multikolli-

nearität vorliegen. Multikollinearität liegt dann vor, wenn sich eine unab-hängige Variable als lineare Funktion einer anderen unabhängigen Va-

riable darstellen lässt. SPSS gibt zwei Statistiken aus, mit der die Vari-

ablen auf Multikollinearität überprüft werden kann: Der Toleranzwert und

der VIF (Variance Inflation Factor). Der Toleranzwert sollte nicht unter

0.25 und der VIF nicht über 5 liegen.2

1 Vgl. Brosius, F. (2006), S. 571ff.2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010d), o. S




Auswahl des Regressionsmodells

Es gibt nicht nur eine mögliche Regressionsgleichung, die mit den vorhandenen

Variablen berechnet werden kann. Mit SPSS ist es möglich, verschiedene Mo-

delle zu berechnen. Für diese empirische Untersuchung wird die Standardein-

stellung „Einschluss“ gewählt, d.h. alle unabhängigen Variablen werden in die

Regressionsgleichung einbezogen.

Die multiplen Regressionsanalysen der vier Modelle erfolgt in SPSS über den

Befehl Analysieren – Regression – Linear 1.

Anmerkung

Parallel zur Durchführung der multiplen Regressionsanalysen der vier Modelle

werden alle Variablen im Pfadmodell einem Chi²-Test sowie einer explorativen

Datenanalyse unterzogen. In der explorativen Datenanalyse können die zu un-

tersuchenden Daten zudem auf Normalverteilung (Kolmogorov-Smirnov-Test

und Shapiro-Wilk-Test) und Homogenität der Varianz (Levene-Test) geprüft wer-

den. Sowohl der Chi²-Test als auch die explorative Datenanalyse zählen nicht

zur Auswertung dieser Arbeit; ihre Ergebnisse dienen lediglich als Zusatz für

weitergehende Untersuchungen bzw. Analysen.2

3.3.7 Zentrale Tendenz nicht im Pfadmodell abgebildeter Variablen

Der Fragebogen bzw. die Daten in SPSS enthalten neben den Variablen im

Pfadmodell auch Variablen, die im Pfadmodell nicht eingesetzt werden. Das

Pfadmodell soll in dieser Masterarbeit nicht erweitert werden, jedoch soll der Ein-

fluss der nicht abgebildeten Variablen auf die Variablen „Proficiency of Digital

1 Im Dialogfeld werden folgende Einstellungen vorgenommen: die im Modell zu untersuchendeAbhängige Variable und Unabhängige Variablen werden eingegeben. In der Dropdown-ListeMethode wird der Eintrag Einschluss gewählt. In dem Dialogfeld der Schaltfläche Statistiken werden in der Gruppe Regressionskoeffizien Schätzer, Anpassungsgüte des Modells und Kolli- nearitätsdiagnose sowie in der Gruppe Residuen Durbin-Watson angekreuzt. In dem Dialogfeldder Schaltfläche Diagramme wird *ZRESID auf die Y -Achse, *ZPRED auf die X -Achse für dasDiagramm Heteroskedastizität als auch Diagramme der standardisiert Histogramm und Nor- malverteilungsdiagramm ausgewählt.

2 Der Chi²-Test erfolgt in SPSS über den Befehl Analysieren – Nichtparametrische Tests – Chi- Quadrat-Test und die explorative Datenanalyse über den Befehl Analysieren – Deskriptive Sta- tistiken – Explorative Datenanalyse . Die entsprechenden Einstellungen in SPSS sind AnlageB28 und Anlage B29 – zusammen mit deren Ergebnissen – zu entnehmen.




Proficiency of

Digital ToolsFrauen Männer

Proficiency of


Tools“, „Teachers’ Beliefs“, „Teachers’ Readiness“ sowie „Integration of Digital

Tools“ hinsichtlich ihrer Mittelwertunterschiede untersucht werden.

Es gibt eine große Anzahl Verfahren, mit denen Stichproben hinsichtlich ihrer

Mittelwertunterschiede untersucht werden können.1 Bei den vorliegenden Stich-

proben handelt es sich um unabhängige Stichproben; die Variablen werden ein-

malig erhoben. Mit den nicht abgebildeten Variablen im Pfadmodell werden zwei

Verfahren eingesetzt: t-Test für unabhängige Stichprobe sowie einfaktorielle

Varianzanalyse.

3.3.7.1 t-Test für unabhängige StichprobenDie Mittelwertunterschiede einer normalverteilten, intervallskalierten Variablen

können mit einem t-Test zwischen zwei unabhängigen Stichproben untersucht

werden. Im Rahmen dieser Studie werden Mittelwertunterschiede der nominal-

skalierten Variable „Geschlecht“ mit den Ausprägungen Weiblich und Männlich

hinsichtlich der endogenen Variablen im Pfadmodell analysiert; die Ausprägun-

gen werden hierbei als zwei unterschiedliche Stichproben angesehen.

Modellformulierung

Unterscheiden sich Frauen und Männer im Mittel in „Proficiency of Digital Tools“,

„Teachers’ Readiness, „Teachers’ Beliefs“ und „Integration of Digital Tools“?

Modell 1:

Modell 2:

Modell 3:

Modell 4:

1 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010e), o. S

Teachers’

ReadinessFrauen Männer

Teachers’

ReadinessFrauen Männer

Teachers’

BeliefsFrauen Männer

Teachers’

BeliefsFrauen Männer

Integration of


Integration of





Berechnung der Teststatistik, Test auf Varianzhomogenität und Prüfung

auf Signifikanz

Zur Überprüfung der Modelle wird zunächst je Modell eine Teststatistik in SPSS

erstellt, die dann mit dem kritischen Wert auf der durch die Freiheitsgrade

bestimmten Testverteilung verglichen wird. Es ist darauf zu achten, ob die Vari-

anzen der beiden Stichproben gleich oder unterschiedlich sind. Die Freiheitsgra-

de des t-Wertes müssen angepasst werden, wenn keine Varianzhomogenität

vorliegt. SPSS führt automatisch einen F-Test bzw. Levene-Test auf

Varianzhomogenität durch und gibt damit bei der Durchführung eines t-Tests

automatisch zwei unterschiedliche Freiheitsgrade sowie die dazugehörigen Sig-

nifikanzwerte aus. Bei Varianzhomogenität sollte der F-Wert nicht signifikant

werden, d.h. die Signifikanz sollte größer als das festgelegte Signifikanzniveau1

sein.

Im letzten Schritt wird die berechnete Teststatistik auf Signifikanz überprüft. Der

berechnete t-Wert wird mit dem kritischen Wert auf der theoretischen t-Verteilung

verglichen; dieser Vergleich lässt sich in SPSS an der ausgegebenen Signifikanz

ablesen.2

Der t-Test für unabhängige Stichproben erfolgt in SPSS über den Befehl

Analysieren – Mittelwerte vergleichen – t-Test bei unabhängigen Stichproben 3 .

3.3.7.2 Einfaktorielle Varianzanalyse (ANOVA)

Die einfaktorielle Varianzanalyse (ANOVA) wird eingesetzt, um eine unabhängi-

ge Variable und eine abhängige Variable zu untersuchen; vorausgesetzt wird

eine Intervallskalierung und Normalverteilung der abhängigen Variablen sowie

Varianzgleichheit der Daten.4 In dieser Arbeit wird die ANOVA eingesetzt, um die

1 Bei einem Test auf Varianzhomogenität: p = 0.1 oder sogar noch höher. (vgl. Universität Zü-rich/Schwarz, J. (Hrsg.) (2010f), o. S.

2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010f), o. S.3 Im Dialogfeld werden folgende Einstellungen vorgenommen: Die zu testenden Variablen wer-

den unter Testvariable(n) und die zwei unterschiedlichen Stichproben, d.h. die Variable „Ge-

schlecht“ als Gruppenvariable eingegeben. In dem Dialogfeld der Schaltfläche Gruppen definieren wird Angegebene Werte verwenden angeklickt und in Gruppe 1 der Wert des Wertelabelsfür Weiblich (1) und in Gruppe 2 der Wert des Wertelabels für Männlich (2) eingetragen.

4 Vgl. Brosius, F. (2005), S. 496




die Mittelwertunterschiede der nicht im Pfadmodell abgebildeten nominal- bzw.

ordinalskalierten Variablen „Unterrichtsfach“, „Lehrmethodik“ und „Schulung“ im

Hinblick auf die endogenen Variablen im Pfadmodell zu untersuchen.

Modellformulierung

Modell 1

(a – d):

Unterscheiden sich Lehrpersonen mit unterschiedlichen Unter-

richtsfächern bezüglich ihrer „Proficiency of Digital Tools“ (1a),

„Teachers’ Readiness“ (1b), „Teachers’ Beliefs“ (1c) und

„Integration of Digital Tools“ (1d)?1

Modell 2

(a – d):

Unterscheiden sich Lehrpersonen mit unterschiedlichen Lehrme-

thodiken bezüglich ihrer „Proficiency of Digital Tools“ (2a),

„Teachers’ Readiness“ (2b), „Teachers’ Beliefs“ (2c) und

„Integration of Digital Tools“ (2d)?2

1 UF1: Mathematik, Informatik, Naturwissenschaften oder Technik; UF2: Geisteswissenschaftenund Sprachen; UF3: Sozialwissenschaften (einschließlich BWL/VWL); UF4: Sport; UF5: Son-derpädagogik; UF6: Sonstige

2 LM1: Überwiegend von der Lehrkraft ausgehend; LM2: Stärker von der Aktivität der Lehrkraftausgehend; LM3: Balance zwischen den auf die Lehrkraft und den auf die Lernenden ausge-richteten Aktivitäten; LM4: Stärker auf die Aktivitäten der Lernenden ausgerichtet; LM5: Über-wiegend auf die Aktivitäten der Lernenden ausgerichtet

Für Modell 1a: Proficiency of Digital Tools

Für Modell 1b: Teachers’ Readiness

Für Modell 1c: Teachers’ Beliefs

Für Modell 1d: Integration of Digital Tools

UF1 UF2 UF3 UF5UF4 UF6





UF1 UF2 UF3 UF5UF4 UF6





LM1 LM2 LM3 LM5LM4





LM1 LM2 LM3 LM5LM4




Modell 3

(a – d):

Unterscheiden sich Lehrpersonen mit unterschiedlichen Schulun-

gen zu digitalen Arbeitsmitteln bezüglich ihrer „Proficiency of Digital

Tools“ (3a), „Teachers’ Readiness“ (3b), „Teachers’ Beliefs“ (3c)

und „Integration of Digital Tools“ (3d)?1

Test auf Varianzhomogenität, Berechnung der Teststatistik und Prüfung

auf Signifikanz

Voraussetzung für die Durchführung einer einfaktoriellen Varianzanalyse ist die

Varianzhomogenität, daher wird zunächst ein Levene-Test auf Varianzgleichheit

vorgenommen. Bei Varianzhomogenität sollte der Test nicht signifikant sein, d.h.

die Signifikanz sollte größer als ein Signifikanzniveau von 0.1 sein.

An dieser Stelle sei darauf hingewiesen, dass die einfaktorielle Varianzanalyse

bei sehr großen Stichprobenumfängen robust gegen die Verletzung der Annah-

me der Varianzhomogenität ist, so dass sie für die vorliegende Untersuchung

trotzdem durchgeführt werden kann.2

Die Mittelwerte der Variablen lassen sich mithilfe eines Diagramms darstellen.

Anhand des Diagramms lässt sich erkennen, ob es einen Unterschied der Mit-

telwerte zwischen den Unterrichtsfächern, zwischen den Lehrmethodiken und

zwischen dem Schulungen zu digitalen Arbeitsmitteln gibt. Die Varianzanalyse

prüft diesen Unterschied auf statistische Signifikanz. Die Grundidee der Varianz-

analyse ist die Zerlegung und der Vergleich der gesamten Stichprobenvarianz,

d.h. die gesamte Streuung der betrachteten Variablen in der vorliegenden Stich-

1 S1: Keine Schulung; S2: Einen ganzen Tag oder weniger; S3: Mehr als einen ganzen Tag und

weniger als ein Semester; S4: Einen Semester-Lehrgang; S5: Mehr als ein Semester2 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010g), o. S.





S1 S2 S3 S5S4 S6





S1 S2 S3 S5S4 S6




probe lässt sich einerseits gedanklich in die Streuung der einzelnen Fallgruppen

und andererseits in die Streuung zwischen den Gruppen aufteilen.1

Zunächst werden die Streuung der Stichprobenmittelwerte um den Gesamtmit-

telwert (zwischen den Gruppen bzw. Treatmentvariation), die Streuung der

Merkmalsausprägungen um den Stichprobenmittelpunkt (innerhalb der Gruppen

bzw. Binnenvariation) sowie die Gesamtstreuung der Teilstreuungen (Gesamt)

berechnet. Darüber hinaus werden durch Normierung (anhand der Freiheitsgra-

de) die Binnen- und Treatmentvarianz berechnet, d.h. die Mittel der Quadrate.

Sind Binnen- und Treatmentvarianz gleich gross oder ist die Binnenvarianz grö-

ßer als die Treatmentvarianz, so gibt es keine Unterschiede der Mitten zwischen

den Stichproben. Ist jedoch die Treatmentvarianz größer als die Binnenvarianz,

dann deutet dies darauf hin, dass es Unterschiede gibt. Aus dem Verhältnis der

Binnenvarianz zur Treatmentvarianz wird die Teststatistik, d.h. der F-Wert, ermit-

telt. Diesen gilt es auf Signifikanz zu prüfen. Der berechnete F-Wert wird hierfür

mit dem kritischen Wert auf der theoretischen F-Verteilung verglichen; dieser

Vergleich lässt sich in SPSS an der ausgegebenen Signifikanz ablesen.2

Post-Hoc-Test

Die Varianzanalyse untersucht nur, ob Unterschiede vorliegen. Um zu überprü-

fen, welcher der Mittelwerte signifikant von den anderen abweicht wird ein soge-

nannter Post-Hoc-Test nach der Durchführung der Varianzanalyse vorgenom-

men. Im Prinzip handelt es sich dabei um t-Tests für unabhängige Stichproben

für alle möglichen Paarvergleiche.

Die einfaktorielle ANOVA erfolgt in SPSS über den Befehl Analysieren – Mittel-

werte vergleichen – Einfaktorielle ANOVA3

.

1 Vgl. Brosius, F. (2006), S. 4992 Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010g), o. S.3 Im Dialogfeld werden folgende Einstellungen vorgenommen: Die zu testende abhängige Variab-

le wird unter Abhängige Variablen und die unabhängige Variable unter Faktor eingegeben. Indem Dialogfeld der Schaltfläche Post Hoc wird in der Gruppe Varianz-Gleichheit angenommen

Turkey-B und in der Gruppe Keine Varianz-Gleichheit angenommen Games-Howell ausgewähltund bei Signifikanzniveau: 0,05 eingetragen. Im Dialogfeld der Schaltfläche Optionen wird inder Gruppe Statistiken Deskriptive Statistik und Test auf Homogenität der Varianzen angeklicktund Diagramm der Mittelwerte ausgewählt.




3.4 Untersuchungsergebnisse

3.4.1 Abgeschlossene Fragebogen

An der Online-Befragung haben insgesamt 443 Lehrpersonen teilgenommen;davon wurden 385 Fragebogen vollständig und 58 teilweise abgeschlossen. Dies

ergibt eine Abbruchquote (teilweise abgeschlossene Fragebogen/Fragebogen

Gesamt) von 13,1 Prozent. Eine Übersicht an abgeschlossenen Fragebogen aus

den einzelnen Hochschulen zeigt die folgende Tabelle 4:

Hochschule Vollständig

abgeschlossene

Fragebogen*

Teilweise

abgeschlossene

Fragebogen*

Fragebogen

Gesamt*

Abbruchquote

der Fragebogen

Ausgeschlossene

Fälle für Analyse

Verwendete Fälle

für Analyse

DHBW Stuttgart 30 1 31 3,2% 1 30

AKAD Gruppe 80 20 100 20,0% 20 80Berufskollegs Hagen 34 1 35 2,9% 1 34

Hochschule Schottland 32 5 37 13,5% 5 32

Hochschule Spanien 123 18 141 12,8% 18 123

Hochschule Schweden 42 13 55 23,6% 16 39

Hochschule Türkei 44 0 44 0,0% 0 44

Hochschulen Gesamt 385 58 443 13,1% 61 382

*Datenstand der Online-Umfrage: 10.11.2012 Tabelle 4: Abgeschlossene Fragebogen der Hochschulen

Die meisten Fragebogen mit insgesamt 141 kommen aus Spanien; hiervon wur-

den 123 Fragebogen vollständig und 18 teilweise abgeschlossen. Die Abbruch-

quote liegt mit 12,8 Prozent unter der gesamten Abbruchquote von 13,1 Prozent.

Die AKAD-Gruppe folgt an zweiter Stelle mit insgesamt 100 Fragebogen. Es

wurden 80 Fragebogen vollständig und 20 teilweise abgeschlossen, die

Abbruchquote liegt bei 20 Prozent, d.h. jeder fünfte hat den Fragebogen ab-

gebrochen. Die höchste Abbruchquote ist von der Hochschule Schweden mit

23,6 Prozent zu verzeichnen; mit 55 Fragebogen insgesamt liegt die Hochschule

Schweden an der dritten Stelle hinsichtlich abgeschlossener Fragebogen, davon

wurden 42 vollständig und 13 unvollständig abgeschlossen. An vierter Stelle folgtdie Hochschule in der Türkei. Sie hat als einzige Hochschule alle ihrer 44

Fragebogen vollständig abgeschlossen. Die fünfte Position abgeschlossener

Fragebogen nimmt die Hochschule Schottland mit insgesamt 37 Fragebogen

und einer Abbruchquote von 13,5 Prozent ein. Die Berufskollegs Hagen folgen

an vorletzter Stelle mit insgesamt 35 Fragebogen; hiervon wurde nur ein Frage-

bogen teilweise abgeschlossen. Die geringste Anzahl an Fragebogen kommt von

der DHBW Stuttgart mit 31. Auch hier wurde nur ein Fragebogen teilweise abge-schlossen.




Für jede Hochschule sollen die 58 teilweise abgeschlossenen Fragebogen kurz

näher beleuchtet werden, indem untersucht wird, wo bzw. an welcher Stelle die-

se von den befragten Lehrpersonen abgebrochen wurden. Anlage A11 enthält

eine Auflistung je Hochschule nach Abbruch im Fragebogen. Näher betrachtet

werden soll jedoch die Anzahl der Hochschulen im Gesamten nach Abbruch im

Fragebogen; dies wird in der folgenden Abbildung 8 dargestellt.

Aufteilung der "teilweise abgeschlossenen Fragebogen"

nach Abbruch im Fragebogen

0 5 10 15 20 25

zu Beginn

nach Frage 4

nach Frage 5

nach Frage 5b**

nach Frage 7/Item 1

nach Frage 7/Item 2

nach Frage 7/Item 4

nach Frage 8/Item 8

nach Frage 10

nach Frage 11

nach Fra ge 12/Item 2

nach Frage 13

nach Frage 14

nach Fra ge 15/Item 4

A b b r u c h

d e s F r a g e b o g e n s

. . .

Anzahl der Abbrüche der Hochschulen Gesamt

Abbildung 8: Aufteilung der „teilweise abgeschlossenen Fragebogen“ nach Abbruch

Wie schon in Kapitel 3.3.1 erwähnt, haben bereits 20 befragte Lehrpersonen den

Fragebogen zu Beginn der Umfrage abgebrochen. Die größte Anzahl an Abbrü-

chen verzeichnet Frage 7/Item 4 mit elf Abbrüchen, gefolgt von Frage 5 mit neun

und Frage 11 mit sieben Abbrüchen. Zwei Abbrüche erfolgten nach Frage 14

und jeweils einmalig wurde nach den Fragen 4, 5b, 7/Item1, 7/Item 2, 8/Item 8,

10, 12/Item 2, 13 und 15/Item 4 abgebrochen.

In der folgenden Datenanalyse werden nur die Fälle betrachtet, die vollständig

abgeschlossen wurden, d.h. teilweise abgeschlossene Fragebogen bzw. Fälle

mit „fehlenden Werten“ werden nicht betrachtet. Wie aus der Tabelle 4 ersichtlich

ist, werden 61 Fälle1 aus der Gesamtdatei ausgeschlossen. Damit ergeben sich

insgesamt 382 Fälle, die für die Auswertung der Analyse verwendet werden.

1 Teilweise abgeschlossene Fragebogen sowie 3 Fälle aus Schweden

**Fragebogen der Berufskollegs Hagen enthält im 1. Fragebogenteil nicht 5, sondern 6 Fragen




3.4.2 Deskriptive Datenanalyse

Die Ergebnisse der deskriptiven Datenanalyse werden im Folgenden hinsichtlich

des Skalenniveaus der einzelnen Variablen dargestellt.1

Variablen mit Nominalskalenniveau

Die Lageparameter (Modus), Häufigkeitstabellen sowie die Balkendiagramme

der nominalskalierten Variablen „Geschlecht“, „Unterrichtsfach“, „Berufskolleg

Hagen“, „Beurteilung“, „Nützlichkeit“, „Technologie-Coach“ sowie die Zusatzvari-

able „Hochschule bzw. Land“ sind in Anlage B7 zu finden.

Der häufigste Wert (Modus) der Verteilung für die Variable „Geschlecht“ ist die

Ausprägung Männlich (2) mit einer Häufigkeit von 221 und einem Anteil von 57,9

Prozent. Für die Variable „Unterrichtsfach“ wird der Modus 6 angegeben mit ei-

ner Häufigkeit von 122 bzw. 31,9 Prozent; dieser Wert entspricht der Ausprä-

gung Sonstige . Da die Angaben im Fragebogen zur Ausprägung Sonstige in den

jeweiligen Landessprachen erfolgte und die Ergebnisse sich nicht bzw. nur

schlecht zusammenfassen lassen, soll hier noch der zweithäufigste Wert der

Verteilung genannt werden: die Ausprägung Mathematik, Informatik, Naturwis-

senschaften oder Technik hat eine Häufigkeit von 103 und einen Anteil von 27Prozent. Mit einer Häufigkeit von 23 und einem Anteil von 6 Prozent (bezogen

auf die Gesamtdatei) hat die Ausprägung Kaufmannsschule II Berufskolleg (4)

innerhalb der Variablen „Berufskolleg Hagen“ den häufigsten Wert der Vertei-

lung. Für die Variable „Beurteilung“ ist die Ausprägung eher gut (2) mit einer

Häufigkeit von 360 und einem Anteil von 94,2 Prozent und für die Variable „Nütz-

lichkeit“ die Ausprägung eher hilfreich (2) mit einer Häufigket von 363 und 95

Prozent Anteil der häufigste Wert der Verteilung. Der Modus der Verteilung fürdie Variable „Technologie Coach“ ist die Ausprägung Nein (2) mit einer Häufig-

keit von 271 und einem Anteil von 70,9 Prozent. Schließlich ist der häufigste

Wert der Verteilung für die Variable „Hochschule bzw. Land“ die Ausprägung

Spanien (5) mit einer Häufigkeit von 123 und 32,2 Prozent.

1 Aufgrund des Umfangs der deskriptiven Datenanalyse erfolgen lediglich die wichtigsten Anga-ben im Text; weitere Informationen liefern die entsprechenden Anlagen zu den Variablen. DesWeiteren wird lediglich die Gesamtdatei betrachtet; es wird hier nicht je Hochschule spezifiziert.Eine Übersicht zur Häufigkeitsaufteilung je Hochschule liefern die Kreuztabellen in Anlage B11.




Variablen mit Ordinalskalenniveau

Für die ordinalskalierten Variablen „Lehrmethodik“ und „Schulung“ sind die La-

geparameter (Modus, Median), Häufigkeitstabellen und Balkendiagramme der

Anlage B8 zu entnehmen.

Für die Variable „Lehrmethodik“ wird ein Modalwert von 3 bei einer Häufigkeit

von 167 und 43,7 Prozent Anteil angegeben; dieser Wert entspricht der Ausprä-

gung Balance zwischen den auf die Lehrkraft und den auf die Lernenden ausge-

richteten Aktivitäten. Zusätzlich wird ein Median von 3 ausgewiesen, d.h. die el-

be Ausprägung 3 (Balance zwischen den auf die Lehrkraft und den auf die Ler-

nenden ausgerichteten Aktivitäten) ist das 50 Prozent Quantil der Verteilung der

Variablen „Lehrmethodik“.

