Akzeptanz von digitalen Medien bei Lehrenden an ... · Lehrgebiet Wissenschaftliche Weiterbildung und Hochschuldidaktik Wintersemester 2018/2019 Betreuerin Prof. Dr. Eva Cendon angefertigt

Masterarbeit

Akzeptanz von digitalen Medien bei Lehrenden an Hochschulen -

Eine Sekundäranalyse

Lehrgebiet Wissenschaftliche Weiterbildung und Hochschuldidaktik

Wintersemester 2018/2019

Betreuerin

Prof. Dr. Eva Cendon

angefertigt im MA Bildung und Medien: eEducation

an der FernUniversität in Hagen

Sinikka Gusset-Bährer

Matrikelnummer: 3671640

Taubertsgasse 10d, 64625 Bensheim

Tel.: 06251 580 332

[email protected]

Vorgelegt am 24.05.2019

Zusammenfassung

In dieser Studie wurde überprüft, ob eine modifizierte Version der Unified The-

ory of Acceptance and Use of Technology (UTAUT) mit der Einstellung zur

Technologienutzung anstelle der Nutzungsabsicht geeignet ist, die Akzeptanz

von Lehrenden, digitale Medien in der Lehre einzusetzen, abzubilden. Dazu

wurden in einer Sekundäranalyse die Daten von 242 Lehrenden an Hochschu-

len für angewandte Wissenschaften in Deutschland untersucht. Die Struk-

turgleichungsmodellierung ergab, dass die Leistungserwartung die Einstellung

zur Technologienutzung und das Nutzerverhalten beeinflusste. Die Einstellung

wirkte sich auch auf das Nutzerverhalten aus. Geschlecht, Alter und Lehrerfah-

rung erwiesen sich als Moderatoren. Bei männlichen und älteren Lehrenden

war der kausale Einfluss der Leistungserwartung deutlich vorhanden, bei weib-

lichen und jüngeren Lehrenden nicht. Diese Version der UTAUT erklärte für die

gesamte Stichprobe 19 % der Varianz der Einstellung und ebenfalls 19 % Vari-

anz des Nutzerverhaltens. Es wird empfohlen, hochschuldidaktische Work-

shops, Best-Practice-Beispiele und Erfolgsgeschichten einzusetzen, um den di-

daktisch sinnvollen Einsatz digitaler Medien in der Hochschullehre zu fördern.

Schlagwörter: UTAUT, digitale Medien, Hochschullehre, Einstellung

Abstract

This study examines the appropriateness of a modified version of the Unified

Theory of Acceptance and Use of Technology (UTAUT) with attitude instead of

behaviour intention to verify acceptance of technologies in higher education.

Data collected from 242 faculty respondents of Universities of Applied Sciences

in Germany were submitted a secondary analysis. Structural equation modelling

indicated the influence of performance expectancy on attitude and use behav-

iour. Use behaviour was predicted by attitude, too. Gender, age and teaching

experience were identified as moderators. Attitude and use behaviour of male

teachers and of teachers at the age of fifty and older were highly influenced by

performance expectancy whereas attitude and use behaviour of women teach-

ers and of younger teachers were not. The modified version of UTAUT ac-

counted for 19 % in the variance of attitude and for 19 % in the variance of use

behaviour. Practical implications for higher education institutions are that while

faculty training may have a role to play, best practice examples and success

stories must also be addressed to support teaching with technologies in a di-

dactically meaningful way.

Key words: UTAUT, technology in teaching, higher education, attitude

III

Inhaltsverzeichnis

Abbildungsverzeichnis ................................................................................ V

Tabellenverzeichnis .................................................................................... V

Abkürzungs- und Symbolverzeichnis ........................................................ VII

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

2 Digitale Medien in der Hochschullehre ...................................................... 3

2.1 Art der digitalen Medien und Einsatzmöglichkeiten ............................. 4

2..2 Einsatz digitaler Medien an Hochschulen .......................................... 5

2.3 Hürden bei der Nutzung digitaler Medien in der Lehre ........................ 7

2.4 Chancen und Möglichkeiten ............................................................... 8

2.5 Rollen und Perspektiven von Lehrenden .......................................... 10

2.5.1 Anreize für den Einsatz digitaler Medien in der Lehre ................ 11

2.5.2 Nutzertypen ............................................................................... 13

3 Technikakzeptanz ................................................................................... 17

3.1 Zum Begriff Akzeptanz ..................................................................... 17

3.2 Akzeptanzmodelle ............................................................................ 19

3.3 Die Unified Theory of Acceptance and Use of Technology ............... 20

3.4. Kritik an der UTAUT ........................................................................ 23

3.4.1 Die Nutzungsabsicht .................................................................. 24

3.4.2 Die Einstellung zur Technologienutzung und weitere

unberücksichtigte Faktoren ................................................................. 26

3.4.3 Erweiterungen der UTAUT als Reaktion auf Kritik ...................... 28

3.5 Die revidierte UTAUT von 2017 ........................................................ 29

4 Die Sekundäranalyse .............................................................................. 32

4.1 Die Sekundäranalyse als Forschungsstrategie ................................. 32

4.2 Ziele dieser Sekundäranalyse .......................................................... 33

5 Die Studie des Monitors Digitale Bildung ................................................ 34

5.1 Methodische Vorgehensweise und Inhalte der Befragung ................ 34

5.2 Wichtigste Ergebnisse ...................................................................... 36

6. Die Strukturgleichungsmodellierung ....................................................... 37

6.1. Die Strukturgleichungsmodellierung ................................................ 37

6.2 Voraussetzungen für eine Strukturgleichungsmodellierung .............. 39

6.3 Hypothesen- und Modellbildung ....................................................... 40

6.4 Konzeptualisierung und Operationalisierung der Konstrukte ............. 43

6.4.1 Das Konstrukt Leistungserwartung ............................................ 43

6.4.2 Das Konstrukt Aufwandserwartung ............................................ 44

6.4.3. Das Konstrukt Sozialer Einfluss ................................................ 45

IV

6.4.4. Das Konstrukt Erleichternde Umstände .................................... 46

6.4.5 Das Konstrukt Einstellung zur Technologienutzung ................... 47

6.4.6 Das Konstrukt Nutzerverhalten .................................................. 48

6.5 Die reflektiven Messmodelle ............................................................. 49

6.6 Überprüfung der Güte des Strukturgleichungsmodells ...................... 51

6.6.1 Fehlende Werte, Ausreißer und Normalverteilung ...................... 51

6.6.2 Beschreibung der Stichprobe ..................................................... 53

6.6.3 Übersicht über die Gütekriterien ................................................. 54

6.6.4 Gütekriterien der ersten Generation ........................................... 56

6.6.5 Gütekriterien der zweiten Generation ......................................... 61

6.7 Modellschätzung mit AMOS ............................................................. 62

6.8 Ergebnisse der Strukturgleichungsanalyse ....................................... 64

6.8.1 Überprüfung des Gesamtmodells ............................................... 64

6.8.2 Prüfung der Plausibilität und Beurteilung der Parameter ............ 65

6.8.3 Prüfung möglicher Moderatoren ................................................. 67

6.8.4 Prüfung der Hypothesen und Analyse der kausalen Effekte ....... 70

7 Diskussion der Ergebnisse mit Empfehlungen ........................................ 71

7.1 Darstellung und Diskussion der Ergebnisse ..................................... 71

7.2. Maßnahmen zur Akzeptanzförderung von digitalen Medien in der

Lehre ...................................................................................................... 79

7.3 Weitere Forschungsfragen ............................................................... 81

8 Ausblick .................................................................................................. 81

Literaturverzeichnis .................................................................................... 83

Anhang .................................................................................................... 101

Anhang 1 Gegenüberstellung der Items aus drei Fragebögen .............. 101

Anhang 2 Messmodelle ........................................................................ 107

Messmodelle zu den latenten exogenen Variablen ........................... 107

Messmodelle zu den latenten endogenen Variablen ......................... 109

Anhang 3 Stichprobe ............................................................................ 111

Anhang 4 Reliabilität und Validität der Konstrukte ................................ 112

Anhang 5 Moderatoren ......................................................................... 119

Anhang 6 Korrelationstabelle der Indikatoren im Modell ....................... 121

Versicherung ........................................................................................... 123

V

Abbildungsverzeichnis

Abbildung 1: Das Modell der UTAUT nach Venkatesh et al.(2003) ................ 23

Abbildung 2: Modell der UTAUT nach Dwivedi et al. (2017) .......................... 30

Abbildung 3: Modell der UTAUT mit Einstellung zur Technologienutzung ..... 41

Abbildung 4: Formeln zur Berechnung der Konstruktreliabilität und der DEV 61

Abbildung 5: Pfaddiagramm zur Modellschätzung mit AMOS ........................ 63

Abbildung 6. Pfaddiagramm mit standardisierten Pfadkoeffizienten .............. 67

Abbildung 7: Ergebnis der SGM .................................................................... 72

Abbildung 8. Messmodell zur Leistungserwartung ....................................... 107

Abbildung 9. Messmodell zur Aufwandserwartung ...................................... 108

Abbildung 10. Messmodell zum Sozialen Einfluss ....................................... 108

Abbildung 11. Messmodell zu den Erleichternden Umständen .................... 109

Abbildung 12. Messmodell zur Einstellung zur Technologienutzung ............ 109

Abbildung 13. Messmodell für das Nutzerverhalten ..................................... 110

Tabellenverzeichnis

Tabelle 1. Digitalisierte Lernelemente und Lernformate ................................... 5

Tabelle 2. Vorgesehene Indikatoren des Konstrukts Leistungserwartung ...... 44

Tabelle 3. Vorgesehene Indikatoren des Konstrukts Aufwandserwartung ..... 45

Tabelle 4. Vorgesehener Indikator des Konstrukts Sozialer Einfluss ............. 46

Tabelle 5. Vorgesehene Indikatoren des Konstrukts Erleichternde Umstände

...................................................................................................................... 46

Tabelle 6. Vorgesehene Indikatoren des Konstrukts Einstellung zur

Technologienutzung ...................................................................................... 47

Tabelle 7. Vorgesehene Indikatoren des Konstrukts Nutzerverhalten ............ 48

Tabelle 8. Klassifikation und Bezeichnung der latenten Variablen ................. 49

Tabelle 9. Gütekriterien der ersten Generation .............................................. 55

Tabelle 10. Gütekriterien der zweiten Generation .......................................... 55

Tabelle 11. Kategorisierung und Bezeichnung der manifesten Variablen ...... 57

Tabelle 12. Ergebnisse der EFA mit den verbliebenen Indikatoren ................ 59

Tabelle 13. Maße zur Güteprüfung des Modell-Fits ....................................... 65

Tabelle 14. Parameter des Modells ............................................................... 66

Tabelle 15. Stärke des Einflusses der moderierenden Variablen ................... 69

Tabelle 16. Überprüfung der Hypothesen ...................................................... 70

Tabelle 17. Vergleich der Teilstichproben mit der Gesamtstichprobe ............ 74

Tabelle 18. Vergleich der Indikatoren des Konstrukts Leistungserwartung .. 101

VI

Tabelle 19. Vergleich der Indikatoren des Konstrukts Aufwandserwartung .. 102

Tabelle 20. Vergleich der Indikatoren für das Konstrukt Sozialer Einfluss.... 103

Tabelle 21. Vergleich der Indikatoren des Konstrukts Erleichternde Umstände

.................................................................................................................... 104

Tabelle 22. Vergleich der Indikatoren des Konstrukts Einstellung zur

Technologienutzung .................................................................................... 105

Tabelle 23. Vergleich der Indikatoren des Konstrukts Nutzerverhalten ........ 105

Tabelle 24. Den Variablen einer SGM zugeordnete Notationen ................... 107

Tabelle 25. Altersgruppen der Stichprobe ................................................... 111

Tabelle 26. Dauer der Tätigkeit als Hochschulehrende/r ............................. 111

Tabelle 27. Trägerschaft der Hochschulen .................................................. 111

Tabelle 28. Fächergruppen (Mehrfachnennungen) ...................................... 111

Tabelle 29. Ergebnisse der EFA für das Konstrukt Leistungserwartung ...... 112

Tabelle 30. Ergebnisse der EFA für das Konstrukt Aufwandserwartung ...... 112

Tabelle 31. Ergebnisse der EFA für das Konstrukt Erleichternde Umstände 113

Tabelle 32. Ergebnisse der EFA für das Konstrukt Einstellung zur

Technologienutzung .................................................................................... 113

Tabelle 33. Ergebnisse der EFA für das Konstrukt Nutzerverhalten ............ 114

Tabelle 34. Verbleibende und auszuschließende Indikatoren ...................... 114

Tabelle 35. Korrelationsmatrix aller Faktoren .............................................. 116

Tabelle 36. Erklärte Gesamtvarianz ............................................................. 116

Tabelle 37. Indikatorreliabilitäten ................................................................. 116

Tabelle 38. Validität und Reliabilität der reflektiven Messmodelle ................ 117

Tabelle 39. Kovarianzen und Korrelationen der exogenen Konstrukte ......... 117

Tabelle 40. Standardisierte direkte Kausaleffekte ........................................ 118

Tabelle 41. Standardisierte indirekte Kausaleffekte ..................................... 118

Tabelle 42. Standardisierte totale Kausaleffekte .......................................... 118

Tabelle 43. Standardisierte Kausaleffekte der Teilstichproben .................... 118

Tabelle 44. Überprüfung des Moderators Geschlecht .................................. 119

Tabelle 45. Überprüfung des Moderators Alter ............................................ 119

Tabelle 46. Überprüfung des Moderators Lehrerfahrung ............................. 120

Tabelle 47. Korrelationsmatrix der Indikatoren im Modell ............................ 121

VII

Abkürzungs- und Symbolverzeichnis

AGFI ............................................................... Adjusted Goodness of Fit Index

AMOS ............................................................. Analysis of Moment Structures

ARS .................................................................... Audience Response System

AVE ..................................................................... Average Variance Extracted

C.R. ............................................................................................. Critical Ratio

CBT ......................................................................... Computer Based Training

CFI ............................................................................... Comparative Fit Index

DEV .......................................................... durchschnittlich extrahierte Varianz

DF .................................................................................. Degrees of Freedom

EFA ..................................................................... explorative Faktorenanalyse

EM-Algorithmus ................................... Expectation Maximization Algorithmus

GESIS ......... Gesellschaft Sozialwissenschaftlicher Infrastruktureinrichtungen

GFI ............................................................................... Goodness of Fit Index

IBM ............................................................... International Business Machines

IDT ........................................................................ nnovation Diffusion Theory

IWB ............................................................................ Interaktive Whiteboards

KFA ........................................................... Konfirmatorische Faktorenanalyse

LMS ....................................................................... Lern-Management-System

MCAR .............................................................. Missing completely at random

MM .................................................................................... Motivational Model

MOOC ............................................................... Massive Open Online Course

MPCU ......................................................................... Model of PC Utilization

MSA .............................................................. Measure of Sampling Adequacy

NFI ....................................................................................... Normed Fit Index

OER .................................................................. Open Educational Resources

RMSEA ......................................... Root Mean Square Error of Approximation

S.E. .......................................................................................... Standard Error

SCT ............................................................................Social Cognitive Theory

SGA ...................................................................... Strukturgleichungsanalyse

SGM .............................................................. Strukturgleichungsmodellierung

SPSS ........................................... Statistical Package for the Social Sciences

TAM ................................................................Technology Acceptance Model

TAM2 ........................................................... Technology Acceptance Model 2

TAM3 ........................................................... Technology Acceptance Model 3

TLI .................................................................................... Tucker Lewis Index

TPB ..................................................................... Theory of Planned Behavior

VIII

TRA ...................................................................... Theory of Reasoned Action

UTAUT ........................ Unified Theory of Acceptance and Use of Technology

UTAUT2 ................... Unified Theory of Acceptance and Use of Technology 2

WBT ................................................................................ Web Based Training

X ........................... manifeste Messvariable für eine latente exogene Variable

Y ......................... manifeste Messvariable für eine latente endogene Variable

δ (Delta) ....................................... Residualvariable zu einer Messvariablen X

ε (Epsilon) .................................... Residualvariable zu einer Messvariablen Y

η (Eta) ........ latente endogene Variable (wird durch das Kausalmodell erklärt)

λ1 (lambda) ................................................................................. Faktorladung

ξ (Ksi) ......... latente exogene Variable (im Kausalmodell exogen vorgegeben)

1

1 Einleitung

Digitale Informationen und Abläufe sind aus der Arbeitswelt nicht mehr wegzu-

denken. Mit modernen Informations- und Kommunikationstechnologien, inter-

netbasierten Anwendungen sowie mit neuen Interaktions- und Kollaborations-

formen innerhalb und außerhalb der Arbeitswelt umgehen zu können, ist mitt-

lerweile zentral für gesellschaftliche Teilhabe und wirtschaftlichen Erfolg (Kirch-

herr, Klier, Lehmann-Brauns & Winde, 2018, S. 2).

Für Hochschulen bedeutet Digitalisierung, mit einer neuen Generation von Stu-

dierenden umzugehen und diese auf zukünftige berufliche Anforderungen und

Arbeitsfelder vorzubereiten, in denen Digitalisierung eine wichtige Rolle spielt.

Sie bedeutet aber auch die Integration neuer technologischer Entwicklungen in

die Hochschullehre (Dräger, Friedrich & Müller-Eiselt, 2014, S. 5).

An den Hochschulen in Deutschland ist der Einsatz digitaler Medien zwar weit

verbreitet, aber hauptsächlich im administrativen Bereich. Auch wenn an den

Hochschulen in eine grundlegende Infrastruktur investiert wird und einzelne Ini-

tiativen, in denen digitale Lehr- und Lernformate umgesetzt werden, unterstützt

werden, kann noch nicht von einer systematischen Nutzung der Potentiale ge-

sprochen werden, die mit dem Einsatz von digitalen Lehr- und Lernformaten

verknüpft sind (Bremer, Ebert-Steinhübel & Schlass, 2015, S. 7).

Die sinnvolle Implementation von digitalen Medien in der Hochschullehre wird

wohl auch in den nächsten Jahren eine wichtige Aufgabe der Hochschule sein.

Lehrende spielen dabei eine zentrale Rolle. Sie setzen Medien in der Lehre ein

und ermöglichen Studierenden, diese kennenzulernen und zu nutzen. Damit

Lehrende digitale Medien didaktisch sinnvoll einsetzen, müssen sie diese je-

doch als Teil ihrer Lehre verstehen und akzeptieren.

In der vorliegenden Arbeit wird ein bekanntes Modell zur Akzeptanz neuer

Technologien – die Unified Theory of Acceptance and Use of Technology

(UTAUT) - dahingehend überprüft, ob es geeignet ist, die Akzeptanz von Leh-

renden an Hochschulen für Angewandte Wissenschaften im Hinblick auf den

Einsatz digitaler Medien in der Lehre (und damit neuer Technologien) abzubil-

den. Des Weiteren sollen aus den Ergebnissen Empfehlungen abgeleitet wer-

den, wie die Akzeptanz gefördert werden kann.

Digitale Medien werden in dieser Arbeit verstanden als Medien, die auf der Ba-

sis von Informations- und Kommunikationstechnologien funktionieren. Dabei

2

kann es sich um technische Geräte handeln, mit denen digitale Inhalte (Con-

tent) u.a. aufgezeichnet, gespeichert, dargestellt, verarbeitet oder verbreitet

werden können, aber auch um Anwendungen wie PDF, Power-Point-Präsenta-

tionen oder Videosequenzen. Digitale Medien können als Werkzeuge bei der

Gestaltung von Lernumgebungen in der Hochschullehre genutzt werden oder

zur Unterstützung von Lehr-Lernprozessen, indem durch sie Informationen, In-

halte oder Aufgaben bereitgestellt werden. Dies wird oft als „E-Learning“ be-

zeichnet (Schütz-Pitan, Weiß und Hense, 2018, S. 163).

Die für diese Überprüfung verwendete Stichprobe setzt sich aus Lehrenden an

Hochschulen in Deutschland zusammen. Deshalb liegt im theoretischen Teil

dieser Arbeit der Schwerpunkt auf neueren Studien und Erkenntnissen im deut-

schen Sprachraum.

In Kapitel 2 Digitale Medien in der Hochschullehre wird kurz über den aktuellen

Stand zum Einsatz digitaler Medien in der Hochschullehre, damit einherge-

hende Chancen und Barrieren, die Rolle und die Perspektive der Lehrenden

berichtet.

Kapitel 3 Technikakzeptanz gibt einen kurzen Überblick über Modelle der Ak-

zeptanzforschung zu neuen Technologien allgemein und stellt die UTAUT vor.

Das 4. Kapitel Die Sekundäranalyse widmet sich der Sekundäranalyse als For-

schungsstrategie und stellt die Ziele der vorliegenden Sekundäranalyse vor.

In Kapitel 5 Die Studie des Monitors Digitale Bildung wird kurz auf die Studie

eingegangen, aus der die für die vorliegende Arbeit verwendete Stichprobe

stammt.