Der Modalwert und der Wert für den Median sind bei der Variablen „Schulung“

mit dem Wert 3 ebenfalls identisch; es handelt sich hier um die Ausprägung

Mehr als einen Tag und weniger als ein Semester . Die Häufigkeit Ausprägung

Mehr als einen Tag und weniger als ein Semester beträgt 141 bei einem Anteil

von 36,9 Prozent.

Variablen mit Intervallskalenniveau

Die Lageparameter (Modus, Median, Mittelwert), Streuungsparameter (Varianz

und Standardabweichung), Angaben zu Schiefe und Steilheit, Häufigkeitstabel-

len sowie Histogramme mit Normalverteilungskurve sind für die Variablen „Age“,

„Years of Teaching“ und „Proficiency of Digital Tools“ sowie alle Items mit einer

fünfstufigen Likert-Skala in der Anlage B9 zu finden.

Die Lage- und Streuungsparameter für die drei Variablen werden im Folgenden

tabellarisch zusammengefasst:

Variable Modus Häufigkeit

Modus

Anteil Modus Median Mittelwert Standard-

abweichung

Varianz

Age 3 = Ausprägung40 - 49 Jahre

141 36,9% 3 3.23 0.946 0.896

Years of Teaching 5 = Ausprägung

16 Jahre und mehr

188 49,2% 4 3.99 1.197 1.433

Proficiency of Digital

Tools

4 = Ausprägung

Ich weise

durchschnittliche

Kenntnisse in

einigen Computer-

Anwendungen auf.

130 34,0% 4 4.32 1.131 1.280

Tabelle 5: Lage- und Streuungsparameter intervallskalierter Variablen




Betrachtet man die Histogramme mit der Normalverteilungskurve der drei Variab-

len sowie die Schiefe und die Kurtosis, so scheinen die Variablen lediglich

„annähernd“ normalverteilt. Kein Wert der Schiefe bzw. Kurtosis liegt bei Null,

was einer Normalverteilung entspricht. Die Schiefe liegt bei der Variablen „Age“

bei – 0.170 und die Kurtosis bei – 0.419, damit ist die Verteilung linksschief und

flach; für die Variable „Years of Teaching“ wird die Schiefe mit – 0.931 und die

Kurtosis mit – 0.181 und für die Variable „Proficiency of Digital Tools“ wird die

Schiefe mit – 0.510 und die Kurtosis mit 0.105 angegeben. Die Verteilung der

Variablen „Years of Teaching“ ist linksschief und flach, die Verteilung der Variab-

len „Proficiency of Digital Tools“ ist stark linksschief und steil.

Auf die Ergebnisse der einzelnen Items soll hier nicht eingegangen werden;

allerdings werden die Variablen im Pfadmodell nach Skalenbildung betrachtet.

Variablen mit Intervallskalenniveau nach Skalenbildung

Für die Variablen „Overall Support“, “Technical Support”, “Teachers’ Readiness”,

“Teachers’ Beliefs” und “Process of Integration” sind die Lageparameter (Modus,

Median, Mittelwert), Streuungsparameter (Varianz und Standardabweichung),

Angaben zu Schiefe und Steilheit, Häufigkeitstabellen sowie Histogramme mitNormalverteilungskurve der Anlage B10 zu entnehmen.

Die Lage- und Streuungsparameter der fünf Variablen werden in Tabelle xx zu-

sammengefasst.1

Variable Modus Häufigkeit

Modus

Anteil Modus Median Mittelwert Standard-

abweichung

Varianz

Overall Support 3 und 4 43 11,3% 3.25 3.28 0.84 0.71

Technical Support 4 60 15,7% 3.75 3.56 0.89 0.79

Teachers' Readiness 4 56 14,7% 4.00 3.87 0.80 0.65

Teachers' Beliefs 4 25 6,5% 3.67 3.60 0.74 0.55

Process of Integration 3.2 25 6,5% 3.20 3.23 0.79 0.62

Tabelle 6: Lage- und Streuungsparameter intervallskalierter Variablen (nach Skalenbildung)

Alle fünf Variablen scheinen nach den Histogrammen mit der Normalverteilungs-

kurve sowie deren Schiefe und Kurtosis nur „annähernd“ normalverteilt zu sein.

Auch hier liegt kein Wert der Schiefe bzw. Kurtosis bei Null. Bei der Variablen

1 Die Antwortoptionen der Items, aus denen die Skalen gebildet wurden, erfolgten anhand einerfünfstufigen Likert-Skala: (1) trifft überhaupt nicht zu , (2) trifft eher nicht zu , (3) trifft teilweise zu ,(4) trifft eher zu , (5) trifft vollkommen zu bzw. für die Variable „Process of Integration“ (1) nie , (2)selten , (3) manchmal , (4) oft , (5) immer .




„Overall Support“ liegt die Schiefe bei 0.055 und die Kurtosis bei – 0.517, damit

ist die Verteilung rechtsschief und flach. Die Variable „Technical Support“ ist mit

einer Schiefe von – 0.474 und einer Kurtosis von – 0.159 linksschief und flach, die

Variable „Teachers’ Readiness“ ist ebenfalls linksschief und flach (Schiefe:

– 0.530; Kurtosis: – 0.110) und die Variable „Teachers’ Beliefs“ ist mit einer Schie-

fe von – 0.383 und einer Kurtosis von 0.118 linksschief und steil. Bei der Variab-

len „Process of Integration“ liegt der Wert der Schiefe bei – 0.097 und der Wert

der Kurtosis bei – 0.192, d.h. die Verteilung ist linksschief und flach.

Anmerkung

Die Variablen im Pfadmodell sind nicht zu hundert Prozent normalverteilt, ledig-

lich „annähernd“. Die nachfolgenden Analysen bzw. Auswertungen erfolgen

dennoch ohne Transformation der Daten.

3.4.3 Reliabilitätsanalyse und Skalenbildung

Die Ergebnisse der Reliabilitätsanalyse für jede Skala sind in den Anlagen B12

bis B21 dargestellt. Für die einzelnen Skalen ergeben sich folgende Werte für

Cronbachs Alpha:

Frage und Skala Itemanzahl Cronbachs Alpha

7: Teachers' Readiness 4 0.815

8: Impacts on Students 8 0.912

9: Impacts on Classroom Instruction 4 0.850

8+9: Teachers' Beliefs 12 0.933

12/1: Overall Support 4 0.811

12/2: Technical Support 4 0.843

15: Technology Coach 4 0.834

16: Process of Integration 10 0.861

17: Future Development of Integration 3 0.885

16+17: Integration of Digital Tools 13 0.875

Tabelle 7: Cronbachs Alpha-Werte aus der Reliabilitätsanalyse

Alle Skalen weisen einen hohen Cronbachs Alpha-Wert von über 0.8 aus, d.h.

die interne Konsistenz der Skalen ist hoch und die einzelnen Items können sinn-

voll zu einer Gesamtskala addiert werden. Die zusammengesetzten Skalen kön-

nen somit als zuverlässig angesehen werden. Den höchsten Wert der internen




Konsistenz liefert die Skala „Teachers’ Beliefs“ mit einem Wert von 0.933; dieser

kann als exzellent interpretiert werden.1

Die Reliabilitätsanalyse ist Ausgangspunkt für die Skalenbildung und die multip-

len Regressionsanalysen dieser empirischen Untersuchung. Im Folgenden wird

lediglich auf Hauptauffälligkeiten in Bezug auf Trennschärfe, Mittelwerte und/

oder Standardabweichungen in den Ergebnissen der Skalen eingegangen.

Die Skala „Teachers’ Readiness“ weist einen Cronbachs Alpha-Wert von 0.815

auf. Betrachtet man die Trennschärfe, d.h. die Korrelation zwischen dem jeweili-

gen Item und der Gesamtskala, die sich unter Ausschluss des jeweiligen Items

ergäbe, so zeigt sich, das Item 3 mit 0.535 in der Item-Skala-Statistik nur eine

schwache Korrelation mit der Gesamtskala der übrigen Items aufweist. Das Item

deutet darauf hin, dass es möglicherweise nicht dieselbe Größe misst wie die

übrigen Items und möglicherweise aus der gemeinsamen Skala ausgeschlossen

werden sollte. Ohne dieses Item würde der Cronbachs Alpha-Wert bei 0.846

liegen. Die anderen Trennschärfen der Skala liegen zwischen 0.637 (Item 4) und

0.732 (Item 2). Ebenso weichen der Mittelwert mit 3.24 und die Standardabwei-

chung mit 1.259 des Items 3 deutlich von den anderen Werten ab.

Für die Skala „Impact on Students“ wird ein Cronbachs Alpha-Wert von 0.912

ermittelt. Die Mittelwerte der Items liegen zwischen 3.19 und 3.76 nahe beiein-

ander. Die Werte für die Trennschärfe sind hoch; für Item 8 ergibt sich der

geringste Wert mit 0.648. Würde irgendein Item der acht Items weggelassen

werden, so würde der Cronbachs Alpha-Wert unter dem angegebenen Wert lie-

gen. Dies deutet darauf hin, dass die einzelnen Items für die Gesamtskala gut

geeignet sind.

Ähnlich verhält es sich für die Skala „Impact on Classroom Instruction“. Der

Cronbachs Alpha-Wert liegt bei 0.850. Würde irgendein Item entfernt werden, so

würde der Cronbachs Alpha-Wert geringer ausfallen. Die Mittelwerte der Items

liegen zwischen 3.52 (Item 1) und 3.89 (Item 4); ebenso verhält es sich für die

Werte der Trennschärfe. Die Korrelation zwischen dem jeweiligen Item und der

Gesamtskala liegt zwischen 0.672 (Item 4) und 0.721 (Item 2). Die Items sind für

die Gesamtskala gut geeignet.

1 Vgl. Wikipedia (2012g), o. S.




Für die Skala „Teachers’ Beliefs“ ermittelt sich ein Cronbachs Alpha-Wert von

0.933. Auch hier würde der Cronbachs Alpha-Wert geringer sein, wenn irgendein

Item weggelassen werden würde. Die Mittelwerte der Items bewegen sich von

3.19 (Item 6) bis 3.89 (Item 12). Die Korrelationen sind mittlerer (0.654 für Item

12) bis höherer Stärke (0.768 für Item 3). Auch hier sind die Items für die Ge-

samtskala gut geeignet.

Die Items der Skalen „Overall Support“ und „Technical Support“ sind ebenfalls

gut für die jeweilige Gesamtskala geeignet. Die Skala „Overall Support“ weist

einen Cronbachs Alpha-Wert von 0.811, die Skala „Technical Support“ einen

Wert von 0.843 auf. Beim Weglassen irgendeines Items, würde für beide Skalen

der Cronbachs Alpha-Wert geringer ausfallen. In der Skala „Overall Support“ hat

Item 1 die geringste Stärke der Korrelation mit der Gesamtskala von 0.565. Die

anderen Items bewegen sich bis zu einer Korrelation von 0.694 (Item 3). Ihre

Mittelwerte liegen nahe beieinander. Ähnlich verhält es sich für die Skala

„Technical Support“. Den geringsten Wert der Trennschärfe liefert Item 2 mit

0.627; die anderen korrelieren mit höheren Werten mit der Gesamtskala.

Die Skala „Technology Coach“ ergibt einen Cronbachs Alpha-Wert von 0.834. In

der Reliabilitätsanalyse weist Item 4 mit 0.447 eine schwache Korrelation zur

Gesamtskala auf; die Standardabweichung liegt mit 0.844 deutlich unter den

Werten der anderen Items, während der Mittelwert mit 3.92 deutlich über den

Werten der anderen Items liegt. Bei Entnahme des Items würde sich ein höherer

Cronbachs Alpha-Wert von 0.872 ergeben. Item 4 deutet darauf hin, dass es

möglicherweise nicht dieselbe Größe misst wie die übrigen Items und daher aus

der gemeinsamen Skala ausgeschlossen werden sollte.

Die Hauptauffälligkeit in Skala „Process of Integration“ ist Item 5 mit einer Trenn-

schärfe von lediglich 0.390 und einem Mittelwert von 1.96. Die gesamte Skala

hat einen Cronbachs Alpha von 0.861; dieser würde sich jedoch durch Weglas-

sen von Item 5 nicht verändern. Die Mittelwerte und Trennschärfen der anderen

Items liegen nahe beieinander.

Für die Skala „Future Development of Integration“ wird ein Cronbachs Alpha-

Wert von 0.885 ermittelt. Die Trennschärfen der drei Items liegen zwischen0.712 (Item 3) und 0.811 (Item 2), auch die Mittelwerte und Standardabweichun-




gen der Items liegen nahe beieinander. Der Cronbachs Alpha-Wert wäre ledig-

lich höher (0.891), wenn Item 3 weggelassen würde.

Die Skala „Integration of Digital Tools“ weist einen Cronbachs Alpha-Wert von

0.875 auf. Drei der 13 Items weisen in der Trennschärfe einen Wert unter 0.5

und somit eine schwache Korrelation auf: Item 5 (0.375), Item 11 (0.492) und

Item 12 (0.469). Bei Weglassen dieser Items würden sich höhere Cronbachs

Alpha-Werte ergeben.

3.4.4 Explorative Faktorenanalyse

Die Ergebnisse der Faktorenanalyse in SPSS für die zwei zu untersuchendenModelle Skala „Teachers’ Beliefs“ und Skala „Integration of Digital Tools“ sind in

den Anlagen B22 und B23 zusammengefasst. Beide Faktorenanalysen erfolgten

auf der Basis einer Extraktion nach dem Eigenwert größer 1. Im Folgenden wer-

den die Ergebnisse aus der Faktorenanalyse für die Modelle erläutert.1

Modell 1: Skala „Teachers’ Beliefs“

Die Korrelationsmatrix gibt einen ersten Überblick, welche Variablen stark und

welche nur schwach miteinander korrelieren. Eine hohe Korrelation ist zwischen

Item 1– 2 und Item 2– 3 mit einem Wert von jeweils 0.686 zu erkennen, die

schwächsten Korrelationen liegen zwischen Item 5– 12 mit 0.398 und Item 5– 9

mit 0.457. Die anderen Korrelationen liegen nahe beieinander, so dass mehrere

Hintergrundvariablen mit der Korrelationsmatrix auf den ersten Blick nicht aufzu-

decken sind.

Der Bartlett-Test auf Sphärizität ist mit 2743.028 außerordentlich hoch bei einem

Signifikanzwert von p = 0.000; d.h. zwischen einigen der 12 Items besteht auch

in der Grundgesamtheit eine Korrelation. Das Kaiser-Mayer-Olkin-Maß (KMO)

der Stichprobeneignung im KMO- und Bartlett-Test wird mit 0.95 angegeben.

Dieser Wert kann als „fabelhaft“ gut angesehen werden, so dass die Zusam-

menstellung der Items für ein faktoranalytisches Modell durchaus geeignet zu

1 Da die Faktorenanalyse nicht im Mittelpunkt der Masterarbeit steht, wird auf eine ausführlicheAnalyse der Ergebnisse bzw. Werte verzichtet.




sein scheint.1 Die 12 MSA-Werte (Measure of Sampling Adequacy) in der Haupt-

diagonalen der Anti-Image-Korrelationsmatrix liegen zwischen 0.928 für Item 2

und 0.961 für Item 7. Der kleinste in der Matrix ausgewiesen MSA-Wert mit

0.928 ist noch immer „fabelhaft“, d.h. auch die MSA-Werte bieten keinen Anlass,

eine oder mehrere Variablen aus dem Modell auszuschließen.

Im nächsten Schritt werden die Eigenwerte und Kommunalitäten näher betrach-

tet. Während der Eigenwert angibt, welcher Teil der Gesamtstreuung aller

Variablen durch einen bestimmten Faktor erklärt wird, gibt die Kommunalität an,

welcher Teil der Streuung einer Variablen durch alle Faktoren erklärt wird.2 Der

erste Faktor in der Tabelle „Erklärte Gesamtvarianz“ und der Spalte „Anfängliche

Eigenwerte“ erklärt absolut 6.947 und damit bereits 57,8 Prozent der Gesamt-

streuung (Varianz). Der zweite Faktor erklärt absolut 0.823 und damit 6,9 Pro-

zent der Gesamtstreuung. Nach dem Kaiser-Kriterium ist nur ein Faktor zu

extrahieren, da nur der erste Faktor einen Eigenwert von größer als 1 aufweist.

Somit kann bereits an dieser Stelle die Faktorenanalyse für dieses Modell

beendet werden. Es wird nur ein Faktor bestimmt, d.h. die 12 Items des

Ausgangsmodells können zu einem Faktor, der Skala „Teachers’ Beliefs“, zu-

sammengefasst werden.

Modell 2: Skala „Integration of Digital Tools“

In der Korrelationsmatrix erkennt man, dass einige Items sehr stark (z.B. Item

11– 12, Item 11– 13 und Item 12– 13 mit Werten zwischen 0.673 und 0.805) und

einige sehr schwach (z.B. Item 3– 5, Item 5– 11 und Item 5– 12 mit Werten zwi-

schen 0.135 und 0.147) miteinander korrelieren; ein Großteil der Korrelationen

bewegt sich im mittleren Korrelationsbereich. Dies deutet darauf hin, dass es

mindestens zwei bis drei Faktoren geben wird.

Der Bartlett-Test auf Sphärizität ist mit 2121.553 außerordentlich hoch bei einem

Signifikanzwert von p = 0.000. Somit besteht zwischen einigen der 13 Items

auch in der Grundgesamtheit eine Korrelation. Das Kaiser-Mayer-Olkin-Maß der

Stichprobeneignung im KMO- und Bartlett-Test wird mit 0.872 angegeben, d.h.

der Wert ist „recht gut“, und die Zusammenstellung der Items scheint für ein fak-

1 Vgl. Brosius, F. (2006), S. 771f.2 Vgl. Brosius, F. (2006), S. 775




toranalytisches Modell durchaus geeignet zu sein. Die 13 MSA-Werte in der

Hauptdiagonalen der Anti-Image-Korrelationsmatrix bewegen sich zwischen

0.763 für Item 12 und 0.947 für Item 2. Der kleinste Wert in der Matrix ist noch

„mittelprächtig“, so dass alle Items im Modell bleiben können.

Der anfängliche Eigenwert des ersten Faktors erklärt absolut 5.257 und 40,4

Prozent der Gesamtstreuung. Der zweite Faktor absolut 1.759 und 13,5 Prozent

der Gesamtstreuung und der dritte Faktor 1.076 und 8,3 Prozent der Gesamt-

streuung. Die ersten drei Faktoren weisen einen Eigenwert von größer als 1 auf;

somit sind nach dem Kaiser-Kriterium drei Faktoren zu extrahieren.

Neben der Komponentenmatrix wird auch die rotierte Komponentenmatrix im

Ergebnis der Anlage B23 angegeben, welche die Faktorladungen der Items auf

die Faktoren angeben. Betrachtet man für jedes Item die Faktorladungen mit

dem stärksten Koeffizienten in der rotierten Komponentenmatrix, so lassen sich

die Items wie folgt zu den Faktoren zuordnen:

• Faktor 1: Item 1, 2, 3, 4, 9, 10

• Faktor 2: Item 11, 12, 13

• Faktor 3: Item 5, 6, 7, 8

Dies ist nur eine erste Interpretation der Faktorenanalyse, die hier nicht weiter

untersucht werden soll; sie basiert auf der Extraktion nach dem Eigenwert größer

als 1. Man kann jedoch feststellen, dass sich die Faktoren 1 und 2 aus der Skala

„Process of Integration“ (Frage 16) und Faktor 3 ausschließlich aus der Skala

„Future Development of Integration“ (Frage 17) ergeben.

Anmerkung

Wie die Faktorenanalyse der Skala „Integration of Digital Tools“ zeigt, werden

drei Faktoren herausgebildet, d.h. die Items lassen sich trotz eines hohen Cron-

bachs Alpha von 0.875 aus der Reliabilitätsanalyse nicht zu nur einem Faktor

bzw. einer Skala zusammenfassen. Für die weitere Untersuchung dieser Mas-

terarbeit werden nun die Skalenwerte der Skalen „Process of Integration“ und

„Future Development of Integration“ hinsichtlich Varianz, Normalverteilung,

Schiefe etc. näher betrachtet, um auf dieser Grundlage eine Entscheidung zutreffen, welche Skala für die weiteren Untersuchungen als „Integrationsvariable“




eingesetzt werden soll. Die Skalenwerte sind in Anlage A12 abgebildet. Die

Streuung der Skala „Process of Integration“ liegt bei 0.62 gegenüber einer

Streuung der Skala „Future Development of Integration“ bei 0.807. Die Schiefe

und die Standardabweichung sind bei der Skala „Future Development of Integra-

tion“ mit – 0.686 bzw. 0.898 deutlich ausgeprägter bzw. größer als bei der Skala

„Process of Integration“ mit – 0.097 Schiefe und einer Standardabweichung von

0.787.

Betrachtet man die Normalverteilungskurve mit den Balken des Histogramms der

Werte, so ist die Annahme normalverteiler Variablenwerte in der Skala „Process

of Integration“ plausibler. Aus diesem Grund wird für alle weiteren Untersuchun-

gen die Skala „Process of Integration“ als „Integrationsvariable“ eingesetzt.

3.4.5 Korrelationsanalyse

Die Ergebnisse der Korrelationsanalyse für alle Variablenpaare im Pfadmodell

sind in der folgenden Tabelle 8 zusammengefasst. Der Output aus SPSS für die

Variablenpaare sind den Anlagen A13 bis A18 zu entnehmen.

Variable Proficiency of Digital

Tools

Teachers' Readiness Teachers' Beliefs Process of Integration

Age -0.010 -0.049 0.020 -0.146**

Years of Teaching 0.036 0.048 0.164** 0.046

Overall Support 0.075 0.453**

0.426**

0.440**

Technical Support 0.071 0.287**

0.163**

0.207**

Proficiency of Digital Tools - 0.550**

0.229**

0.401**

Teachers' Readiness - - - 0.520**

Teachers' Beliefs - - - 0.482**

** Die Korrelation ist auf dem Niveau von 0.01 (2-seitig) signifikant.

* Die Korrelation ist auf dem Niveau von 0.05 (2-seitig) signifikant.

Tabelle 8: Korrelationskoeffizienten für die Variablenpaare im Pfadmodell

Wie der Tabelle 8 zu entnehmen ist, sind die Werte der Korrelationskoeffizienten

zwischen den exogenen Variablen „Age“, „Years of Teaching“, „Overall Support“

und „Technical Support“ und der Variablen „Proficiency of Digital Tools“ sehr ge-

ring und weisen zudem keinen signifikanten Zusammenhang auf (p > 0.05).

Die Beträge der Korrelationskoeffizienten zwischen „Age“ und „Teachers’

Readiness“ als auch zwischen „Years of Teaching“ und „Teachers’ Readiness“

sind ebenfalls sehr gering und nicht signifikant (p > 0.05). Anders verhält es sichmit den Variablen „Overall Support“, „Technical Support“ und „Proficiency of




Digital Tools“ und der Variablen „Teachers’ Readiness“, deren Werte mit p <

0.01 positiv (zweiseitig) signifikant sind. „Technical Support“ weist mit r = 0.287

eine schwache positive Korrelation, „Overall Support“ (r = 0.453) und „Proficien-

cy of Digital Tools“ (r = 0.550) eine mittlere positive Korrelation mit „Teachers’

Readiness“ aus.

Der Zusammenhang zwischen „Age“ und „Teachers’ Beliefs“ ist mit 0.020 sehr

schwach und bei einem Signifikanzniveau (zweiseitig) von p > 0.05 nicht signifi-

kant. Positiv (zweiseitig) signifikant mit p < 0.01 hingegen sind die Beträge der

Korrelationskoeffizienten zwischen „Years of Teaching“, „Overall Support“,

„Technical Support“ und „Proficiency of Digital Tools“ und der Variablen

„Teachers’ Beliefs“. Die stärkste Korrelation mit „Teachers’ Beliefs“ weist „Overall

Support“ mit r = 0.426 auf, gefolgt von „Proficiency of Digital Tools“ mit r = 0.229,

„Years of Teaching“ mit r = 0.164 und „Technical Support“ mit r = 0.163.

Zwischen „Years of Teaching“ und „Process of Integration” liegt ein sehr gerin-

ger, nicht signifikanter Zusammenhang vor. Der Zusammenhang zwischen

„Process of Integration“ und den anderen Variablen im Pfadmodell ist jeweils mit

p < 0.01 (zweiseitig) signifikant: „Age“ korreliert negativ mit „Process of Integrati-

on“ bei r = – 0.146, „Technical Support” schwach positiv (r = 0.207), “Proficiency

of Digital Tools” mit r = 0.401, “Overall Support” mit r = 0.440 und “Teachers’

Beliefs” mit r = 0.482 mittlerer Stärke. Der stärkste signifikant positive Zusam-

menhang besteht zwischen „Teachers’ Readiness“ und „Process of Integration“

mit r = 0.520.

Anmerkung

Wie die Ergebnisse der Korrelation in Tabelle 8 zeigen, liegt bei einigen Vari-ablenpaaren kein signifikanter Zusammenhang vor. Diese Variablen können ei-

gentlich schon vor der Durchführung der multiplen Regressionsanalysen der ent-

sprechenden Modelle entfernt werden; im Rahmen dieser Arbeit erfolgen jedoch

die multiplen Regressionsanalysen mit allen Variablen in den Modellen.




3.4.6 Multiple Regressionsanalyse

Die Ergebnisse der multiplen Regressionsanalysen der vier Modelle aus SPSS

sind in den Anlagen A19 („Proficiency of Digital Tools“), A20 und A21 („Tea-

chers’ Readiness“), A22 und A23 („Teachers’ Beliefs“) sowie A24 und A25 („Pro-

cess of Integration“) zu finden.

Die standardisierten Regressionskoeffizienten β und die korrigierten R-Quadrate

aus den vier Modellen der multiplen Regressionsanalysen sind in der folgenden

Tabelle 9 zusammengefasst.

vor

Anpassung

nach

Anpassung

vor

Anpassung

nach

Anpassung

vor

Anpassung

nach

Anpassung

vor

Anpassung

nach

Anpassung

Age -0.046 - -0.050 - -0.071 - -0.185** -0.134**

Years of Teaching 0.061 - 0.027 - 0.160** 0.116* 0.081 -

Overall Support 0.043 - 0.397** 0.414** 0.461** 0.467** 0.249** 0.222**

Technical Support 0.045 - 0.023 - -0.114* -0.116* -0.051 -


Tools- - 0.517** 0.519** 0.195** 0.197** 0.220** 0.220**

Teachers' Readiness - - - - - - 0.189** 0.187**

Teachers' Beliefs - - - - - - 0.250** 0.266**

korrigiertes R² -0.001 - 0.468 0.470 0.237 0.236 0.426 0.423

** p < 0.01

* p < 0.05

Unabhängige

Variable

Endogene abhängige Variable


Tools

Teachers' Readiness Teachers' Beliefs Process of Integration

Tabelle 9: Direkte Einflüsse auf die endogenen Variablen im Pfadmodell (standardisierte Reg-

ressionskoeffizienten)

Die Ergebnisse der multiplen Regressionsanalysen sowie der Einfluss auf jede

endogene abhängige Variable wird nun im Detail erklärt.

3.4.6.1 Ergebnisse und Hypothesenbewertung Modell „Proficiency of Digital

Tools“

Statistische Ergebnisse des Modells

Die multiple Regressionsanalyse mit der Methode „Einschluss“ berechnet für das

Modell 1 „Proficiency of Digital Tools“ eine Regressionsgleichung mit folgenden

Werten:1

y = 3.874 – 0.055x 1 + 0.058x 2 + 0.058x 3 + 0.058x 4

1 x1, β1 = Variable „Age“; x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“;x4, β4 = Variable „Technical Support“




sowie eine standardisierte Regressionsgleichung mit den Werten:

y = –0.046 β1 + 0.061 β2 + 0.043 β3 + 0.045 β4

Aus diesen geschätzten Regressionsgleichungen lässt sich zunächst ablesen,dass das Vorzeichen und somit der Zusammenhang der Variablen „Age“ zu

„Proficiency of Digital Tools“ negativ ist. Die Variablen „Years of Teaching“,

„Overall Support“ und „Technical Support“ hingegen weisen ein positives Vorzei-

chen und damit einen positiven Zusammenhang auf.

Für das korrigierte R² berechnet SPSS einen Wert von – 0.001. Dies bedeutet,

dass für die vier Variablen lediglich 0,1 Prozent der Varianz durch das Modell

„Proficiency of Digital Tools“ erklärt werden kann. Die ermittelte Regressionsge-rade passt somit nicht zu den empirischen Daten. Die Effektstärke ist sehr klein,

nahezu nicht vorhanden. Die F-Statistik ermittelt einen Wert von 0.871 bei einem

Signifikanzniveau p = 0.482; dieser Wert liegt über 0.05, so dass davon ausge-

gangen werden kann, dass der Zusammenhang der Variablen im Modell nicht

statistisch signifikant ist.

Betrachtet man die einzelnen standardisierten Regressionskoeffizienten β, so

hat keine der Variablen einen signifikanten Einfluss auf die Variable„Proficiency of Digital Tools“. Die angegebenen Signifikanz-Werte liegen über

einem Wert von 0.05. „Age“ hat einen nicht signifikanten, negativen Einfluss auf

„Proficiency of Digital Tools“ von β = – 0.046 bei p = 0.488; „Years of

Teaching“ einen nicht signifikanten, positiven Einfluss auf „Proficiency of Digital

Tools“ von β = 0.061 bei p = 0.354; „Overall Support“ einen nicht signifikanten,

positiven Einfluss von β = 0.043 bei p = 0.493 und „Technical Support“ einen

nicht signifikanten, positiven Einfluss von β = 0.045 bei p = 0.469.

Sowohl das ganze Modell als auch die einzelnen standardisierten Regressions-

koeffizienten sind nicht signifikant, d.h. die Wahrscheinlichkeit, dass die Unter-

schiede zwischen den Messgrößen durch Zufall zustande kommen, ist sehr

hoch. Da lediglich nicht signifikante Werte und damit keine signifikanten Zusam-

menhänge vorliegen, wird auf eine Prüfung der Modellprämissen verzichtet.




Modellanpassung

Das Modell „Proficiency of Digital Tools“ umfasst lediglich nicht signifikante Wer-

te, daher sollten alle Variablen aus dem Modell entfernt werden. Für das Modell

„Proficiency of Digital Tools“ wird keine Modellanpassung vorgenommen.

Hypothesenbewertung

In den Hypothesen H1 und H2a wurde postuliert, dass die demographischen Ei-

genschaften der Lehrperson (Variablen „Age“ und „Years of Teaching“) jeweils

einen negativen direkten Einfluss auf den Leistungsstand zu digitalen Arbeitsmit-

teln („Proficiency of Digital Tools“) haben. Die Hypothesen H3a und H4a nahmen

an, dass die Eigenschaften der Bildungseinrichtung (Variablen „Overall Support“und „Technical Support“) jeweils einen positiven direkten Einfluss auf die Variab-

le „Proficiency of Digital Tools“ haben. Wie die Ergebnisse zeigen, liegen keine

signifikanten Werte vor und die Hypothesen H1, H2a, H3a und H4a können nicht

bestätigt werden.

3.4.6.2 Ergebnisse und Hypothesenbewertung Modell „Teachers’ Readiness“


Für das Modell 2 „Teachers’ Readiness“ berechnet die multiple Regressionsana-

lyse eine Regressionsgleichung mit folgenden Werten:1

y = 1.033 – 0.042x 1 + 0.018x 2 + 0.379x 3 + 0.021x 4 + 0.367x 5


y = –0.050 β1 + 0.027 β2 + 0.397 β3 + 0.023 β4 + 0.517 β5

Das Vorzeichen und damit der Zusammenhang der Variablen „Age“ zu

„Proficiency of Digital Tools“ ist negativ. Die Variablen „Years of Teaching“,

„Proficiency of Digital Tools“, „Overall Support“ und „Technical Support“ besitzen

ein positives Vorzeichen, d.h. die Zusammenhänge hinsichtlich „Proficiency of

Digital Tools“ sind positiv.

1 x1, β1 = Variable „Age“; x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“;x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“




SPSS berechnet für das korrigierte R² des Modells einen Wert von 0.468; somit

können für die fünf Variablen 46,8 Prozent der Varianz durch das Modell

„Teachers’ Readiness“ erklärt werden. Die ermittelte Regressionsgerade passt

zu den empirischen Daten und es kann von einem großen Effekt ausgegangen

werden. Die F-Statistik ermittelt einen Wert von 67.903 bei p = 0.000, d.h. der

Zusammenhang der Variablen im Modell ist statistisch signifikant.

Betrachtet man die einzelnen standardisierten Regressionskoeffizienten β, so

hat die Variable „Proficiency of Digital Tools“ mit β = 0.517 den größten signifi-

kanten Einfluss auf die Variable „Teachers’ Readiness“ mit p = 0.000. Den

zweitgrößten Einfluss hat die Variable „Overall Support“ mit β = 0.397; der Wert

ist mit einem Signifikanzwert von p = 0.000 ebenfalls signifikant. Die anderen

Variablen haben keinen signifikanten Einfluss auf „Teachers’ Readiness“; ihre

Signifikanzwerte liegen über 0.05. „Age“ hat einen nicht signifikanten, negativen

Einfluss von β = – 0.050 bei p = 0.297; „Years of Teaching“ einen nicht signifikan-

ten, positiven Einfluss von β = 0.027 bei p = 0.580 und „Technical Support“ einen

nicht signifikanten, positiven Einfluss von β = 0.023 bei p = 0.613.

Im Folgenden werden noch die Modellprämissen des Modells „Teachers’

Readiness“ geprüft: der grafische Test der Residuen auf Normalverteilung zeigt

im Histogramm und Normalverteilungsplot der Residuen eine „annähernde“

Normalverteilung. Das Streudiagramm der Residuen in Anlage xx deutet auf eine

nicht konstante Streuung hin, d.h. die Varianzen der Residuen scheinen unter-

schiedlich, und es liegt voraussichtlich Heteroskedastitzät vor. Die Heteroske-

dastizität kann mit dem Levene-Test geprüft werden, der hier jedoch nicht An-

wendung findet.1 Die Durbon-Watson-Statistik gibt für das Modell einen Wert von

2.017 aus. Dieser Wert entspricht nahezu dem Wert 2, d.h. es liegt keine Auto-

korrelation der Residuen vor. Als letzte Modellprämisse wird die Multikollinearität

untersucht. Aus der Kolinearitätsstatistik des Modells lassen sich Toleranzwerte

und VIF-Werte für die einzelnen Variablen ablesen. Die Toleranzwerte liegen

zwischen 0.602 und 0.991 und die VIF-Werte zwischen 1.009 und 1.662. Da die

1 Die Normalverteilung und Homoskedastizität werden in allen multiplen Regressionsanalysennur graphisch geprüft und ausgewertet. Die Ergebnisse des Chi² Test und der explorativen Da-tenanalyse sind der Anlage xx zu entnehmen; sie sind nicht Gegenstand dieser Masterarbeit,dienen jedoch als Ausgangspunkt bzw. Zusatz weiterer Analysen.




Toleranzwerte nicht unter 0.25 und die VIF-Werte nicht über 5 liegen, liegt somit

keine Multikollinearität vor.

Modellanpassung

Das Modell „Teachers’ Readiness“ beinhaltet drei nicht signifikante Variable

(„Age“, „Years of Teaching“ und „Technical Support“), die aus dem Modell ent-

fernt werden. Da sich durch das Entfernen der Variablen die Werte für das Mo-

dell und die Regressionskoeffizienten der anderen Variablen ändern, wird eine

Modellanpassung vorgenommen. Die Ergebnisse der Modellanpassung sind in

Anlage A21 dargestellt und werden im Folgenden aufgezeigt.

Für das angepasste Modell „Teachers’ Readiness“ wird eine Regressionsglei-chung mit folgenden Werten berechnet:1

y = 0.985 + 0.394x 3 + 0.368x 5


y = 0.414 β3 + 0.519 β5

Für das korrigierte R² des angepassten Modells berechnet SPSS einen Wert von

0.470; somit können für die zwei Variablen 47 Prozent der Varianz durch dasModell „Teachers’ Readiness“ erklärt und von einem großen Effekt ausgegangen

werden. Laut F-Statistik ist der Zusammenhang der Variablen im angepassten

Modell statistisch signifikant (169.822; p = 0.000).

Den größten signifikanten Einfluss auf „Teachers’ Readiness“ hat die Variable

„Proficiency of Digital Tools“ mit β = 0.519 bei p = 0.000. Die Variable „Overall

Support“ kommt auf einen signifikant positiven Wert von β = 0.414 bei p = 0.000.

Nach dem Histogramm und Normalverteilungsplot der Residuen liegt eine „an-

nähernde“ Normalverteilung vor. Die Homoskedastizität ist graphisch nicht ein-

deutig nachweisbar; auf einen Levene-Test wird jedoch verzichtet. Auch im an-

gepassten Modell existiert weder eine Autokorrelation (Durbon-Watson-Statistik:

2.005) noch eine Multikollinearität (Toleranzwerte: jeweils 0.994; VIF-Werte: je-

weils 1.006). Die Modellprämissen können mit Einschränkungen als „erfüllt“ be-

trachtet werden.

1 x3, β3 = Variable „Overall Support“; x5, β5 = Variable „Proficiency of Digital Tools“




Hypothesenbewertung

In der Hypothese H2b wurde postuliert, dass die Jahre des Lehrens („Years of

Teaching“) einen negativen direkten Einfluss auf die Bereitschaft der Lehrperson

(„Teachers’ Readiness“) haben. Diese Hypothese H2b kann nicht bestätigt wer-

den, da für die Variable „Years of Teaching“ kein signifikanter Wert vorliegt.

In den Hypothesen H3b und H4b wurde angenommen, dass die Eigenschaften

der Bildungseinrichtung (Variablen „Overall Support“ und „Technical Support“)

einen positiven, direkten Einfluss auf die Variable „Teachers’ Readiness“ haben.

Hypothese H3b kann bestätigt werden: die Variable „Overall Support“ liefert im

Modell einen hohen signifikanten positiven Wert auf „Teachers’ Readiness“. Hy-

pothese H4b kann nicht bestätigt werden, da für die Variable „Technical Support“

kein signifikanter Wert ausgewiesen wird.

In der Hypothese H5a wurde postuliert, dass der Leistungsstand zu digitalen Ar-

beitsmitteln („Proficiency of Digital Tools“) einen positiven direkten Einfluss auf

die Bereitschaft der Lehrperson („Teachers’ Readiness“) nimmt. Diese Hypothe-

se kann durch den hohen signifikanten positiven Wert der Variablen „Proficiency

of Digital Tools“ im Modell bestätigt werden.

3.4.6.3 Ergebnisse und Hypothesenbewertung Modell „Teachers’ Beliefs“


Die multiple Regressionsanalyse berechnet für das Modell 3 „Teachers’ Beliefs“

eine Regressionsgleichung mit folgenden Werten:1

y = 1.849 – 0.055x 1 + 0.099x 2 + 0.404x 3 – 0.095x 4 + 0.128x 5


y = –0.071 β1 + 0.160 β2 + 0.461 β3 – 0.114 β4 + 0.195 β5

Die Variablen „Age“ und „Technical Support“ besitzen ein negatives Vorzeichen

und weisen damit einen negativen Zusammenhang auf. Die Variablen „Years of

1 x1, β1 = Variable „Age“; x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“;x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“




Teaching”, “Proficiency of Digital Tools” und “Overall Support” hingegen zeigen

ein positives Vorzeichen und damit einen positiven Zusammenhang auf.

Für das korrigierte R² des Modells wird ein Wert von 0.247 berechnet, d.h. für die

fünf Variablen können 24,7 Prozent der Varianz durch das Modell „Teachers’

Beliefs“ erklärt werden. Bei diesem Wert kann von einer mittleren bis großen Ef-

fektstärke ausgegangen werden. Die F-Statistik ermittelt einen Wert von 24.732

bei p = 0.000, d.h. der Zusammenhang der Variablen im Modell ist statistisch

signifikant.

Die Variable „Overall Support“ hat mit β = 0.461 den größten signifikanten Ein-

fluss auf die Variable „Teachers’ Beliefs“ mit p = 0.000, den zweitgrößten signifi-

kanten Einfluss hat die Variable „Proficiency of Digital Tools“ mit β = 0.195 bei p

= 0.000 und den drittgrößten signifikanten Einfluss die Variable „Years of

Teaching“ mit β = 0.160 bei p = 0.006. „Technical Support“ hat einen signifikan-

ten negativen Einfluss auf „Teachers’ Beliefs“ mit β = – 0.114 bei p = 0.037. In

diesem Modell hat lediglich die Variable „Age“ keinen signifikanten Einfluss auf

„Teachers’ Beliefs“; ihr standardisierter Regressionskoeffizient nimmt einen ne-

gativen Wert von β = – 0.071 bei p = 0.217 an.

Betrachtet man die Modellprämissen des Modells „Teachers’ Beliefs“, so zeigen

das Histogramm und das Normalverteilungsplot der Residuen eine „annähernde“

Normalverteilung. Das Streudiagramm hingegen deutet nicht auf eine konstante

Streuung hin, d.h. die Varianzen der Residuen sind vermutlich unterschiedlich

und es liegt Heteroskedastizität vor. Eine Prüfung mit dem Levene-Test wird im

Rahmen dieser Arbeit nicht vorgenommen. Für das Modell wird eine Durbon-

Watson-Statistik von 1.831 ausgegeben. Dieser Wert liegt relativ nah an dem

Wert 2, d.h. es liegt höchstens eine sehr schwache positive Autokorrelation der

Residuen vor. Die Prüfung auf Multikollinearität liefert die folgenden Ergebnisse

in der Kolinearitätsstatistik: die Toleranzwerte der Variablen liegen zwischen

0.602 und 0.991 und die VIF-Werte zwischen 1.009 und 1.662, d.h. es liegt keine

Multikollinearität vor.




Modellanpassung

Das Modell „Teachers’ Beliefs“ beinhaltet eine nicht signifikante Variable „Age“,

die aus dem Modell entfernt wird. Wegen der Veränderung der Werte für das

Modell und den Regressionskoeffizienten der anderen Variablen bei der Ent-

nahme der Variablen, wird auch hier eine Modellanpassung vorgenommen. Der

Anlage A23 sind die Ergebnisse der Modellanpassung zu entnehmen; sie wer-

den im Folgenden dargestellt.

Für das angepasste Modell „Teachers’ Beliefs“ wird eine Regressionsgleichung

mit folgenden Werten berechnet:1

y = 1.761 + 0.071x 2 + 0.409x 3 – 0.096x 4 + 0.129x 5


y = 0.116 β2 + 0.467 β3 – 0.116 β4 + 0.197 β5


0.244; für die vier Variablen werden somit 24,4 Prozent der Varianz durch das

Modell „Teachers’ Beliefs“ erklärt und von einem Effekt mittlerer bis größerer

Stärke ausgegangen. Der Zusammenhang der Variablen im angepassten Modell

ist nach der F-Statistik statistisch signifikant (30.491; p = 0.000).

Den größten signifikanten positiven Einfluss auf „Teachers’ Beliefs“ hat die Vari-

able „Overall Support“ mit β = 0.467 bei p = 0.000. Die Variable „Proficiency of

Digital Tools“ folgt an zweiter Stelle mit einem signifikant positiven Wert von β =

0.197 bei p = 0.000. Die Variable „Years of Teaching“ hat einen signifikant positi-

ven Einfluss von β = 0.116 und einem Signifikanzwert von p = 0.011. Einen signi-

fikanten negativen Einfluss hat die Variable „Technical Support“ mit β = – 0.116bei p = 0.035.

Auch im angepassten Modell sind die Residuen „annähernd“ normalverteilt und

das Streudiagramm zeigt eine Tendenz zur Heteroskedastizität, die hier nicht

weiter untersucht wird. Weiter liegt eine sehr schwache positive Autokorrelation

(Durbon-Watson-Statistik: 1.828) und keine Multikollinearität (Toleranzwerte:

1 x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“; x4, β4 = Variable„Technical Support”; x5, β5 = Variable „Proficiency of Digital Tools“




zwischen 0.668 und 0.992; VIF-Werte: zwischen 1.008 und 1.497) vor. Die Mo-

dellprämissen können mit Einschränkungen als „erfüllt“ angesehen werden.

Hypothesenbewertung

In den Hypothesen H3c und H4c wurde angenommen, dass die Eigenschaften

der Bildungseinrichtung (Variablen „Overall Support“ und „Technical Support“)

jeweils einen positiven, direkten Einfluss auf die Variable „Teachers’ Beliefs“ ha-

ben. Hypothese H3c kann bestätigt werden; die Variable „Overall Support“ liefert

im Modell einen hohen signifikanten positiven Wert auf „Teachers’ Beliefs“. Ein

signifikant postulierter Einfluss der Variablen „Technical Support“ auf „Teachers’

Beliefs“ liegt zwar vor, allerdings ist dieser negativ. Somit kann Hypothese H4c

nicht bestätigt werden.

In der Hypothese H5b wurde postuliert, dass der Leistungsstand zu digitalen Ar-

beitsmitteln („Proficiency of Digital Tools“) einen positiven direkten Einfluss auf

die Vorstellungen der Lehrperson („Teachers’ Beliefs“) hat. Wie die Ergebnisse

zeigen, kann diese Hypothese H7 bestätigt werden.

3.4.6.4 Ergebnisse und Hypothesenbewertung Modell „Process of Integration“


Für das Modell 4 „Integration of Digital Tools“1 berechnet die multiple Regressi-

onsanalyse eine Regressionsgleichung mit folgenden Werten:2

y = 0.573 – 0.154x 1 + 0.053x 2 + 0.232x 3 – 0.045x 4 + 0.153x 5 + 0.185x 6 +

0.266x 7


y = –0.185 β1 + 0.081 β2 + 0.249 β3 – 0.051 β4 + 0.220 β5 + 0.189 β6 + 0.250 β7

1 Die im Pfadmodell angegebene Variable „Integration of Digital Tools“ entspricht der Variablen„Process of Integration“, die nach den Ergebnissen der Faktorenanalyse in Kapitel 3.4.4 als „In-tegrationsvariable“ eingesetzt wird. Für die Berechnungen in SPSS wurde die Variable nicht

umbenannt.2 x1, β1 = Variable „Age“; x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“;x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“; x6, β6 =Variable „Teachers’ Readiness“; x7, β7 = Variable „Teachers’ Beliefs“




Aus diesen geschätzten Regressionsgleichungen lässt sich ablesen, dass das

Vorzeichen der Variablen „Age“ und „Technical Support“ negativ ist und damit

ein negativer Zusammenhang zu „Process of Integration“ besteht. Die Variablen

„Years of Teaching“, „Proficiency of Digital Tools“, „Teachers’ Readiness“, „Tea-

chers’ Beliefs“ und „Overall Support“ besitzen ein positives Vorzeichen; ihr Zu-

sammenhang zu „Process of Integration” ist positiv.

SPSS berechnet für das korrigierte R² des Modells einen Wert von 0.426; somit

können für die sieben Variablen 42,6 Prozent der Varianz durch das Modell

„Process of Integration“ erklärt werden. Die ermittelte Regressionsgerade passt

zu den empirischen Daten und es kann von einem großen Effekt ausgegangen

werden. Der Zusammenhang der Variablen im Modell ist statistisch signifikant

(F-Statistik: 41.383, p = 0.000).

Betrachtet man die standardisierten Regressionskoeffizienten β, so haben zwei

Variablen keinen signifikanten Einfluss auf „Process of Integration“: die Variable

„Years of Teaching“ (β = 0.081; p = 0.112) und die Variable „Technical Support“

(β = – 0.051; p = 0.289). Den größten signifikanten Einfluss auf „Process of

Integration“ hat die Variable „Teachers’ Beliefs“ (β = 0.250; p = 0.000), gefolgt

von den Variablen „Overall Support“ (β = 0.249; p = 0.000), „Proficiency of Digital

Tools“ (β = 0.220; p = 0.000) und „Teachers’ Readiness (β = 0.189; p = 0.001).

Die Variable „Age“ hat einen signifikanten negativen Einfluss von β = – 0.185 bei

p = 0.000 auf „Process of Integration“.