Im 6. Kapitel Die Strukturgleichungsmodellierung werden die Vorgehensweise

bei der Strukturgleichungsmodellierung und ihre Ergebnisse ausführlich darge-

stellt.

Im 7. Kapitel Diskussion der Ergebnisse mit Empfehlungen werden die Ergeb-

nisse diskutiert, Empfehlungen gegeben sowie mögliche weiterführende For-

schungsfragen vorgeschlagen.

Im 8. Kapitel wird ein abschließender Ausblick gegeben.

3

2 Digitale Medien in der Hochschullehre

Eine 2016 in Hochschulen in Deutschland durchgeführte Studie befasste sich

mit dem aktuellen Stand der Organisation der digitalisierten Lehre (Junger-

mann, Osterfeld, Scholz, Villiez & Wannemacher, 2016, S. 18ff.). Diese Befra-

gung ergab, dass an sehr vielen Hochschulen bereits grundlegende organisa-

torische Infrastrukturen für digitale Lehre existierten mit allerdings deutlichen

Unterschieden zwischen den Hochschulen. Als Leitidee der digitalen Lehre

wurde in den meisten Fällen ein punktuelles Anreicherungskonzept genannt.

Blended Learning-Formate, also Lehrformate mit systematischer Integration di-

gitaler Elemente in die Präsenzlehre, wurden nur halb so oft angegeben (Jun-

germann et al., 2016, S. 20). Zwei Drittel der Hochschulen setzten bereits elek-

tronische Prüfungsformen ein oder erprobten diese (Jungermann et al., 2016,

S. 21).

Die Verbesserung der Rahmenbedingungen, eine bessere individuelle Bera-

tung und Unterstützung der Lehrenden sowie die Kooperation über die eigene

Hochschule hinaus (z.B. in Form eines landesweiten Hochschulnetzwerks mit

Transfer des Know-how) wurden als wirksame Mittel für die Weiterentwicklung

der digitalen Lehre gesehen (Jungermann et al., 2016, S 9). Die meisten Hoch-

schulen hatten bereits ein Servicecenter o.ä. mit Unterstützungsangeboten ein-

gerichtet, mit allerdings zumeist befristeten Projektstellen (Jungermann et al.,

2016, S. 24f.). Die meisten Herausforderungen wurden von den Hochschulen

auf der Ebene des Budgets und der Personalressourcen wahrgenommen. Klei-

nere Hochschulen sahen ihre Herausforderungen vorwiegend im technischen

und infrastrukturellen Bereich. Für größere Hochschulen lagen die Herausfor-

derungen stärker auf der strategischen Ebene (Jungermann et al., 2016, S.

30f.).

In dieser Studie wurden die MitarbeiterInnen aus den zentralen Serviceeinrich-

tungen für digitalisierte Lehr- und Lernformen befragt bzw. alternativ die Vize-

präsidentInnen oder ProrektorInnen für Studium und Lehre. In der vorliegenden

Arbeit soll jedoch die Perspektive von Lehrenden im Fokus stehen.

4

2.1 Art der digitalen Medien und Einsatzmöglichkeiten

In der Hochschullehre können viele verschiedene digitale Medien eingesetzt

werden. Eingesetzt werden diese Medien mit Geräten wie beispielsweise Lap-

tops, Tablets, Smartphones oder interaktiven Whiteboards (berührungssensib-

len elektronischen weißen Wandtafeln, die mit Computer und Beamer verbun-

den sind). Persike und Friedrich (2016, S. 16f.) unterscheiden:

Klassische digitale Medien und Kommunikationstools: digitale Präsentati-

onstools (z.B. Power-Point), E-Mail, fachspezifische Datenbanken sowie

Texte in Form von E-Books und PDF-Dokumenten;

Soziale Kommunikationstools: Blogs, Chat, Foren, Microblogging (z.B. Twit-

ter), soziale Netzwerke (z.B. Facebook);

Elektronische Prüfungssysteme: E-Assessments und E-Klausuren;

Audio- bzw. videobasierte Medien und Tutorials: Audio, Video, Tutorials

(z.B. WBT, CBT); sowie

Interaktive Tools und Formate: Lernspiele (Educational Games), interaktive

fachspezifische Werkzeuge (z.B. virtuelle Labore), Online-Office-Tools (z.B.

Google Drive), Planspiele und Simulationen, Webkonferenzen sowie Wikis.

Schön, S., Ebner und Schön (2016, S. 16) nennen vier grundlegende Lehr- und

Lernformate, zwischen denen diverse Kombinationen des Einsatzes digitaler

Medien möglich sind:

1. die analoge Lehre (z.B. die herkömmliche Präsenzveranstaltung),

2. die analoge Lehre mit Anreicherung durch digitale Elemente (z.B. eine Prä-

senzveranstaltung, in der ein Internet-Video gezeigt wird),

3. die verschmolzenen Lehr- und Lernformate, die aus einer Kombination von

Präsenzlehre und einer Lehre mit digitalen Medien bestehen (z.B. Blended

Learning, in dem sich Präsenz- und Online-Angebote abwechseln), sowie

4. die rein digitale (virtuelle) Lehre (die vollständig online durchgeführte Lehr-

Lernveranstaltung).

Vor allem im Blended Learning und im Online-Lernen sind viele Formen denk-

bar (siehe Tabelle 1) (Wannemacher, Jungermann, Scholz, Tercanli & Villiez,

2016, S. 13).

5

Tabelle 1. Digitalisierte Lernelemente und Lernformate

Blended

Lear-

ning

Digitalisierte oder

teilweise digitalisierte

Lernelemente

Vorlesungsaufzeichnung (Live-Digitized-

Lecture)

Freie Lernmaterialien (Open Educational

Resources)

E-Portfolio

Digitalisierte oder

teilweise digitalisierte

Lernformate

Game-based Learning

Inverted Classroom

Mobiles Lernen

Nutzung sozialer Medien

Online-Peer- und kollaboratives Lernen

Adaptives Lernen

Digitalisierte Wirk-

lichkeit

Augmented Reality

Simulationsgestütztes Lernen

Virtual Reality

Online-

Lernen

Onlinebasierte Ver-

anstaltungsformate

und Studiengänge

E-Lectures (Office- oder Studio-Setting)

Online-Seminar

Open Course und MOOC

Online-Studiengang

Ob und wie sich die Lehrenden am Prozess der Digitalisierung aktiv beteiligen

möchten, wurde vielen von ihnen von den Leitungen ihrer Hochschule freige-

stellt. Dieser Weg der „Koalition der Willigen“ (Hochschulforum Digitalisierung,

2016, S. 17) wurde in einigen Hochschulen ergänzt um die Einführung

1) einer Infrastruktur, die es allen interessierten Hochschulmitgliedern ermög-

licht, Kompetenzen zu digitalen Lehr- und Lernformaten zu erwerben bzw.

zu erweitern, sowie

2) eines umfassenden und anwenderorientierten Unterstützungs- und Weiter-

bildungsangebots für Lehrende (und evtl. parallel auch für Studierende).

2..2 Einsatz digitaler Medien an Hochschulen

Trotz der Vielzahl an Möglichkeiten, digitale Medien in der Lehre einzusetzen,

liegen erst wenige Untersuchungen darüber vor, auf welche Art und Weise und

wie häufig welche digitalen Medien tatsächlich eingesetzt werden. Eine dieser

Untersuchungen ist der Science 2.0-Survey, der 2014 die Nutzung digitaler Me-

dien in der Forschung, der Wissenschaftskommunikation und -administration

und auch in der Hochschullehre untersuchte (N = 1.419). Es zeigte sich, dass

Online-Werkzeuge deutlich seltener für die Lehre als für die Forschung oder für

6

die Wissenschaft eingesetzt wurden. Lediglich 42% der befragten Lehrenden

nutzten Lern-Management-Systeme (LMS), 33% Video/Foto-Community-Por-

tale und 29% Recherchewerkzeuge wie Online-Archive oder Datenbanken. Von

26% wurden Content Sharing und Cloud-Dienste für den Austausch und das

Teilen von Daten und Informationen genutzt sowie von 21% Wikis. Social Me-

dia-Anwendungen, d.h. soziale oder wissenschaftliche Netzwerke, Weblogs

und Mikroblogs, wurden nur von 8% genannt (Pscheida, Minet, Herbst, Albrecht

& Köhler, 2015, S. 30). Digitale Medien dienten in erster Linie zur Organisation

der Lehre sowie zur Suche nach Lehrmaterialien.

Dies bestätigte eine Bedarfserhebung zur Weiterbildung im Kontext Hoch-

schule: Digitale Medien wurden vorwiegend zur Unterstützung der Lehrorgani-

sation, d.h. zur Bereitstellung von Informationen und Materialien (jeweils 73%)

und zur Onlineanmeldung zur Lehrveranstaltung (47%) eingesetzt. Zur Gestal-

tung von Lehr-Lernveranstaltungen wurden sie äußerst selten genutzt, z.B. von

lediglich 4% der Befragten für Blended Learning (Albrecht, S. & Revermann,

2016, S. 16; Albrecht, C., Riedel & Schlenker, 2013, S. 18).

Die didaktischen Potenziale digitaler Medien werden offensichtlich (noch) nicht

ausgeschöpft. Besonders deutlich wird das am Beispiel der LMS: LMS werden

oft nur zur Bereitstellung von Materialien zur Vorbereitung auf die Lehr-Lern-

Veranstaltung eingesetzt (Hamborg, Brummerloh, Gieseking & Wegner, 2014,

S. 11). Dies ermöglicht den Studierenden zwar einen schnellen Zugang zu den

Materialien bei wenig Zeitaufwand, trägt aber nicht derart zur Förderung der

Lernprozesse bei, wie dies in der LMS bereitgestellte und zu lösende Übungs-

aufgaben tun würden. Legen Studierende eine Prüfungsleistung über eine LMS

ab, dann handelt es sich oft um die Abfrage von Wissen oder um einen Multiple-

Choice-Test. Kreative Lösungsprozesse werden nicht gefordert. Da manche

Lehrende die zahlreichen Möglichkeiten von LMS nicht kennen, übergeben sie

die Betreuung der LMS oft an studentische Hilfskräfte (Kalz, Schön, Lindner,

Roth & Baumgartner, 2013, S. 3; Pawlik und Dilger, zitiert in Borgwardt, 2014,

S. 43).

Die Untersuchung von Schütz-Pitan et al. (2018, S. 166ff.) mit Lehrenden an

der Justus-Liebig-Universität in Gießen (N = 84) weist in die gleiche Richtung.

In einem Vergleich der Akzeptanz und Nutzung von LMS, Interaktiven White-

boards (IWB), Abstimmungssystemen (ARS) und der Akzeptanz und Nutzung

von digitalen Medien allgemein in der Lehre zeigte sich, dass die vier unter-

suchten Gruppen von Lehrenden (digitale Medien allgemein, LMS, IWB, ARS)

7

diese Medien unterschiedlich stark akzeptierten und nutzten. LMS und digitale

Medien allgemein wurden von den Lehrenden als nützlicher eingeschätzt und

häufiger genutzt als IWB und ARS. (Allerdings blieb unklar, ob sie aufgrund ihrer

didaktischen Potenziale oder zu administrativen und organisatorischen Zwe-

cken eingesetzt wurden.) Dies könnte darauf zurückgeführt werden, dass die

meisten Befragten keine oder nur wenig Erfahrung mit IWB und ARS hatten und

deshalb deren Potenziale nicht würdigen konnten. Aber sie kannten die admi-

nistrativen und organisatorischen Möglichkeiten von digitalen Medien allgemein

und LMS mit der damit einhergehenden Aufwandsreduzierung in der Hoch-

schule. Der Aufwand für den Einsatz der Medien wurde für alle Medien als hoch

bewertet und die Lehrenden zeigten keine allzu hohe Bereitschaft, digitale Me-

dien in ihrer Lehre zu nutzen (Schütz-Pitan et al., 2018, S. 173).

Borgwardt (2014, S. 32) hält fest, dass sich einzelne Lehrende und Bildungsin-

stitutionen zwar für digitale Medien einsetzten, die Mehrheit jedoch die erforder-

lichen Innovationen nicht angehen würde, sondern das tun würde, was sie

schon immer getan hätte.

2.3 Hürden bei der Nutzung digitaler Medien in der Lehre

Es gibt viele Hürden, welche die Nutzung der Potenziale digitaler Medien in der

Lehre und die Bewältigung der mit der Digitalisierung einher gehenden Heraus-

forderungen erschweren bzw. sogar verhindern können.

Zu den Hürden gehört eine Lehr- und Lernkultur, für die Präsenzveranstaltun-

gen zentral sind. Auch eine fehlende Berücksichtigung von online stattfinden-

den Lehr- und Lernangeboten im Lehrdeputat, eine Konkurrenzkultur unter den

Lehrenden, welche die erforderliche Kooperation erschwert, sowie eine wenig

nachhaltige Personalpolitik beeinflussen die Situation (Bischof & Stuckrad,

2013, S. 4; van den Berk, zitiert in Borgwardt, 2014, S. 35).

Die zur Verfügung stehenden finanziellen, personellen und Sachressourcen

werden von Lehrenden als kritisch bewertet. Zudem befürchten Lehrende, dass

ihr beruflicher Handlungsspielraum eingeschränkt wird. Die Furcht vor Misser-

folgen beim Einsatz digitaler Medien in der Lehre, eine Unsicherheit hinsichtlich

des geistigen Eigentums von Materialien oder mangelnde Anerkennung spielen

ebenfalls eine Rolle. Der (Zeit-)Aufwand für die Vorbereitung, für die Nutzung,

für die Begleitung der Studierenden bzw. für den Transfer passender didakti-

8

scher Elemente oder Konzepte wird als zu hoch oder zu kompliziert betrachtet.

Zudem bringt der hohe Arbeitsaufwand der Lehrenden es mit sich, dass sie

keine Zeit oder keine Energie mehr haben für die Teilnahme an Schulungen

(Bosse, 2011, S. 32; Guri-Rosenblit, 2018, S. 95; Raman et al., 2014, S. 85;

Schön, S. et al., 2016, S. 92ff.; Schmahl, 2008, S. 129, S. 134; Schmid, U. &

Baeßler, 2016, S. 46; van den Berk, zitiert in Borgwardt, 2014, S. 35).

Des Weiteren wird von einer gewissen Skepsis von Lehrenden gegenüber digi-

talen Medien in der Lehre berichtet (Hochschulforum Digitalisierung, 2016, S.

6; Schmid, U., Goertz, Radomski, Thom & Behrens, 2017, S. 18). Diese Skepsis

kann mit fehlenden Kenntnissen in Bezug auf a) den Umgang mit digitalen Me-

dien sowie in Bezug auf b) die didaktischen Gestaltungsmöglichkeiten mit digi-

talen Medien zusammenhängen (Bischof & Stuckrad, 2013, S. 4; Deutscher

Bundestag, 2011, S. 23; Guri-Rosenblit, 2018, S. 95; van den Berk, zitiert in

Borgwardt, 2014, S. 35; Volk & Keller, 2009, S. 5).

Die Bereitschaft von Lehrenden, sich zu ihren Medienkompetenzen weiterzubil-

den und damit E-Lehrkompetenz zu entwickeln, ist gering. Auch wenn geeig-

nete Weiterbildungsangebote (mancherorts auch für Studierende, siehe Walber

& Schäffer, 2010, 223) und ein Bewusstsein für die didaktischen und methodi-

schen Herausforderungen beim Einsatz digitaler Medien in der Lehre vorhan-

den sind, sind viele Lehrende noch nicht von der Notwendigkeit einer medien-

didaktischen Weiterbildung überzeugt (Albrecht, C. et al., 2013, S. 18; Bischof

& Stuckrad, 2013, S. 4).

Die Vorteile, Chancen und Möglichkeiten von digitalen Medien in der Lehre wer-

den von den Lehrenden offensichtlich nicht deutlich genug wahrgenommen

(Albrecht, S. & Revermann, 2016, S. 16f.).

2.4 Chancen und Möglichkeiten

Der didaktisch sinnvolle Einsatz digitaler Medien in der Lehre kann viele Vorteile

mit sich bringen.

Für Studierende können digitale Medien in der Lehre

ein Lernen unabhängig von Ort und Zeit ermöglichen,

zu einer aktiveren, intensiveren Beteiligung an der Lehr-Lernveranstal-

tung führen,

die Auseinandersetzung mit dem Lernstoff über verschiedene Sinnes-

kanäle vertiefen,

9

kooperatives und auch selbstgesteuertes Lernen unterstützen,

die Kommunikation zwischen den Lehrenden und den Studierenden so-

wie die Vernetzung in der Lehr-Lernveranstaltung fördern,

eine direktere und kontinuierlichere Kommunikation zu den Lehrenden

und damit ein „Lernen auf Augenhöhe“ ermöglichen sowie

neben der Aktivität der Lernenden auch ihre Motivation (und die Motiva-

tion der Lehrenden) erhöhen.

Lehrende können durch den Einsatz digitaler Medien in der Lehre dazu motiviert

werden,

in der Lehre etwas Neues auszuprobieren,

das Spektrum und die Vielfalt ihrer Lehr-Lernangebote zu erweitern,

den Schwerpunkt in ihrer Lehre verstärkt auf die Entwicklung von Hand-

lungskompetenz zu legen (z.B. durch stärker an die berufliche Praxis

angenäherte Lehr-Lern-Formate),

die Qualität ihrer Lehre zu erhöhen,

die Lebenswelt der Studierenden in der Lehre stärker zu berücksichti-

gen,

Netzwerke unter KollegInnen im In- und Ausland auf- und auszubauen,

sich innerhalb der eigenen Hochschule zu profilieren sowie

sich um Drittmittel für Förderprojekte zu bewerben.

Für die Hochschulen kann der Einsatz digitaler Medien in der Lehre

zu einer Reduzierung von Kosten führen,

zu einer einfacheren Steuerung von Bildungsprozessen und ihrer Kon-

trolle beitragen,

die Internationalisierung der Hochschule befördern sowie

Lösungsansätze bieten angesichts der erforderlichen stärkeren Studie-

rendenzentrierung und der zunehmenden Individualisierung der Lehre

sowie der größer werdenden Heterogenität der Studierenden

(siehe beispielsweise Glaeser, Kaliva & Linnartz, 2019, S. 105; Kreidl, 2011, S.

15ff.; Schlenker und Beyer, 2013, S. 8; Schmahl, 2008, S. 107; Schön, S. et al.,

2016, S. 74; Walber & Schäffer, 2010, S. 216).

Zum Erfolg des Einsatzes digitaler Medien in der Lehre kommt eine

Metaanalyse zum Ergebnis: „The average student in a classroom where tech-

nology is used will perform 12 percentile points higher than the average student

in the traditional setting that does not use technology to enhance the learning

process“ (Tamim, Bernard, Borokhovski, Abrami & Schmid, 2011, S. 17). Diese

10

wenn auch nur geringfügige Leistungsverbesserung erweist sich seit Jahren als

stärker in Lehr-Lernangeboten, in denen der Einsatz digitaler Medien kombiniert

wird mit Präsenzveranstaltungen.

Die genannten Chancen und Möglichkeiten des Einsatzes digitaler Medien in

der Hochschullehre sind jedoch nicht auf die Medien per se zurückzuführen,

sondern auf die richtige Auswahl, die Art der Aufbereitung und die Ausgestal-

tung der digitalen Medien in den jeweiligen Kontexten ihres Einsatzes. Ihr Ein-

satz muss mediendidaktisch so konzipiert und gestaltet werden, dass die unter-

schiedlichen Kompetenzen in den verschiedenen Fächern berücksichtigt wer-

den. Die Visualisierung eines komplexen technischen Systems in den Ingeni-

eurswissenschaften erfordert einen anderen Einsatz digitaler Medien als die Ar-

beit mit Quellen in der Archäologie oder Übungen zur Statistik in der Psycholo-

gie (Getto & Kerres, 2018, S. 18).

2.5 Rollen und Perspektiven von Lehrenden

Die Integration digitaler Medien in die Hochschullehre bedeutet einen grundle-

genden Veränderungsprozess von Strukturen und internen Prozessen, der sich

nicht von selbst ergibt. Die Beteiligten, also die Hochschulen als Organisationen

und die in ihnen handelnden, lehrenden und forschenden Akteure, nehmen

selbst die Rolle der Lernenden ein. Lehrende spielen dabei eine besondere

Rolle, da sie über den Einsatz digitaler Medien in der Lehre und über entspre-

chende didaktische Konzepte entscheiden (Volk, 2010, S. 261).