Der graphische Test auf Normalverteilung liefert eine „annähernde“ Normalver-

teilung. Das Streudiagramm zeigt keine eindeutige konstante Streuung, d.h. die

Varianzen der Residuen scheinen unterschiedlich und es liegt voraussichtlich

Heteroskedastizität vor; eine Prüfung auf Homoskedastizität mit dem Levene-

Test erfolgt nicht. Die Durbon-Watson-Statistik gibt für das Modell einen Wert

von 1.917 aus, d.h. es liegt eine sehr schwache positive Autokorrelation der Re-

siduen vor. Die Toleranzwerte des Modells zur Prüfung der Multikollinearität lie-

gen zwischen 0.497 und 0.734 und die VIF-Werte zwischen 1.363 und 2.013.

Damit liegt keine Multikollinarität vor.




Modellanpassung

Das Modell „Process of Integration“ beinhaltet zwei nicht signifikante Variable

„Years of Teaching“ und „Technical Support“, die aus dem Modell entfernt wer-

den. Die Ergebnisse der Modellanpassung aus SPSS sind in Anlage A25 darge-

stellt und werden im Folgenden aufgezeigt.

Für das angepasste Modell „Process of Integration“ wird eine Regressionsglei-

chung mit folgenden Werten berechnet:1

y = 0.518 – 0.111x 1 + 0.208x 3 + 0.153x 5 + 0.183x 6 + 0.284x 7


y = –0.134 β1 + 0.222 β3 + 0.220 β5 + 0.187 β6 + 0.266 β7


0.423; 42,3 Prozent der Varianz können für die fünf Variablen durch das Modell

„Process of Integration“ erklärt werden. Es handelt sich um eine große Effekt-

stärke. Laut F-Statistik ist der Zusammenhang der Variablen im angepassten

Modell statistisch signifikant (56.881; p = 0.000).

Im angepassten Modell hat die Variable „Teachers’ Beliefs“ den größten signifi-kanten Einfluss auf „Process of Integration“ mit β = 0.266 bei p = 0.000. Der sig-

nifikante Einfluss der Variablen „Overall Support“ mit β = 0.222 bei p = 0.000

sowie „Proficiency of Digital Tools“ mit β = 0.220 bei p = 0.000 ist nahezu iden-

tisch. Die Variable „Teachers’ Readiness“ hat einen Einfluss auf „Process of

Integration” von β = 0.187 bei p = 0.001. Einen signifikanten negativen Einfluss

auf „Process of Integration“ hat die Variable „Age“ (β = – 0.134; p = 0.001).

Das Histogramm und Normalverteilungsplot der Residuen zeigt einen extremenAusreißer, der hier jedoch nicht näher untersucht werden soll. Die Normalvertei-

lung ist dadurch nur bedingt „annähernd“ gegeben. Auch im angepassten Modell

zeigt das Streudiagramm keine eindeutige konstante Streuung, d.h. es liegt auch

hier vermutlich Heteroskedastizität vor, die in weiteren Analysen untersucht wer-

den sollte. Des Weiteren liegt eine sehr schwache positive Autokorrelation

(Durbon-Watson-Statistik: 1.880), jedoch keine Multikollinearität (Toleranzwerte

1 x1, β1 = Variable „Age“; x3, β3 = Variable „Overall Support”; x5, β5 = Variable „Proficiency ofDigital Tools“; x6, β6 = Variable „Teachers’ Readiness“; x7, β7 = Variable „Teachers’ Beliefs“




zwischen 0.513 und 0.995; VIF-Werte zwischen 1.005 und 1.948) vor. Die

Modellprämissen können lediglich mit Einschränkungen als „erfüllt“ betrachtet

werden.

Hypothesenbewertung

In den Hypothesen H6 und H7 wurde postuliert, dass die Bereitschaft der Lehr-

person („Teachers’ Readiness“) und die Ansichten der Lehrperson („Teachers’

Beliefs) jeweils einen positiven direkten Einfluss auf die Integration digitaler Ar-

beitsmittel („Integration of Digital Tools“) haben. Beide Hypothesen können mit

den Ergebnissen der multiplen Regressionsanalyse bestätigt werden.

3.4.7 Geschätztes Pfadmodell

Mit den Ergebnissen der multiplen Regressionsanalysen wird ein überarbeitetes

Pfadmodell in Abbildung 9 aufgestellt. Die im Pfadmodell angegebenen Werte

für die standardisierten Regressionskoeffizienten β entsprechen den angepass-

ten Modellen der multiplen Regressionsanalysen aus Kapitel 3.4.6.

Block 1 Block 2 Block 3 Block 4

Abbildung 9: Geschätztes Pfadmodell




Folgende Zusammenhänge bzw. Einflüsse auf die Integration digitaler Arbeits-

mittel lassen sich aus dem überarbeiteten Pfadmodell zusammenfassen:

• Keine exogene Variable hat einen direkten Einfluss auf „Proficiency of

Digital Tools“.

• Die Variable „Age“ hat einen negativen direkten Einfluss auf die Variable

„Integration of Digital Tools“.

• Die Variable „Years of Teaching“ hat einen positiven direkten Einfluss

auf die Variable „Teachers’ Beliefs“.

• Die Variable „Overall Support“ hat einen positiven direkten Einfluss auf

die Variablen „Teachers’ Readiness“, „Teachers’ Beliefs“ sowie


• Die Variable „Technical Support“ hat einen negativen direkten Einfluss

auf die Variable „Teachers’ Beliefs“.

• Die Variable „Proficiency of Digital Tools“ hat einen positiven direkten

Einfluss auf die Variablen „Teachers’ Readiness“, „Teachers’ Beliefs“

und „Integration of Digital Tools“.

• Die Variable „Teachers’ Readiness“ und die Variable „Teachers’

Beliefs“ haben jeweils einen positiven direkten Einfluss auf die Variable


3.4.8 Zentrale Tendenz nicht im Pfadmodell abgebildeter Variablen

3.4.8.1 t-Test für unabhängige Stichproben

Die Ergebnisse des t-Tests für die Variable „Geschlecht“ mit den endogenen Va-

riablen im Pfadmodell sind der Anlage B24 zu entnehmen. Anhand der Daten

lässt sich erkennen, dass es einen Unterschied des Mittelwertes zwischen Frau-

en und Männern bezogen auf die einzelnen Variablen gibt. Der Mittelwert hin-

sichtlich „Proficiency of Digital Tools“ liegt bei den Männern auf einer Skala von 1

(keinerlei Erfahrung ) bis 6 (sehr gute Beherrschung ) mit 4.45 höher als bei den

Frauen mit 4.15, dasselbe gilt bei „Teachers’ Readiness“ mit 3.88 bei den Män-nern und 3.86 bei den Frauen auf einer Skala von 1 ( trifft überhaupt nicht zu )




und 5 (trifft vollkommen zu ). Der Mittelwert der beiden Variablen „Teachers’ Be-

liefs“ und „Process of Integration“, jeweils auf einer Skala von 1 (trifft überhaupt

nicht zu ) und 5 (trifft vollkommen zu ), ist hingegen bei den Frauen mit 3.72

(„Teachers’ Beliefs“) und 3.34 („Process of Integration“) höher im Vergleich zu

den Männern mit 3.52 („Teachers’ Beliefs“) und 3.15 („Process of Integration“).

Der Levene-Test zur Prüfung auf Varianzhomogenität gibt für „Proficiency of Di-

gital Tools“ einen F-Wert von 1.434 bei einer Signifikanz von p = 0.232 aus. Da

dieser Wert nicht signifikant ist1, liegt Varianzhomogenität vor und die Werte für

den T-Test lassen sich aus der Zeile Varianzen sind gleich ablesen. Für den T-

Test für die Mittelwertgleichheit ergeben sich Freiheitsgrade von 380 und ein t-

Wert von -2.608 bei einer (zweiseitigen) Signifikanz von p = 0.009. Da der Signi-

fikanzwert unter dem Niveau von 0.01 liegt, unterscheiden sich die Mittelwerte

von Männern und Frauen im Hinblick auf „Proficiency of Digital Tools“ signifikant.

Bei „Teachers’ Readiness“ ergibt sich ein F-Wert von 2.517 bei p = 0.113 für den

Levene-Test der Varianzgleichheit, auch dieser Wert ist nicht signifikant, so dass

es sich auch in diesem Fall um Varianzhomogenität handelt. Der T-Test für die

Mittelwertgleichheit liefert Freiheitsgrade von 380 und ein t-Wert von – 0.257 bei

einer (zweiseitigen) Signifikanz von p = 0.798. Der Signifikanzwert liegt deutlich

über dem Signifikanzniveau von 0.05, so dass sich die Mittelwerte von Männern

und Frauen hinsichtlich „Teachers’ Readiness“ nicht signifikant unterscheiden.

Der Levene-Test der Variablen „Teachers’ Beliefs” ergibt einen F-Wert von 0.775

bei p = 0.379; der Wert ist nicht signifikant und es liegt Varianzhomogenität vor.

Der T-Test liefert Freiheitsgrade von 380 und einen t-Wert von 2.747 bei (zwei-

seitiger) Signifikanz von p = 0.006. Damit unterscheiden sich die Mittelwerte von

Männern und Frauen im Hinblick auf „Teachers’ Beliefs“ signifikant.

Auch bei der Variablen „Process of Integration” liegt Varianzhomogenität vor (F-

Wert: 0.863; p = 0.354). Aus dem T-Test für die Mittelwertgleichheit ergeben sich

Freiheitsgrade von 380 und ein t-Wert von 2.376 bei einem (zweiseitigen) Signi-

fikanzwert von p = 0.018. Dieser Wert liegt noch unter dem Signifikanzniveau

1 Der F-Wert sollte bei Varianzhomogenität nicht signifikant werden. Bei einem Test auf Varianz-homogenität liegt das Signifikanzniveau bei 0.1. (vgl. Universität Zürich/Schwarz, J. (Hrsg.)(2010f), o. S.)




von 0.05, d.h. die Mittelwerte von Frauen und Männer hinsichtlich „Process of

Integration“ unterscheiden sich ebenfalls signifikant.

3.4.8.2 Einfaktorielle Varianzanalyse (ANOVA)

Die Ergebnisse der Varianzanalyse für Modell 1a, 1b, 1c und 1d sind in Anlage

B25, für Modell 2a, 2b, 2c und 2d in Anlage B26 und für Modell 3a, 3b, 3c und 3d

in Anlage B27 zu finden.

Statistische Ergebnisse Modell 1

Die Mittelwert-Diagramme für Modell 1a, 1b, 1c und 1d zeigen Unterschiede der

Mittelwerte zwischen den Unterrichtsfächern.

• Modell 1a („Unterrichtsfach“ hinsichtlich „Proficiency of Digital Tools“):

Für das Modell wird ein F-Wert von 3.773 bei p = 0.002 ausgewiesen, d.h.

mindestens einer der Mittelwerte der Variablen „Unterrichtsfach“ weicht signi-

fikant von den anderen ab.

Der Test auf Varianzhomogenität liefert einen Signifikanzwert von p = 0.101.

Da der Wert über 0.1 liegt, besteht Varianzhomogenität und für den Post-Hoc-Test wird der Turkey-B-Test eingesetzt. Hieraus ergeben sich zwei ho-

mogene Untergruppen für Alpha = 0.05:

Homogene Untergruppe 1: Unterrichtsfach 2, 5

Homogene Untergruppe 2: Unterrichtsfach 1, 2, 3, 4, 6

Ob sich die Mittelwerte signifikant unterscheiden, lässt sich aus dem Turkey-

B-Test nicht ablesen.

• Modell 1b („Unterrichtsfach“ hinsichtlich „Teachers’ Readiness“):

Der F-Wert des Modells beträgt 2.720 bei p = 0.020 für das Modell, d.h. min-

destens einer der Mittelwerte der Variablen „Unterrichtsfach“ weicht signifi-

kant (für 0.01 < p < 0.05) von den anderen ab.


Auch hier besteht Varianzhomogenität und für den Post-Hoc-Test wird der

Turkey-B-Test eingesetzt. Für den Post-Hoc-Test ergibt sich nur eine Unter-

gruppe für Alpha = 0.05. Alle Mittelwerte liegen in derselben homogenen Un-




tergruppe. Es liegt ein signifikanter Unterschied zwischen den Mittelwerten

der Unterrichtsfächer vor, welche der Unterrichtsfächer sich signifikant von

den anderen unterscheiden, kann mit dem Turkey-B-Test nicht nachgewiesen

werden. Ein zusätzlicher (alternativer) Test erfolgt nicht.

• Modell 1c („Unterrichtsfach“ hinsichtlich „Teachers’ Beliefs“):

Der F-Wert beträgt 6.117 bei p = 0.000 für das Modell. Somit weicht mindes-

tens einer der Mittelwerte der Variablen „Unterrichtsfach“ signifikant von den

anderen ab.

Der Levene-Test liefert einen Signifikanzwert von p = 0.294. Auch hier be-

steht Varianzhomogenität und für den Post-Hoc-Test wird der Turkey-B-Testeingesetzt. Für den Post-Hoc-Test ergibt sich nur eine Untergruppe für Alpha

= 0.05. Alle Mittelwerte liegen auch hier in derselben homogenen Untergrup-

pe. Es liegt ein signifikanter Unterschied zwischen den Mittelwerten der Un-

terrichtsfächer vor, welche der Unterrichtsfächer sich signifikant von den an-

deren unterscheiden, kann jedoch mit dem Turkey-B-Test nicht nachgewie-

sen werden. Auf einen zusätzlichen Test wird auch hier verzichtet.

• Modell 1d („Unterrichtsfach“ hinsichtlich „Process of Integration“):

Der F-Wert beträgt 5.220 bei p = 0.00 für das Modell 2d, d.h. mindestens ei-

ner der Mittelwerte der Variablen „Unterrichtsfach“ weicht signifikant von den

anderen ab.


Auch hier besteht Varianzhomogenität und für den Post-Hoc-Test wird der

Turkey-B-Test eingesetzt. Es ergeben sich zwei homogene Untergruppen für

Alpha = 0.05:









Die Mittelwert-Diagramme für Modell 2a, 2b, 2c und 2d zeigen Unterschiede der

Mittelwerte zwischen den Lehrmethoden.

• Modell 2a („Lehrmethodik“ hinsichtlich „Proficiency of Digital Tools“):

Der ermittelte F-Wert von 2.789 für das Modell 2a wird mit einem Signifi-

kanzwert von p = 0.026 angegeben, d.h. das Signifikanzniveau liegt zwar

über p > 0.01, jedoch unter p < 0.05. Damit weicht mindestens einer der Mit-

telwerte der Variablen „Lehrmethodik“ signifikant von den anderen ab.

Der Levene-Test liefert für das Modell 2a eine Signifikanz von p = 0.016, d.h.

es liegt Varianzheterogenität vor. Für den Post-Hoc-Test wird somit der Ga-

mes-Howell-Test angewendet, da keine Varianz-Gleichheit angenommen

wird. Betrachtet man die Ergebnisse des Post-Hoc-Tests, so liegen insge-

samt vier Signifikanzwerte unter 0.05:

Lehrmethodik 2 – Lehrmethodik 5 bzw.

Lehrmethodik 5 – Lehrmethodik 2: p = 0.026

Lehrmethodik 3 – Lehrmethodik 5 bzw.Lehrmethodik 5 – Lehrmethodik 3: p = 0.028

Nach dem Games-Howell-Test unterscheiden sich die Mittelwerte der Leh-

methoden 2 und 5 sowie der Lehrmethoden 3 und 5 signifikant.

• Modell 2b („Lehrmethodik“ hinsichtlich „Teachers’ Readiness“):

Für das Modell 2b wird ein F-Wert von 3.950 bei p = 0.004 ausgewiesen, d.h.

mindestens einer der Mittelwerte der Variablen „Lehrmethodik“ weicht signifi-

kant von den anderen ab.


Da der Wert unter 0.1 liegt, besteht Varianzheterogenität und für den Post-

Hoc-Test wird der Games-Howell-Test eingesetzt. Insgesamt liegen sechs

Signifikanzwerte unter 0.05:










Die Mittelwerte der Lehrmethoden 1 und 5, der Lehrmethoden 2 und 5 sowie

der Lehrmethoden 3 und 5 unterscheiden sich signifikant.

• Modell 2c („Lehrmethodik“ hinsichtlich „Teachers’ Beliefs“):

Der F-Wert für dieses Modell beträgt 7.526 bei einer Signifikanz von p =

0.000. Somit weicht auch in diesem Modell mindestens einer der Mittelwerte

der Variablen „Lehrmethodik“ signifikant von den andern ab.


Es besteht Varianzheterogenität und für den Post-Hoc-Test wird der Games-

Howell-Test eingesetzt. Insgesamt liegen sechs Signifikanzwerte unter 0.05:



Lehrmethodik 2 – Lehrmethodik 3 bzw.Lehrmethodik 3 – Lehrmethodik 2: p = 0.003



Die Mittelwerte der Lehrmethoden 1 und 4, der Lehrmethoden 2 und 3 sowie

der Lehrmethoden 2 und 4 unterscheiden sich signifikant.

•

Modell 2d („Lehrmethodik“ hinsichtlich „Process of Integration“):Der F-Wert beträgt 9.351 bei p = 0.000, d.h. mindestens einer der Mittelwerte

der Variablen „Lehrmethodik“ weicht signifikant von den anderen ab.

Der Levene-Test liefert einen Signifikanzwert von p = 0.964. Der Wert liegt

über 0.1 und es besteht somit Varianzhomogenität. Für den Post-Hoc-Test

wird der Turkey-B-Test eingesetzt, da Varianz-Gleichheit angenommen wird.

Es ergeben sich drei homogene Untergruppen für Alpha = 0.05:

Homogene Untergruppe 1: Lehrmethodik 1, 2, 3

Homogene Untergruppe 2: Lehrmethodik 3, 4




Homogene Untergruppe 3: Lehrmethodik 4, 5




Für Modell 3a, 3b, 3c und 3d zeigen die Mittelwert-Diagramme Unterschiede der

Mittelwerte zwischen den Schulungen.

• Modell 3a („Schulung“ hinsichtlich „Proficiency of Digital Tools“):

Für das Modell 3a wird ein F-Wert von 8.978 bei p = 0.000 ausgewiesen.

Mindestens einer der Mittelwerte der Variablen „Schulung“ weicht signifikant

von den anderen ab.


Es liegt Varianzheterogenität vor und für den Post-Hoc-Test wird der Games-

Howell-Test eingesetzt. Insgesamt liegen sechs Signifikanzwerte unter 0.05:

Schulung 2 – Schulung 5 bzw.

Schulung 5 – Schulung 2 p = 0.000





Die Mittelwerte der Schulung 2 und 5, der Schulung 3 und 5 sowie der Schu-

lung 4 und 5 unterscheiden sich signifikant.

• Modell 3b („Schulung“ hinsichtlich „Teachers’ Readiness“):

Der F-Wert des Modells 3b wird mit 17.403 bei p = 0.000 ausgewiesen, d.h.

mindestens einer der Mittelwerte der Variablen „Schulung“ weicht signifikant

von den anderen ab.


Da der Wert über 0.1 liegt, besteht Varianzhomogenität und für den Post-

Hoc-Test wird der Turkey-B-Test eingesetzt. Mit dem Turkey-B-Test ergeben

sich drei homogene Untergruppen für Alpha = 0.05:




Homogene Untergruppe 1: Schulung 1, 2


Homogene Untergruppe 3: Schulung 4, 5Ob sich die Mittelwerte signifikant unterscheiden, lässt sich aus dem Turkey-


• Modell 3c („Schulung“ hinsichtlich „Teachers’ Beliefs“):

Der F-Wert beträgt 11.531 bei p = 0.000. Mindestens einer der Mittelwerte

der Variablen „Schulung“ weicht somit signifikant von den anderen ab.

Der Levene-Test liefert einen Signifikanzwert von p = 0.978. Es besteht Vari-anzhomogenität und für den Post-Hoc-Test wird der Turkey-B-Test einge-

setzt. Mit dem Turkey-B-Test ergeben sich für dieses Modell ebenfalls drei

homogene Untergruppen für Alpha = 0.05:






• Modell 3d („Schulung“ hinsichtlich „Process of Integration“):

Der F-Wert beträgt 17.888 bei p = 0.000, d.h. mindestens einer der Mittelwer-

te der Variablen „Schulung“ weicht signifikant von den anderen ab.


Es besteht Varianzhomogenität und für den Post-Hoc-Test wird der Turkey-B-

Test eingesetzt. Hieraus ergeben sich für dieses Modell zwei homogene Un-

tergruppen für Alpha = 0.05:

Homogene Untergruppe 1: Schulung 1, 2, 3






4 Diskussion und Interpretation der Ergebnisse 115

4. Diskussion und Interpretation der Ergebnisse

In dieser empirischen Studie wurde ein Pfadmodell eingesetzt, um Einflüsse de-

mographischer Eigenschaften von Lehrpersonen sowie Wahrnehmungen im Um-feld der Bildungseinrichtungen von Lehrpersonen auf die Integration digitaler

Arbeitsmittel in Lehrveranstaltungen zu untersuchen. Ein Teil des hypothetischen

Pfadmodells kann durch die Ergebnisse bestätigt werden. Das Modell veran-

schaulicht deutlich, dass die Integration digitaler Arbeitsmittel in Lehrveranstal-

tungen ein komplexer Prozess ist, der sowohl von den Eigenschaften der Lehr-

personen als auch von deren Wahrnehmungen im Umfeld der Bildungseinrich-

tungen beeinflusst wird. Im Folgenden werden die direkten Einflüsse der Variab-len auf die endogenen Variablen im Pfadmodell diskutiert. Die indirekten Effekte

werden „angedeutet“; ihre Berechnung war im Rahmen dieser Arbeit nicht Be-

standteil der Untersuchung. Des Weiteren werden Mittelwertunterschiede nicht

im Pfadmodell abgebildeter Eigenschaften erörtert und abschließend Grenzen

der Studie aufgezeigt.

Einflüsse der Variablen im untersuchten Pfadmodell

Demographische Eigenschaften von Lehrpersonen beeinflussen die Integration

digitaler Arbeitsmittel von Lehrveranstaltungen. Das Alter hat einen signifikanten

negativen direkten Einfluss auf die Integration digitaler Arbeitsmittel in Lehrver-

anstaltungen. Die Jahre des Lehrens haben keinen signifikanten direkten Ein-

fluss auf die Integration digitaler Arbeitsmittel von Lehrveranstaltungen, jedoch

einen indirekten Einfluss über die Ansichten der Lehrperson, digitale Arbeitsmit-

tel einzusetzen.

Der negative Einfluss des Alters bedeutet, dass ältere Lehrpersonen weniger

digitale Arbeitsmittel in ihren Lehrveranstaltungen integrieren als jüngere Lehr-

personen. Dies kann als „Generationenproblem“ angesehen werden, auf das

auch in der Literatur häufig hingewiesen wird.1 Ältere Lehrpersonen zeigen sich

oftmals abgeneigt, neues auszuprobieren und im Unterricht einzusetzen. Der

Einfluss auf die Integration digitaler Arbeitsmittel verringert sich allerdings in der

multiplen Regressionanalyse nach Entnahme der Variablen „Years of Teaching“

1 Vgl. Brake, Ch. (2000), S. 125f.




und „Technical Support“ im angepassten Modell. Beide entnommenen Variablen

scheinen den negativen Einfluss auf die Integration digitaler Arbeitsmittel in

Lehrveranstaltungen verstärkt zu haben.

Wie die Korrelationsanalyse zeigt, hat das Alter einen sehr geringen negativen

Einfluss auf den Kenntnisstand digitaler Arbeitsmittel und auf die Bereitschaft der

Lehrpersonen sowie einen sehr geringen positiven Einfluss auf die Ansichten der

Lehrpersonen, digitale Arbeitsmittel einzusetzen. Alle drei Einflüsse sind jedoch

nicht signifikant. Auf ähnliche Ergebnisse kommt man auch in den multiplen Reg-

ressionsanalysen. Hier hat das Alter jedoch einen geringen nicht signifikanten

negativen Einfluss auf die Ansichten der Lehrpersonen. Somit existiert auch kein

signifikanter indirekter Einfluss des Alters auf die Integration digitaler Arbeitsmit-

tel über eine andere Variable im Pfadmodell. Forschungsergebnisse von Inan

und Lowther (2009) und Robinson (2003), die besagten, dass das Alter einen

indirekten Einfluss über Computer-Kenntnisse auf den Einsatz von Technologien

hat, können nicht bestätigt werden.

Die Jahre des Lehrens haben lediglich einen signifikanten positiven direkten Ein-

fluss auf die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen. Be-

trachtet man die Korrelationskoeffizienten und die standardisierten Regressions-

koeffizienten, so sind die Einflüsse der Jahre des Lehrens auf den Kenntnisstand

digitaler Arbeitsmittel, auf die Bereitschaft der Lehrperson, digitale Arbeitsmittel

einzusetzen, und auf die Integration digitaler Arbeitsmittel positiv, jedoch nicht

signifikant. Somit besteht weder ein direkter Einfluss auf den Kenntnisstand digi-

taler Arbeitsmittel noch auf die Bereitschaft der Lehrperson, digitale Arbeitsmittel

einzusetzen, wie postuliert wurde und Forschungsergebnisse von Inan und

Lowther (2009) und Robinson (2003) belegt haben. Die Jahre des Lehrens be-

einflussen jedoch indirekt über die Ansichten der Lehrpersonen die Integration

digitaler Arbeitsmittel in Lehrveranstaltungen. Dieses Ergebnis wird teilweise un-

terstützt durch Mathews und Guarino (2000), die herausfanden, dass die Jahre

des Lehrens den Einsatz von Technologie sowohl direkt als auch indirekt beein-

flussen.

Betrachtet man die Stichprobe der Untersuchung, so haben fast die Hälfte der

befragten Lehrpersonen über 16 Jahre Lehrerfahrung. Der positive Einfluss der

Jahre des Lehrens gibt zu verstehen, dass je länger die Lehrperson unterrichtet,




desto größer sind die Ansichten der Lehrperson, digitale Arbeitsmittel einzuset-

zen. Dies zeigt, dass vor allem erfahrene Lehrpersonen, digitale Arbeitsmittel in

ihre Lehrveranstaltungen integrieren (Stichwort: Lebenslanges Lernen). Ande-

rerseits überrascht das Ergebnis, da vorangegangene Studien herausgefunden

haben, dass Lehrpersonen, die noch nicht so lange unterrichten und erst ein

Vorbereitungsprogramm für Lehrer absolviert haben, technologiekompetenter

(Jones und Madden, 2002 und O’Dwyer, Russell und Bebel, 2004) und besser

vorbereitet sind, Technologie im Unterricht einzusetzen (Mims, Polly, Shepherd

und Inan, 2006).

Weiter lässt sich aus den Ergebnissen ablesen, dass der signifikant positive Ein-

fluss der Jahre des Lehrens auf die Ansichten der Lehrperson, digitale Arbeits-

mittel einzusetzen, sich in der multiplen Regressionanalyse nach Entnahme der

Variablen „Age“ im angepassten Modell verringert. Das Signifikanzniveau steigt

von p < 0.01 auf p < 0.05. Das Alter verringert damit den Einfluss der Jahre des

Lehrens auf die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen.

Meines Erachtens stehen der positive Einfluss der Jahre des Lehrens auf die

Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, und der negative

Einfluss des Alters auf die Integration digitaler Arbeitsmittel im Widerspruch: Älte-

re Lehrpersonen haben eigentlich auch mehr Lehrerfahrung und damit mehr

Jahre des Lehrens hinter sich. Nach den Ergebnissen integrieren ältere Lehrper-

sonen digitale Arbeitsmittel seltener, lehren sie allerdings schon einige Jahre, so

sind ihre Ansichten, digitale Arbeitsmittel einzusetzen, höher. Daraus lässt sich

ableiten, dass jüngere Lehrpersonen, die schon lange unterrichten digitale Ar-

beitsmittel am ehesten integrieren.

Ebenfalls beeinflussen die Eigenschaften der Bildungseinrichtung die Integration

digitaler Arbeitsmittel in Lehrveranstaltungen. Die Allgemeine Unterstützung hat

sowohl einen signifikanten positiven direkten Einfluss auf die Integration digitaler

Arbeitsmittel als auch indirekte Effekte über die Bereitschaft und Ansichten der

Lehrperson, digitale Arbeitsmittel zu integrieren. Die Technische Unterstützung

hingegen hat keinen signifikanten direkten Einfluss auf die Integration digitaler

Arbeitsmittel, allerdings einen indirekten Einfluss über die Ansichten der Lehr-

person, digitale Arbeitsmittel einzusetzen.




Der direkte Einfluss der Allgemeinen Unterstützung auf die endogenen Variablen

„Teachers’ Readiness“, “Teachers’ Beliefs“ und „Process of Integration“ ist je-

weils sehr stark signifikant positiv, wie die Korrelationsanalysen als auch die mul-

tiplen Regressionsanalysen zeigen. Im Vergleich der Werte der Korrelationskoef-

fizienten zu den standardisierten Regressionskoeffizienten lässt sich erkennen,

dass der direkte Zusammenhang der Allgemeinen Unterstützung zu den einzel-

nen endogenen Variablen höher ist als in den Regressionsmodellen, d.h. die

anderen Variablen in den Regressionsmodellen schwächen den Einfluss der All-

gemeinen Unterstützung ab. In dem Regressionsmodell „Integration of Digital

Tools“ ist der Einfluss der Allgemeinen Unterstützung sogar nur noch halb so

groß wie in der Korrelationsanalyse der beiden Variablen. Der Einfluss der All-gemeinen Unterstützung auf die Integration digitaler Arbeitsmittel wird somit

stark abgeschwächt. Nach Entnahme der Variablen „Years of Teaching“ und

„Technical Support“ im angepassten Regressionsmodell „Integration of Digital

Tools“ verringert sich der signifikante direkte Einfluss der Allgemeinen Unterstüt-

zung auf die Integration digitaler Arbeitsmittel nochmals zusätzlich.

Trotz der Abschwächungen in den Regressionsmodellen hat die Allgemeine Un-

terstützung den zweitgrößten direkten Einfluss auf die Integration digitaler Ar-

beitsmittel, den größten direkten Effekt auf die Ansichten der Lehrperson und

den zweitgrößten direkten Einfluss auf die Bereitschaft der Lehrperson, digitale

Arbeitsmittel einzusetzen. Sie spielt damit eine bedeutende Rolle im Pfadmodell:

je größer die Allgemeine Unterstützung in der Bildungseinrichtung ist, umso grö-

ßer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen aus direkter

als auch indirekter Sicht.

Der postulierte Einfluss auf den Kenntnisstand digitaler Arbeitsmittel hingegen

kann nicht bestätigt werden. Dieser Einfluss der Allgemeinen Unterstützung ist

gering positiv, jedoch nicht signifikant.

Den starken positiven Einfluss der Allgemeinen Unterstützung auf die Bereit-

schaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, belegte

auch die Studie von Inan und Lowther (2009). Hernandez-Ramos (2005), Lum-

pe und Chambers (2001) und Mumtaz (2005) fanden heraus, dass die Integrati-

on von Technologie durch die Unterstützung beeinflusst wird, welche von Kolle-

gen, von administrativer Seite und von Interessengruppen kommt.




Der direkte Einfluss der Allgemeinen Unterstützung auf die Integration digitaler

Arbeitsmittel wurde nicht postuliert, jedoch belegen vorangegangene Forschun-

gen diese Erkenntnis. Studien von Hernandez-Ramos (2005), Mumtaz (2005),

O’Dwyer, Russell und Bebel (2004) und Wozney, Venkatesh und Abrami (2006)

haben ergeben, dass die Integration von Technologien durch alle Variablen im

Modell direkt beeinflusst wird. Dies trifft im untersuchten Pfadmodell jedoch nur

teilweise zu, nämlich für die Allgemeine Unterstützung, das Alter, den Kenntnis-

stand digitaler Arbeitsmittel sowie der Bereitschaft und den Ansichten der Lehr-

person, digitale Arbeitsmittel einzusetzen.

Die angenommenen positiven direkten Einflüsse der Technischen Unterstützung

auf den Kenntnisstand digitaler Arbeitsmittel, die Bereitschaft und die Ansichten

der Lehrperson, digitaler Arbeitsmittel einzusetzen, können mit den Ergebnissen

der Untersuchung nicht bestätigt werden.

Betrachtet man die Korrelationskoeffizienten der Technischen Unterstützung mit

den vier endogenen Variablen, so haben alle einen positiven Wert, von denen

allerdings lediglich die Werte mit der Bereitschaft und den Ansichten der Lehr-

person sowie der Integration digitaler Arbeitsmittel signifikant sind. Die standar-

disierten Regressionskoeffizienten der Technischen Unterstützung sind sowohl

im Modell „Proficiency of Digital Tools“ als auch im Modell „Teachers’ Readiness“

positiv, jedoch nicht signifikant. Die eingesetzten Variablen im Regressionsmo-

dell „Teachers’ Readiness“ – das Alter, die Jahre des Lehrens, die Allgemeine

Unterstützung und der Kenntnisstand digitaler Arbeitsmittel – schwächen die

Technische Unterstützung zu einem nicht signifikanten, sehr geringen positiven

Wert ab.

In den Regressionsmodellen „Teachers’ Beliefs“ und „Integration of Digital Tools“

hingegen sind die standardisierten Regressionskoeffizienten negativ, wobei le-

diglich der Wert für das Regressionsmodell „Teachers’ Beliefs“ (0.01 < p < 0.05)

signifikant ist. Dies bedeutet, dass die eingesetzten Variablen in diesen beiden

Regressionsmodellen den positiven Zusammenhang der Technischen Unterstüt-

zung zu den Ansichten der Lehrperson und die Integration digitaler Arbeitsmittel

in der Korrelationsanalyse in einen negativen Einfluss in der multiplen Regressi-

onsanalyse „umwandeln“. Im Regressionsmodell „Teachers’ Beliefs“ handelt es

sich um das Alter, die Jahre des Lehrens, die Allgemeine Unterstützung und den




Kenntnisstand digitaler Arbeitsmittel und im Regressionsmodell „Integration of

Digital Tools“ um das Alter, die Jahre des Lehrens, die Allgemeine Unterstüt-

zung, den Kenntnisstand digitaler Arbeitsmittel sowie die Bereitschaft und die

Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen. Diese Variablen

bewirken eine Umpolung des positiven Einflusses in einen negativen.

Der signifikant negative Einfluss der Technischen Unterstützung auf die Ansich-

ten der Lehrperson bedeutet, dass je größer die technische Unterstützung in der

Bildungseinrichtung ist, umso geringer sind die Ansichten der Lehrperson, digita-

le Arbeitsmittel einzusetzen. Dieses Ergebnis ist konträr zu vorangegangenen

Studien, in denen herausgefunden wurde, dass mit hinlänglicher technischer Un-

terstützung, sich Lehrer sicherer und bereiter fühlen, Technologie einzusetzen

(Hernandez-Ramos, 2005; Sandholtz und Reilly, 2004). Den Erkenntnissen der

Studie von Sandholtz und Reilly (2004), die besagte, dass Lehrer gewöhnlich

Unterstützung beim Einsatz von Technologie benötigen, wenn Probleme bei der

Installation und Benutzung der Software oder technischen Angelegenheiten auf-

treten, kann ebenfalls nicht zugestimmt werden.

Wie die Ergebnisse weiter zeigen, nimmt die Technische Unterstützung im un-

tersuchten Pfadmodell keine bedeutende Rolle ein und hat auch keinen hohen

Einfluss auf die Mediationsvariablen im Pfadmodell, wie die Studie von Inan und

Lowther (2009) belegte. Des Weiteren besteht kein direkter Einfluss auf die In-

tegration digitaler Arbeitsmittel, jedoch ein indirekter über die Ansichten der

Lehrperson, digitale Arbeitsmittel einzusetzen. Dadurch beeinflusst die Techni-

sche Unterstützung die Ansichten der Lehrperson wesentlich (Mumtaz, 2005;

Windschitl und Sahl, 2002); der Einfluss ist jedoch nicht positiv, sondern negativ.

Der Kenntnisstand digitaler Arbeitsmittel der Lehrperson, die Bereitschaft und

Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, beeinflussen die

Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Der Kenntnisstand digi-

taler Arbeitsmittel hat einen signifikanten positiven direkten Einfluss auf die In-

tegration digitaler Arbeitsmittel in Lehrveranstaltungen sowie indirekte Einflüsse

über die Bereitschaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzu-

setzen. Die Bereitschaft und die Ansichten der Lehrperson, digitale Arbeitsmittel

einzusetzen, haben jeweils einen signifikanten positiven direkten Einfluss auf die

Integration digitaler Arbeitsmittel in Lehrveranstaltungen.




Für den Kenntnisstand digitaler Arbeitsmittel sind alle Koeffizienten in der Korre-

lationsanalyse und den multiplen Regressionsanalysen signifikant. Die Werte der

standardisierten Regressionskoeffizienten in den Modellen „Teachers’ Readi-

ness“ und „Teachers’ Beliefs“ für den Kenntnisstand digitaler Arbeitsmittel sind

nur geringfügig kleiner als die Werte der Korrelationskoeffizienten zwischen den

Variablenpaaren. Im Regressionsmodell „Integration of Digital Tools“ hingegen

ist der Wert des standardisierten Regressionskoeffizienten nur annähernd halb

so groß wie der Wert des Korrelationskoeffizienten. Das Alter, die Jahre des

Lehrens, die Allgemeine Unterstützung, die Technische Unterstützung, die Be-

reitschaft und die Ansichten der Lehrperson reduzieren im Regressionsmodell

den hohen direkten Zusammenhang aus der Korrelationsanalyse zwischen demKenntnisstand digitaler Arbeitsmittel und der Integration digitaler Arbeitsmittel.

Der Kenntnisstand digitaler Arbeitsmittel ist einer der wichtigsten (positiven) Ein-

flussfaktoren auf die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Er

hat den drittgrößten direkten Einfluss auf die Integration digitaler Arbeitsmittel,

den größten direkten Einfluss auf die Bereitschaft der Lehrperson und den

zweitgrößten direkten Einfluss auf die Ansichten der Lehrperson, digitale Ar-

beitsmittel einzusetzen. In anderen Worten: Je größer der Kenntnisstand digita-

ler Arbeitsmittel ist, umso größer sind zum einen die Bereitschaft und die Ansich-

ten der Lehrperson, digitale Arbeitsmittel einzusetzen und umso größer ist zum

anderen die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Bereits

Inan und Lowther (2009) haben in ihrer Studie herausgefunden, dass Computer-

Kenntnisse sowohl die Bereitschaft als auch die Ansichten der Lehrperson,

Technologien einzusetzen, positiv beeinflussen, und dass Computer-Kenntnisse

der Lehrperson in deren Pfadmodell den größten Einfluss auf die Bereitschafthaben, Technologien einzusetzen.

Der Einfluss auf die Integration digitaler Arbeitsmittel ist nicht – wie postuliert –

nur indirekt über die Bereitschaft und Ansichten der Lehrperson, sondern der

Kenntnisstand digitaler Arbeitsmittel hat auch einen starken direkten Einfluss auf

die Integration digitaler Arbeitsmittel. Mathews und Guarino (2000) und Robinson

(2003) kamen in ihren Pfadmodellen zu vergleichbaren Ergebnissen, nämlich

dass der Effekt der Computer-Kenntnisse sowohl signifikant als auch direkt ist. In




beiden Pfadmodellen werden jedoch keine Mediationsvariablen, wie die Bereit-

schaft und Ansichten der Lehrperson, ausgewiesen bzw. berechnet.

Nicht wie im hypothetischen Pfadmodell angegeben und von vorangegangenen

Forschungsergebnissen aufgezeigt (zum Beispiel von Inan und Lowther, 2009),

hat keine exogene Variable im Pfadmodell einen signifikanten Einfluss auf den

Kenntnisstand digitaler Arbeitsmittel. Somit existiert kein (gerichteter) Zusam-

menhang der Variablen. Bereits in der Korrelationsanalyse der Variablenpaare

werden lediglich sehr geringe und nicht signifikante Korrelationskoeffizienten

ausgewiesen; das multiple Regressionsmodell „Proficiency of Digital Tools“ un-

terstreicht den nicht signifikanten Zusammenhang der exogenen Variablen zum

Kenntnisstand digitaler Arbeitsmittel. Der Kenntnisstand digitaler Arbeitsmittel

fungiert demnach nicht als eine Mediationsvariable zu den anderen endogenen

Variablen im Pfadmodell. Es ist zu hinterfragen, ob der Kenntnisstand digitaler

Arbeitsmittel weiterhin als endogene Variable im Pfadmodell betrachtet werden

soll oder für zukünftige Untersuchungen als exogene Variable fungiert;

möglicherweise besteht mit nicht im Pfadmodell abgebildeter Variablen ein Zu-

sammenhang bzw. Einfluss auf den Kenntnisstand digitaler Arbeitsmittel. Der

Einfluss des Kenntnisstands digitaler Arbeitsmittel auf die anderen endogenen

Variablen ist – wie oben dargestellt wurde – von großer Bedeutung.

Die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen, hat in der

Korrelationsanalyse einen sehr starken signifikanten positiven Zusammenhang

zur Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Hingegen fällt die-

ser Zusammenhang im Regressionsmodell „Integration of Digital Tools“ deutlich

geringer aus; der standardisierte Regressionskoeffizient ist ebenfalls signifikant

positiv. Die anderen Variablen im Modell schwächen den Einfluss der Bereit-

schaft der Lehrperson auf die Integration digitaler Arbeitsmittel stark ab. Nichts-

destotrotz ist die Integration digitaler Arbeitsmittel umso größer, je größer die

Bereitschaft der Lehrperson ist, digitale Arbeitsmittel einzusetzen. Zu einem po-

sitiven Einfluss der Bereitschaft der Lehrperson auf die Integration digitaler Ar-

beitsmittel gelangten auch Inan und Lowther (2009) in ihrem Pfadmodell. For-

schungen von Kanaya, Light und Culp (2005) als auch Scheffler und Logan

(1999) ergaben, dass Lehrer, die bereit und überzeugt sind, Technologie zu in-




tegrieren, häufiger Technologie im Unterricht einsetzen. Sie bestätigen damit

ebenfalls das Ergebnis aus dem untersuchten Pfadmodell.

Die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen, hat im ange-

passten Pfadmodell jedoch nicht wie in der Studie von Inan und Lowther (2009)

den größten Einfluss auf die Integration von Technologie, sondern lediglich den

viertgrößten Einfluss. Zudem fungiert die Variable „Teachers’ Readiness“ als

Mediationsvariable. Von den exogenen Variablen hat jedoch nur die Allgemeine

Unterstützung einen Einfluss auf die Bereitschaft der Lehrperson. Die demogra-

phischen Eigenschaften Alter und Jahre des Lehrens haben weder einen direk-

ten noch einen indirekten Einfluss auf die Bereitschaft der Lehrperson. Den

größten signifikanten Einfluss verzeichnet die endogene Variable „Proficiency of

Digital Tools“. Dieses Ergebnis belegt auch die Studie von Inan und Lowther

(2009). Nach den Forschungsergebnissen von Hernandez-Ramos (2005) wächst

grundsätzlich das Gefühl der Lehrer, Technologie in ihre Lehrveranstaltungen zu

integrieren, sobald sich die Computer-Kenntnisse der Lehrer erhöhen.

Die Ansichten der Lehrperson, digitale Arbeitsmittel zu integrieren, haben den

größten signifikanten positiven Einfluss auf die Integration digitaler Arbeitsmittel

in der vorliegenden Studie, d.h. je größer die Ansichten der Lehrperson sind,

desto größer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Auf

die Integration von Technologie im Unterricht sind sie ein wesentlicher Einfluss-

faktor, wie auch zahlreiche vorangegangene Studien (u.a. Ertmer, 2005; Vannat-

ta und Fordham, 2004; Inan und Lowther, 2009) belegen.

Betrachtet man für die Ansichten der Lehrperson die Korrelationsanalyse und die

multiple Regressionsanalyse, so weisen beide starke signifikante positive Koeffi-

zienten aus. Der Wert des standardisierten Regressionskoeffizienten im Modell

„Integration of Digital Tools“ ist allerdings um fast die Hälfte geringer als der Wert

des Korrelationskoeffizienten. Auch hier lässt sich erkennen, dass die anderen

Variablen (Alter, Jahre des Lehrens, Allgemeine Unterstützung, Technische Un-

terstützung, Kenntnisstand digitaler Arbeitsmittel und Bereitschaft der Lehrper-

son) im Regressionsmodell den Zusammenhang der Ansichten der Lehrperson

zur Integration digitaler Arbeitsmittel reduzieren.

Die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, fungieren

ebenfalls als Mediationsvariable im Pfadmodell. Den stärksten Einfluss hat die




exogene Variable Allgemeine Unterstützung. Zu diesem Ergebnis gelangt auch

die Studie von Inan und Lowther (2009). Die Technische Unterstützung beein-

flusst die Ansichten der Lehrperson negativ, d.h. die Ansichten der Lehrperson

nehmen mit zunehmer Technischer Unterstützung ab. Mumtaz (2005) sowie

Windschitl und Sahl (2002) haben herausgefunden, dass Eigenschaften der Bil-

dungseinrichtung wesentlich die Ansichten der Lehrperson beeinflussen, indem

die Lehrperson Unterstützung und positive Vorstellungen von administrativer

Seite und Interessengruppen erhält. Dies trifft jedoch nur für die Allgemeine Un-

terstützung zu. Zudem haben Lumpe und Chambers (2001) in ihrer Untersu-

chung eine Liste mit Einflussfaktoren auf die Ansichten der Lehrperson erfasst,

welche auch die allgemeine und technische Unterstützung enthält.

Einen großen Einfluss auf die Ansichten der Lehrperson hat auch der Kenntnis-

stand digitaler Arbeitsmittel. Lehrer möchten, dass sie sich „Wohlfühlen“ mit der

Technologie, bevor sie die Technologie einsetzen (Snoeyink und Ertmer, 2002).

Von den demographischen Eigenschaften der Lehrperson haben lediglich die

Jahre des Lehrens einen positiven Einfluss auf die Ansichten der Lehrperson.

Das Alter beeinflusst die Ansichten der Lehrperson im untersuchten Pfadmodell

nicht. In der Literatur wird darauf hingewiesen, dass noch andere Eigenschaften

der Lehrperson wie Unterrichtsfach und Schulung einen Einfluss auf die Ansich-

ten der Lehrperson, digitale Arbeitsmittel einzusetzen, haben könnten (Hew und

Brush, 2007; Lih-Juan, Jon-Chao, Jeou-Shyan, Shih-Hui und Hui-Chuan, 2006).

Mittelwertunterschiede nicht im Pfadmodell abgebildeter Eigenschaften

Frauen und Männer unterscheiden sich im Mittel bezüglich des Kenntnisstands

digitaler Arbeitsmittel, den Ansichten, digitale Arbeitsmittel einzusetzen, und der

Integration digitaler Arbeitsmittel in Lehrveranstaltungen signifikant.

Bei Männern ist der Kenntnisstand digitaler Arbeitsmittel im Durchschnitt höher

als bei den Frauen. Dies kann bedeuten, dass Frauen die Verwendung von digi-

talen Arbeitsmitteln in Lehrveranstaltungen in geringem Maße einsetzen. Zu ei-

nem ähnlichen Ergebnis kamen auch Mathews und Guarino (2000). Sie fanden

heraus, dass weibliche Lehrer ein signifikant geringeres Niveau an Computerfä-

higkeiten besitzen als männliche Lehrer. Hingegen liegen bei Frauen sowohl dieAnsichten, digitale Arbeitsmittel einzusetzen, als auch die Integration digitaler

Arbeitsmittel in Lehrveranstaltungen im Mittel höher als bei den Männern. Damit




sind auch in der Grundgesamtheit die Mittelwerte voneinander verschieden. Die

Bereitschaft, digitale Arbeitsmittel einzusetzen, ist bei Männern im Durchschnitt

höher als bei Frauen, jedoch unterscheiden sich die Mittelwerte zwischen Män-

nern und Frauen nicht signifikant.

Der Kenntnissstand digitaler Arbeitsmittel, die Bereitschaft und die Ansichten der

Lehrperson wie auch die Integration digitaler Arbeitsmittel unterscheiden sich

jeweils im Mittel signifikant zwischen den Unterrichtsfächern.

Welcher der Mittelwerte zwischen den Unterrichtsfächern sich signifikant unter-

scheidet, konnte bezüglich der Bereitschaft und der Ansichten der Lehrperson

nicht festgestellt werden. Hinsichtlich des Kenntnisstands digitaler Arbeitsmittel

und der Integration digitaler Arbeitsmittel lassen sich jeweils zwei homogene Un-

tergruppen der Mittelwerte zwischen den Unterrichtsfächern bilden.