Dieser reziproke Bildungsprozess (Ketter, Schmidt & Tsirikiotis, 2019a, S. 90)

erfordert bei den Lehrenden eine Veränderung ihrer individuellen Einstellungen

und ihres individuellen (Lehr-)Verhaltens. Sie müssen ihre bisherige Art und

Weise zu Lehren überdenken und gegebenenfalls verändern, erweitern oder

ausdifferenzieren, um das Potential digitaler Medien nutzen zu können. Nicht

nur ihre didaktischen Kompetenzen stehen hier im Fokus, sondern auch die

Aneignung von zusätzlichem Wissen, wie beispielsweise zu selbstorganisier-

tem Lernen (Grigoriadou, Papanikolaou, Tsaganou, Gouli & Gogoulou, 2010,

S. 339; Kerres, Euler, Seufert, Hasanbegovic & Voss, 2005, S. 16; Schön, S. et

al., 2016, S. 92ff.; Volk & Keller, 2009, S. 2). Auch der Erwerb weiterer Kom-

petenzen, wie beispielsweise die Kompetenz, „Medien auf ihre didaktische Eig-

nung hin einzuschätzen und zugänglich zu machen“ (Schmahl, 2008, S. 41) und

ihren Wert für die Lehre kritisch zu reflektieren, sind wichtig. Es kann sinnvoll

11

sein, diese (Weiter)Entwicklung der E-Lehrkompetenz und den Aufbau einer

neuen Lehr- und Lernkultur gemeinsam mit Studierenden anzugehen (Kerres,

2013, S. 491f.).

Dies ist wichtig, weil Studierende beim Einsatz von digitalen Medien in der

Lehre Unterstützung benötigen. Es reicht nicht aus, ihnen digitale Medien ledig-

lich zur Verfügung zu stellen (Guri-Rosenblit, 2018, S. 93; Persike & Friedrich,

2016, S. 39). Die Lehrenden müssen den Studierenden transparent machen,

wie und weshalb sie digitale Medien für ihr Lernen nutzen sollen (Gikas & Grant,

2013, S. 21f.; Kirschner & Bruyckere, 2017, S. 140. Eine Evaluation von Wi-

chelhaus, Schüler, Ramm und Morisse (2008, S. 130f.) zeigte, dass die Studie-

renden die angebotenen Medien zum Lernen zwar einsetzen konnten, dieser

Einsatz aber oberflächlich war. Sie konnten den Mehrwert von neuen Techno-

logien in der Lehre trotz deren ausgiebiger Nutzung in ihrem Alltag (z.B. zum

Herunterladen von Musik, zum Chatten mit Freunden oder zum Spielen von

komplexen Computerspielen) nicht nutzen, da sie die den Medien innewohnen-

den Möglichkeiten für eine vertiefte Auseinandersetzung mit den Lerninhalten

nicht erkannten. Sie waren sich der Notwendigkeit eines eigenverantwortlichen,

zielgerichteten und selbstorganisierten Lernens nicht bewusst und verhielten

sich gegenüber Lernkontexten passiv (Volk, 2010, S. 263; Wichelhaus et al.,

2008, S. 132).

Die meisten Studien zum Einsatz von digitalen Medien in der Hochschullehre

konzentrieren sich auf die Zufriedenheit und den Lernerfolg von Studierenden

(siehe z.B. Fischer, 2013, S. 49). Zu den Perspektiven der Lehrenden und ihrer

Bereitschaft, digitale Medien in der Lehre einzusetzen, liegen erst wenige Er-

kenntnisse vor (Bratengeyer, Steinbacher & Friesenbichler, 2016, S. 81).

2.5.1 Anreize für den Einsatz digitaler Medien in der Lehre

Im Jahr 2005 führte Schmahl (2008) eine Befragung von Lehrenden an der Uni-

versität Duisburg-Essen am Campus Duisburg durch (N = 194). Die meisten

Befragten würden E-Learning in die eigene Lehre integrieren, um etwas Neues

auszuprobieren. Interessanterweise lag hier die Motivation der ProfessorInnen

deutlich unter der Motivation der anderen Befragten. Weitere relevante Anreize

für den Einsatz von E-Learning waren für die Befragten die Qualität der Lehre

sowie den Studierenden einen zeitgemäßen Zugang zum Lernstoff anbieten zu

12

können (Schmahl, 2008, S. 109f, S. 120). Die Möglichkeit zum Netzwerken

unter den KollegInnen wurde von den MitarbeiterInnen aus dem Mittelbau als

positiv bewertet, von den ProfessorInnen weniger (Schmahl, 2008, S. 118). We-

niger wichtige Anreize waren eine zusätzliche Anerkennung, bessere Karriere-

chancen oder den Anschluss an die Lehre der KollegInnen nicht zu verlieren

(Schmahl, 2008, S. 114, S. 118, S. 122f.ff.). Als Voraussetzungen für die Nut-

zung digitalen Medien in der Lehre wurden von einem großen Teil der Lehren-

den eine gute Infrastruktur (Schmahl, 2008, S. 113) sowie Beratungen und

Schulungen genannt. Vor allem weibliche Lehrende und MitarbeiterInnen aus

dem Mittelbau erachteten Beratungen und Schulungen als wichtig (Schmahl,

2008, S. 116ff.).

In einer Interviewstudie an der Technischen Universität Dresden im Jahr 2006

waren für die Lehrenden die finanziellen Rahmenbedingungen der stärkste An-

reiz (29%) für den Einsatz von digitalen Medien in der Lehre, gefolgt von mehr

Spaß am Lernen (26%) und Erfolg in der Lehre (25%). Als Voraussetzungen für

E-Learning wünschten sich die Befragten, dass der administrative Aufwand ge-

ringer (27%), die allgemeine Organisation einfacher (20%) sowie die finanziel-

len Rahmenbedingungen (20%) (z.B. Anschubfinanzierungen für Hardware und

Software oder Mittel für die Schaffung von neuen Stellen) gut sein sollten. Sel-

tener genannte Erwartungen an die Universität waren technische und struktu-

relle Rahmenbedingungen (13%) oder E-Learning-Unterstützung (13%). Eine

grundsätzliche Erkenntnis war, dass hoch motivierte Lehrende, die sich von Be-

ginn an mit E-Learning befassten, kaum Anreize für die Förderung von E-Lear-

ning benötigten, während sich Anreize bei Lehrenden mit wenig Erfahrung mo-

tivierend auswirkten (Neumann & Jentzsch, 2007, S. 110ff.).

Zu ähnlichen Ergebnissen kam Traxler (2010, S. 104) in einer Online-Befragung

von Lehrenden an Pädagogischen Hochschulen in Österreich (N = 333) im Stu-

dienjahr 2008/2009. Die Lehrenden nannten als wichtige Anreize für die Inten-

sivierung von E-Learning an den Pädagogischen Hochschulen die neue Metho-

dik des Lernens, die zeitliche und örtliche Unabhängigkeit sowie die bessere

Veranschaulichung von Sachverhalten und Gegenständen (Traxler, 2010, S.

99). Auszeichnungen, Preise, Veröffentlichungen, ein höheres Prestige oder die

Berücksichtigung bei Berufungsverfahren wurden als unwirksam bewertet

(Traxler, 2010, S. 102). Als günstige Voraussetzungen zur Intensivierung von

E-Learning an den Pädagogischen Hochschulen wurden eine angemessene

13

Hardwareausstattung, ein Ausbau der technischen Infrastruktur, persönliche

Betreuung, eine einheitliche E-Learning-Plattform sowie Schulungsangebote

genannt (Traxler, 2010, S. 104).

Traxler, 2010, S. 67) stellte in ihrer Untersuchung zudem fest, dass personen-

bezogene Faktoren (Einstellung gegenüber internetbasierten Anwendungen,

Erfahrung und Vorkenntnisse, Vertrauen und Zugangsmöglichkeit) die Nutzung

von digitalen Medien direkt beeinflussten, während die kontextbezogenen Fak-

toren (Usability und Support) eng mit den Anreiz- und Motivationsfaktoren zu-

sammenhingen, die sich wiederum direkt auf die Nutzung auswirkten (Traxler,

2010, S. 57f.). Eine positive Einstellung gegenüber internetbasierten Anwen-

dungen, positive Erfahrungen damit, gute Vorkenntnisse und Vertrauen führten

zur Nutzung von E-Learning. Auch der vorhandene Support und die (Weiter-

)Bildungsangebote hingen direkt mit der Nutzung zusammen (Traxler, 2010, S.

128f.). Der Zusammenhang zwischen den Anreiz- und Motivationsfaktoren und

der Nutzung war interessanterweise negativ: Lehrende, die bereits E-Learning

einsetzten, benötigten keine Anreiz- oder Motivationsfaktoren, während sie für

Lehrende mit nur wenig Erfahrung mit E-Learning sehr wichtig waren (Traxler,

2010, S 128f.; siehe oben Neumann & Jentzsch, 2007, S. 120).

2.5.2 Nutzertypen

Lehrende unterscheiden sich in ihrer Nutzung von digitalen Medien und in ihrer

Einstellung dazu. Nach Rogers (2003, S. 267) ist es normal, dass eine Innova-

tion nicht gleichzeitig von allen Individuen, die damit konfrontiert werden, über-

nommen wird.

Hagner und Schneebeck (2001, S. 3ff.) unterschieden nach einer empirischen

Untersuchung folgende Gruppen von Hochschullehrenden hinsichtlich ihrer Be-

reitschaft, digitale Medien in der Lehre einzusetzen:

1) die UnternehmerInnen (Entrepreneurs), die intrinsisch motiviert waren, gro-

ßes Interesse an digitalen Medien und an einer Verbesserung der Lehre

hatten sowie positive Reaktionen für ihr Engagement erwarteten;

2) die Risikovermeidenden (Risk Aversives), die sich ebenfalls stark für die

Verbesserung der eigene Lehre interessierten, jedoch aufgrund der Risiken

der Technologienutzung vorsichtig agierten und fachliche Unterstützung

beim Einsatz der Technologien benötigten;

14

3) die Belohnungssuchenden (Reward Seekers), die ihr Handeln stark danach

ausrichteten, ob sie damit persönliche (Karriere-)Ziele erreichen konnten;

und

4) die Widerstrebenden (Reluctants), die nicht zuletzt wegen ihrer fehlenden

Kenntnisse in Bezug auf digitale Medien davon ausgingen, dass herkömm-

liche Lehrformen den innovativen Lehrformen überlegen sind und sich des-

halb nur sehr schwer bewegen ließen, neue Technologien einzusetzen

(Hagner & Schneebeck, 2001, S. 3ff.).

Fischer (2013, S. 230) fand in seiner Untersuchung mit Lehrenden an Hoch-

schulen des Freistaates Sachsen (N = 175) ebenfalls mehrere Typen:

1. Die Entdeckenden wiesen viele Erfahrungen im Umgang mit Technologien

in der Lehre auf, konnten deren Potenziale gut einschätzen und bewerteten

sie sehr positiv. Besonders viel Potenzial sahen sie in der Erweiterung von

Prozessen der Interaktion und der Anreicherung von Unterstützungsprozes-

sen. Sie zeigten eine positive Grundhaltung gegenüber technologischen In-

novationen in der Lehre. Diese Gruppe zeigte Ähnlichkeiten mit den Unter-

nehmenden nach Hagner und Schneebeck (2001, S. 3). Sie stammten oft

aus der Gruppe der ProfessorInnen und waren seit mehr als einem Jahr-

zehnt an der Hochschule tätig. Interessanterweise fand sich in dieser

Gruppe ein hoher Anteil an IngenieurswissenschaftlerInnen, was mit einem

hohen Interesse an Technologien einher gehen könnte (Fischer, 2013, S.

222f.).

2. Die Forschungsorientierten unterschieden sich deutlich von den Entdecken-

den im Hinblick auf ihre deutlich geringere Nutzungserfahrung und ihre Mo-

tivation für die Nutzung. Die meisten von ihnen hatten noch nie Lerntechno-

logien eingesetzt. Sie waren deutlich kürzer an der Hochschule tätig und

hatten entsprechend deutlich weniger Lehrerfahrung. Möglicherweise lag ihr

Fokus auf der Forschung; Lehre war ihnen weniger wichtig. In dieser

Gruppe waren die meisten ProfessorInnen vertreten. Diese Gruppe wies

Ähnlichkeiten mit den Belohnungsorientierten von Hagner und Schneebeck

(2001, S. 4) auf, da sie sich stark an Karrierezielen orientierten. Sie über-

nahmen Technologien in der Lehre erst dann, wenn diese eine gewisse Ver-

breitung und Bekanntheit hatten (Fischer, 2013, S. 224).

3. Die Lehrorientierten waren im Mittelbau tätig, hatten die meiste Erfahrung

im Umgang mit Technologien in der Lehre und waren stark an der Lehre

15

orientiert. Sie äußerten sich skeptischer und waren deutlich weniger begeis-

tert von den digitalen Medien als die Entdeckenden. Die Technologien nutz-

ten sie pragmatisch, um trotz ihrer Lehrbelastung ihre beruflichen Aufgaben

zu erfüllen und die Qualität und Effizienz der Lehre zu bewahren (Fischer,

2013, S. 224f.).

4. Die Netzwerkenden nutzten Technologien gezielt zur Verbesserung ihrer

beruflichen Situation und zur Stabilisierung des sozialen Status. Verhältnis-

mäßig viele hatten keine Erfahrung mit dem Einsatz der Technologien in der

Lehre. Diejenigen mit Erfahrung nutzten sie intensiv. Sie zeigten eine kriti-

sche Grundhaltung gegenüber dem Einsatz der Technologien und befürch-

teten eine schlechter werdende Arbeits- und Lehrsituation. Sie entsprachen

ungefähr dem Typ der „Belohnungssuchenden“ von Hagner und Schnee-

beck (2001, S. 4.) (Fischer, 2013, S. 225f.).

5. Die letzte Gruppe war die Gruppe der Nicht-Übernehmenden, die den „Wi-

derstrebenden“ von Hagner und Schneebeck (2001, S. 4f.) entsprachen.

Sie hatten nicht vor, Technologien in der Lehre einzusetzen. Sie waren zu-

kunfts- und leistungsorientiert, allerdings wohl der Forschung und weniger

der Lehre verpflichtet. Sie hatten weniger Lehrerfahrung als die anderen

und befanden sich offensichtlich am Beginn ihrer beruflichen Laufbahn.

Möglicherweise nahmen sie den Einsatz von Technologien in der Lehre als

mit hohem Aufwand verbunden und wenig fördernd für ihre Karriere wahr

(Fischer, 2013, S. 226f.).

Auch in einer 2017 an der Hochschule Esslingen durchgeführten Online-Befra-

gung im Rahmen des Projekts DISTELL, an der neben Studierenden auch 108

Lehrende (62 ProfessorInnen und 46 Lehrbeauftragte) teilnahmen, wurden Ty-

pen bzw. idealtypischen Haltungen zum Einsatz digitaler Medien in der Lehre

gefunden:

1. Lehrende mit einer skeptischen Haltung zeigten Zurückhaltung und äußer-

ten Zweifel und Bedenken. Sie waren grundsätzlich skeptisch gegenüber

den technischen Möglichkeiten in der Lehre. Die skeptische Haltung um-

fasste 1) eine hochschulpolitische Dimension (z.B. Einsatz digitaler Medien

als Mittel zur Reduktion von Kosten), 2) eine professionstheoretische Di-

mension (z.B. Vernachlässigung didaktischer Konzepte zugunsten von

Technologie und Methodik) sowie 3) eine bildungstheoretische Dimension

16

(z.B. Vernachlässigung der face to face-Kommunikation zwischen Lehren-

den und Studierenden oder der Persönlichkeitsentwicklung der Studieren-

den) (Ketter, Schmidt & Tsirikiotis, 2018a).

2. Für Lehrende mit einer pragmatisch-optimistischen Haltung war die Zu-

nahme des Einsatzes digitaler Medien in der Lehre ein unabänderlicher Pro-

zess. Ihr breiter und vorsichtiger Optimismus zeigte sich in der Erwartung,

dass mit dem zunehmenden Einsatz von digitalen Medien die Lehre facet-

tenreicher und um kreative Ideen bereichert werden würde. Auch hier zeig-

ten sich drei Dimensionen: 1) Überlegungen zu einer geeigneten Vorge-

hensweise zur Etablierung digitaler Hochschulbildung, 2) methodisch-

didaktische Forderungen (z.B. Einsatz in Form einer Mischung zwischen

Präsenz- und Online-Lehre) sowie 3) Überlegungen zum Potenzial der digi-

talen Medien zur Individualisierung der Lehre und des Lernens. Die Lehren-

den dieser Gruppe, die die Potenziale der Digitalisierung der Hochschulbil-

dung sahen, betonten die neuen Möglichkeiten des Lernens unabhängig

von Zeit und Ort und damit die bessere Vereinbarkeit des Studierens mit

anderen (privaten) Verpflichtungen und (beruflichen) Aktivitäten, beispiels-

weise durch die Kombination von analoger und digitaler Lehre (Ketter,

Schmidt & Tsirikiotis, 2018b).

3. Lehrende, die anhand ihrer Äußerungen als konkret-optimistisch bezeichnet

werden konnten, machten konkrete Vorschläge für zukünftige Aktivitäten.

Auch für diese Haltung konnten drei Dimensionen beschrieben werden: 1)

Veränderung hochschulinterner Ressourcen (z.B. eine einheitliche Ausstat-

tung mit digitalen Lernelementen und Endgeräten, zeitliche und personelle

Ressourcen,), 2) Verbesserung der Lehre (z.B. durch Verstärkung der Par-

tizipation, individuelle Unterstützung des selbständigen Lernens), sowie 3)

Internationalität auf der hochschulpolitischen Ebene (z.B. engere Vernet-

zung und stärkerer Erfahrungsaustausch mit Hochschulen im Ausland).

Diese Lehrenden erwarteten durch den Einsatz digitaler Medien bzw. die

Reduzierung von Barrieren einen Standorts- und Wettbewerbsvorteil ge-

genüber anderen Hochschulen (Ketter et al., 2019a).

Damit digitale Medien und die entsprechenden digitalen Lehr-Lern-Formate ver-

bindlich in die Hochschullehre verankert werden, ist es erforderlich, dass nicht

nur die Hochschulleitung dies wünscht, sondern dass auch die Lehrenden sich

deutlich dafür aussprechen (Persike & Friedrich, 2016, S. 39). Dies setzt vo-

raus, dass die Lehrenden digitale Medien als Teil ihrer Lehre akzeptieren.

17

3 Technikakzeptanz

3.1 Zum Begriff Akzeptanz

Akzeptanzforschung ist ein breites Feld, das auch bei der Fokussierung auf die

Akzeptanz von Technologien überaus vielfältig bleibt. Grundsätzlich kann bei

der Technikakzeptanzforschung unterschieden werden zwischen ökonomi-

schen Forschungsansätzen, die in arbeits- und betriebswissenschaftliche An-

sätze unterteilt werden können, sowie soziologischen und psychologischen For-

schungsansätzen (Schäfer & Keppler, 2013, S. 7; Schnell, 2009, S. 5).

Die Forschung zur Technikakzeptanz befasst sich einerseits mit dem Verständ-

nis von Akzeptanzphänomenen, also mit der Entstehung von die Akzeptanz er-

leichternden oder erschwerenden Faktoren und Mechanismen, und anderer-

seits mit der Gestaltung der Einführung und Durchsetzung von Technik und

technischen Innovationen. Sie zielt auf eine größtmögliche Technikakzeptanz

(Quiring, 2006, S. 3).

In der wissenschaftlichen Literatur existiert für den Begriff Akzeptanz keine De-

finition, die allgemein anerkannt wird (Quiring, 2006, S. 3f.). Was viele Definiti-

onen jedoch verbindet, ist die Sichtweise von Akzeptanz als die Annahme und

die Nutzung einer Technologie. Dies zeigt beispielsweise die Definition von Si-

mon (2001, S. 78), der Akzeptanz versteht als „die positive Annahmeentschei-

dung einer Innovation durch die Anwender“, oder auch die Definition der Akzep-

tanz von Hecker (1997, S. 124, zitiert in Ginner, 2018, S. 143) als den „Ausdruck

einer subjektiven Einstellung gegenüber einem bestimmten Sachverhalt, die

eine positive Bereitschaft oder Verhalten eines Entscheidungsträgers gegen-

über einer Aktivität oder eines Zustandes impliziert“. In Heckers Definition wird

die Unterscheidung der beiden Dimensionen der Akzeptanz, der Einstellungs-

und der Handlungsakzeptanz, deutlich (Schäfer & Keppler, 2013, S. 11).

Die Einstellungsakzeptanz umfasst eine affektive und eine kognitive Kompo-

nente. Während mit der affektiven Komponente in erster Linie Gefühle im Um-

gang mit der neuen Technologie bzw. Innovation beschrieben werden, richtet

sich die kognitive Komponente auf ihren Nutzen und die Kosten. Beide Kompo-

nenten sind subjektiv und nicht direkt beobachtbar. Deshalb kann die Einstel-

lungsakzeptanz nur über Befragungen erfasst werden (Quiring, 2006, S. 4).

Die Handlungsakzeptanz hingegen kann anhand des konkreten Verhaltens, wie

beispielsweise der Nutzung einer neuen Technologie, beobachtet werden

18

(Simon, 2001, S. 87). Handeln kann erfolgen, muss aber nicht (Schäfer & Kepp-

ler, 2013, S. 12). Allerdings wird oft eine Diskrepanz zwischen der beispiels-

weise anhand von Fragebögen erfassten Einstellungsakzeptanz und der beo-

bachteten Verhaltensakzeptanz festgestellt. Dies erschwert die Prognose bei

neuen Technologien deutlich (Simon, 2001, S. 90).