Auch zwischen den Lehrmethoden unterscheiden sich der Kenntnisstand digita-

ler Arbeitsmittel, die Bereitschaft und die Ansichten der Lehrperson wie auch die

Integration digitaler Arbeitsmittel jeweils im Mittel signifikant.

Bezüglich des Kenntnisstands digitaler Arbeitsmittel unterscheiden sich die Mit-

telwerte der Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausgehend “und „Überwiegend auf die Aktivitäten der Lernenden ausgerichtet “ sowie die

Lehrmethoden „Balance zwischen den auf die Lehrkraft und den auf die Lernen-

den ausgerichteten Aktivitäten “ und „Überwiegend auf die Aktivitäten der

Lernenden ausgerichtet “ signifikant. Die Mittelwerte der Lehrmethoden „Über-

wiegend von der Lehrkraft ausgehend“ und „Überwiegend auf die Aktivitäten der

Lernenden ausgerichtet “, der Lehrmethoden „Stärker von der Aktivität der Lehr-

kraft ausgehend “ und „Überwiegend auf die Aktivitäten der Lernenden ausgerichtet “ sowie der Lehrmethoden „Balance zwischen den auf die Lehrkraft und den

auf die Lernenden ausgerichteten Aktivitäten “ und „Überwiegend auf die Aktivitä-

ten der Lernenden ausgerichtet “ unterscheiden sich bezüglich der Bereitschaft

der Lehrperson signifikant. Bezüglich der Ansichten der Lehrperson unterschei-

den sich die Lehrmethoden „Überwiegend auf die Aktivitäten der Lernenden

ausgerichtet “ und „Stärker auf die Aktivitäten der Lernenden ausgerichtet “, die

Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausgehend “ und „Balance zwischen den auf die Lehrkraft und den auf die Lernenden ausgerichteten Aktivi-

täten “ sowie die Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausge-




hend “ und „Stärker auf die Aktivitäten der Lernenden ausgerichtet “ signifikant.

Hinsichtlich der Integration digitaler Arbeitsmittel lassen sich drei homogene Un-

tergruppen der Mittelwerte zwischen den Lehrmethoden bilden.

Schließlich unterscheiden sich der Kenntnisstand digitaler Arbeitsmittel, die

Bereitschaft und Ansichten der Lehrperson wie auch die Integration digitaler Ar-

beitsmittel jeweils im Mittel signifikant zwischen den Schulungen der Lehrperson.

Die Mittelwerte der Schulungen „Einen ganzen Tag oder weniger “ und „Mehr als

ein Semester “, der Schulungen „Mehr als einen Tag und weniger als ein Semes-

ter “ und „Mehr als ein Semester “ sowie der Schulungen „Einen Semester-

Lehrgang “ und „Mehr als ein Semester “ unterscheiden sich bezüglich dem

Kenntnisstand digitaler Arbeitsmittel signifikant. Bezüglich der Bereitschaft und

den Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, lassen sich

jeweils drei homogene Untergruppen der Mittelwerte und bezüglich der Integrati-

on digitaler Arbeitsmittel in Lehrveranstaltungen zwei homogene Untergruppen

der Mittelwerte zwischen den Schulungen bilden.

Grenzen der empirischen Studie

Analysen mit Pfadmodellen sind eine nützliche Methode, Beziehungen zwischeneiner Reihe von Variablen zu untersuchen. Allerdings können Pfadmodelle die

Grenzen, die entweder durch schwach entwickelte Modelle, hoch korrelierenden

Variablen oder begrenzter Stichprobe entstehen, nicht überwinden.1 In dieser

Studie wurde daher auf ein vorangegangenes Pfadmodell und Forschungen zu-

rückgegriffen und eine große Stichprobe eingesetzt. Die mit einer Pfadanalyse

verbundene kritischste Einschränkung ist allerdings, dass sie keinen Test auf

Kausalität anbietet; weder prüft sie die Kausalität noch bestätigt sie die Richtungder Kausalität.2 Deshalb sollten die Interpretation der Ergebnisse mit Vorsicht

und die wiedergegebenen Einflüsse zwischen den Variablen als „suggestiv“ be-

trachtet werden.

Weiter wurde in den multiplen Regressionsanalysen festgestellt, dass nicht alle

Regressionsmodelle die Prämissen bzw. Voraussetzungen für die Durchführung

einer multiplen Regressionsanalyse erfüllten. Die Normalverteilung der Variablen

1 Vgl. Inan, F. A./Lowther, D. L. (2009), S. 1492 Vgl. ebenda, s. 149




und die Homoskedastizität wurden in einigen Modellen verletzt. Um die Analysen

in dieser empirischen Untersuchung trotzdem durchführen zu können, wurde

eine Normalverteilung der Variablen und Homogenität der Varianzen angenom-

men. Für weitere Untersuchungen sollte jedoch die explorative Datenanalyse

herangezogen und gegebenenfalls in SPSS Transformationen der Variablen

vorgenommen werden.



5 Zusammenfassung und Ausblick 128

5. Zusammenfassung und Ausblick

Ziel der Masterarbeit war es, die Einflussfaktoren auf die Bereitschaft zur Integ-

ration digitaler Medien in Lehrveranstaltungen mithilfe einer empirischen Studiezu analysieren und zu beurteilen. Zunächst wurde ein Einblick in den For-

schungsstand zur Integration digitaler Medien in Lehrveranstaltungen gegeben.

Darüberhinaus wurden theoretische Bezugspunkte digitaler Medien aufgezeigt.

Es wurde dabei auf die Medienpädagogik, den Medienbegriff, die Digitalen Me-

dien in Bildungsprozessen, den Mehrwert digitaler Medien sowie auf die Medien-

kompetenz eingegangen. Weiter wurde die Fragestellung der empirischen Un-

tersuchung dargelegt. Neben den Variablen und dem hypothetischen Pfadmodellwurden die Hypothesen der Untersuchung und die Forschungsfragen dargestellt.

Im praktischen Teil wurde der Einsatz digitaler Medien in Lehrveranstaltungen

empirisch untersucht. Hierfür wurde ein forschungsgestütztes Pfadmodell mit

acht Variablen eingesetzt, um die kausalen Zusammenhänge zwischen den Fak-

toren zu erklären. Zuerst wurde auf das Forschungsdesign und das eingesetzte

Erhebungsverfahren eingegangen. Nachdem die verschiedenen Auswertungs-

verfahren dargestellt wurden, wurden die Untersuchungsergebnisse ausführlichaufgezeigt. Dabei wurden die direkten und indirekten Effekte auf die Integration

digitaler Arbeitsmittel in Lehrveranstaltungen sowie Mittelwertunterschiede der

nicht im Pfadmodell abgebildeten Variablen auf die Integration digitaler Arbeits-

mittel identifiziert.

Schließlich wurden die Ergebnisse der empirischen Studie ausführlich diskutiert

und interpretiert sowie Grenzen der Studie aufgezeigt.

Wie die empirische Studie darlegte, gibt es eine Vielzahl möglicher Einflussfakto-

ren auf die Integration digitaler Medien bzw. Arbeitsmittel in Lehrveranstaltun-

gen. Einer der möglichen Ansätze für weiterführende Forschungen ist, das

Pfadmodell mit zusätzlichen Variablen zu erweitern. Das Hinzufügen von weite-

ren schulischen und demographischen Faktoren wie beispielsweise Geschlecht,

Unterrichtsfach, Lehrmethodik, Schulung, Schulkultur, pädagogische Überzeu-

gungen, Effektivität eines Technologie-Coach (Technology Coach Effectiveness)

oder Erfahrungen, können das Verständnis von einigen Variablen steigern, für

die das gegenwärtige Pfadmodell lediglich eine eingeschränkte Erklärung liefer-




te. Des Weiteren sollten einige der in das Pfadmodell einbezogenen Variablen

detaillierter und vor allem kritisch geprüft werden. Die gebildeten Skalen können

beispielsweise einer Faktorenanalyse unterzogen werden, um die Items der ein-

zelnen Skalen – über die Reliabilitätsanalyse hinaus – dahingegen zu untersu-

chen, ob sie dieselbe Dimension abbilden. Weiter kann die Faktorenanalyse „In-

tegration of Digital Tools“ in Hinblick auf ihre Faktoreneinteilung untersucht wer-

den. Die Items der „Integrationsvariable“ sollten nochmals kritisch überprüft wer-

den; gegebenenfalls müssen neue Items gefunden, alte Items ausgetauscht

bzw. Items für das Konstrukt „Integration of Digital Tools“ neu zusammengestellt

werden.

Die vier multiplen Regressionsanalysen wurden mit der Methode „Einschluss“

durchgeführt. Eine weitere Möglichkeit zukünftiger Forschungen besteht darin,

die multiple Regression „schrittweise“ vorzunehmen. Dabei werden die Variablen

schon bei jedem Schritt auf Ausschluss und Aufnahme geprüft. Nachdem fest-

gestellt wurde, dass die Normalverteilung und Homoskedastizität in den multip-

len Regressionsmodellen nicht durchgehend gegeben sind, sollten für weitere

Untersuchungen Transformationen der Variablen vorgenommen werden, um ei-

ne Normalverteilung und Homogenität der Varianzen zu erzielen.

In der vorliegenden Studie wurden lediglich die direkten Werte der Einflussgrö-

ßen berechnet. Von Interesse sind auch die indirekten und totalen Effekte über

die Mediationsvariablen „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf die

Integration digitaler Arbeitsmittel in Lehrveranstaltungen, die bei weiterführenden

Forschungen untersucht werden können. Das hypothetische Pfadmodell wurde

bislang für den Gesamtdatensatz berechnet, d.h. alle Hochschulen und alle Län-

der sind zusammengefügt und als eine große Stichprobe betrachtet worden. Für

weitere Untersuchungen können auch die Ergebnisse aus den einzelnen Län-

dern bzw. je Hochschule von Interesse sein: Gibt es Unterschiede zwischen den

Ländern bzw. Hochschulen? Liefert das Pfadmodell für jede einzelne Hochschu-

le andere Ergebnisse? Verschiedene Untersuchungen können dabei mit Vari-

anzanalysen vorgenommen werden.

Neben der reinen quantitativen Analyse sind in der Bildungsforschung auch

zunehmend qualitative Ansätze bzw. gemischte Ansätze mit quantitativen und

qualitativen Methoden von Interesse. Deshalb sollten in zukünftigen Studien




neben den quantitativen auch qualitative Daten wie Beobachtungen in Lehrver-

anstaltungen oder Diskussionen und Interviews von Eltern, Schulleiter und Schü-

ler/-innen bzw. Studierende erhoben und analysiert werden. Diese Daten würden

unterschiedliche Perspektiven und Einblicke in die Komplexität der Integration

von digitalen Medien in Lehrveranstaltungen geben. Bei zukünftigen Erhebungen

sollte zudem darauf geachtet werden, dass die Daten erst nach einem Pretest

des Fragebogens erfasst werden, um Einheitlichkeit und Vergleichbarkeit zu ge-

währleisten.



Anhang A VIII

Anhang A

Anlage A1: Schulische Ebenen........................................................................ IX

Anlage A2: Übersicht hemmende Bedingungsfaktoren..................................... X

Anlage A3: Übersicht förderliche Bedingungsfaktoren..................................... XI

Anlage A4: Geschätztes Pfadmodell der Forschungsergebnisse von Inanund Lowther (2009) ..........................................................................................XII

Anlage A5: Hybride Lernarrangements in Hochschulen................................. XIII

Anlage A6: Mehrwerte digitaler Medien .........................................................XIV

Anlage A7: Beteiligte Bildungseinrichtungen an der empirischenUntersuchung...................................................................................................XV

Anlage A8: Fragebogen der DHBW Stuttgart..................................................XX

Anlage A9: Begleitschreiben der Online-Befragung.................................. XXVIII

Anlage A10: Auszug Variablenansicht mit zugeordneten Messniveaus...... XXIX

Anlage A11: Aufteilung der „teilweise abgeschlossenen Fragebogen“ ........ XXX

Anlage A12: Entscheidung „Integrationsvariable“ ....................................... XXXI

Anlage A13: Korrelationen Variable „Age“ ................................................ XXXIII

Anlage A14: Korrelationen Variable „Years of Teaching“..........................XXXIV

Anlage A15: Korrelationen Variable „Overall Support“...............................XXXV

Anlage A16: Korrelationen Variable „Technical Support“..........................XXXVI

Anlage A17: Korrelationen Variable „Proficiency of Digital Tools“............XXXVII

Anlage A18: Korrelationen Variable „Teachers’ Readiness“ und “Teachers’Beliefs” .....................................................................................................XXXVIII

Anlage A19: Multiple Regressionsanalyse Modell “Proficiency of DigitalTools” .........................................................................................................XXXIX

Anlage A20: Multiple Regressionsanalyse Modell “Teachers’ Readiness”..... XLI

Anlage A21: Multiple Regressionsanalyse Modellanpassung “Teachers’

Readiness”....................................................................................................XLIII

Anlage A22: Multiple Regressionsanalyse Modell “Teachers’ Beliefs”..........XLV

Anlage A23: Multiple Regressionsanalyse Modellanpassung “Teachers’Beliefs” .........................................................................................................XLVII

Anlage A24: Multiple Regressionsanalyse Modell „Integration of DigitalTools“ ............................................................................................................XLIX

Anlage A25: Multiple Regressionsanalyse Modellanpassung „Integration ofDigital Tools“ ..................................................................................................... LI



Anhang A IX

Anlage A1: Schulische Ebenen1

1 Enthalten in: Eickelmann, B. (2010), S. 98



Anhang A X

Anlage A2: Übersicht hemmende Bedingungsfaktoren1




Anhang A XI

Anlage A3: Übersicht förderliche Bedingungsfaktoren1




Anhang A XII

Anlage A4: Geschätztes Pfadmodell der Forschungsergebnisse von Inan und

Lowther (2009)1

1 Entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 146



Anhang A XIII

Anlage A5: Hybride Lernarrangements in Hochschulen1

Hybride Lernarrangements beinhalten die möglichst optimale Kombination bzw.

den bestmöglichen Medienmix von klassischen Lernszenarien, alten und neuen(digitalen) Medien sowie Sozialformen vor dem Hintergrund der Anpassung an

die Bedürfnisse und den Kenntnisstand der Lernenden sowie der Anforderun-

gen und situativen Gegebenheiten (ökonomische und technische Rahmen-

bedingungen) der Lehre:

1 Enthalten in: Lermen, M. (2008), S. 231



Anhang A XIV

Anlage A6: Mehrwerte digitaler Medien1

1 Entnommen aus: Stratmann, J. (2007), S. 21



Anhang A XV

Anlage A7: Beteiligte Bildungseinrichtungen an der empirischen Untersuchung

Aberdeen College (Aberdeen/Schottland)

Das Aberdeen College ist eines der größten Colleges für Erwachsenenbildung

in Schottland mit einer jährlichen Studentenzahl von über 30.000 Studierenden.

Das Hauptcollege befindet sich in Gallowgate Centre in Aberdeen. Darüber hin-

aus verfügt es über Trainingszentren in über 100 Gemeinden in ganz Aberdeen

City und Aberdeenshire. Das College ist von der schottischen Further Education

Unit und Her Majesty’s Inspector of Education für die Qualität und hervorragen-

de Leistung seiner Lehr- und Lernerfolge anerkannt. Die Einrichtung spielt eine

bedeutende Rolle bei der Entwicklung von Know-hows und Wirtschaft in Aber-

deen und dem Nordosten Schottlands.1

Das Aberdeen College unterrichtet in vier großen Lehrbereichen: Business,

Computing & Landbased; Creative Industries, Sport and Languages; Engineer-

ing & Construction; Care, Service Industries & Social Sciences. Die Studienmo-

dule sind flexibel gestaltbar. Viele der Studenten kommen aus wirtschaftlich

benachteiligten Schichten, die finanzielle Unterstützung durch Stipendien, Edu-

cation Maintenance Allowance (EMA) und der Scottish Award Agency for Scot-

land (SAAS) erhalten.2

IOC Institut Obert de Catalunya (Barcelona/Spanien)

Das IOC Institut Obert de Catalunya ist eine Berufsschule und technische

Fachschule in Barcelona mit mehr als 5.000 Schüler/innen. Das IOC, die koor-

dinierende Organisation in diesem Projekt, wurde im Jahr 2006 von drei beste-

henden Initiativen im Fernstudium ins Leben gerufen, geleitet durch das Bil-

dungsministerium von Katalonien: das ICESD Institut Català d’Ensenyament

Secundari a Distància (Pflicht- und Sekundarschulwesen Fernstudium), Palau

de Mar – GES (verpflichtendes Erwachsenen-Fernstudium) und FP operta (Be-

rufsausbildung Fernstudium).

1 Vgl. Wikipedia (2012h), o. S.2 Vgl. Aberdeen College (2012), o. S.



Anhang A XVI

Inzwischen wird das IOC in Katalonien empfohlen, wenn es darum geht, überall

und jederzeit zu lernen. Der Großteil der Studenten sind Erwachsene (über 20

Jahre), die schon im Berufsleben stehen. Eine kleine Anzahl sind Jugendliche,

die unter besonderen Bedingungen lernen: zum Beispiel Sportler, Musiker,

körperlich behinderte Menschen, im Ausland lebende Studenten, sozial Be-

nachteiligte. Zum formalen Bildungsbereich gehören das Graduat en Educació

Secundària (GES) und „Batxillerat“ (höhere berufsbildende Schule); der nicht-

formale Bildungsbereich umfasst Kurse zur Vorbereitung auf Aufnahmeprüfun-

gen wie CFGM (Berufsausbildung mit mittlerem Abschluss) und CFGS

(Berufsausbildung mit höherem Abschluss).1

Karamürsel 100. Yıl Teknik ve Endüstri meslek Lisesi (Karamürsel/Türkei)

Karamürsel 100. Yıl Teknik ve Endüstri meslek Lisesi ist eine technische und

berufsbildende Schule mit Sitz in Karamürsel, einer Stadt in Kocaeli im Westen

der Türkei. Die meisten Schüler/innen sind Einwanderer aus dem östlichen Teil

des Landes und anderen ländlichen Gebieten rund um Kocaeli. Die Familien

sind wegen hoher Arbeitslosigkeit und unzureichender Bildungs- und Sozialbe-

dingungen eingewandert. Meistens sind die Neuankömmlinge sozialer Aus-

grenzung ausgesetzt und sind nicht in der Lage, sich sozial zu integrieren.

Die Schule bietet die Fächer Mathematik, Sozialwissenschaften, Sprachen und

Informationstechnologien an. Sie ist auch für Erwachsene geeignet, die ihre

Ausbildung aus verschiedenen Gründen abgebrochen haben, geistig behindert

oder arbeitslos sind. Für diesen Personenkreis bietet die Schule Ausbildungs-

programme in den Bereichen Maschinenbau, Metall, Elektrotechnik, Dekoration,

Kleidung, Friseur.2

Kungälv Vuxenutbildning (Kungälv/Schweden)

Kungälv Vuxenutbildning ist eine öffentliche Non-Profit-Organisation in Kun-

gälvs, einer Gemeinde 20 km nördlich von Göteborg entfernt. Die Schule er-

möglicht den individuell passenden Zugang zu einem breiten Angebot an Klas-

1 Vgl. IOC Institut Obert de Catalunya (2012), o. S.2 Vgl. Karamürsel (2012), o. S.



Anhang A XVII

sen und Ausbildungen von der Grundschule bis zur Hochschulbildung. Im An-

gebot der Schule sind beispielsweise Mathematik, Sozialwissenschaften, Spra-

chen und IT (Informationstechnologie). Für diejenigen, die nach Kungälv gezo-

gen sind und Schwedisch lernen möchten, bietet die Schule Sprachkurse an

und unterstützt mit Ausbildungsplätzen. Kungälv Vuxenutbildning bietet auch

Ausbildungsprogramme im Bereich Marine und Tourismus an.

Die Schule ist vor allem für Erwachsene geeignet, die ihre Ausbildung nicht ab-

geschlossen haben, arbeitslos sind, ihre Kompetenzen erhöhen müssen, um

auf dem Arbeitsmarkt „attraktiv“ zu bleiben, aus einem anderen Land kommen

und Schwedisch lernen müssen oder geistig behindert sind. Das zentrale Ziel

der Schule ist es, benachteiligten Menschen qualitativ hochwertige Bildung zu

ermöglichen.1

AKAD-Gruppe

Die AKAD-Gruppe ist mit derzeit rund 8.200 Studierenden zwischen 20 und 65

Jahren der größte private Fernhochschulverbund in Deutschland. Seit 1959

haben sich über 55.000 Berufstätige erfolgreich bei der AKAD weitergebildet.

Über 340 Professoren und Dozenten mit wissenschaftlicher Qualifikation und

Praxiserfahrung lehren an den vier staatlich anerkannten Hochschulen: WHL

Wissenschaftliche Hochschule Lahr sowie Hochschulen in Stuttgart, Leipzig

und Pinneberg. Das AKAD-Studienkonzept ist eine Kombination aus Fernstudi-

um, Präsenzseminaren und Online-Studium – speziell auf die Bedürfnisse

Berufstätiger zugeschnitten.

Die AKAD-Gruppe bietet Studien- und Aufbaustudiengängen in den Disziplinen

Betriebswirtschaft, Wirtschaftsinformatik, Maschinenbau, Wirtschaftsingenieur-

wesen, Mechatronik und Sprachen an. Zudem finden am AKAD Kolleg Fach-

lehrgänge, Fernkurse, Sprachdiplome oder IHK-Lehrgänge statt. Im Bereich

AKAD Business werden in Zusammenarbeit mit Unternehmen, berufsbegleiten-

de Weiterbildungen in den Bereichen Wirtschaft, Technik, Sprachen angebo-

ten.2

1 Vgl. Kungälv Vuxenutbildning (2012), o. S.2 Vgl. AKAD Bildungsgesellschaft mbH (2012), o. S.



Anhang A XVIII

DHBW Stuttgart

Die Duale Hochschule Baden-Württemberg (DHBW) Stuttgart gehört mit über

7.000 Studierenden und 2.000 haupt- und nebenberuflichen Dozent/innen aus

Wissenschaft und Praxis zu den größten Hochschulen in den Regionen Stutt-

gart und Oberer Neckar. In Kooperation mit rund 2.500 ausgewählten Unter-

nehmen und sozialen Einrichtungen, den dualen Partnern, bieten die Fakultäten

Wirtschaft, Technik und Sozialwesen mehr als 40 national und international an-

erkannte Bachelor-Studienrichtungen an. Zentrales Merkmal ist der regelmäßi-

ge Wechsel zwischen den Theoriephasen an der Hochschule und den berufs-

praktischen Phasen beim ausbildenden dualen Partner. Mit dualen Masterpro-

grammen in allen Fakultäten ermöglicht die DHBW Stuttgart außerdem eine

berufsintegrierte Weiterentwicklung auch über den Bachelorabschluss hinaus.

Das duale Studium orientiert sich an den realen Anforderungen des Arbeits-

marktes und der Unternehmen bzw. sozialen Einrichtungen und garantiert eine

einzigartige Verbindung von Theorie und Praxis. Die frühere Berufsakademie

Baden-Württemberg ist heute als DHBW eine national und international aner-

kannte und akkreditierte Hochschule mit einem außerordentlich hohen Quali-

tätsniveau, was sich auch in einer Übernahmequote von durchschnittlich 80

Prozent ihrer Absolventen widerspiegelt. Die DHBW Stuttgart mit ihrem Cam-

pus Horb ist der größte von acht Standorten der Dualen Hochschule Baden-

Württemberg.1

Berufskollegs Hagen

Die Hagener Berufskollegs bestehen aus Cuno-Berufskolleg I, Cuno-Berufs-

kolleg II, Kaufmannsschule I, Kaufmannsschule II sowie Käthe-Kollwitz-

Berufskolleg. Jedes Berufskolleg beschäftigt in etwa 80 Lehrpersonen bei einer

jeweiligen Schülerzahl von über 2.000.

Das Cuno-Berufskolleg I und II sind gewerblich-technische berufsbildende

Schulen. In den Berufsfeldern Metalltechnik, Elektrotechnik, Mechatronik, In-

formations- und Telekommunikationstechnik, Bädertechnik sowie Physik/ Che-

mie wird als Partner im Dualen System der schulische Teil der beruflichen Erst- 1 Vgl. Duale Hochschule Baden-Württemberg Stuttgart (2012), o. S.