Als eine mögliche dritte Dimension wird die normative Akzeptanz diskutiert, d.h.

die Wertebene der Akzeptanz. Diese Ebene der Akzeptanz entspricht einer po-

sitiven Bewertung einer neuen Technologie aufgrund von Normen und Werten.

Die Normen und Werte werden teilweise der Einstellungsdimension der Akzep-

tanz zugeordnet und nicht als Dimension für sich gesehen, da Werte Teil des

Bewertungsprozesses sind, deren Folge die individuelle akzeptierende oder ab-

lehnende Einstellung ist (Schäfer & Keppler, 2013, S. 14).

Bei der Betrachtung des Begriffs der Akzeptanz wird deutlich, dass jemand (=

Akzeptanzsubjekt) etwas (= Akzeptanzobjekt) innerhalb der jeweiligen Rah-

men- oder Ausgangsbedingungen (= Akzeptanzkontext) akzeptiert oder ablehnt

(Schäfer & Keppler, 2013, S. 16). Das Zusammenwirken von Akzeptanzsub-

jekt, Akzeptanzobjekt und Akzeptanzkontext beeinflusst den Wahrnehmungs-,

den Bewertungs- und den Entscheidungsprozess, aus dem eine bestimmte Ein-

stellung (Akzeptanz oder Nicht-Akzeptanz einer neuen Technologie) hervorgeht

oder sogar ein bestimmtes Handeln (Nutzung einer neuen Technologie oder

Nicht-Nutzung). Dies bedeutet, dass die Akzeptanz eines Akzeptanzsubjekts

gegenüber einem bestimmten Akzeptanzobjekt je nach Einflussfaktoren variie-

ren kann.

Beispiele für Einflussfaktoren auf das Akzeptanzsubjekt sind soziodemografi-

sche Faktoren (z.B. Alter, Geschlecht, Bildung), Erfahrungen mit und Erwartun-

gen zu der neuen Technologie oder subjektiv wahrgenommene Einfluss- und

Handlungsmöglichkeiten.

Das Akzeptanzobjekt beeinflussende Faktoren sind beispielsweise die Kosten

der Nutzung der neuen Technologie, der Aufwand der Aneignung und regelmä-

ßigen Nutzung der Technologie, damit verbundene Risiken, die Bedienfreund-

lichkeit oder die Eignung der Technologie für die zu bewältigenden Aufgaben.

Einflussfaktoren auf den Akzeptanzkontext sind beispielsweise die mit der

neuen Technologie zu erledigenden Arbeitsaufgaben, damit verbundene sozi-

ale Prozesse und individuelle Interessen, das organisatorische Umfeld mit sei-

nen Erwartungen, die Art und Weise der Einführung der neuen Technologie

oder Mitgestaltungsmöglichkeiten (Schäfer & Keppler, 2013, S. 25ff.).

19

3.2 Akzeptanzmodelle

Um zu untersuchen, welche Faktoren dazu beitragen, dass Personen neue

Technologien akzeptieren und nutzen, stützt sich die Forschung auf verschie-

dene Modelle. Einen Schwerpunkt bilden Akzeptanzmodelle, die für die Akzep-

tanz von NutzerInnen am Arbeitsplatz entwickelt wurden (Schäfer & Keppler,

2013, S. 28). Akzeptanzmodelle können in Input-Modelle, Input-Output-Mo-

delle, Rückkopplungsmodelle und Prozessmodelle unterschieden werden.

Die einfachste Form der Akzeptanzmodelle stellen die Input-Modelle dar. Sie

thematisieren die Einflussfaktoren der Akzeptanz, die zu einer positiven oder

einer negativen Bewertung der betreffenden Technik führen können. In diesen

Akzeptanzmodellen beeinflussen die Technik (als Akzeptanzobjekt), der Nutzer

bzw. die Nutzerin (als Akzeptanzsubjekt) und die Arbeitsorganisation bzw. die

Aufgabe (als Einflussgröße des organisationalen Akzeptanzkontexts) die Ak-

zeptanz der neuen Technologie.

Während die Input-Modelle der Technologieakzeptanz sich lediglich mit den

Einflussfaktoren befassen, berücksichtigen Input-Output-Modelle auch die

Resultate oder Folgen des Akzeptanzprozesses („Output“) (Schäfer & Keppler,

2013, S. 35). Einflussgrößen auf der Input-Seite können beispielsweise techni-

sche Merkmale (Zustands- und Prozessmerkmale), personale Merkmale (Er-

wartungen, Befürchtungen, Selbstverwirklichung, Qualifikation) und organisato-

rische Merkmale (Entscheidungs-, Tätigkeits- und Freiheitsspielraum) sein wie

auch die Akzeptanzbedingungen des Einführungsprozesses der neuen Tech-

nologie (Information, Schulungen, Partizipation, Personalveränderungen). Auf

der Output-Seite können sich beispielsweise die (Un)Zufriedenheit mit der Ar-

beitssituation und die Intensität der Nutzung der neuen Technologie (Rückwir-

kungen der neuen Technologie auf personale Befindlichkeiten sowie die Hand-

lungsakzeptanz gegenüber der neuen Technologie) finden (siehe Hilbig, 1984,

zitiert in Schäfer & Keppel, 2013, S. 35f.)

Rückkopplungsmodelle fokussieren die Zirkularität des Akzeptanzprozesses,

d.h. die Auswirkungen des Akzeptanzprozesses auf die Einflussfaktoren auf der

Input-Seite (Schäfer & Keppler, 2013, S. 36). Dabei werden die Einflussgrößen

auf den Akzeptanzprozess nur noch ganz allgemein beschrieben (z.B. mit den

Begriffen Technik, organisationales Umfeld, Fähigkeiten oder Motive der An-

wendenden). In Rückkopplungsmodellen wird neben der Aufgabenbezogenheit

20

und der Bedienbarkeit beispielsweise auch die soziale Bedeutung der Techno-

logie ausdrücklich berücksichtigt, wenn die zahlreichen und miteinander ver-

knüpften Wechselwirkungen zwischen Technik, Organisation und individuellen

Faktoren innerhalb einer Anwendungssituation untersucht werden (Schäfer &

Keppler, 2013, S. 38).

Bei den Phasenmodellen wird der Akzeptanzprozess in mehrere Phasen auf-

geteilt. Ein Beispiel für ein Phasenmodell ist das Modell des „Innovations-Ent-

scheidungs-Prozesses“ von Rogers (2003, S. 169f.), das sich mit der gesell-

schaftlichen Diffusion von Innovationen befasst. Demnach setzt die Diffusion

von Innovationen neben gesellschaftlichen Prozessen stets auch individuelle

Prozesse voraus. Dieses Modell befasst sich mit den folgenden individuellen

Prozessen, die in fünf Phasen ablaufen: 1.Wissen (Entwicklung eines Verständ-

nisses, wie eine Innovation funktioniert), 2. Überzeugung (Entwicklung einer po-

sitiven oder negativen Haltung gegenüber der Innovation), 3. Entscheidung (An-

nahme oder Ablehnung der Innovation), 4. Implementierung (Nutzung oder Er-

werb der Innovation) und 5. Bestätigung (Suche nach Bestätigung oder Unter-

stützung für die Akzeptanzentscheidung mit gegebenenfalls Revidierung der

Entscheidung) (Rogers, 2003, S. 170ff). Nach Riedemann (2011, S. 30ff) ent-

spricht die Phase Überzeugung der Einstellungsakzeptanz und in der Phase

Entscheidung wird eine Nutzungsabsicht entwickelt. Die Phase Implementie-

rung ist mit dem Verhalten gleichzusetzen, also mit der Handlungsakzeptanz.

Aktuelle Ansätze zur Erforschung der Technologieakzeptanz konzentrieren sich

vor allem auf das Technologieakzeptanzmodell TAM von Davis, F. D., Bagozzi

und Warshaw (1989, S. 385ff.) und seine Weiterentwicklungen TAM2, TAM3,

UTAUT, UTAUT2 . Dabei steht vor allem die UTAUT im Zentrum neuerer Stu-

dien (Oye, Iahad & Rahim, 2014, S. 251; Schütz-Pitan et al., 2018, S. 165). Aus

diesem Grund wird in der vorliegenden Arbeit die UTAUT als Akzeptanzmodell

eingesetzt.

3.3 Die Unified Theory of Acceptance and Use of Technology

Die Unified Theory of Acceptance and Use of Technology (UTAUT) ist ein ro-

bustes Akzeptanzmodell, das gemäß der Fachliteratur gut geeignet ist, die Ein-

21

stellungs- und Handlungsakzeptanz gegenüber neuen Technologien vorherzu-

sagen (Khechine, Lakhal & Ndjambou, 2016, S. 150). Es gehört zu den Input-

Modellen (siehe 3.2).

Die UTAUT fasst acht unterschiedliche, besonders einschlägige Technologie-

akzeptanzmodelle zu einem integrierten Modell zusammen. Dazu wurden aus

jedem Ansatz diejenigen Bewertungsgrößen kombiniert, die statistisch jeweils

besonders aussagekräftig waren (Venkatesh, Morris, Davis & Davis, 2003, S.

446f.). Bei den acht Modellen zur Technikakzeptanz handelt es sich um (Ven-

katesh et al., 2003, S. 428f.):

1. die Theory of Reasoned Action (TRA) mit den Konstrukten “Einstellung zum

Verhalten“ und „Subjektive Norm“ (Fishbein & Ajzen, 1975, S. 216, S. 302);

2. das Technologieakzeptanzmodell (TAM) mit den Konstrukten „Wahrgenom-

mene Nützlichkeit“, „Wahrgenommene Benutzerfreundlichkeit“ und „Sub-

jektive Norm“ (Davis, F. D., 1989, S. 129);

3. das Motivational Model (MM) mit den Konstrukten „Extrinsische Motivation“

und „Intrinsische Motivation“ (Davis, F. D., Bagozzi & Warshaw, 1992, S.

1112);

4. die Theory of Planned Behavior (TPB) mit den Konstrukten „Einstellung zum

Verhalten“, „Subjektive Norm“ und „Wahrgenommene Verhaltenskontrolle“

(Ajzen, 1991, S. 188);

5. das kombinierte Modell von TAM und TPB (C-TAM-TPB) mit den Konstruk-

ten „Einstellung zum Verhalten“, „Subjektive Norm“, „Wahrgenommene Ver-

haltenskontrolle“ und „Wahrgenommene Nützlichkeit“ (Taylor & Todd,

1995);

6. das Modell der PC-Nutzung (Model of PC Utilization) (MPCU) mit den Kon-

strukten „Job-fit“, „Komplexität“, „Langfristige Konsequenzen“, „Affekt ge-

genüber der Nutzung“, „Soziale Faktoren“ und „Erleichternde Umstände“

(Thompson, Higgins & Howell, 1991, S. 126ff.).;

7. die Theorie der Innovationsdiffusion (Innovation Diffusion Theory) (IDT) mit

den Konstrukten „Relativer Vorteil“, „Benutzerfreundlichkeit“, „Image“,

„Sichtbarkeit“, „Vereinbarkeit“, „Nachweisbarkeit der Ergebnisse“ und „Frei-

willigkeit der Nutzung“ (Moore & Benbasat, 1991, S. 195; Rogers, 2003);

8. die Sozialkognitive Lerntheorie (Social Cognitive Theory) (SCT) mit den

Konstrukten „Erwartete leistungsbezogene Folgen“, „Erwartete persönlich-

keitsbezogene Folgen“, „Selbstwirksamkeit“, „Affekt“ und „Ängstlichkeit“

(Compeau & Higgins, 1995, S. 191ff.).

22

Der zentrale Gedanke der UTAUT ist, dass vor der Nutzung einer neuen Tech-

nologie ein Akzeptanzprozess stattfinden muss. Die UTAUT fokussiert dabei

die subjektive Nutzungsabsicht sowie das Verhalten des Individuums und ver-

bindet beide miteinander. Die Nutzungsabsicht beeinflusst das Nutzerverhalten

direkt und wird selbst von den folgenden drei Akzeptanzfaktoren beeinflusst:

1. von der Leistungserwartung, die beschrieben werden kann als die erwartete

Nützlichkeit einer Technologie bei der Erledigung bestimmter Aufgaben,

2. von der Aufwandserwartung, die definiert wird als die Benutzerfreundlichkeit

einer Technologie, und

3. vom sozialen Einfluss, also Annahmen über die Erwartungen bedeutsamer

Bezugspersonen und Bezugsgruppen zum Einsatz einer Technologie.

Da die UTAUT ein integriertes Modell von konzeptionellen und empirischen Ge-

meinsamkeiten der berücksichtigten acht ursprünglichen Modelle zur Techno-

logieakzeptanz sein soll, wurden die Konstrukte der UTAUT aus den ursprüng-

lichen Modellen übernommen oder abgeleitet (Venkatesh et al., 2003, S. 447ff.).

So beruht das Konstrukt der Leistungserwartung auf den entsprechenden Kon-

strukten des TAM, des MM, auf der IDT und der SCT. Das Konstrukt der Auf-

wandserwartung stellt eine Ableitung aus dem TAM, dem MM und der IDT dar.

Das Konstrukt des Sozialen Einflusses hat seinen Ursprung in den entspre-

chenden Konstrukten der TRA, des TAM, der IDT und des MPCU.

Neben der Nutzungsabsicht wirken sich auch erleichternde Umstände in Form

von organisationalen und technischen Rahmenbedingungen, die als unterstüt-

zend für den Technologieeinsatz wahrgenommen werden, direkt auf das Nut-

zerverhalten aus (Venkatesh et al., 2003, S. 447). Das Konstrukt der Erleich-

ternden Umstände hat seine Wurzeln in der TPB, der C-TAM-TPB, im MPCU

und in der IDT.

Die UTAUT sieht neben diesen Konstrukten auch vier moderierende Variablen

vor. Diese Moderatoren sind Geschlecht, Alte, Freiwilligkeit der Nutzung und

die Erfahrungen mit der (neuen) Technologie.

Venkatesh et al. (2003, S. 461) stellten in ihrer Studie in mehreren großen Un-

ternehmen fest, dass Alter und Geschlecht sich moderierend auf den Effekt

auswirken, welche die Leistungserwartung auf die Nutzungsabsicht ausübt.

Dieser Effekt war vor allem bei jüngeren Männern zu finden. Der Effekt der Auf-

wandserwartung auf die Nutzungsabsicht wurde ebenfalls von Alter und Ge-

schlecht moderierend beeinflusst. Der Effekt war besonders deutlich bei

23

Frauen, vor allem älteren Frauen. Auch beim Effekt des Sozialen Einflusses auf

die Nutzungsabsicht wurden moderierende Einflüße festgestellt. Der soziale

Einfluss war stärker bei Personen mit wenig Erfahrung und bei (vor allem älte-

ren) Frauen sowie in einem Kontext der unfreiwilligen Nutzung (Venkatesh et

al., 2003, S. 468f.).

Abbildung 1: Das Modell der UTAUT nach Venkatesh et al.(2003)

Die UTAUT sagte die Nutzung von neuen Technologien in mehreren großen

Unternehmen besser voraus (z.B. R² = 0,70) als die acht ursprünglichen Mo-

delle (Venkatesh et al., 2003, S. 467; Williams, Rana & Dwivedi, 2015, S. 444).

Die UTAUT beansprucht somit ein Akzeptanzmodell zu sein, das sowohl erklä-

rungsstarke Items anderer Modelle zusammenführt wie auch mit verhältnismä-

ßig wenigen Prädiktoren einen hohen Anteil der Varianz der Nutzungsabsicht

erklären kann.

3.4. Kritik an der UTAUT

In einem systematischen Literaturüberblick mit 174 Fachartikeln zur UTAUT

wurde festgestellt, dass die UTAUT in ihrer Gesamtheit von keiner Studie be-

stätigt werden konnte, aber in allen Studien wurde mindestens eine der postu-

lierten Beziehungen bestätigt (Williams et al., 2015, S. 456).

Des Weiteren wurde festgestellt, dass in vielen Studien die erklärte Varianz der

Nutzungsabsicht deutlich geringer war als 70%. Die Reliabilität und die Validität

Geschlecht Alter Erfahrung Freiwilligkeit der Nutzung

Erleich-

ternde Um-

stände

Aufwands-

erwartung

Sozialer

Einfluss

Nutzungs-

absicht

Nutzerver-

halten

Leistungs-

erwartung

24

des Akzeptanzmodells wurden in der Regel bestätigt, doch wurden zu den etab-

lierten Beziehungen der Konstrukte der UTAUT untereinander auch andere Be-

ziehungen festgestellt. Zudem stimmten die Interpretationen zu den Beziehun-

gen zwischen den Konstrukten nicht immer überein (siehe Thomas, Singh &

Gaffar, 2013, S. 74). Außerdem wurde das Konstrukt der Nutzungsabsicht oft

in Frage gestellt und das Fehlen weiterer Konstrukte in der UTAUt kritisiert.

3.4.1 Die Nutzungsabsicht

In der Literatur zur UTAUT (und zu den der UTAUT zugrunde liegenden Model-

len) wird kontrovers diskutiert, ob die Nutzungsabsicht tatsächlich ein Prädiktor

für das Nutzerverhalten darstellt (Nistor, Wagner & Heymann, 2012, S. 351).

Diese grundlegende Annahme des Zusammenhangs zwischen der Intention

und dem Verhalten wurde aus Sicht der KritikerInnen nicht ausreichend unter-

sucht. Für Bagozzi (2007, S. 245) steht fest: „The intention - behavior linkage is

probably the most uncritically accepted assumption in social science research

in general and in research in particular“. Der vermutete starke Einfluss der In-

tention auf das Verhalten in der Praxis könnte deutlich geringer sein als ange-

nommen.

Während in einigen Studien nachgewiesen wurde, dass sich die Nutzungsab-

sicht eines Menschen signifikant auf sein Nutzerverhalten auswirkt (Dwivedi,

Rana, Jeyaraj, Clement & Williams, 2017, S. 10; Taiwo & Downe, 2013, S. 55;

Venkatesh et al., 2003, S. 466), unterstützen die Ergebnisse aus anderen em-

pirischen Studien diesen Zusammenhang nicht oder nur sehr schwach (Agudo-

Peregrina, Hernández-García & Pascual-Miguel, 2014, S. 312; Nistor, 2014, S.

299; Nistor, Baltes et al., 2014, S. 342; Nistor, Lerche, Weinberger, Ceobanu &

Heymann, 2014, S. 48; Oca & Nistor, 2014, S. 334; Turner, Kitchenham, Brere-

ton, Charters & Budgen, 2010, S. 468). Diese uneinheitliche Datenlage könnte

darauf zurückgeführt werden, dass die Nutzungsabsicht in der Regel wenig dif-

ferenziert und das Nutzerverhalten sehr oft gar nicht erfasst bzw. auf unter-

schiedliche Weise erfasst werden (Dwivedi, Rana, Chen & Williams, 2011, S.

162; Pynoo & van Braak, 2014, S. 317). Wird das Nutzerverhalten erfasst, dann

in der Regel anhand von Selbstaussagen. Deutlich seltener wird es objektiv ge-

messen (Khechine et al., 2016, S. 149). Die objektive Messung des Nutzerver-

haltens wird jedoch dringend empfohlen (Turner et al., 2010, S. 470f.).

25

Tatsächlich wurde in vielen Studien im Bildungsbereich die Nutzungsabsicht als

der Indikator mit der höchsten Aussagekraft für die Akzeptanz von Technolo-

gien betrachtet, ohne dass das Nutzerverhalten untersucht wurde (Turner et al.,

2010, S. 469). In Studien, welche das Nutzerverhalten der Befragten anhand

von Selbstaussagen erfassen (Turner et al., 2010, S. 464), könnte der gefun-

dene Zusammenhang zwischen der Absicht und dem tatsächlichen Verhalten

durch methodische Mängel (Bestreben nach einer hohen Antwortkonsistenz

durch Vermeiden von einander widersprechenden Antworten) (Podsakoff, P.

M., MacKenzie & Podsakoff, 2012, S. 545) zustande kommen. Der Einfluss der

Prädiktoren ist in Technologieakzeptanzmodellen schwächer, wenn das tat-

sächliche Nutzerverhalten objektiv (z.B. anhand der Häufigkeit des Logins) ge-

messen wird. Wagner (2016, S. 192) beispielsweise konnte in seiner Untersu-

chung einen signifikanten, starken Zusammenhang zwischen der Nutzungsab-

sicht und dem subjektiven Nutzerverhalten feststellen. Der Wert für den Zusam-

menhang zwischen der Nutzungsabsicht und dem objektiven Nutzerverhalten

hingegen war so niedrig, dass er sogar noch unter dem Schwellenwert für eine

kleine Effektstärke lag (Wagner, 2016, S. 103). Wagner führte diesen deutlichen

Unterschied auf die Art der Operationalisierung der Nutzungsabsicht zurück.

Operationalisiert wurde die Nutzungsabsicht anhand der Items des UTAUT-Fra-

gebogens, die aus Sicht Wagners jedoch sehr unspezifisch und angesichts heu-

tiger Nutzungsgewohnheiten zu allgemein formuliert sind, wie beispielsweise

„Ich beabsichtige, in den nächsten Monaten den Computer als Lernwerkzeug

zu nutzen.“ Das Nutzerverhalten hingegen wurde sehr spezifisch anhand der

Klicks in einem LMS erfasst (Wagner, 2016, S. 192). Es wird empfohlen, bei der

Operationalisierung der Nutzungsabsicht darauf zu achten, dass sie in ihrer

Spezifität der Spezifität der Nutzung entspricht (Lee, J., Cerreto & Lee, 2010,

S. 162).

Eine Technologie wird größtenteils automatisiert genutzt, wenn die nutzende

Person einen eher hohen Bildungsstand aufweist und mit der Technologie ver-

traut ist. Die Nutzungsabsicht hat unter diesen Bedingungen einen nur geringen

Einfluss. Dies könnte eine Erklärung sein für Studienergebnisse im Hochschul-

kontext, in denen die Nutzungsabsicht kaum eine Rolle spielt (Nistor, Baltes et

al., 2014, S. 343; Limayem, Hirt & Cheung, 2007, S. 730). (In einer Weiterent-

wicklung der UTAUT, der UTAUT2, das für den Kontext von KonsumentInnen

von mobilem Internet weiterentwickelt wurde, stellt „Gewohnheit“ einen Prädik-

tor dar [siehe Venkatesh, Thong & Xu, 2012, S. 161]).

26

Möglicherweise lässt sich das Fehlen eines signifikanten Zusammenhangs zwi-

schen der Absicht, eine Technologie zu nutzen, und dem Nutzerverhalten auch

darauf zurückführen, dass Akzeptanzmodelle für Technologien nicht ohne wei-

teres in den Bildungsbereich übertragen werden können. Zwar fand die UTAUT

auch Eingang im Kontext von Hochschulen, doch ihre Übertragbarkeit vom Un-

ternehmenskontext in den Bildungskontext wird auch kritisch gesehen (Šumak

& Šorgo, 2016, S. 605). Akzeptanzmodelle für Technologien sollten nur mit Vor-

sicht außerhalb des Kontextes, in dem sie entwickelt und validiert wurden, ein-

gesetzt werden (Nistor, 2014, S. 299; Turner et al., 2010, S. 463).

3.4.2 Die Einstellung zur Technologienutzung und weitere unberücksichtigte

Faktoren

Ein weiterer Kritikpunkt an der UTAUT ist die fehlende Berücksichtigung von

Faktoren, die in mehreren anderen Akzeptanzmodellen eine wichtige Grund-

lage darstellen.

Zu diesen Faktoren gehören beispielweise die Selbstwirksamkeit im Umgang

mit Technologien (Bandura, 2001 , S. 288) und die Computerängstlichkeit (Nis-

tor et al., 2012, S. 355). Sie wurden nicht in die UTAUT aufgenommen, da sie

bei einer Regressionsanalyse in der Pilotstudie von Venkatesh et al. (2003, S.

446) keine signifikanten Effekte zeigten. Die Selbstwirksamkeit und die Compu-

terängstlichkeit werden in der UTAUT unter die Leistungs- und Aufwandserwar-

tung subsummiert (Nistor et al., 2012, S. 351). Auch Merkmale und Anforderun-

gen des (Lehr- und Lern-)Kontexts, in dem die Technologien eingesetzt werden,

werden in der UTAUT nicht bzw. zu wenig berücksichtigt wie auch individuelle

Merkmale der NutzerInnen (z.B. Computerwissen) oder ihres Umfelds (geogra-

phische Lage, sozialer Druck) (Nistor et al., 2012, S. 352).

Eine besondere Rolle spielt in dieser Diskussion die individuelle Einstellung zu

Technologien. Sie kann als gefühlsmäßige Reaktion eines Individuums gegen-

über der Nutzung einer Technologie verstanden werden (Venkatesh et al.,

2003, S. 461). Sie ist Bestandteil mehrerer Modelle (TRA, TPB, C-TAM-TPB),

auf denen die UTAUT basiert (siehe 3.3). So wird beispielsweise in der TRA die

Nutzungsabsicht als eine Funktion der individuellen Einstellung zur Nutzung der

Technologien und der subjektiven Normen definiert (Fishbein & Ajzen, 1975, S.

216; zitiert in Dwivedi et al., 2017, S. 2). In der UTAUT wurde die Einstellung zu

27

Technologien nicht berücksichtigt, da sie bei der Überprüfung der UTAUT im

Unternehmenskontext keinen direkten Einfluss auf die Intention zeigte (Venka-

tesh et al., 2003, S. 461). Die Bedeutung der Einstellung zur Technologienut-

zung für die Akzeptanz von Technologien wird jedoch in der Fachliteratur wei-

terhin diskutiert. Es gibt Studien zur UTAUT im Hochschulkontext, in denen die

Einstellung zur Technologienutzung berücksichtigt wurde und diese eindeutig

der stärkste Prädiktor für die Nutzungsabsicht war (z.B. El-Gayar, 2016, S.

2849; Thomas et al., 2013, S. 83). Die Ergebnisse zur Einstellung sind jedoch

an und für sich widersprüchlich. So stellten beispielsweise Nassuora (2012, S.

7) sowie Jairak, Praneetpolgrang und Mekhabunchakij (2009, S. 36.6f.) fest,

dass sich die Einstellung auch bei Anwesenheit der Leistungserwartung und

der Aufwandserwartung positiv auf die Nutzungsabsicht auswirkt. Allerdings

fand sich bei Jairak et al. (2009, S. 36.6), dass die Leistungserwartung und die

Aufwandserwartung sich positiv auf die Einstellung auswirken. Nassuora (2012,

S. 7) hingegen konnte dies nicht bestätigen, fand aber anders als Jairak et al.

(2009, S. 36.6f.) einen positiven Einfluss der Erleichternden Umstände auf die

Einstellung. Das einzige Ergebnis zur Einstellung, über das man sich in der

Fachliteratur einig ist, lautet: Wann immer ein Effekt der Einstellung festgestellt

wird, ist dieser positiv (Thomas et al., 2013, S. 75).

Eine mögliche Erklärung für die uneinheitlichen Ergebnisse zur Einstellung zur

Technologienutzung in der UTAUT ist die Durchführung der Studien in unter-

schiedlichen Kulturen. Die jeweilige Kultur kann die Beziehungen zwischen den

Konstrukten der UTAUT beeinflussen, sodass sich das Gewicht der Konstrukte

und ihre Beziehungen untereinander von einer Kultur zu einer anderen Kultur

unterscheiden. Ein Beispiel, das in diesem Zusammenhang regelmäßig zitiert

wird, ist die Studie von Straub, Keil und Brenner (1997), in der festgestellt

wurde, dass sich das TAM in den USA und in der Schweiz bewährte, in Japan

jedoch nicht.

Während die Einstellung zur Technologienutzung in Unternehmenskontexten

(Venkatesh et al., 2003, S. 461) und im gesundheitlichen Bereich (z.B. Pynoo

et al., 2013, S. 26) bei Vorhandensein von Leistungs- und Aufwandserwartung

als redundant betrachtet wird, gibt es im Bildungsbereich zwei Perspektiven:

1. Die Einstellung wird als Schlüsselkonzept wahrgenommen (Bervell & Umar,

2016, S. 403; Hermans, Tondeur, van Braak & Valcke, 2008, S. 1506; Jairak et

al., 2009, S. 36.6f.; Mueller, Wood, Willoughby, Ross & Specht, 2008, S. 1532;

Nassuora, 2012, S. 7; Oye, Iahad & Rahim, 2012, S. 85f.; Sang, Valcke, van

28

Braak & Tondeur, 2010, S. 7; Shapka & Ferrari, 2003, S.332f.; Šumak, Heričko

& Pušnik, 2011, S. 2076; Šumak & Šorgo, 2016, S. 615; Thomas et al., 2013,

S. 83; van Braak, 2001, S. 52f.; siehe auch Kim, Y. Jin, Chun & Song, 2009, S.

23f.) oder

2. der Beitrag der Einstellung zur Gesamtvarianz ist zu gering und kann deshalb

vernachlässigt werden (Nistor & Heymann, 2010, S. E144; Teo, 2009, S. 1141).

3.4.3 Erweiterungen der UTAUT als Reaktion auf Kritik

Im Laufe der Jahre wurde die UTAUT weltweit in vielen verschiedenen Kontex-

ten überprüft, wie beispielsweise im Kontext der elektronischen Patientenakte

im Krankenhaus (Kim, S., Lee, Hwang & Yoo, 2015), der Online-Steuererklä-

rung (Carter, Christian Shaupp, Hobbs & Campbell, 2011), der Weiterbildung in

Kommunen (Afonso, Roldán Salgueiro, Sánchez-Franco & González de la O,

María, 2012), des Internetbankings (Martins, Oliveira & Popovič, 2014), von

Prepayment Messsystemen (Bandyopadhyay & Fraccastoro, 2007), des Ein-

satzes von Robotern in der Industrie (Brauer, 2017) oder der Elektromobilität

(Fazel, 2014).

Dabei wurde die UTAUT immer wieder um einzelne Konstrukte oder Moderato-

ren ergänzt. In einer neueren Literaturübersicht zeigte sich, dass lediglich un-

gefähr ein Viertel der 162 untersuchten Studien die UTAUT in ihrer ursprüngli-

chen Form, d.h. ohne weitere Konstrukte oder Moderatoren, eingesetzt hatten

(Dwivedi et al., 2017, S. 3). Mit diesen Erweiterungen durch geeignete Kon-

strukte und Moderatoren soll die UTAUT besser an den jeweiligen Kontext und

die damit einher gehenden Rahmenbedingungen angepasst werden können

(Krittipat & Nontakao, 2015, S. 40; Šumak & Šorgo, 2016, S. 615). Beispiele für

solche Konstrukte oder Moderatoren sind Einkommen (Bandyopadhyay & Frac-

castoro, 2007, S. 528), Selbstwirksamkeit, Einstellung gegenüber der Techno-

logienutzung und Selbstvertrauen (Kocaleva, Stojanovic & Zdravev, 2015, S.

26), Autonomie (Lakhal, Khechine & Pascot, 2013, S. 104), Autonomie, Ängst-

lichkeit und Selbstwirksamkeit (Khechine & Lakhal, 2018, S. 71), Autonomie,

Ängstlichkeit und Einstellung gegenüber der Technologienutzung (Khechine &

Augier, 2019, S. 56), Computerängstlichkeit und Computerkenntnisse (Nistor,

Gögüs & Lerche, 2013, S. 745), wahrgenommenes Entscheidungsrisiko (Im,

Kim & Han, 2008, S. 6), persönliche Innovationsfähigkeit und Servicequalität

29

(Abu-Al-Aish & Love, 2013, S. 89), wahrgenommene soziale Kultur und Verän-

derungsresistenz (Alfarani, 2015, S. 61), Flexibilität eines Systems, Systemin-

teraktivität und Spaß am System (Alrawashdeh & Al-Mahadeen, 2013, S 5),

Servicequalität und Informationsqualität (Rahman, Jamaludin & Mahmud, 2011,

S. 270), Cyberloafing, Vergnügen und Bildungsniveau (Lee, D.-C., Lin, Ma &

Wu, 2017, S. 252) oder Lernstile (Lin, P.-C., Lu & Liu, 2013, S. 1124). Die

UTAUT wurde auch mit einem anderen Rahmenmodell kombiniert (siehe z.B.

Radovan & Kristl, 2017, S. 14) oder mit dem Fünf-Faktoren-Modell der Persön-

lichkeitspsychologie (Big Five) (Lakhal & Khechine, 2017, S. 265) (siehe auch

Dwivedi et al., 2011, S. 160).

3.5 Die revidierte UTAUT von 2017

Dass die UTAUT von 2003 nicht in allen Kontexten anwendbar ist, war einer

der Gründe für ihre erneute Überprüfung durch Dwivedi und MitarbeiterInnen

im Jahr 2017. Weitere Gründe waren (Dwivedi et al., 2017, S. 3):

Die in der UTAUT vorgesehenen Moderatoren werden in vielen Studien

nicht berücksichtigt.

Die in der ursprünglichen UTAUT postulierten Beziehungen zwischen den

Konstrukten und den Moderatoren sind möglicherweise unvollständig. So

könnte eine Verbindung zwischen den Erleichternden Umständen und der

Nutzungsabsicht existieren.

In der originalen UTAUT beziehen sich Konstrukte auf technologische Fak-

toren (Leistungs- und Aufwandserwartung) und kontextuelle Faktoren (Er-

leichternde Umstände, Sozialer Einfluss). Es fehlen Konstrukte, die das In-

dividuum direkt betreffen, wie beispielsweise die individuelle Einstellung, die

Selbstwirksamkeit im Umgang mit Computern oder die individuelle Innova-

tionskraft.

Zur erneuten Überprüfung der UTAUT entwickelten Dwivedi et al. (2017) auf

Basis einer systematischen Literaturrecherche ein revidiertes Modell der

UTAUT, bei dem sie die ursprünglichen Konstrukte beibehielten. Die Modera-

toren wurden in diesem Modell jedoch nicht berücksichtigt, da ein Ergebnis die-

ser systematischen Literaturrecherche war, dass viele Studien die Moderatoren

nicht untersuchten bzw. über die Ergebnisse nicht berichteten.

Die Verbindung zwischen den Erleichternden Umständen und der Nutzungsab-

sicht sahen Dwivedi und MitarbeiterInnen in ihrem revidierten Modell zusätzlich

30

vor, da diese sowohl theoretisch wie empirisch gut belegt ist. Sie ergänzten zu-

dem das ursprüngliche Modell um das Konstrukt der Einstellung zur Technolo-

gienutzung, da die Einstellung das Verhalten beeinflusst und damit eine wich-

tige Rolle in Akzeptanzmodellen spielen sollte (siehe z.B. Kim, Y. Jin et al.,

2009, S. 2) (siehe 3.3 und 3.4.2). Die Einstellung wurde in Anlehnung an die

Definitionen in der TRA und der TPB wie folgt definiert: „die positiven oder ne-

gativen Gefühle eines Individuums hinsichtlich des Ausführens des Zielverhal-

tens“ (Dwivedi et al., 2017, S. 6). Da es Hinweise gibt, dass die Einstellung zur

Technologienutzung beeinflusst wird durch die Leistungs- und die Aufwandser-

wartung, befindet sich das entsprechende Konstrukt nicht zwischen den vier

ursprünglichen Konstrukten der UTAUT, sondern auf gleichem Niveau wie die

Nutzungsabsicht. Dwivedi et al. (2017, S. 5) gehen in ihrem Modell davon aus,

dass die Einstellung zur Technologienutzung direkt die Nutzungsabsicht beein-

flusst (siehe z.B. Kim, Y. Jin et al., 2009, S. 22) (siehe Abbildung 2).

Eine Strukturgleichungsanalyse des ursprünglichen Modells der UTAUT bestä-

tigte alle Verbindungen zwischen den vier Konstrukten, der Nutzungsabsicht

und dem tatsächlichen Verhalten als signifikant. Das Modell erklärte 21% der

Varianz im Verhalten und 38% der Varianz der Nutzungsabsicht.

Eine Strukturgleichungsanalyse des revidierten Modells zur Überprüfung der

UTAUT bestätigte die bereits im ursprünglichen Modell vorhandenen Beziehun-

gen zwischen den vier Konstrukten, der Nutzungsabsicht und dem tatsächli-

chen Verhalten. Zudem beeinflussten die erleichternden Umstände tatsächlich

die Nutzungsabsicht.

Abbildung 2: Modell der UTAUT nach Dwivedi et al. (2017)

unerwarteter signifikanter Einfluss

erwarteter signifikanter Einfluss

Erleich-

ternde Um-

stände

Aufwands-

erwartung

Sozialer

Einfluss

Nutzungs-

absicht

Nutzer-

verhalten

Leistungs-

erwartung Einstellung zur

Technologie-

nutzung

31

Wie im revidierten Modell angenommen, zeigte sich ein signifikanter Einfluss

der Leistungs- und der Aufwandserwartung auf die Einstellung wie auch ein

signifikanter Einfluss der Einstellung auf die Nutzungsabsicht. Interessanter-

weise wirkten sich auch der Soziale Einfluss und die Erleichternden Umstände

signifikant auf die Einstellung zur Technologienutzung aus. Dwivedi et al. (2017,

S. 10) erklären diese Ergebnisse damit, dass Einstellungen auch von Informa-

tionen von Personen, die bereits Erfahrungen mit den Technologien haben, ge-

prägt werden und dass erleichternde Umstände, wie beispielsweise Trainings-

programme und Help Desks, die Einstellung ebenfalls beeinflussen. Alle vier

Konstrukte wirkten sich stärker auf die Einstellungen zur Technologienutzung

aus als auf die Nutzungsabsicht (Dwivedi et al., 2017, S 10).

Ein weiteres unerwartetes Ergebnis war, dass die Einstellung zur Technologie-

nutzung das Nutzerverhalten signifikant beeinflusste. Anders als angenommen

wirkte sich die Einstellung nicht nur indirekt über die Nutzungsabsicht auf das

Nutzerverhalten aus, sondern auch direkt. Dies bedeutet, dass Personen neue

Technologien nutzen, wenn sie eine genügend starke positive Einstellung dazu

haben, und nicht erst eine bewusste Absicht dafür entwickeln müssen. Dies ist

auch im Hinblick auf die Diskussion zur tatsächlichen Rolle der Nutzungsabsicht

ein wichtiges Ergebnis (siehe 3.4.1). Die Einstellung zur Technologienutzung

spielt also eine zentrale Rolle in diesem revidierten Modell der UTAUT.

Das neue Modell erklärte 27% der Varianz des Nutzerverhaltens, 45% der Va-

rianz der Nutzungsabsicht (also deutlich mehr als im ursprünglichen Modell),

sowie 55% der Varianz der Einstellung zur Technologienutzung.

Auch empirisch konnte der direkte Einfluss der Einstellung zur Technologienut-

zung auf das Nutzerverhalten in (Hoch-)Schulen bestätigt werden, und zwar

sowohl in Studien, in denen die Akzeptanz von Technologien gemäß der

UTAUT untersucht wurde (Šumak & Šorgo, 2016, S. 615), als auch in Studien,

in denen die Technologieakzeptanz anhand von Modellen untersucht wurde,

die von der UTAUT abgeleitet worden waren (Bajaj & Nidumolu, 1998, S. 220;

Ngai, Poon & Chan, 2007, S. 261; Sánchez & Hueros, 2010, S. 1618).

Auch wenn Dwivedi et al. (2017) die UTAUT nicht explizit für den Bildungsbe-

reich überprüft haben und die Gültigkeit ihrer Überprüfung durch das Weglas-

sen der Moderatoren der UTAUT und angesichts der statistischen Vorgehens-

weise Grenzen hat, kann davon ausgegangen werden, dass eine erfolgreiche

Nutzung von Informationstechnologien an Hochschulen auch von der Einstel-

lung der Lehrenden abhängt.

32

4 Die Sekundäranalyse

4.1 Die Sekundäranalyse als Forschungsstrategie

In der vorliegenden Arbeit wird eine Sekundäranalyse durchgeführt, in der be-

reits vorhandene Forschungsdaten zu einer neuen Fragestellung, d.h. zur Ak-

zeptanz von Hochschullehrenden zum Einsatz digitaler Medien in der Lehre,

analysiert werden.

Eine Sekundäranalyse ist gemäß Heaton (2008, S. 34) eine Forschungsstrate-

gie, bei der eine Forschungsfrage mit Hilfe von bereits vorhandenen quantitati-

ven oder qualitativen Forschungsdaten beantwortet werden soll.

Sekundäranalysen können dazu dienen, eine vertiefte Analyse eines bestimm-

ten Themas durchzuführen oder einen Aspekt, der bislang nicht oder nur teil-

weise berücksichtigt wurde, zu untersuchen (ergänzende Analysen). Sekundär-

analysen können auch darauf abzielen, neue Erkenntnisse durch einen ande-

ren Fokus als bei früheren Forschungsarbeiten zu gewinnen (erweiterte oder

zusätzliche Analysen) oder sie können dazu genutzt werden, die Ergebnisse

von früheren Forschungsarbeiten zu bestätigen und zu validieren (wiederho-

lende Analyse) (Heaton, 2008, S. 39). Damit dient die Sekundäranalyse ande-

ren Zwecken als die Metaanalyse oder der Review. Diese fassen die For-

schungsergebnisse von mehreren Studien zu einem bestimmten Thema für ei-

nen Überblick zum aktuellen Stand der Forschung zusammen und integrieren

sie (Heaton, 2008, S. 35; Medjedović, 2014, S. 19f.).

Bei der Sekundäranalyse handelt es sich nicht um eine Methode im engeren

Sinne, da es sich um keine bestimme Verfahrensweise handelt, sondern darum,

wie empirische Rohdaten unterschiedlichster Art ausgewählt werden. Der Pro-

zess der Datenerhebung liegt in der Vergangenheit. Die Auswahl der empiri-

schen Rohdaten, ihre Verarbeitung und ihre Interpretation, also die Sekundär-

analyse, findet in der Gegenwart statt.