Anhang A XIX

ausbildung am Cuno-Berufskolleg I durchgeführt.1 Das Bildungsangebot wird

durch weitere technische Bildungsgänge ergänzt. Die im Cuno-Berufskolleg II

angebotenen Bildungsgänge umfassen Berufsschule, höhere Berufsfachschule,

Fachoberschule, Assistenten, Technisches Gymnasium und Fachschule für

Vermessungstechnik.2 Die Kaufmannsschule I und II sind kaufmännische be-

rufsbildende Schulen und bieten die Bildungsgänge Berufsfachschule, Berufs-

schule, Fachschule für Wirtschaft (Abendstudium), Fachoberschule, Wirt-

schaftsgymnasium sowie höhere Handelsschule für Abiturienten an.3 Das Kä-

the-Kollwitz-Berufskolleg ist ein Berufskolleg für Sozial- und Gesundheitswesen,

Hauswirtschaft und Allgemeingewerbe sowie Berufliches Gymnasium der Stadt

Hagen (Sekundarstufe II).4

1 Vgl. Cuno-Berufskolleg I (2012), o. S.2 Vgl. Cuno-Berufskolleg II (2012), o. S.3 Vgl. Kaufmannsschule I (2012), o. S. und Kaufmannsschule II (2012), o. S.4 Vgl. Käthe-Kollwitz-Berufskolleg (2012), o. S.



Anhang A XX

Anlage A8: Fragebogen der DHBW Stuttgart



Anhang A XXI



Anhang A XXII



Anhang A XXIII



Anhang A XXIV



Anhang A XXV



Anhang A XXVI



Anhang A XXVII



Anhang A XXVIII

Anlage A9: Begleitschreiben der Online-Befragung

Online-Umfrage zum Thema "Digitale Arbeitsmittel in der Lehre"

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Liebe Kolleginnen und -kollegen,

ich habe von einer Studentin des Studiengangs Wirtschaftspädagogik an der WHL Wissen-

schaftliche Hochschule Lahr eine Anfrage zur Beteiligung an einer Umfrage zum Thema "Digita-

le Arbeitsmittel in der Lehre" erhalten, die ihre Masterarbeit über die Erhebung schreiben wird.

Die Online-Umfrage finden Sie hier:

< Link >

Die Umfrage findet im Rahmen des Projekts "Digital Classroom" statt. Es handelt sich hier um

eine von der EU geförderte Grundtvig-Lernpartnerschaft, die zum Ziel hat, den Einsatz und die

Einbindung digitaler Arbeitsmittel in Bildungsangeboten für Erwachsene zu untersuchen. Der

Lehrstuhl für Wirtschaftspädagogik an der WHL ist an diesem Projekt beteiligt.

Sie unterstützen durch Ihre Angaben das Projekt, da Daten von Lehrkräften aus ganz Europa

erfasst und verglichen werden.

Die Bearbeitung des Fragebogens dauert etwa 12 Minuten. Die Ergebnisse werden vollkommen

anonym erfasst und vertraulich behandelt.

Unter digitalen Arbeitsmitteln werden Software-Anwendungen verstanden, die Lehr- und Lern-

aktivitäten unterstützen. Diese Anwendungen bieten mehr interaktive Funktionen als die übli-

chen Office-Anwendungen wie Word, Excel oder PowerPoint. Öffentliche Seiten des World

Wide Web sind nicht Teil dieser Definition von digitalen Arbeitsmitteln.

Auch wenn Sie selbst keine oder wenig digitale Arbeitsmittel in Ihrem Bildungsangeboten

(Kurse, Module, Seminare etc.) verwenden, ist Ihre Meinung sehr wichtig.

Ich möchte Sie bitten, die Studentin zu unterstützen und an der Umfrage bis zum < Datum >

teilzunehmen.

Vielen Dank für Ihren Beitrag!

Mit freundlichen Grüßen

N.N.



Anhang A XXIX

Anlage A10: Auszug Variablenansicht mit zugeordneten Messniveaus



Anhang A XXX

Anlage A11: Aufteilung der „teilweise abgeschlossenen Fragebogen“

Hochschule Teilweise

abgeschlossene

Fragebogen*

zu Beginn nach

Frage 4

nach

Frage 5

nach

Frage 5b**

nach

Frage

7/Item 1

nach

Frage

7/Item 2

DHBW Stuttgart 1 1

AKAD Gruppe 20 6 2 1 1

Berufskollegs Hagen 1 1

Hochschule Schottland 5 1 1

Hochschule Spanien 18 7 1

Hochschule Schweden 13 5 6

Hochschule Türkei 0

Hochschulen Gesamt 58 20 1 9 1 1 1

*Datenstand der Online-Umfrage: 10.11.2012

**Fragebogen der Berufskollegs Hagen enthält im 1. Fragebogenteil nicht 5, sondern 6 Fragen

Hochschule nach

Frage

7/Item 4

nach

Frage

8/Item 8

nach

Frage 10

nach

Frage 11

nach

Frage

12/Item 2

nach

Frage 13

nach

Frage 14

nach

Frage

15/Item 4

DHBW Stuttgart

AKAD Gruppe 4 1 3 1 1

Berufskollegs Hagen

Hochschule Schottland 2 1

Hochschule Spanien 5 1 2 1 1

Hochschule Schweden 1*** 1

Hochschule Türkei

Hochschulen Gesamt 11 1 1 7 1 1 2 1

***Frage 9 im Schwedischen Fragebogen



Anhang A XXXI

Anlage A12: Entscheidung „Integrationsvariable“

Häufigkeiten

Process_Integration

Development_Int

egration

Gültig 382 382

Fehlend 0 0

3,2314 3,8770

3,2000 4,0000

3,20 4,00

,78734 ,89829

,620 ,807

-,097 -,686

,125 ,125

-,192 ,335

,249 ,249

1,00 1,00

5,00 5,00

Häufigkeitstabelle

Häufigkeit Prozent Gültige Prozente

Kumulierte

Prozente

1,00 2 ,5 ,5 ,5

1,10 1 ,3 ,3 ,8

1,20 1 ,3 ,3 1,0

1,30 1 ,3 ,3 1,3

1,40 1 ,3 ,3 1,6

1,50 1 ,3 ,3 1,8

1,70 1 ,3 ,3 2,1

1,80 5 1,3 1,3 3,4

1,90 9 2,4 2,4 5,8

2,00 6 1,6 1,6 7,3

2,10 4 1,0 1,0 8,4

2,20 13 3,4 3,4 11,8

2,30 10 2,6 2,6 14,4

2,40 5 1,3 1,3 15,7

2,50 13 3,4 3,4 19,1

2,60 17 4,5 4,5 23,6

2,70 12 3,1 3,1 26,7

2,80 17 4,5 4,5 31,2

2,90 15 3,9 3,9 35,1

3,00 20 5,2 5,2 40,3

3,10 15 3,9 3,9 44,2

3,20 25 6,5 6,5 50,83,30 17 4,5 4,5 55,2

3,40 23 6,0 6,0 61,3

3,50 20 5,2 5,2 66,5

3,60 14 3,7 3,7 70,2

3,70 19 5,0 5,0 75,1

3,80 11 2,9 2,9 78,0

3,90 12 3,1 3,1 81,2

4,00 18 4,7 4,7 85,9

4,10 6 1,6 1,6 87,4

4,20 6 1,6 1,6 89,0

4,30 10 2,6 2,6 91,6

4,40 6 1,6 1,6 93,2

4,50 4 1,0 1,0 94,2

4,60 6 1,6 1,6 95,8

4,70 6 1,6 1,6 97,4

4,80 6 1,6 1,6 99,0

5,00 4 1,0 1,0 100,0

Gesamt 382 100,0 100,0

Minimum

Maximum

Process_Integration

Gültig

Standardabweichung

Varianz

Schiefe

Standardfehler der Schiefe

Kurtosis

Standardfehler der Kurtosis

Statistiken

N

Mittelwert

Median

Modus



Anhang A XXXII

Häufigkeit Prozent Gültige ProzenteKumulierteProzente

1,00 5 1,3 1,3 1,3

1,33 1 ,3 ,3 1,6

1,67 3 ,8 ,8 2,4

2,00 8 2,1 2,1 4,5

2,33 9 2,4 2,4 6,8

2,67 24 6,3 6,3 13,1

3,00 27 7,1 7,1 20,2

3,33 36 9,4 9,4 29,6

3,67 49 12,8 12,8 42,4

4,00 85 22,3 22,3 64,7

4,33 30 7,9 7,9 72,5

4,67 21 5,5 5,5 78,0

5,00 84 22,0 22,0 100,0

Gesamt 382 100,0 100,0

Development_Integration

Gültig

Histogramm



Anhang A XXXIII

Anlage A13: Korrelationen Variable „Age“

Age Proficiency Digital Tools

Korrelation nach 1 -,010

Signifikanz (2-seitig) ,840

N 382 382

Korrelation nach -,010 1


N 382 382

Age Teachers ReadinessKorrelation nach 1 -,049


N 382 382

Korrelation nach -,049 1


N 382 382

Age Teachers BeliefsKorrelation nach 1 ,020


N 382 382

Korrelation nach ,020 1


N 382 382

Age Process of IntegrationKorrelation nach 1 -,146**


N 382 382

Korrelation nach -,146** 1


N 382 382

Age

Teachers Readiness

Age

Proficiency Digital Tools

Korrelationen

**. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig) signifikant.

Korrelationen

Age

Process of Integration

Age

Teachers Beliefs

Korrelationen

Korrelationen



Anhang A XXXIV

Anlage A14: Korrelationen Variable „Years of Teaching“

Years of Teaching Proficiency Digital Tools

Korrelation nach 1 ,036


N 382 382



N 382 382

Years of Teaching Teachers ReadinessKorrelation nach 1 ,048


N 382 382



N 382 382

Years of Teaching Teachers BeliefsKorrelation nach 1 ,164**


N 382 382

Korrelation nach ,164** 1


N 382 382

Years of Teaching Process of IntegrationKorrelation nach 1 ,046


N 382 382



N 382 382

Korrelationen

Years of Teaching



Korrelationen

Years of Teaching

Teachers Beliefs

Years of Teaching

Teachers Readiness

Korrelationen

Korrelationen

Years of Teaching




Anhang A XXXV

Anlage A15: Korrelationen Variable „Overall Support“

Overall Support Proficiency Digital Tools

Korrelation nach

Pearson

1 ,075


N 382 382

Korrelation nachPearson

,075 1


N 382 382

Overall Support Teachers Readiness


1 ,453**


N 382 382


,453** 1


N 382 382

Overall Support Process of Integration


1 ,440**


N 382 382


,440** 1

Signifikanz (2-seitig) ,000N 382 382


Korrelationen

Overall Support


Overall Support

Teachers Readiness


Korrelationen

Korrelationen

Overall Support






Anhang A XXXVII

Anlage A17: Korrelationen Variable „Proficiency of Digital Tools“

Proficiency Digital

Tools Teachers ReadinessKorrelation nachPearson

1 ,550**


N 382 382


,550** 1


N 382 382

Proficiency Digital

Tools Teachers BeliefsKorrelation nachPearson

1 ,229**


N 382 382


,229** 1


N 382 382

Proficiency DigitalTools Process of Integration


1 ,401**


N 382 382


,401** 1


N 382 382

Proficiency DigitalTools



Korrelationen

Korrelationen


Teachers Beliefs


Korrelationen


Teachers Readiness




Anhang A XXXVIII

Anlage A18: Korrelationen Variable „Teachers’ Readiness“ und “Teachers’

Beliefs”

Teachers Readiness Process of IntegrationKorrelation nachPearson

1 ,520**


N 382 382


,520** 1


N 382 382

Teachers Beliefs Process of IntegrationKorrelation nachPearson

1 ,482**


N 382 382


,482** 1


N 382 382

Teachers Beliefs



Korrelationen

Teachers Readiness



Korrelationen



Anhang A XXXIX

Anlage A19: Multiple Regressionsanalyse Modell “Proficiency of Digital Tools”

Regression Modell "Proficiency of Digital Tools"

ModellAufgenommene

VariablenEntfernteVariablen Methode

1 Technical Support,Years of Teaching,Overall Support,

Agea

. Einschluß

Modell R R-QuadratKorrigiertes R-

QuadratStandardfehlerdes Schätzers

Durbin-Watson-Statistik

1 ,096a ,009 -,001 1,132 1,444

Quadratsumme dfMittel derQuadrate F Sig.

Regression 4,464 4 1,116 ,871 ,482a

Nicht standardisierteResiduen

483,284 377 1,282

Gesamt 487,749 381

StandardisierteKoeffizienten

RegressionskoeffizientB Standardfehler Beta Toleranz VIF

(Konstante) 3,874 ,344 11,271 ,000

Age -,055 ,078 -,046 -,694 ,488 ,610 1,640

Years of Teaching ,058 ,062 ,061 ,927 ,354 ,603 1,658

Overall Support ,058 ,084 ,043 ,687 ,493 ,663 1,508

Technical Support ,058 ,079 ,045 ,725 ,469 ,673 1,485

(Konstante) AgeYears ofTeaching Overall Support

TechnicalSupport

1 4,808 1,000 ,00 ,00 ,00 ,00 ,00

2 ,113 6,525 ,00 ,12 ,11 ,08 ,08

3 ,033 12,102 ,05 ,45 ,66 ,18 ,07

4 ,025 13,986 ,02 ,25 ,22 ,73 ,49

5 ,022 14,814 ,93 ,18 ,01 ,01 ,35

Minimum Maximum MittelwertStandardabweich

ung N

NichtstandardisiertervorhergesagterWert

4,03 4,58 4,32 ,108 382

NichtstandardisierteResiduen

-3,433 1,888 ,000 1,126 382

StandardisiertervorhergesagterWert

-2,707 2,340 ,000 1,000 382

StandardisierteResiduen

-3,032 1,668 ,000 ,995 382

1

a. Abhängige Variable: Proficiency Digital Tools

Residuenstatistika



Kollinearitätsdiagnose a

Modell Dimension Eigenwert Konditionsindex

Varianzanteile

Modell

Nicht standardisierte Koeffizienten

T Sig.

Kollinearitätsstatistik

1

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Technical Support, Years of Teaching, Overall Support, Age

b. Abhängige Variable: Proficiency Digital Tools

Koeffizientena

Aufgenommene/Entfernte Variablen

a. Alle gewünschten Variablen wurden eingegeben.

Modellzusammenfassungb

a. Einflußvariablen : (Konstante), Technical Support, Years of Teaching, Overall Support, Age

b. Abhängige Variable: Proficiency Digital Tools



Anhang A XL

Diagramme



Anhang A XLI

Anlage A20: Multiple Regressionsanalyse Modell “Teachers’ Readiness”

Regression "Teachers' Readiness"

Modell Aufgenommene Variablen Entfernte Variablen Methode1 Profic iency Digital Tools , Age,

Overall Support, Technical

Support, Years of Teachinga

. Einschluß




1 ,689a ,475 ,468 ,58631 2,017


Regression 116,711 5 23,342 67,903 ,000a

Nicht standardisierteResiduen 129,252 376 ,344

Gesamt 245,963 381



(Konstante) 1,033 ,206 5,021 ,000

Age -,042 ,041 -,050 -1,044 ,297 ,609 1,642

Years of Teaching ,018 ,032 ,027 ,553 ,580 ,602 1,662

Overall Support ,379 ,044 ,397 8,648 ,000 ,662 1,510

Technical Support ,021 ,041 ,023 ,506 ,613 ,672 1,487

Proficiency Digital Tools ,367 ,027 ,517 13,764 ,000 ,991 1,009

(Konstante) AgeYears ofTeaching

OverallSupport

TechnicalSupport

ProficiencyDigital Tools

1 5,743 1,000 ,00 ,00 ,00 ,00 ,00 ,00

2 ,116 7,050 ,00 ,13 ,12 ,06 ,06 ,02

3 ,067 9,251 ,00 ,01 ,01 ,09 ,07 ,67

4 ,032 13,296 ,01 ,53 ,64 ,13 ,10 ,01

5 ,024 15,314 ,00 ,17 ,22 ,69 ,63 ,00

6 ,017 18,299 ,98 ,15 ,00 ,03 ,14 ,30

1

a. Abhängige Variable: Teachers Readiness




Varianzanteile

Modell


T Sig.


1

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Age, Overall Support, Technical Support, Years of Teaching

b. Abhängige Variable: Teachers Readiness

Koeffizientena



Modellzusammenfassung b




ung N

Nicht standardisiertervorhergesagter Wert

2,0689 5,1527 3,8711 ,55347 382


-1,66937 1,66091 ,00000 ,58245 382

Standardisiertervorhergesagter Wert

-3,256 2,316 ,000 1,000 382


-2,847 2,833 ,000 ,993 382

Residuenstatistika




Anhang A XLII

Diagramme



Anhang A XLIII


Readiness”

Regression Modellanpassung "Teachers' Readiness"

Modell Aufgenommene Variablen Entfernte Variablen Methode

1 Proficiency Digital Tools,

Overall Supporta. Einschluß

Modell R R-QuadratKorrigiertes R -



1 ,687a ,473 ,470 ,58503 2,005


Regression 116,246 2 58,123 169,822 ,000a


129,717 379 ,342

Gesamt 245,963 381



(Konstante) ,985 ,160 6,137 ,000

Overall Support ,394 ,036 ,414 11,058 ,000 ,994 1,006


(Konstante) Overall SupportProficiency Digital

Tools

1 2,919 1,000 ,00 ,01 ,01

2 ,058 7,085 ,00 ,52 ,56

3 ,023 11,229 1,00 ,48 ,44


ung N


2,1417 5,1668 3,8711 ,55237 382

Nicht

standardisierteResiduen

-1,67989 1,69415 ,00000 ,58349 382


-3,131 2,346 ,000 1,000 382


-2,871 2,896 ,000 ,997 382

1


Residuenstatistika





Varianzanteile

Modell


T Sig.


1

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Overall Support


Koeffizientena




a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Overall Support




Anhang A XLIV

Diagramme



Anhang A XLV

Anlage A22: Multiple Regressionsanalyse Modell “Teachers’ Beliefs”

Regression "Teachers' Beliefs"

Modell Aufgenommene Variablen Ent fernte Variablen Methode1 Proficiency Digital Tools,

Age, Overall Support,Technical Support, Years

. Einschluß




1 ,497a ,247 ,237 ,64453 1,831


Regression 51,372 5 10,274 24,732 ,000a


156,200 376 ,415

Gesamt 207,572 381



(Konstante) 1,849 ,226 8,171 ,000

Age -,055 ,045 -,071 -1,235 ,217 ,609 1,642

Years of Teaching ,099 ,036 ,160 2,780 ,006 ,602 1,662

Overall Support ,404 ,048 ,461 8,388 ,000 ,662 1,510

Technical Support -,095 ,045 -,114 -2,091 ,037 ,672 1,487

Proficiency Digital Tools ,128 ,029 ,195 4,349 ,000 ,991 1,009a. Abhängige Variable: Teachers Beliefs

Modell


T Sig.


1

ANOVAb

Modell

1


b. Abhängige Variable: Teachers Beliefs

Koeffizientena




a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Age, Overall Support, Technical Support, Years of Teac i


(Konstante) AgeYears ofTeaching Overall Support

TechnicalSupport


1 5,743 1,000 ,00 ,00 ,00 ,00 ,00 ,00

2 ,116 7,050 ,00 ,13 ,12 ,06 ,06 ,02

3 ,067 9,251 ,00 ,01 ,01 ,09 ,07 ,67

4 ,032 13,296 ,01 ,53 ,64 ,13 ,10 ,01

5 ,024 15,314 ,00 ,17 ,22 ,69 ,63 ,00

6 ,017 18,299 ,98 ,15 ,00 ,03 ,14 ,30

1

a. Abhängige Variable: Teachers Beliefs



Varianzanteile

Minimum Maximum Mittelwert Standardabweichung N


2,6662 4,5506 3,6036 ,36720 382

NichtstandardisierteResiduen

-3,13121 1,57668 ,00000 ,64029 382


-2,553 2,579 ,000 1,000 382


-4,858 2,446 ,000 ,993 382

Residuenstatistika




Anhang A XLVI

Diagramme



Anhang A XLVII


Beliefs”

Regression Modellanpassung "Teachers' Beliefs"

Modell Aufgenommene Variablen Ent fernte Var iablen Methode

1 Proficiency Digital Tools,Years of Teaching,Technical Support,

. Einschluß




1 ,494a ,244 ,236 ,64498 1,828


Regression 50,738 4 12,685 30,491 ,000a


156,834 377 ,416

Gesamt 207,572 381



(Konstante) 1,761 ,215 8,191 ,000


Overall Support ,409 ,048 ,467 8,529 ,000 ,668 1,497

Technical Support -,096 ,045 -,116 -2,116 ,035 ,673 1,486


(Konstante)Years ofTeaching Overall Support

TechnicalSupport


1 4,807 1,000 ,00 ,00 ,00 ,00 ,00

2 ,083 7,611 ,00 ,62 ,08 ,10 ,00

3 ,066 8,533 ,00 ,15 ,07 ,04 ,68

4 ,026 13,569 ,03 ,00 ,85 ,63 ,03

5 ,018 16,170 ,97 ,23 ,00 ,23 ,29

1



Kollinearitätsdiagnosea


Varianzanteile

Modell


T Sig.


1

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Years of Teaching, Technical Support, Overall Support


Koeffizientena




a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Years of Teaching, Technical Support, Overall Support



Nicht standardisiertervorhergesagter Wert 2,7151 4,5769 3,6036 ,36493 382


-3,09597 1,56571 ,00000 ,64159 382

Standardisiertervorhergesagter Wert

-2,435 2,667 ,000 1,000 382


-4,800 2,428 ,000 ,995 382

Residuenstatistika






Anhang A XLIX

Anlage A24: Multiple Regressionsanalyse Modell „Integration of Digital Tools“

Regression "Integration of Digital Tools"

Modell Variablen Entfernte Variablen Methode1 Teachers Beliefs, Age,

Technical Support,Proficiency Digital Tools,Years of Teaching,Teachers Readiness,

. Einschluß




1 ,661a ,436 ,426 ,59655 1,917

Quadratsumme df Mittel derQuadrate F Sig.

Regression 103,088 7 14,727 41,383 ,000a


133,095 374 ,356

Gesamt 236,183 381



(Konstante) ,573 ,231 2,484 ,013

Age -,154 ,042 -,185 -3,703 ,000 ,605 1,652


Overall Support ,232 ,051 ,249 4,518 ,000 ,497 2,013Technical Support -,045 ,042 -,051 -1,063 ,289 ,663 1,507


Teachers Readiness ,185 ,053 ,189 3,489 ,001 ,512 1,951

Teachers Beliefs ,266 ,048 ,250 5,507 ,000 ,734 1,363

a. Abhängige Variable: Process of Integration

Modell


T Sig.


1

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Technical Support, Proficiency Digital Tools, Years of Teaching, Teach i ll

b. Abhängige Variable: Process of Integration

Koeffizientena

Aufgenommene/Entfe rnte Variablen



a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Technical Support, Proficiency Digital Tools, Years of Teachi i ll


(Konstante) Age

Years of

Teaching

Overall

Support

Technical

Support

Proficiency Digital

Tools

Teachers

Readiness

Teachers

Beliefs

1 7,683 1,000 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

2 ,125 7,829 ,00 ,14 ,13 ,02 ,03 ,01 ,01 ,00

3 ,071 10,391 ,00 ,00 ,00 ,09 ,12 ,31 ,02 ,00

4 ,039 14,125 ,00 ,16 ,12 ,04 ,30 ,06 ,00 ,27

5 ,029 16,189 ,03 ,41 ,72 ,00 ,06 ,06 ,00 ,17

6 ,023 18,119 ,09 ,15 ,03 ,45 ,24 ,00 ,12 ,217 ,016 21,825 ,16 ,03 ,00 ,18 ,01 ,53 ,65 ,09

8 ,013 24,054 ,72 ,09 ,00 ,22 ,25 ,02 ,21 ,25

1



Modell Dimension Eigenwert Kondit ionsindex

Varianzanteile


Nichtstandardisierter

1,5410 4,3952 3,2314 ,52017 382

Nichtstandardisierte

-1,61657 1,53439 ,00000 ,59104 382

Standardisiertervorhergesagter

-3,250 2,237 ,000 1,000 382

Standardisiertei

-2,710 2,572 ,000 ,991 382

Residuenstatistika




Anhang A L

Diagramme



Anhang A LI

Anlage A25: Multiple Regressionsanalyse Modellanpassung „Integration of

Digital Tools“

Regression Modellanpassung "Integration of Digital Tools"

Modell Aufgenom mene Variablen Entfernte Variablen Methode

1 Teachers Beliefs, Age,Proficiency Digital Tools,Overall Support, Teachers

Readinessa

. Einschluß

Modell R R-Quadrat Korrigiertes R-QuadratStandardfehler des

Schätzers Durbin-Watson-Statistik

1 ,656a ,431 ,423 ,59803 1,880

Quadratsumme df Mittel der Quadrate F Sig.

Regression 101,713 5 20,343 56,881 ,000a


134,470 376 ,358

Gesamt 236,183 381

ANOVAb

Modell

1

a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Proficiency Digital Tools, Overall Support, Teachers Readiness





a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Proficiency Digital Tools, Overall Support, Teachers Readiness


Standardisierte

Koeffizienten


(Konstante) ,518 ,218 2,375 ,018

Age -,111 ,032 -,134 -3,435 ,001 ,995 1,005

Overall Support ,208 ,044 ,222 4,699 ,000 ,677 1,477


Teachers Readiness ,183 ,053 ,187 3,444 ,001 ,513 1,948

Teachers Beliefs ,284 ,048 ,266 5,955 ,000 ,760 1,317


Modell


T Sig.


1

Koeffizientena

(Konstante) Age

Overall

Support

Proficiency

Digital Tools

Teachers

Readiness

Teachers

Beliefs

1 5,795 1,000 ,00 ,00 ,00 ,00 ,00 ,00

2 ,086 8,185 ,00 ,70 ,03 ,03 ,02 ,01

3 ,060 9,823 ,00 ,00 ,29 ,37 ,00 ,02

4 ,027 14,626 ,03 ,06 ,34 ,04 ,04 ,72

5 ,016 18,810 ,55 ,12 ,20 ,38 ,25 ,18

6 ,015 19,426 ,42 ,12 ,13 ,18 ,68 ,07

1




Varianzanteile


Nicht

standardisierter

vorhergesagter

Wert

1,5779 4,4286 3,2314 ,51668 382

Nicht

standardisierte

Residuen

-1,71593 1,52978 ,00000 ,59409 382

Standardisierter

vorhergesagter

Wert

-3,200 2,317 ,000 1,000 382

Standardisierte

Residuen

-2,869 2,558 ,000 ,993 382

Residuenstatistika




Anhang A LII

Diagramme



Anhang B LIII

Anhang B1

Anlage B1: Fragebogen der AKAD-Gruppe ..................................................B-III

Anlage B2: Fragebogen der Berufskollegs Hagen ........................................B-XI

Anlage B3: Fragebogen der Hochschule in Schottland............................... B-XX

Anlage B4: Fragebogen der Hochschule in Schweden..........................B-XXVIII

Anlage B5: Fragebogen der Hochschule in Spanien............................. B-XXXVI

Anlage B6: Fragebogen der Hochschule in der Türkei............................. B-XLIV

Anlage B7: Häufigkeiten Variablen mit Nominalskalenniveau......................B-LII

Anlage B8: Häufigkeiten Variablen Ordinalskalenniveau............................B-LVI

Anlage B9: Häufigkeiten Variablen Intervallskalenniveau ..........................B-LVII

Anlage B10: Häufigkeiten Variablen Intervallskalenniveau (nachSkalenbildung) ..........................................................................................B-LXXI

Anlage B11: Häufigkeiten – Kreuztabelle nach Land bzw. Hochschule ..B-LXXV

Anlage B12: Reliabilitätsanalyse Skala „Teachers’ Readiness“ ................... B-CI

Anlage B13: Reliabilitätsanalyse Skala „Impact on Students“.................... B-CIII

Anlage B14: Reliabilitätsanalyse Skala „Impact on Classroom Instruction“B-CVI

Anlage B15: Reliabilitätsanalyse Skala „Overall Support“........................B-CVIII

Anlage B16: Reliabilitätsanalyse Skala „Technical Support“.......................B-CX

Anlage B17: Reliabilitätsanalyse Skala „Technology Coach“....................B-CXII

Anlage B18: Reliabilitätsanalyse Skala „Process of Integration“...............B-CXV

Anlage B19: Reliabilitätsanalyse Skala „Future Development ofIntegration“..............................................................................................B-CXVIII

Anlage B20: Reliabilitätsanalyse Skala „Teachers’ Beliefs“ ......................B-CXX

Anlage B21: Reliabilitätsanalyse Skala „Future Development ofIntegration“............................................................................................. B-CXXIV

Anlage B22: Faktorenanalyse “Teachers’ Beliefs” .............................. B-CXXVIII

Anlage B23: Faktorenanalyse “Integration of Digital Tools” ................ B-CXXXIII

Anlage B24: Mittelwertsunterschiede t-Test......................................B-CXXXVIII

Anlage B25: ANOVA Variable „Unterrichtsfach“ .................................B-CXXXIX

Anlage B26: ANOVA Variable „Lehrmethodik“.......................................B-CXLVI

Anlage B27: ANOVA Variable „Schulung“..............................................B-CLVIII

Anlage B28: Chi²-Test............................................................................B-CLXIII

Anlage B29: Explorative Datenanalyse.................................................B-CLXVII

1 Anhang B befindet sich auf der beiliegenden CD-ROM.



Literaturverzeichnis LIV

Literaturverzeichnis

Aberdeen College (2012): Aberdeen College, in: http://www.abcol.ac.uk,

Stand vom 31.10.2012, Aberdeen 2012

AKAD Bildungsgesellschaft mbH (2012): AKAD, in: http://www.akad.de, Stand

vom 02.11.2012, Stuttgart 2012

Albrecht, R. (2004): E-Teaching-Kompetenz aus

hochschuldidaktischer Perspektive, in: Bett,

K./Wedeking, J./Zentel, P. (Hrsg.):

Medienkompetenz für die Hochschule, New

York/München/Berlin 2004

Altobelli, C. F. (2007): Marktforschung: Methoden – Anwendungen –

Praxisbeispiele, Stuttgart 2007

Aufenanger, S. (1999): Lernen mit neuen Medien – Was bringt es

wirklich? Forschungsergebnisse und

Lernphilosophien, in: Medien praktisch.

Zeitschrift für Medienpädagogik, 1999,

Heft 4, S. 4-8

Bartsch, T.-C./Rex, B. F. (2008): Rede im Studium!, Paderborn 2008

Bebell, D./Russell, M./O’Dwyer, L. (2004): Measuring teachers´ technologyuses: Why multiple measures are more

revealing, in: Journal of Research on

Technology in Education, Volume 37,

Number 1, p. 45-63

Brake, Ch. (2000): Politikfeld Multimedia: multimediale Lehre im

Netz der Restriktionen, Münster/New York/

München/Berlin 2000



Literaturverzeichnis LV

Breiter, A. (2001): IT-Management in Schulen, Neuwied 2001

Brosius, F. (2006): SPSS 14, Heidelberg 2006

Brosius, H.-B./Koschel, F. (2001): Methoden der empirischen

Kommunikationsforschung – Eine Einführung,

Wiesbaden 2001

Cuno-Berufskolleg I (2012): Cuno-Berufskolleg I, in: http://www.cuno-

online.de/ , Stand vom 21.11.2012,

Hagen 2012Cuno-Berufskolleg II (2012): Cuno-Berufskolleg II, in:

http://www.cuno.de/code/schule/start.ph,

Stand vom 21.11.2012, Hagen 2012

de Witt, C./Czerwionka, T. (2007): Mediendidaktik – Studientexte für

Erwachsenenbildung, Bielefeld 2007

Dörr, G. (2009): Medienpädagogik, in: Henninger, M./Mandl,H.: Handbuch Medien- und

Bildungsmanagement, Weinheim und

Basel 2009

Duale Hochschule Baden-Württemberg Stuttgart (2012): DHBW Stuttgart, in:

http://www.dhbw-stuttgart.de/ , Stand vom

15.11.2012, Stuttgart 2012

Eickelmann, B. (2010): Digitale Medien in Schule und Unterricht

erfolgreich implementieren, Münster 2010

Ertmer, P. A. (2005): Teacher pedagogical beliefs: The final frontier

in our quest for technology integration?, in:

Educational Technology Research and

Development, Volume 53, Number 4, p. 25-39



Literaturverzeichnis LVI

Fullan, M. (2001): Leading in a Culture of Change, San

Francisco 2001

Glaser, M./Weigand, S./Schwan, S. (2009): Mediendidaktik, in: Henninger,M./Mandl, H.:Handbuch Medien- und

Bildungsmanagement, Weinheim und

Basel 2009

Hense, J./Mandl, H. (2009): Bildung im Zeitalter digitaler Medien – Zur

wechselseitigen Verflechtung von Bildung und

Technologien, in: Henninger, M./Mandl, H.:Handbuch Medien- und Bildungs-

management, Weinheim und Basel 2009

Hernandez-Ramos, P. (2005): If not here, where? Understanding teachers’

use of technology in Silicon Valley schools, in:

Journal of Research on Technology in

Education, Volume 38, Issue 1, p. 39-64

Herzig, B. (2008): Schule und digitale Medien, in: Sander,

U./Gross, F./Hugger, K.-U. (2008): Handbuch

Medienpädagogik, Wiesbaden 2008

Herzig, B./Grafe, S. (2006): Digitale Medien in der Schule –

Standortbestimmung und

Handlungsempfehlungen für die Zukunft,Paderborn 2006

Hew, K. F./Brush, T. (2007): Integrating technology into K-12 teaching and

learning: Current knowledge gaps and

recommendations for future research, in:

Educational Technology Research and

Development, Volume 55, Issue 3, p. 223-252



Literaturverzeichnis LVII

Hofte-Fankhauser, K./Wälty, H. F. (2009): Marktforschung – Grundlagen mit

zahlreichen Beispielen, Repetitionsfragen mit

Lösungen und Glossar, 2. Auflage,

Zürich 2009

Hörr, A. (2010): Vor- und Nachteile von Lernplattformen, in:

http://www.lmsnews.com/vor-und-nachteile-

von-lernplattformen, Stand vom 31.10.2012,

o. O. 2010

Hugger, K.-U. (2008): Medienkompetenz, in: Sander, U./Gross,F./Hugger, K.-U. (Hrsg.): Handbuch

Medienpädagogik, Wiesbaden 2008

Hunneshagen, H. (2005): Innovationen in Schulen: Identifizierung

implementationsfördernder und –hemmender

Bedingungen des Einsatzes neuer Medien,

Münster 2005

Hunneshagen, H./Schulz-Zander, R./Weinreich, F. (2000): Schulen ans Netz:

Veränderung von Lehr- und Lernprozessen

durch den Einsatz Neuer Medien, in: Rolff, H.-

G./Bos, W./Klemm, K./Pfeiffer, H./Schulz-

Zander, R. (Hrsg.): Jahrbuch der

Schulentwicklung, Band 11, S. 55-180,

Weinheim und München 2000

Inan, F. A./Lowther, D. L. (2009): Factors affecting technology integration in K-

12 classrooms: a path model, in: Educational

Technology Research and Development,

Volume 58, Number 2 (2010), p. 137-154



Literaturverzeichnis LVIII

IOC Institut Obert de Catalunya (2012): IOC Institut Obert de Catalunya, in:

http://ioc.xtec.cat, Stand vom 31.10.2012,

Barcelona 2012

Jones, S./Madden, M. (2002): The Internet goes to college: How students

are living in the future with today’s technology,

Washington, DC : Pew Internet and American

Life Project

Kammerl, R./Luca, R./Hein, S. (Hrsg.) (2011): Keine Bildung ohne Medien!

Neue Medien als pädagogischeHerausforderung, Hamburg 2011

Kanaya, T./Light, D./Culp, K. M. (2005): Factors influencing outcomes from a

technology-focused professional development

programm, in: Journal of Research on

Technology in Education, Volume 37, Issue 2,

p. 313-329

Karamürsel (2012): Karamürsel 100. Yıl Teknik ve Endüstri

meslek Lisesi, in:

http://www.karamurseleml.k12.tr, Stand vom

31.10.2012, Karamürsel 2012

Käthe-Kollwitz-Berufskolleg (2012): Käthe-Kollwitz-Berufskolleg, in:

http://www.kaethe-kollwitz-bk-ha.de/ , Standvom 21.11.2012, Hagen 2012

Kaufmannsschule I (2012): Kaufmannsschule I, in:

http://www.k1-hagen.de, Stand vom

21.11.2012, Hagen 2012

Kaufmannsschule II (2012): Kaufmannsschule II, in:

http://www.k2-hagen.de/ , Stand vom

21.11.2012, Hagen 2012



Literaturverzeichnis LIX

Klebl, M. (2006): Nachhaltiges Design digitaler Lernmedien:

Netzgestützte Bildungsprozesse mit IMS

Learning Design, Innsbruck 2006

Kungälv Vuxenutbildning (2012): Kungälv Vuxenutbildning, in:

http://www.kungalv.se/Barn-och-

utbildning/skolportalen/vuxenutbildning, Stand

vom 01.11.2012, Kungälv 2012

Lermen, M. (2008): Digitale Medien in der Lehrerbildung –

Rahmenbedingungen, Einflussfaktoren undIntegrationsvorschläge aus

(medien)pädagogischer Sicht,

Baltmannsweiler 2008

Lih-Juan, C./Jon-Chao, H./Jeou-Shyan, H./Shih-Hui, C./Hui-Chuan, C. (2006):

Factors influencing technology integration in

teaching: A Taiwanese perspective, in:

Innovations in Education & Teaching

International, Volume 43, Issue 1, p. 57-68

Lindau-Bank, D./Magenheim, J. (1998): Neue Medien und Schulorganisation,

in: Computer + Unterricht, Nr. 32, S. 4

Lowther, D. L./Ross, S. M. (2000): Teacher Technology Questionnaire (TTQ);

Memphis, TN: Center for Research inEducational Policy, The University of

Memphis, Memphis 2000

Lowther, D. L./Strahl, J. D./Inan, F. A./Ross, S. M. (2008): Does technology

integration “work” when key barriers are

removed?, New York 2008



Literaturverzeichnis LX

Lumpe, A. T./Chambers, E. (2001): Assessing Teachers’ context beliefs about

technology use, in: Journal of Research on

Technnology in Education, Volume 34, Issue

1, p. 93-107

Mathews, J. G./Guarino, A. J. (2000): Predicting teacher computer use: A path

analysis, in: International Journal of

Instructional Media, Volume 27, Issue 4,

p. 385-392

Mims, C./Polly, D./Shepherd, C./Inan, F. A. (2006): Examining PT3 projectsdesigned to improve preservice education, in:

TechTrends, Volume 50, Issue 3, p. 16-24

Müller, Ch. (2012): Digitale Medien im Bildungsbereich – Es

kommt auf Lehrer und Professoren an, in:

http://www.sozial-pr.net/digitale-medien-im-

bildungsbereich-es-kommt-auf-lehrer-und-

professoren-an/ , Stand vom 09.12.2012,

Winnenden 2012

Mumtaz, S. (2005): Factors affecting Teachers’ use of information

and communications technology: A review of

the literature, in: Technology, Pedagogy and

Education, Volume 9, Issue, p. 319-342

National Center for Education Statistics (2000): Teachers’ tools for the 21st

century: A report on Teachers’ use of

technology, in:

Nienhüser, W./Krins, C. (2005): Betriebliche Personalforschung – Eine

problemorientierte Einführung, München und

Mering 2005



Literaturverzeichnis LXI

O’Dwyer, L./Russel, M./Bebel, D. (2004): Elementary teachers’ use of

technology: Characteristics of teachers,

schools, and districts associated with

technology use. Boston, MA: Technology and

Assessment Study Collaborative, Boston

College

Pfäffli, B. K. (2005): Lehren an Hochschulen – Eine

Hochschuldidaktik für den Aufbau von Wissen

und Kompetenzen, Bern 2005

Reinecke, J. (2005): Strukturgleichungsmodelle in den

Sozialwissenschaften, München 2005

Robinson, W. I. (2003): External, and internal factors which predict

Teachers’ computer usage in K-12

classrooms, Wayne State University,

Detroit 2003

Rogers, E. (2003): Diffusion of Innovations, 5. Auflage,

New York 2003

Ross, J. A./Hogaboam-Gray, A./Hannay, L. (1999): Predictors of teachers´

confidence in their ability to implement

computer-based instruction, in: Journal of

Educational Computing Research, Volume 21,Number 1, p. 75-97

Sandholtz, J. H./Reilly, B. (2004): Teachers, not technicians: Rethinking

technical expectations for teachers, in:

Teachers College Record, Volume 106,

Issue 3, p. 487-512



Literaturverzeichnis LXII

Scheffler, F. L./Logan, J. P. (1999): Computer technology in schools: What

teachers should know and be able to do, in:

Journal of Research on Computing in

Education, Volume 31, Issue 3, p. 305-365

Schneider, F. (2011): Lernen mit Medien, Bern/Luzern/Zürich 2011

Schnell, R./Hill, P./Esser, E. (1999): Methoden der empirischen

Sozialforschung, München/Wien 1999

Scholl, W./Prasse, D. (2001): Was hemmt und was fördert dieInternetnutzung? Ergebnisse der Evaluation

der Initiative „Schulen ans Netz“: Probleme

und Lösungsmöglichkeiten, in: Computer +

Unterricht, Nr. 41, S. 21-23

Schulz-Zander, R. (2001): Neue Medien als Bestandteil von

Schulentwicklung, in: Aufenanger, S./Schulz-

Zander, R./Spanhel, D. (Hrsg.): Jahrbuch der

Medienpädagogik, S. 263-281, Opladen 2001

Schulz-Zander, R./Eickelmann, B. (2008): Zur Erfassung von

Schulentwicklungsprozessen im Bereich

digitaler Medien: Methodologische Konzeption

einer Fallstudienuntersuchung als

Folgeuntersuchung zur deutschen IEA-StudieSITES M2, in:

http://www.medienpaed.com/14/schulz-

zander0801.pdf, Stand vom 31.10.2012,

o. O. 2008



Literaturverzeichnis LXIII

Schwier, B. (2008): Lernen mit digitalen Medien an Förderschulen

– Inhaltsanalytische und explorative

Untersuchungen zu Förderschulen mit dem

Schwerpunkt „Lernen“, Berlin 2008

Shiue, Y. M. (2007): Investigating the sources of teachers´

instructional technology use through the

decomposed theory of planned behavior, in:

Journal of Educational Computing Research,

Volume 36, Number 4, p. 425-453

Snoeying, R./Ertmer, P. A. (2001): Thrust in Technology, in: Journal of

Educational Technology Systems, Volume 30,

Number 1, p. 85-111

Staiger, S. (2004): Computerbasierte Lehr-Lern-Arrangements:

didaktische Konzepte und Potenziale

konkretisiert an einem Beispiel für beruflichen

Unterricht, Frankfurt 2004

Sterbinsky, A./Burke, D. (2004): Tennessee EdTech Accountability Model

(TEAM) Reliability Study; Alexandria, VA: The

CNA Corporation, Alexandria 2004

Stratmann, J. (2007): Pädagogischer Mehrwert und

Implementierung von Notebooks an derHochschule, Münster 2007

Teo, T. (2009): Modelling technology acceptance in

education: A study of pre-service teachers, in:

Computers & Education, Volume 52, Issue 2,

p. 302-312



Literaturverzeichnis LXIV

Tulodziecki, G. (1999): Kompetenzen, die Studierende der Lehrämter

während der universitären Ausbildung

erwerben sollten, in: Schell, F./Stolzenburg,

E./Theunert, H. (Hrsg.): Medienkompetenz –

Grundlagen und pädagogisches Handeln, S.

297-304, München 1999

Tulodziecki, G./Herzig, B./Grafe, S. (2010): Medienbildung in Schule und

Unterricht – Grundlagen und Beispiele,

Regensburg 2010

Universität Zürich/Schwarz, J. (Hrsg.) (2010a): Deskriptive, univariate Analyse

(Verteilungen), in:

http://www.methodenberatung.uzh.ch/datenan

alyse/deskuniv.html, Stand vom 30.11.2012,

Zürich 2010

Universität Zürich/Schwarz, J. (Hrsg.) (2010b): Reduktion der Variablen, in:


alyse/interdependenz/reduktion.html, Stand

vom 30.11.2012, Zürich 2010

Universität Zürich/Schwarz, J. (Hrsg.) (2010c): Korrelation, in:


alyse/zusammenhaenge/korrelation.html,

Stand vom 30.11.2012, Zürich 2010

Universität Zürich/Schwarz, J. (Hrsg.) (2010d): Mulitple Regressionsanalyse, in:


alyse/zusammenhaenge/mreg.html, Stand

vom 25.11.2012, Zürich 2010



Literaturverzeichnis LXV

Universität Zürich/Schwarz, J. (Hrsg.) (2010e): Zentrale Tendenz, in:


alyse/unterschiede/zentral.html, Stand vom

24.11.2012, Zürich 2010

Universität Zürich/Schwarz, J. (Hrsg.) (2010f): t-Test für unabhängige

Stichproben, in:


alyse/unterschiede/zentral/ttestunabh.html,


Universität Zürich, Schwarz, J. (Hrsg.) (2010g): Einfaktorielle Varianzanalyse,

in:


alyse/unterschiede/zentral/evarianz.html,


Vamatta, R. A./Fordham, N. (2004): Teacher dispositions as predictors of

classroom technology use, in: Journal of

Research on Technology in Education,

Volume 36, Issue 3, p. 253-271

Van Braak, J. (2001): Individual characteristics influencing teachers´

class use of computers, in: Journal of

Educational Computing Research, Volume 25,

Number 2, p. 141-157

Van Braak, J./Tondeur, J./Valcke, M. (2004): Explaining different types of

computer use among primary school

teachers, in: European Journal of Psychology

of Education, Volume 19, Issue 4, p. 407-422

Venezky, R./Davis, C. (2002): Quo vademus? The transformation ofschooling in a networked world, Paris 2002



Literaturverzeichnis LXVI

Vollbrecht, R. (2000): Handlungsorientierte Medienpädagogik:

Medien und soziales Lernen

(Medienpädagogik III, Kurseinheit 1),

Fernuniversität Hagen 2000

Weinreich, F./Schulz-Zander, R. (2000): Schulen am Netz – Ergebnisse der

bundesweiten Evaluation. Ergebnisse der

Befragung der Computerkoordinatoren und –

koordinatorinnen an Schulen, in: Zeitschrift für

Erziehungswissenschaft, 3. Jahrgang (2000),

Heft 4, S. 577-594

Wikipedia (2010): Klumpen-Stichprobe, in:

http://de.wikipedia.org/wiki/Klumpen-

Stichprobe, Stand vom 06.11.2012, o. O.

2010

Wikipedia (2012a): Exogen, in:

http://de.wikipedia.org/wiki/Exogen, Stand

vom 06.11.2012, o. O. 2012

Wikipedia (2012b): Endogen, in:

http://de.wikipedia.org/wiki/Endogen, Stand

vom 06.11.2012, o. O. 2012

Wikipedia (2012c): Medienpädagogik, in:http://de.wikipedia.org/wiki/Medienp%C3%A4

dagogik, Stand vom 22.10.2012, o. O. 2012

Wikipedia (2012d): Content-Management-System, in:

http://de.wikipedia.org/wiki/Content-

Management-System, Stand vom 31.10.2012,

o. O. 2012





Ehrenwörtliche Erklärung LXVIII

Ehrenwörtliche Erklärung

Ich versichere hiermit, dass ich, Carmen Müller, meine Masterarbeit mit demThema „Einflussfaktoren auf die Bereitschaft von Lehrpersonen zur Integration

digitaler Medien in Lehrveranstaltungen – eine empirische Studie“ selbst-

ständig verfasst, keine anderen als die angegebenen Quellen und Hilfsmittel

benutzt habe, die Übernahme wörtlicher Zitate aus der Literatur sowie die

Verwendung der Gedanken anderer Autoren an den entsprechenden Stellen

innerhalb der Arbeit gekennzeichnet habe und dass ich meine Masterarbeit bei

keiner anderen Prüfung vorgelegt habe.

Documents

Master Arbeit