Heaton (2008, S. 35f.) unterscheidet drei Möglichkeiten der Herkunft der Roh-

daten: 1) gut dokumentierte und unbedenklich nutzbare Daten in öffentlichen

Archiven oder Archiven von Institutionen (formal data sharing), 2) von anderen

Forschenden zur Verfügung gestellte Daten (informal data sharing) sowie 3)

von den Forschenden selbst erhobene Daten (self-collected data), die sie nun

nutzen, um damit neue oder zusätzliche Forschungsfragen zu untersuchen

bzw. ihre früheren Ergebnisse zu verifizieren.

33

Der Einsatz von Sekundäranalysen in der Forschung ist nicht unumstritten. Es

stellt sich die Frage, ob Daten, die für einen bestimmten Zweck erhoben wur-

den, für einen anderen Zweck wiederverwendet werden können. Diskutiert wird

auch, ob es aus ethischen Gründen erforderlich ist, die Personen, von denen

die Daten stammen, über die Sekundäranalyse zu informieren und ihre Einwil-

ligung dafür einzuholen. Weitere Diskussionspunkte sind, ob der Datenschutz

und die Anonymität der Daten gewährleistet werden können. Es wird zudem

gefordert, dass neben den Daten in öffentlich zugänglichen Archiven vermehrt

auch Daten aus anderen Quellen zugänglich gemacht werden (Heaton, 2008,

S. 40f.).

Bei der Sekundäranalyse im Rahmen dieser Masterarbeit handelt es sich um

eine Sekundäranalyse, deren Rohdaten aus der Studie „Monitor Digitale Bil-

dung“ stammen, in der u.a. Lehrende an Hochschulen zur digitalen Lehre be-

fragt wurden (siehe 5). Zwischen den Personen, welche die Rohdaten erhoben,

und der Person, die diese Daten für eine Sekundäranalyse verwendet, besteht

keine Verbindung. Mit diesen zu einem anderen Zweck erhobenen Rohdaten

sollen neue Erkenntnisse zu einer anderen Fragestellung als der ursprünglichen

gewonnen werden.

4.2 Ziele dieser Sekundäranalyse

Die vorliegende Sekundäranalyse verfolgt drei Ziele.

Ein Ziel ist zu überprüfen, ob die UTAUT geeignet ist, die Bereitschaft von Leh-

renden an Hochschulen für Angewandte Wissenschaften, digitale Medien in der

Lehre einzusetzen, zu erklären und damit ihre Akzeptanz von Technologien in

der Lehre vorherzusagen. Zur Überprüfung wird eine Strukturgleichungsmodel-

lierung (siehe 6) durchgeführt.

Ein weiteres Ziel ist die Ableitung von Maßnahmen zur Förderung der Akzep-

tanz von Technologien in der Lehre bei Hochschullehrenden. Auf der Basis der

Ergebnisse der Sekundäranalyse (unabhängig von der Bestätigung oder Ableh-

nung der UTAUT als geeignetes Technikakzeptanzmodell) sollen Maßnahmen

zur Förderung der Akzeptanz von digitalen Medien in der Hochschullehre ent-

wickelt werden. Solche Maßnahmen sind angesichts der zunehmenden Bedeu-

tung neuer Technologien nicht nur in der Hochschule wichtig (siehe 1), da es

34

Lehrende gibt, die dem Einsatz digitaler Medien der Lehre mit Unsicherheit, ei-

ner gewissen Skepsis oder Ablehnung begegnen (siehe 2.1.3 und 2.5.2).

Ein drittes Ziel besteht darin, anhand der Ergebnisse der Sekundäranalyse auf

weitere Forschungsfragen hinzuweisen.

5 Die Studie des Monitors Digitale Bildung

Für die Sekundäranalyse wurden Daten verwendet, die von Ende 2015 bis März

2016 für eine Befragung zum digitalisierten Lernen an deutschen Hochschulen

erhoben wurden. Die Befragung wurde im Auftrag der Bertelsmann Stiftung

durchgeführt. Insgesamt 662 Lehrende, 2.759 Studierende, 84 Personen aus

Hochschulleitungen und –verwaltungen sowie zehn Fachleute aus überregio-

nalen Institutionen und Behörden nahmen daran teil. 2017 wurden die Ergeb-

nisse unter dem Titel „Monitor Digitale Bildung: Die Hochschulen im digitalen

Zeitalter“ (Schmid, U. et al., 2017) veröffentlicht. Diese Befragung war Teil einer

großangelegten Untersuchung, bei der auch Befragungen in den Bereichen

Schule, Ausbildung und Weiterbildung stattfanden.

Der Monitor Digitale Bildung der Bertelsmann-Stiftung beansprucht, erstmals

eine umfassende und repräsentative Datenbasis zum Stand des Lernens mit

digitalen Medien in der Hochschule, aber auch in Schule, Ausbildung und Wei-

terbildung geschaffen zu haben (Schmid, U., Goertz, Behrens & Bertelsmann

Stiftung, 2017c, S. 2).

Alle Datensätze der Befragungen im Rahmen des Monitors Digitale Bildung ste-

hen in anonymisierter Form kostenlos unter der Internetpräsenz von GESIS -

Leibniz-Institut für Sozialwissenschaften für Forschungszwecke zur Verfügung

(https://dbk.gesis.org/dbksearch/index.asp?db=d) (Schmid, U., Goertz, Beh-

rens & Bertelsmann Stiftung, 2017b, S. 11).

5.1 Methodische Vorgehensweise und Inhalte der Befragung

Bei der Studie handelt es sich um eine Online-Befragung (Computerunterstützte

Selbstbefragung) an Hochschulen in Deutschland. Die Datenerhebung wurde

vom mmb Institut – Gesellschaft für Medien- und Kompetenzforschung in Essen

durchgeführt.

35

Zur Grundgesamtheit der Befragung wurden Hochschulen (Universitäten,

Hochschulen für Angewandte Wissenschaften, Kunst- und Musikhochschulen)

mit staatlicher, privater und konfessioneller Trägerschaft gezählt. Aus der

Grundgesamtheit von 399 staatlich anerkannten Hochschulen (Stand 2014)

wurde eine Zufallsstichprobe von 50 Hochschulen gezogen. Dabei handelte es

sich um eine systematische Zufallsauswahl, bei der die Auswahl der Stichprobe

kontrolliert wurde hinsichtlich einer repräsentativen Verteilung der Trägerschaft,

der Anzahl der Studierenden und des Hochschultyps. Sagte eine ausgewählte

Hochschule ab, wurde eine andere Hochschule als Ersatz angefragt, die alle

drei der oben genannten Voraussetzungen erfüllte. Auf diese Weise wurden

insgesamt 99 Hochschulen mit einem formellen Einladungsschreiben kontak-

tiert, mit einer erneuten E-Mail und bei Bedarf auch über weitere Telefonate. 34

Hochschulen sagten ihre Teilnahme zu. Von 10 Hochschulen kam keine Rück-

meldung (Schmid, U. et al., 2017c, S. 3).

Von den Hochschulen, die nicht an der Studie teilnehmen wollten, wurde die

Absage mit Zeitmangel bzw. zu vielen Befragungen begründet. Rund ein Viertel

begründete ihre Nichtteilnahme auch damit, dass die Hochschule zu klein sei

bzw. keine digitalen Medien einsetzen würde. Dabei handelte es sich vor allem

um Musik- und Kunsthochschulen mit einer didaktischen Ausrichtung, die den

Einsatz digitaler Medien nur begrenzt erlaubt (Schmid, U. et al., 2017c, S. 3).

Nur selten fand an einer Hochschule eine Vollerhebung statt. In der Regel wur-

den je nach Typ der Hochschule und Ansprechperson bestimmte Fachbereiche,

Studiengänge und bestimmte Lehrende für die Befragung vorgesehen (Schmid,

U. et al., 2017c, S. 5).

Im Vorfeld der Online-Befragung wurden explorative Gruppendiskussionen mit

bis zu acht Lehrenden mit unterschiedlicher Einstellung gegenüber dem Einsatz

digitaler Medien und unterschiedlicher Berufserfahrung durchgeführt. Die Er-

gebnisse dieser Fokusgruppen dienten zur Optimierung des Fragebogens und

flossen nicht in die Auswertung ein (Schmid, U. et al., 2017c, S. 4).

In der Befragung wurden Angaben zu folgenden Aspekten gemacht (Schmid,

U., Goertz, Behrens & Bertelsmann Stiftung, 2017a, S. 2ff.):

technische Ausstattung an den Hochschulen,

Einsatz privater Geräte durch die Studierenden,

OER und andere Angebotsformen von Lerninhalten,

Einsatz digitaler Lernformen und Lernkonzepte,

zielgruppenspezifisches Lernen mit digitalen Medien,

36

allgemeine Bewertung des digitalen Lernens,

Schwierigkeiten und Probleme wegen des Einsatzes digitaler Lernformen,

Kommunikation und Vernetzung,

Test- und Prüfungskonzepte sowie

individuelle Vorbereitung der Hochschullehrenden auf ihre Lehre mit digita-

len Medien.

Zudem wurden Angaben zu Geschlecht, Alter, Tätigkeitsdauer in der Hoch-

schullehre und Fächergruppe sowie Angaben zu Typ, Trägerschaft und Stand-

ort der Hochschulen erhoben (Schmid, U. et al., 2017a, S. 18f.). (Der Fragebo-

gen befindet sich wegen seines Umfangs nicht im Anhang. Er ist zu finden unter

https://www.bertelsmann-stiftung.de/fileadmin/files/Projekte/Teilhabe_in_ei-

ner_digitalisierten_Welt/Fragebogen_Hochschullehrende.pdf.)

5.2 Wichtigste Ergebnisse

Die wichtigsten Ergebnisse der Befragung der Hochschullehrenden sind

(Schmid, U. et al., 2017, S. 6f.):

1. Didaktische Potentiale bleiben trotz guter Infrastruktur oft ungenutzt.

2. Bei den Lehrenden ist anders als bei Hochschulleitungen und Verwaltungs-

mitarbeiterInnen viel Skepsis vorhanden hinsichtlich des Einsatzes mobiler

Geräte in der Lehrveranstaltung.

3. Bei den Strategiefragen hinsichtlich des Einsatzes digitaler Medien in der

Lehre sind zwei fast gleich große Lager festzustellen: die digitalen Verfech-

terInnen und die analogen SkeptikerInnen.

4. Lehrende bringen nicht per se die Digitalisierung der Lehre voran. Nur wer

sich für das Thema interessiert und Eigeninitiative zeigt, nutzt digitale Me-

dien in der Lehre. Wer sich nicht interessiert, lehrt weniger digital.

5. Die Lehrenden sind aufgrund großer Unsicherheit zurückhaltend beim Um-

gang mit OER.

Für die Sekundäranalyse wurden lediglich die Daten von Lehrenden an Hoch-

schulen für Angewandte Wissenschaften in Deutschland (N = 247) berücksich-

tigt. Der Schwerpunkt der Sekundäranalyse lag auf diesen Lehrenden, da sie

als ProfessorInnen eine Lehrverpflichtung von 18 SWS haben bzw. als Lehr-

personen für besondere Aufgaben ein Lehrdeputat von bis zu 25 SWS erfüllen.

37

Die Lehre stellt für die Lehrenden an Hochschulen für Angewandte Wissen-

schaften die zentrale Aufgabe dar (Landesregierung Baden-Württemberg,

2016).

Diese Stichprobe wird unter 6.6.2 beschrieben.

6. Die Strukturgleichungsmodellierung

6.1. Die Strukturgleichungsmodellierung

In der Sekundäranalyse wurde eine Strukturgleichungsmodellierung (SGM)

durchgeführt. Die SGM kann definiert werden als eine Modellierung, die „den

gesamten Prozess von der theoretischen und / oder sachlogischen Formulie-

rung eines Strukturgleichungsmodells und seiner Messmodelle bis hin zur Be-

urteilung der empirisch mittels Strukturgleichungsanalyse (SGA) gewonnenen

Ergebnisse“ umfasst (Weiber & Mühlhaus, 2014, S. 86).

Die SGA als ein wesentlicher Bestandteil der SGM ermöglicht mit bestimmten

statistischen Verfahren die Untersuchung komplexer Wechselwirkungen zwi-

schen manifesten, d.h. direkt beobachtbaren, und latenten, d.h. nicht direkt be-

obachtbaren Variablen (z.B. Motivation, Zufriedenheit oder Technologieakzep-

tanz). Eine wichtige Voraussetzung ist, dass zu diesen komplexen Wechselwir-

kungen eindeutige, auf einer Theorie oder auf Erfahrungen basierende Hypo-

thesen formuliert wurden, die verdeutlichen, wie sich die Zusammenhänge zwi-

schen den Variablen gestalten. Dabei wird meistens die kausale Abhängigkeit

zwischen einer (abhängigen) Variablen, die von besonderem Interesse ist, und

mehreren unabhängigen Variablen, welche diese eine (abhängige) Variable be-

einflussen, betrachtet (Backhaus, Erichson, Plinke & Weiber, 2016, S. 15).

Die formulierten Beziehungen zwischen den Variablen werden in einem soge-

nannten Strukturgleichungsmodell oder Pfadmodell abgebildet und in ein linea-

res Mehrgleichungssystem übertragen. Anschließend werden die Wirkungszu-

sammenhänge dieses Strukturgleichungsmodells quantitativ geschätzt. Die

Pfadkoeffizienten (Wirkungskoeffizienten) geben Auskunft über die Wirkung der

unabhängigen Variablen auf die abhängige Variable. Werden standardisierte

Daten betrachtet, sind die Pfadkoeffizienten die standardisierten partiellen Re-

gressionskoeffizienten. Pfadkoeffizienten werden so geschätzt, dass aufgrund

der Schätzungen und der a-priori angenommenen Struktur der Variablen die

38

Ausgangsdaten, die zu den Variablen erhoben wurden, möglichst genau repro-

duziert werden können (Weiber & Mühlhaus, 2014, S. 21f.). Gibt es nur eine

exogene Variable oder korrelieren die unabhängigen Variablen nicht miteinan-

der, dann entspricht der Pfadkoeffizient dem bivariaten Korrelationskoeffizien-

ten (Weiber & Mühlhaus, 2014, S. 30).

Die SGA ermöglicht es also, konfirmatorisch, d.h. ein gesamtes Modell bestäti-

gend oder ablehnend, zu prüfen, ob die getroffenen theoretischen Annahmen

(Hypothesen) über die Zusammenhänge zwischen Variablen bestätigt werden

können oder nicht. Damit gehört die SGA zu den hypothesenprüfenden statisti-

schen Verfahren.

Damit die Ergebnisse der SGA korrekt interpretiert werden können, ist es not-

wendig, nicht nur bestimmte statistische Kriterien zu berücksichtigen. Auch die

Theorie und die Sachlogik spielen eine wichtige Rolle. Der gesamte Prozess

der SGM muss sorgfältig und gründlich durchgeführt werden, beginnend bei der

Formulierung eines Hypothesensystems (Strukturgleichungsmodell) bis hin zur

Bewertung der empirisch anhand der Methoden der SGA gewonnenen Ergeb-

nisse und der dabei vorhandenen Wechselwirkungen zwischen theoretischen

Überlegungen und statistischen Methoden (Weiber & Mühlhaus, 2014, S. XIII).

Eine SGM, in der auch latente Variablen (im Rahmen der SGM auch hypothe-

tische Konstrukte genannt) berücksichtigt werden, wird als Kausalmodell be-

zeichnet. Kausalmodelle bestehen aus drei Teilmodellen (Weiber & Mühlhaus,

2014, S. 36f.): aus 1. dem Strukturgleichungsmodell, 2. dem Messmodell der

latenten exogenen Variablen und 3. dem Messmodell der latenten endogenen

Variablen.

1. Das Strukturgleichungsmodell ist das formulierte Hypothesensystem. Es

veranschaulicht die Kausalbeziehungen, also die theoretisch vermuteten

Zusammenhänge, zwischen den zu überprüfenden latenten Variablen. Die

Prädiktorvariablen, die „von außen“ vorgegeben sind und andere Variablen

im Modell erklären sollen, werden als exogene Variablen bezeichnet. Im

Modell werden sie nicht erklärt. Endogene Variablen sind immer die abhän-

gigen Variablen im Modell, die über die im Modell postulierten kausalen Be-

ziehungen, also durch den Einfluss durch andere Variablen, erklärt werden

(Weiber & Mühlhaus, 2014, S. 36f.).

39

2. Das Messmodell der latenten exogenen Variablen beinhaltet die empiri-

schen Messwerte, die sich aus der Operationalisierung der exogenen Vari-

ablen ergeben. Dieses Messmodell bildet auch die vermuteten Zusammen-

hänge zwischen den Messwerten und den exogenen Variablen ab.

3. Das Messmodell der latenten endogenen Variablen beinhaltet die empi-

rischen Messwerte, die aus der Operationalisierung der endogenen Variab-

len entstehen. Dieses Messmodell spiegelt die postulierten Zusammen-

hänge zwischen diesen Messwerten und den endogenen Variablen wider

(Weiber & Mühlhaus, 2014, S. 36f.).

Der allgemeine Prozess der SGM beginnt mit der Hypothesen- und Modellbil-

dung. Danach finden die Konstrukt-Konzeptualisierung und die Konstrukt-Ope-

rationalisierung statt, gefolgt von der Güteprüfung der reflektiven Messmodelle.

Danach wird die Modellschätzung mit AMOS durchgeführt und das Gesamtmo-

dell wird evaluiert (Weiber & Mühlhaus, 2014, S. 86).

Komplexe Kausalstrukturen können anhand des Programmpakets AMOS (Ana-

lysis of Moment Structures) überprüft werden. AMOS kann Datenmatrizen aus

IBM SPSS analysieren und die Ergebnisse wiederum mit IBM SPSS austau-

schen. Zur Berechnung des Strukturgleichungsmodells werden in der vorliegen-

den Masterarbeit die Programmpakete IBM SPSS Statistics 25 und Amos 25

eingesetzt

6.2 Voraussetzungen für eine Strukturgleichungsmodellierung

Da in der Sekundäranalyse auch Wechselbeziehungen von latenten, also nicht

beobachtbaren Variablen überprüft werden sollen, ist die SGM eine sehr gut

geeignete Methode für die geplante Sekundäranalyse. Allerdings müssen ei-

nige Voraussetzungen erfüllt sein, damit eine SGM durchgeführt werden kann.

Eine Voraussetzung ist die Größe der Stichprobe. Diese Voraussetzung wird

hier erfüllt, da die vorhandene Stichprobe (N = 247) im empfohlenen Stichpro-

bengrößenbereich für Strukturgleichungsmodelle liegt (Fuchs, 2011, S. 38).

Eine weitere Voraussetzung ist das Skalenniveau. Während ursprünglich für die

SGM ein metrisches Skalenniveau der Daten als erforderlich angesehen wurde,

40

ist man sich heute darüber einig, dass Messungen, die mit sorgfältig konstruier-

ten Ratingskalen mit mindestens Intervallskalenniveau vorgenommen wurden,

das für die SGM erforderliche metrische Skalenniveau erbringen (Kühnel, 1993,

S. 49; Weiber & Mühlhaus, 2014, S. 119).

Für die vorliegende Sekundäranalyse wird davon ausgegangen, dass sich die

Rohdaten auf Intervallskalenniveau befinden. Und es wird unterstellt, dass die

Abstufungen (Intervallbreite) zwischen den Zahlenwerten als gleich groß wahr-

genommen werden können. Der Nachweis für ein Intervallskalenniveau bei Ra-

tingskalen ist lediglich anhand der axiomatischen Messtheorie möglich. Dabei

fehlen bei der Messung von latenten Konstrukten diese axiomatischen Messan-

sätze nicht nur, sondern auch die latenten Konstrukte können nicht direkt beo-

bachtet werden. Es kann nicht geprüft werden, ob das empirische Relativ durch

ein numerisches Relativ abgebildet werden kann. Deshalb wird nur angenom-

men, dass eine Messung auf Intervallskalenniveau erfolgt (sog. „Per-fiat-Mes-

sung“, d.h. „Messung durch Vertrauen“). Begründet wird die „Per-fiat-Messung“

damit, dass, falls eine Hypothese empirisch bestätigt wird, auch die inhaltliche

Skalierung als bestätigt gelten kann (Weiber & Mühlhaus, 2014, S. 119).

Weiber und Mühlhaus (2014, S. 122) empfehlen bei der SGM den Einsatz von

sechsstufigen Intensitätsskalen, bei denen die Sachverhalte, um die es geht,

direkt bewertet werden können. Die Items sollten außerdem nicht alle positiv

formuliert sein. Diese Empfehlungen treffen für zahlreiche Items im Fragebogen

des Monitors Digitale Bildung zu.

6.3 Hypothesen- und Modellbildung

Auf Basis der für die Technologieakzeptanz im Bildungsbereich relevanten

Fachliteratur (siehe 3.3 und 3.4), der Überlegungen zu den Moderatorenvariab-

len sowie in Anlehnung an das Modell, das aus der Überprüfung der UTAUT im

Jahr 2017 resultierte (Dwivedi et al., 2017, S. 10), wurde für die SGM ein neues

Strukturgleichungsmodell formuliert.

Dieses neue Strukturgleichungsmodell ist eine Kombination aus der ursprüng-

lichen UTAUT von 2003 und der revidierten UTAUT von 2017. Die Nutzungs-

absicht, die sowohl im Modell von 2003 und im Modell von 2017 vorhanden ist,

wurde ersetzt durch die Einstellung zur Technologienutzung, die ebenfalls im

Modell von 2017 ihren Platz hat. Diese Änderung ist einerseits der Kritik an der

41

Nutzungsabsicht geschuldet (siehe 3.4), aber auch der Tatsache, dass im Da-

tensatz der Hochschullehrenden des Monitors Digitale Bildung keine Items vor-

handen sind, welche die Absicht, neue Technologien in der Lehre einzusetzen,

abbilden.

Abbildung 3: Modell der UTAUT mit Einstellung zur Technologienutzung

Im neuen Strukturgleichungsmodell wurden analog zur UTAUT von 2003 die

Moderatorvariablen „Geschlecht“ und „Alter“ mit ihren Verbindungen zu den

Konstrukten übernommen (siehe 3.3, Abbildung 1). Da in der Befragung von

den Hochschullehrenden keine Angaben zur Freiwilligkeit der Nutzung sowie

Dauer oder Intensität ihrer Erfahrungen mit dem Einsatz von Technologien in

der Lehre vorliegen, wurde auf die Moderatorvariablen „Freiwilligkeit“ und „Er-

fahrungen“ im Sinne von Erfahrungen mit dem Einsatz digitaler Medien in der

Lehre verzichtet. Es sind jedoch Angaben zur Dauer der Tätigkeit als Hoch-

schullehrende/r vorhanden. Deshalb wurde die „Lehrerfahrung“ als Moderator-

variable in dieses Strukturgleichungsmodell eingebracht.

Für das Modell wurden folgende Hypothesen formuliert:

H1: Je höher die Leistungserwartung der Lehrenden, desto positiver ihre

Einstellung zur Technologienutzung.

H2: Je höher die Aufwandserwartung der Lehrenden, desto negativer ihre

Einstellung zur Technologienutzung.

Sozialer

Einfluss

Nutzer-

verhalten

Geschlecht Alter Lehrerfahrung

Einstellung

zur Technolo-

gienutzung

Leistungs-

erwartung

Aufwands-

erwartung

Erleich-

ternde Um-

stände

42

H3: Je stärker der Soziale Einfluss auf den Einsatz von digitalen Medien in

der Lehre, desto positiver die Einstellung der Lehrenden zur Technologie-

nutzung.

H4: Je positiver die Erleichternden Umstände in Form von organisationalen

und technischen Rahmenbedingungen wahrgenommen werden, desto po-

sitiver die Einstellung der Lehrenden zur Technologienutzung.

H5: Je positiver die Einstellung der Lehrenden zur Technologienutzung,

desto mehr digitale Medien werden zur didaktischen Unterstützung genutzt.

H6: Je positiver die Erleichternden Umstände in Form von organisationalen

und technischen Rahmenbedingungen wahrgenommen werden, desto

mehr digitale Medien werden zur didaktischen Unterstützung genutzt.

Zusätzlich werden in Anlehnung an die Publikation von Venkatesh et al. (2003,

S. 468) folgende Hypothesen für die Moderatoren formuliert:

H7: Der Einfluss der Leistungserwartung auf die Einstellung zur Technolo-

gienutzung wird durch das Geschlecht, das Alter und die Lehrerfahrung mo-

deriert und zwar dahingehend, dass der Einfluss der Leistungserwartung

stärker ist bei Männern, vor allem bei jüngeren Männern, sowie bei Perso-

nen mit wenig Lehrerfahrung.

H8: Der Einfluss der Aufwandserwartung auf die Einstellung zur Technolo-

gienutzung wird durch das Geschlecht, das Alter und die Lehrerfahrung mo-

deriert und zwar dahingehend, dass der Einfluss der Aufwandserwartung

stärker ist bei Frauen, vor allem bei jüngeren Frauen und bei Personen mit

wenig Lehrerfahrung.

H9: Der Einfluss des Sozialen Einflusses auf die Einstellung zur Technolo-

gienutzung wird durch das Geschlecht, das Alter und die Lehrerfahrung mo-

deriert und zwar dahingehend, dass der Einfluss des Sozialen Einflusses

stärker ist bei Frauen, vor allem bei älteren Frauen und bei Personen mit

wenig Lehrerfahrung.

H10: Der Einfluss der Erleichternden Umstände auf die Einstellung zur

Technologienutzung wird moderiert durch das Alter und die Lehrerfahrung

und zwar dahingehend, dass der Einfluss der Erleichternden Umstände

stärker ist bei älteren Lehrenden und Personen mit wenig Lehrerfahrung.

43

6.4 Konzeptualisierung und Operationalisierung der Konstrukte

Zur Beschreibung der Konstrukte dieser SGM wird auf die Beschreibungen und

Definitionen im Beitrag von Venkatesh et al. (2003) zurückgegriffen. Die Items,

die bisher in vielen Studien mit der Verwendung der UTAUT eingesetzt wurden,

wurden in der Regel aus dem von Venkatesh et al. (2003, S. 460) verwendeten

Fragebogen zur UTAUT entnommen. Diese Items stammten wiederum aus je-

nen Fragebögen, die zur Überprüfung der Konstrukte in den Modellen und The-

orien gedient hatten, auf denen UTAUT basiert (Venkatesh et al., 2003).

In Anhang 1 werden

die Items aus dem Fragebogen von Venkatesh et al. (2003, S. 460),

die deutsche Übersetzung dieser Items von Nistor et al. (2012, S. 53f.), die

im Kontext Hochschule eingesetzt wurden, sowie

die in dieser SGM eingesetzten Items aus dem Fragebogen des Monitors

Digitale Bildung bzw. die daraus abgeleiteten Items

einander gegenübergestellt. Dabei werden deutliche Unterschiede in der Aktu-

alität und Differenziertheit der Fragen deutlich.

6.4.1 Das Konstrukt Leistungserwartung

Die Leistungserwartung wird definiert als das Ausmaß, in dem ein Individuum

davon ausgeht, dass die Nutzung eines technologischen System es dabei un-

terstützt, einen Vorteil oder einen Gewinn in seiner (hoch)schulischen oder be-

ruflichen Leistung zu erbringen (Venkatesh et al., 2003, S. 447).

Ein Vergleich der Items von Venkatesh et al. mit den Items aus dem Fragebo-

gen des Monitors Digitale Bildung zeigt ein sehr unterschiedliches Niveau bzw.

eine unterschiedliche Differenziertheit der Items. Dies lässt sich mit der rasan-

ten Weiterentwicklung der Technologien und ihrer Einsatzmöglichkeiten in den

letzten 20 Jahren erklären. Auch der jeweilie Kontext, für den diese Items ent-

wickelt wurden, spielt eine Rolle: einmal für den Unternehmens- und einmal für

den Hochschulkontext. Die originalen Items der UTAUT wurden von Nistor et

al. übersetzt, doch ohne Anpassung an die Weiterentwicklung der Technologien

(siehe Anhang 1, Tabelle 18). Vom Fragebogen des Monitors Digitale Bildung

wurden die in Tabelle 2 dargestellten Indikatoren für das Konstrukt Leistungs-

erwartung abgeleitet (Schmid, U. et al., 2017a, S. 11).

44

Tabelle 2. Vorgesehene Indikatoren des Konstrukts Leistungserwartung

Ursprüngliche Fragestellung:

Welche Lernziele lassen sich mit diesen digitalen Lernkonzepten Ihrer Er-

fahrung nach gut erreichen? Es sind mehrere Nennungen möglich.

Indikatoren:

Anzahl Nennungen von digitalen Lernkonzepten, mit denen eine „reine

Wissensvermittlung“ erreicht werden kann

Anzahl Nennungen von digitalen Lernkonzepten, mit denen das Ziel

„Fertigkeiten vermitteln / Anwendung des Wissens“ erreicht werden

kann

Anzahl Nennungen von digitalen Lernkonzepten, mit denen das Ziel

„Sozialkompetenz fördern“ erreicht werden kann

Anzahl Nennungen von digitalen Lernkonzepten, mit denen das Ziel

„Selbstständigkeit fördern“ erreicht werden kann

Die folgenden digitalen Lernkonzepte standen zur Auswahl:

Ich halte einen Vortrag mit Lernvideos, Präsentationstools oder setze das

Whiteboard ein.

Ich nutze pdf-Dokumente oder eBooks in meinen Veranstaltungen.

Ich moderiere Diskussionen mithilfe digitaler Medien, z.B. Voting-Tools.

Meine Studierenden arbeiten mit bestimmten Maschinen oder Software,

z.B. Kalkulations- oder Konstruktionsprogrammen oder Office-Program-

men.

Ich nutze ein Lernmanagementsystem, z.B. Moodle oder ILIAS.

In der Veranstaltung setze ich Selbstlernprogramme, wie Simulationen,

Lern-Apps oder Tests zum eigenständigen Lernen ein.

Ich setze Blended-Learning-Formate ein, eine Kombination aus Präsenzler-

nen und E-Learning.

Studierende erstellen gemeinsam Präsentationen, Webinhalte oder andere

Projekte mit digitalen Medien.

Sonstiges

6.4.2 Das Konstrukt Aufwandserwartung

Die Aufwandserwartung wird beschrieben als das Ausmaß des Aufwands, der

für die Nutzung eines technologischen Systems wahrgenommen wird (Venka-

tesh et al., 2003, S. 450).

45

Bei der Auswahl der Items für das Konstrukt Aufwandserwartung wurde ver-

sucht, aus den vorhandenen Items diejenigen auszuwählen, die möglichst gut

den wahrgenommenen Aufwand für Hochschullehrende beim Einsatz von

Technologien in der Lehre widerspiegeln. Anders als möglicherweise im Jahr

2003 spielen heutzutage Items zur Bedienung des Computers keine Rolle, ge-

rade nicht bei Hochschullehrenden, die den Computer täglich einsetzen. Des-

halb unterscheiden sich die für die SGM ausgewählten Items aus dem Frage-

bogen des Monitors Digitale Bildung deutlich von den Items zur Aufwandser-

wartung der beiden anderen Befragungen (siehe Anhang 1, Tabelle 19).

Für die SGM wurden die in Tabelle 3 dargestellten vier Items unverändert dem

Fragebogen des Monitors Digitale Bildung entnommen (von 1 = „trifft voll und

ganz zu“ bis 6 = „trifft überhaupt nicht zu“) (Schmid, U. et al., 2017a, S. 14).

Tabelle 3. Vorgesehene Indikatoren des Konstrukts Aufwandserwartung

Ursprüngliche Fragestellung:

Welche Herausforderungen und Schwierigkeiten sehen Sie, wenn es um di-

gitales Lernen in der Hochschule geht?

Indikatoren:

Der Aufwand für die Beschaffung der Lerninhalte ist zu hoch.

Der Aufwand für die technische Ausstattung (Hard- & Software) ist zu

hoch.

Die Wartung der Geräte und Anwendungen ist zu teuer.

Die Studierenden verfügen nicht über eine hinreichende medienbezo-

gene technische Kompetenz.

6.4.3. Das Konstrukt Sozialer Einfluss

Mit dem sozialen Einfluss wird das Ausmaß beschrieben, in dem ein Individuum

annimmt, dass für ihn wichtige Bezugspersonen seine Nutzung von neuen

Technologien befürworten (Venkatesh et al., 2003, S. 451).

Im Fragebogen des Monitors Digitale Bildung wurden die Lehrenden nach dem

Impuls für den Einsatz digitaler Medien zum Lernen gefragt. Da sich diese Items

auf nominalem Messniveau befinden (genannt „Ja“ oder nicht genannt „Nein“),

für die SGA aber idealerweise metrische Daten vorliegen sollten, wurde die An-

zahl „Ja“ zu den impulsgebenden Personengruppen summiert und so eine neue

Variable geschaffen. „Impuls“ wird dabei verstanden als sozialer Einfluss. Diese

neue Variable beschreibt die Anzahl Personengruppen der Hochschule (Stu-

46

dierende, Kollegen, Fachbereichs- und Institutsleitung, Zentrale Hochschulein-

richtung, Hochschulleitung), zu denen angegeben wird, sie hätten den Impuls

für den Einsatz digitaler Technologien in der Lehre gegeben (Schmid, U. et al.,

2017a, S. 17). Das neue Item umfasst 6 Abstufungen (von 0 bis 5 Nennungen)

(siehe Anhang 1, Tabelle 20).

Damit wird das Konstrukt Sozialer Einfluss mit einer einzigen Messvariablen

gemessen.

Tabelle 4. Vorgesehener Indikator des Konstrukts Sozialer Einfluss

Ursprüngliche Fragestellung:

Wer gibt bzw. gab den Impuls für Ihren Einsatz digitaler Medien zum Lernen?

Indikator:

Anzahl Nennungen der Personengruppen „Studierende“, „Kollegen“, „Fach-

bereichs-/Institutsleitung“, „Zentrale Hochschuleinrichtung“, „Hochschullei-

tung“

6.4.4. Das Konstrukt Erleichternde Umstände

Mit dem Konstrukt Erleichternde Umstände wird das Ausmaß beschrieben, in

dem ein Individuum wahrnimmt, dass organisatorische und technische Infra-

strukturen vorhanden sind, die ihn bei der Nutzung des technologischen Sys-

tems unterstützen (Venkatesh et al., 2003, S. 453).

Aus dem Fragebogen des Monitors Digitale Bildung wurden jene Items ausge-

wählt, die sich möglichst gut auf eine Infrastruktur beziehen, welche die Nutzung

von Technologien erleichtert (Schmid, U. et al., 2017a, S. 3, S.14, S. 17) (siehe

Anhang 1, Tabelle 21).

Tabelle 5. Vorgesehene Indikatoren des Konstrukts Erleichternde Umstände

Ursprüngliche Fragestellung:

Welche Herausforderungen und Schwierigkeiten sehen Sie, wenn es um di-

gitales Lernen in der Hochschule geht?

Indikatoren:

Es fehlt eine didaktische Beratung zur digitalen Lehre an der Hochschule.

Der Aufwand ist zu hoch und wird nicht auf das Lehrdeputat angerechnet.

Es fehlt eine professionelle Betreuung der digitalen Infrastruktur an der

Hochschule.

Ursprüngliche Fragestellung und gleichzeitig Indikator:

Wie würden Sie die technische Ausstattung zum digitalen Lernen an Ihrer

Hochschule bewerten?

47

Das Item zur technischen Ausstattung zum digitalen Lernen mit den Antwort-

möglichkeiten von 1 = „völlig ausreichend“ bis zu 6 = „völlig unzureichend“

wurde umkodiert, so dass nun ein niedriger Wert für eine unzureichende Aus-

stattung steht und ein hoher Wert für eine ausreichende Ausstattung.

Auch die anderen Items sind sechsstufig (1 = „trifft voll und ganz zu“ bis 6 „trifft

überhaupt nicht zu“). Hier muss beachtet werden, dass es bei den Items zur

didaktischen Beratung und professionellen Betreuung um das Fehlen und nicht

um das Vorhandensein von Beratung bzw. Betreuung geht.

6.4.5 Das Konstrukt Einstellung zur Technologienutzung

Die Einstellung zur Technologienutzung kann beschrieben werden als die all-

gemeine emotionale Reaktion eines Individuums angesichts der Nutzung eines

technologischen Systems (Venkatesh et al., 2003, S. 455).

Die Items im Fragebogen des Monitors Digitale Bildung sind nicht auf gefühls-

mäßige Reaktionen gegenüber der Nutzung ausgerichtet. Es sind jedoch Items

vorhanden, die sich auf die persönliche Meinung (und nicht die Erfahrung) be-

ziehen: „Unabhängig davon, ob Sie digitale Medien einsetzen, interessiert uns

Ihre persönliche Meinung …“ (Schmid, U. et al., 2017a, S. 13). Diese Items

können auch von Hochschullehrenden beantwortet werden, die digitale Medien

(noch) nicht in ihrer Lehre einsetzen, und kommen der Einstellung näher als

andere Items im Fragebogen.

Tabelle 6. Vorgesehene Indikatoren des Konstrukts Einstellung zur Technolo-

gienutzung

Ursprüngliche Fragestellung:

Unabhängig davon, ob Sie digitale Medien einsetzen, interessiert uns hier

Ihre persönliche Meinung zu unterschiedlichen Aspekten des Themas. … Wie

bewerten Sie digitales Lernen?

Indikatoren:

Digitale Lehr- und Lernangebote sind motivierend.

Digitale Lehr- und Lernangebote verringern die Abbruchquoten im Stu-

dium.

Digitale Lehr- und Lernangebote entlasten das Lehrpersonal.

Digitale Lehr- und Lernangebote verbessern die Lernergebnisse.

Digitale Lehr- und Lernangebote fördern die Attraktivität der Hochschule.

48

Von den Items zu dieser Frage wurden fünf Items unverändert dem Fragebogen

des Monitors Digitale Bildung entnommen. Die Antwortmöglichkeiten liegen

zwischen 1 = „stimme ich voll und ganz zu“ bis 6 = „stimme ich überhaupt nicht

zu“. Diese Antwortmöglichkeiten wurden umkodiert, so dass die Zustimmung zu

den Aussagen mit hohen Werten einhergeht, die Ablehnung mit niedrigen Wer-

ten (siehe Anhang1, Tabelle 22).

6.4.6 Das Konstrukt Nutzerverhalten

Für das Konstrukt Nutzerverhalten wurden Items ausgewählt, in denen es um

die tatsächliche Nutzung von Technologien oder Anwendungen geht (siehe

3.4.1). Bei den Items des Fragebogens des Monitors Digitale Bildung wird ge-

fragt, welche Medientechnik und Hardware, welche Lernmaterialien und Lern-

technologien sowie welche digitale Medien und Online-Dienste genutzt werden.

In der vorliegenden Arbeit wurde die Anzahl der Nennungen zu den jeweiligen

Items erfasst.

Beim Vergleich der Items von Venkatesh et al. (2003, S. 460) mit den Items im

Fragebogen des Monitors Digitale Bildung (Schmid, U. et al., 2017a, S. 2, S. 5,

S. 8) wird deutlich, dass sich die Technologien und ihre Einsatzmöglichkeiten

seit 2003 sehr verändert haben. Die Items der Befragung von 2003 muten heut-

zutage als simpel und wenig differenziert an (siehe Anhang 1, Tabelle 23).

Tabelle 7. Vorgesehene Indikatoren des Konstrukts Nutzerverhalten

Ursprüngliche Fragestellung:

Zunächst einmal interessiert uns, mit welcher technischen Ausstattung Sie

arbeiten und wie Sie diese bewerten. Welche Medientechnik/Hardware nut-

zen Sie für Veranstaltungszwecke an der Hochschule?

Indikator:

Anzahl Nennungen „Smartphone“, „Tablet-PC“, „PC und Notebook“, „Digitale

Kamera“, „Interaktives Whiteboard“, „Beamer“

Ursprüngliche Fragestellung:

In den letzten Jahren sind neue Angebotsformen für Lerninhalte hinzugekom-

men. Welche externen Lernmaterialien und Lerntechnologien verwenden Sie

in Ihren Lehrveranstaltungen?

Indikator:

Anzahl Nennungen “Lern-Apps“, „Lernmanagementsysteme (z.B. Moodle o-

der ILIAS)“, „digitale Lernressourcen (z.B. eBooks, Lernvideos)“, „Software

(z.B. Konstruktions- und Kalkulationsprogramme, Planspiele)“, „Literaturver-

altungsprogramme“, „Assessmentsysteme / Prüfungssysteme“

49

Fortsetzung Tabelle 7

Ursprüngliche Fragestellung:

Mit den digitalen Medien und Online-Diensten wie Wikis oder Foren stehen

neue Unterstützungsformen für die didaktische Arbeit zur Verfügung. Welche

der folgenden Technologien und Anwendungen nutzen Sie?

Indikator:

Anzahl Nennungen „Chat-Dienste (z.B. WhatsApp)“, „Digitale Präsentations-

tools (z.B. Power Point)“, „Digitale Texte (z.B. eBooks, PDF-Dokumente)“,

„Digitale Lernspiele / Simulationen“, „Elektronische Tests oder Übungen“,

„Foren / Communities / Blogs, Lern-Apps“, „Lernmanagementsysteme (z.B.

Moodle)“, „MOOCs“, „Software wie Kalkulations- oder Konstruktionspro-

gramme/Office/Datenbanken“, „Soziale Netzwerke (z.B. Facebook, Twitter,

Instagram)“, „Cloud-Dienste (z.B. Google Drive, Dropbox)“, „Video-Angebote

(z.B. YouTube)“, „Voting-Tools“, „Wikipedia oder andere Wikis“, „Sonstige

Anwendungen“

Die Kodierung der hypothetischen Konstrukte ist in Tabelle 8 dargestellt.

Tabelle 8. Klassifikation und Bezeichnung der latenten Variablen

Art der Variablen Bezeichnung

Latente exogene

Variable

Leistungserwartung (LE)

Aufwandserwartung (AE)

Sozialer Einfluss (SE)

Erleichternde Umstände (EU)

Latente endogene

Variable

Einstellung zur Technologienutzung (ET)

Nutzerverhalten (NV)

6.5 Die reflektiven Messmodelle

In einem Messmodell wird angewiesen, wie einer latenten Variablen (also ei-

nem hypothetischen Konstrukt) ein beobachtbarer Sachverhalt zugeordnet

wird. Diese Zuordnung wird als Operationalisierung bezeichnet und durch Zah-

len erfasst, also gemessen. Das Resultat der Messung wird in einer Messvari-

ablen abgebildet. Diese Messvariable kann empirisch direkt beobachtet werden

und ist somit eine manifeste Variable (Weiber & Mühlhaus, 2014, S. 41).

Die Abweichung, die zwischen dem Wert, der über einen Indikator gemessen

wird, und dem tatsächlichen Konstruktwert existiert, wird durch systematische

(xS) und zufällige Messfehler verursacht (xR). Messfehler sind Störgrößen, die

50

dadurch entstehen, dass eine Erhebung die Realität niemals exakt wiederge-

ben kann (Weiber & Mühlhaus, 2014, S. 109f.).

In dieser SGM sollen die hypothetischen Konstrukte (mit Ausnahme des „Sozi-

alen Einflusses“) anhand mehrerer Indikatoren (manifesten Variablen) gemes-

sen werden. Der Vorteil der Messung anhand mehrerer Indikatoren liegt darin,

dass dadurch mehrere beobachtbare Konsequenzen eines Konstrukts erfasst

werden, sodass mögliche Verzerrungen einzelner Indikatoren bzw. zufällige

Messfehler sich bei Vorhandensein mehrerer Indikatoren im Mittel über diese

Indikatoren ausgleichen. Ein weiterer Vorteil sind präzisere Schätzwerte. Au-

ßerdem kann anhand von Maßen der internen Konsistenz und der Reliabilität

überprüft werden, wie gut sich ein bestimmtes Item für ein bestimmtes hypothe-

tisches Konstrukt eignet. Dabei sollen Indikatoren, die nicht hoch korrelieren,

aus dem Modell entfernt werden, da sie offensichtlich zu anderen Konstrukten

gehören. Wie viele Indikatoren für ein Konstrukt ausgewählt werden sollen, ist

in der Literatur nicht eindeutig dargelegt. Es wird empfohlen, bei Vorhandensein

mehrerer reflektiver Konstrukte mindestens jeweils zwei Indikatoren vorzuse-

hen, bei nur einem einzigen reflektiven Konstrukt mindestens vier Indikatoren.

Wird ein hypothetisches Konstrukt nur mit einem einzigen Indikator gemessen

(Single-Item-Messung), wie es hier beim Konstrukt Sozialer Einfluss der Fall ist,

handelt es sich bei diesem Indikator um ein sogenanntes Globalitem. Bei der

Formulierung der Frage sollte der Indikator enthalten sein, um das Konstrukt

möglichst gut erfassen zu können (Weiber & Mühlhaus, 2014, S. 111). Das ist

hier der Fall.

Für jedes Konstrukt wurde ein reflektives Messmodell erstellt. Im Messmodell

für die latenten exogenen Variablen ist ξ (Ksi) die latente exogene Variable, die

im Modell nicht erklärt wird. Die Parameter λ1 (lambda) bis λn sind Regressions-

koeffizienten, welche die Stärke des Einflusses der latenten Variablen (ξ1 = xi)

auf ihre manifesten Messvariablen X mit δ (Delta) als Messfehler angeben. Im

Messmodell für die latenten endogenen Variablen steht η (Eta) für die latente

endogene Variable, die im Modell erklärt wird. Y ist ihre manifeste Messvariable

und ε (Epsilon) ist der Messfehler von Y (siehe Anhang 2, Tabelle 24). Die

Messmodelle befinden sich in Anhang 2 (Abbildungen 8 bis 13).

51

6.6 Überprüfung der Güte des Strukturgleichungsmodells

Die Güte des so entwickelten Strukturgleichungsmodells wurde statistisch über-

prüft anhand einer Stichprobe von Lehrenden an Hochschulen für Angewandte

Wissenschaften (siehe 5 und 6.6.2). Die Überprüfung erfolgte in folgenden

Schritten:

1. Überprüfung der Daten hinsichtlich fehlender Werte, Ausreißer und Normal-

verteilung (6.6.1)

2. Identifikation der Faktorenstruktur (Explorative Faktorenanalyse) (6.6.4)

3. Überprüfung der Reliabilität und Validität (6.6.4)

4. Überprüfung des Strukturgleichungsmodells (6.6.5)

5. Überprüfung der Messmodelle (Konfirmatorische Faktorenanalyse) (6.6.6)

Konstruktvalidität (Konvergenzvalidität, durchschnittlich extrahierte Va-

rianz)

Diskriminanzvalidität

Inhaltsvalidität

6.6.1 Fehlende Werte, Ausreißer und Normalverteilung

Damit die Qualität der SGM nicht negativ beeinflusst wird, werden die Daten zu

Beginn auf fehlende Werte, Ausreißer und die für die SGM erforderliche Nor-

malverteilung untersucht.

Eine SGA setzt voraus, dass die Datenmatrix vollständig ist und deshalb feh-

lende Werte soweit möglich ersetzt werden. Die in dieser SGA verwendeten

Variablen weisen fehlende Werte auf, die offensichtlich rein zufällig sind und

nicht mit anderen Werten zusammenhängen (MCAR-Test nach Little: Chi-

Quadrat = 859,542, DF = 1068, Signifikanz = 1,000) (Weiber & Mühlhaus, 2014,

S. 175f.). Deshalb können sie geschätzt werden. Die fehlenden Werte im Da-

tensatz wurden anhand des EM-Algorithmus (Expectation Maximization Algo-

rithmus) geschätzt und direkt im Datensatz ersetzt. Dabei handelt es sich um

ein Verfahren, das sehr gute Eigenschaften zur Schätzung besitzt (Weiber &

Mühlhaus, 2014, S. 176).

Ausreißer sind Werte, die auffallen, weil sie sachlogisch betrachtet ungewöhn-

lich sind und nicht zu den anderen Werten passen. Sie können zurückgeführt

werden auf verfahrenstechnische Fehler (z.B. fehlerhafte Kodierungen, Fehler

bei der Dateneingabe). Sie können aber auch ungewöhnliche Werte sein, die

52

den tatsächlichen Antworten entsprechen und sachlogisch erklärt werden kön-

nen, sowie „echte“ Ausreißer, die sich sachlogisch nicht erklären lassen (Weiber

& Mühlhaus, 2014, S. 178). Zur Untersuchung der Daten auf Ausreißer wurden

in SPSS die Mahalanobis-Distanzen berechnet. Alle Fälle, bei denen der Wert

für p < 0,01 war, wurden aus dem Datensatz entfernt. Dabei handelte es sich

um fünf Fälle. Im Datensatz verblieben 242 Fälle. Alle nun folgenden Ergeb-

nisse wurden mit dem um die Ausreißer bereinigten Datensatz berechnet.

Die Überprüfung der Normalverteilung der einzelnen Variablen zeigt, dass

die Werte für den Schiefekoeffizienten bei allen Variablen bis auf einer unter

dem konservativen, also strengen Grenzwert von |1| liegen. Ein Schiefekoeffi-

zient hat den Wert |1,238|. Auch beim Wölbungskoeffizienten liegen die meisten

Werte unter bzw. nahe bei |1|. Nur ein Wert mit |2,562| fällt auf (Weiber & Mühl-

haus, 2014, S. 180). Dies ist ein gutes Ergebnis, da Daten, die anhand von

Ratingskalen erhoben wurden, nur sehr selten die „strengen“ Test-Kriterien er-

füllen. Die statistischen Tests zur Normalverteilungsannahme (der Kolmogorov-

Smirnoff-Test und der Shapiro-Wilk-Test) weisen jedoch darauf hin, dass die

Daten nicht normalverteilt sind (für alle Variablen p <0,000). Da diese beiden

Verfahren bei großen Stichproben (N > 200) dazu neigen zu entscheiden, dass

keine Normalverteilung vorliegt, kann trotzdem angesichts der Werte für den

Schiefekoeffizienten und für den Wölbungskoeffizienten davon ausgegangen

werden, dass keine nennenswerte Abweichung von der Normalverteilung vor-

liegt (Weiber & Mühlhaus, 2014, S. 181). Auch die Forderung nach einer Nor-

malverteilung aller Daten zusammen (multivariate Normalverteilung) wird in den

meisten sozialwissenschaftlichen Fragestellungen nicht erfüllt, wenn zur Daten-

erhebung Ratingskalen eingesetzt wurden. Deshalb wurde hier überprüft, wie

stark die Annahme der Normalverteilung verletzt wird (Weiber & Mühlhaus,

2014, S. 180). Da diese Überprüfung mit SPSS nicht möglich ist, wurde sie mit

AMOS mit denjenigen Variablen berechnet, die in das Strukturgleichungsmodell

eingeflossen sind. Der für die multivariate Normalverteilung berechnete Wert

von 4,44 für den Wölbungskoeffizienten liegt deutlich unter dem von Kline

(2005, S. 50, zitiert in Baltes-Götz, 2015, S. 29) genannten Grenzwert von 7,0.

Zudem ist der Wert für die Critical Ratio (C.R.) mit 2,29 geringer als der für eine

moderate Prüfung geforderte Grenzwert von 2,57. Deshalb wird für die hier vor-

liegenden Daten davon ausgegangen, dass keine gravierende Verletzung der

Normalverteilung vorliegt (Weiber & Mühlhaus, 2014, S. 182f.).

53

6.6.2 Beschreibung der Stichprobe

Bei der Stichprobe der Lehrenden an Hochschulen für Angewandte Wissen-

schaften aus der Untersuchung „Monitor Digitale Bildung - Die Hochschulen im

digitalen Zeitalter“ handelt es sich um 242 Lehrende, d.h. um 88 Frauen (36,4%)

und um 154 Männer (63,6%).

Die meisten Lehrenden befanden sich in der Altersgruppe der 50- bis 59-Jäh-

rigen (35,5%). Etwas mehr als die Hälfte war jünger als 50 Jahre. Mehr als ein

Drittel war länger als zehn Jahre in der Hochschullehre tätig. Rund 40% arbei-

teten seit bis zu fünf Jahren in der Hochschullehre (siehe Anhang 3, Tabellen

25 und 26).

Von 139 Befragten (57,4%) wurde die Hochschule, an der sie tätig waren, als

staatliche Hochschule angegeben, während 95 Personen (39,3%) an einer pri-

vaten Hochschule beschäftigt waren und acht Personen (3,3%) an einer kon-

fessionellen. Zu den Fächergruppen, in denen Lehrveranstaltungen gehalten

wurden, waren Mehrfachnennungen möglich. Am häufigsten genannt wurden

die Fächergruppen „Wirtschaftswissenschaften, Rechtswissenschaften“ (23%)

und „Ingenieurswissenschaften“ (17%) (siehe Anhang 3, Tabellen 27 und 28).

Geschlecht und Alter korrelierten hochsignifikant in die Richtung, dass die

Frauen häufiger in den jüngeren Altersgruppen zu finden waren und die Männer

stärker in den höheren Altersgruppen (0,218, p = 0,001, Spearman). Die weib-

lichen Lehrenden waren zudem weniger lange in der Hochschullehre tätig als

die männlichen Lehrenden (0,211, p = 0,001). Die älteren Befragten arbeiten

deutlich länger in der Hochschullehre (0,620, p = 0,000) und waren häufiger an

einer staatlichen Hochschule tätig (-0,174, p = 0,007) als jüngere Befragte. Dies

bedeutet wiederum, dass sich die jüngeren Befragten häufiger an einer Hoch-

schule in privater oder konfessioneller Trägerschaft befanden und dort deutlich

kürzer tätig waren als die älteren Befragten. Je länger man in der Hochschul-

lehre tätig war, desto eher arbeitete man an einer staatlichen Hochschule

(-0,365, p = 0,000).

Männliche Lehrende lehrten signifikant häufiger in der Fächergruppe „Ingeni-

eurswissenschaften“ (0.149, p = 0.021) und die dort Lehrenden waren bereits

deutlich länger in der Lehre tätig als andere Lehrende (0,184, p = 0,004). Es

waren vorwiegend Frauen (-0,141, p = 0,029) und jüngere Lehrende, die in der

Fächergruppe „Medizin und Gesundheitswissenschaften“ lehrten (-0.184, p =

0,004) und solche Personen, die seit bis zu fünf Jahren in der Lehre tätig waren

54

(-0.278, p = 0.000). Weibliche Lehrende waren zudem häufiger in der Fächer-

gruppe „Sprach- und Kulturwissenschaften“ (-0,130, p = 0,044) vertreten. Die

Lehrenden mit Lehrveranstaltungen in der Fächergruppe „Kunst, Medien, De-

sign“ waren bereits länger in der Lehre tätig (0,185, p = 0,004).

6.6.3 Übersicht über die Gütekriterien

Zur Überprüfung eines Strukturgleichungsmodells werden als Kriterien für seine

Güte die Reliabilität und die Validität untersucht. Die Reliabilität beschreibt die

Zuverlässigkeit oder das Ausmaß, mit dem bei wiederholtem Einsatz des Struk-

turgleichungsmodells die gleichen Ergebnisse zustande kommen (Weiber &

Mühlhaus, 2014, S. 135). Die Validität kennzeichnet die konzeptionelle Richtig-

keit des Strukturgleichungsmodells. Sie bezeichnet das Ausmaß, mit dem das

Strukturgleichungsmodell das misst, was es messen soll (Weiber & Mühlhaus,

2014, S. 156). In der Überprüfung der Güte eines Strukturgleichungsmodells

werden globale Gütekriterien von lokalen Gütekriterien unterschieden. Globale

Gütekriterien ermöglichen, die Anpassungsgüte des Gesamtmodells festzustel-

len. Lokale Gütekriterien hingegen bewerten die einzelnen Messmodelle.

Die Güte der reflektiven Messmodelle beeinflusst die Güte der Parameterschät-

zungen des Strukturgleichungsmodells in hohem Maße. Sind die gemessenen

Konstrukte fehlerhaft, kommt es auch zu Fehlern in den Schätzungen der Be-

ziehungen zwischen den Konstrukten (Weiber & Mühlhaus, 2014, S. 128).

Neben globalen und lokalen Gütekriterien werden auch Gütekriterien der ersten

und der zweiten Generation unterschieden. Gütekriterien der ersten Generation

basieren auf psychometrischen Arbeiten, in denen vorwiegend Korrelationsbe-

trachtungen zur Überprüfung der Reliabilität genutzt wurden (Weiber & Mühl-

haus, 2014, S. 129). Damit diese Kriterien eingesetzt werden können, müssen

die betrachteten Konstrukte eindimensional sein. Ihre Eindimensionalität kann

durch die explorative Faktorenanalyse (EFA) überprüft werden. Ein großer

Nachteil dieser Kriterien liegt darin, dass mit ihnen die Messfehler nicht ge-

schätzt und die Modellparameter inferenzstatistisch nicht überprüft werden kön-

nen (Weiber & Mühlhaus, 2014, S. 129). Die Ergebnisse dieser Verfahren sind

jedoch die Basis für eine konfirmatorische Faktorenanalyse (KFA) mit AMOS.

55

Tabelle 9. Gütekriterien der ersten Generation

Gütekriterien der ersten Generation

(Korrelationsanalyse und explorative Faktorenanalyse)

Reliabilitätsprüfung Validitätsprüfung

Prüfung auf Eindimensionalität:

Isolierte EFA für jeweils nur ein Kon-

strukt

Indikatorebene:

Item-to-Total-Korrelation

Korrigierte Item-to-Total-Korrelation

Cornbachs Alpha (wenn Item weg-

gelassen)

Gemeinsame EFA für alle

Konstrukte

Inhalts- und Expertenvalidität

Konstruktebene:

Cronbachs Alpha

Inter-Item-Korrelation

Gütekriterien der zweiten Generation basieren auf der Anwendung der KFA. Sie

dienen bei der Beurteilung des Gesamtmodells der gemeinsamen Abschätzung

von Validität und Reliabilität. Dadurch haben sie eine höhere Aussagekraft als

die Gütekriterien der ersten Generation (Weiber & Mühlhaus, 2014, S. 131).

Tabelle 10. Gütekriterien der zweiten Generation

Gütekriterien der zweiten Generation

(unter Anwendung der Konfirmatorischen Faktorenanalyse)

Reliabilitätsprüfung Validitätsprüfung

Indikatorebene:

Indikatorreliabilität

Kriteriumsvalidität:

Übereinstimmungsvalidität

Prognosevalidität

Konstruktebene:

Konstruktreliabilität

Durchschnittlich extrahierte

Varianz (DEV) (average

variance extracted, AVE)

Konstruktvalidität

Konvergenzvalidität (Konstruktreliabili-

tät)

Diskriminanzvalidität (Chi2-Differenz-

test, Fornell-Larcker Kriterium)

56

6.6.4 Gütekriterien der ersten Generation

Der erste Schritt der Überprüfung der Güte des Strukturgleichungsmodells ist

die Überprüfung der Zuverlässigkeit der Indikatoren für die Konstrukte

(Reliabilität). Ziel dieser Reliabilitätsüberprüfung ist herauszufinden, welche In-

dikatoren für die Messung des Konstrukts geeignet sind. Die betrachteten Kon-

strukte müssen Eindimensionalität aufweisen. Die Annahme der Eindimensio-

nalität gilt als bestätigt, wenn a) die Messindikatoren eines Konstrukts hoch kor-

relieren und b) diese Korrelationen darauf zurückgeführt werden können, dass

das hypothetische Konstrukt sie verursacht. Deshalb ist die Prüfung der Eindi-

mensionalität eines Konstrukts eine Voraussetzung für die Reliabilitätsprüfung

reflektiver Indikatoren. Sie wird mit einer EFA überprüft, bei der jedes einzelne

Konstrukt untersucht wird (Weiber & Mühlhaus, 2014, S. 131).

Als Extraktionsmethode wird die Hauptachsenanalyse verwendet. Bei der

Hauptachsenanalyse wird davon ausgegangen, dass sich die Varianz einer Va-

riablen immer aufteilt in die Kommunalität und in die Einzelrestvarianz. Kommu-

nalitäten geben an, wieviel Prozent der Varianz eines Indikators durch die extra-

hierten Faktoren erklärt werden (Weiber & Mühlhaus, 2014, S. 133). Ein weite-

res wichtiges Maß für die Prüfung der Variableneignung auf der Ebene der Va-

riablen ist die Measure of Sampling Adequacy (MSA), deren Werte darauf hin-

weisen, in welchem Umfang eine Variable mit anderen Variablen „zusammen-

gehört“. Die Werte der MSA und der Kommunalitäten sollten nicht unter 0,5 lie-

gen (Weiber & Mühlhaus, 2014, S. 132f.). Indikatoren mit geringeren Werten

sollen ausgeschlossen werden.

Zur Überprüfung der Zusammengehörigkeit der Variablen eignen sich das Maß

der Stichprobeneignung nach Kaiser-Meyer-Olkin (KMO) sowie der Bartlett-

Test. Für das KMO wird ein Grenzwert von 0,6 empfohlen, der Bartlett-Test

sollte verworfen werden (Weiber & Mühlhaus, 2014, S. 132f.).

Die EFA zu den einzelnen Konstrukten zeigt, dass das KMO-Kriterium stets hö-

her ist als 0,6, der Bartlett-Test jeweils abgelehnt wird und die variablenspezifi-

schen MSA-Werte >0,5 sind (siehe Anhang 4, Tabellen 29 bis 33). Hier liegt

tatsächlich ein Konzept multipler Items vor (Weiber & Mühlhaus, 2014, S. 134).

Für jedes Konstrukt wird ein Faktor ausgegeben. Die Kommunalitäten liegen

bei einigen Indikatoren unter dem Wert 0,5. Diese Indikatoren wurden ausge-

schlossen (Weiber & Mühlhaus, 2014) (siehe Anhang 4, Tabelle 34). Die ver-

bliebenen Indikatoren wurden wie folgt kategorisiert und bezeichnet:

57

Tabelle 11. Kategorisierung und Bezeichnung der manifesten Variablen

Art Variable Fak-

tor

Indi-

kator

Beschreibung

Manfeste

Messvari-

able, die ei-

ner latenten

exogenen

Variablen zu-

geordnet

LE le1

le2

Anzahl Nennungen von digitalen Lernkonzep-

ten, mit denen das Ziel „Selbstständigkeit för-

dern“ erreicht werden kann

Anzahl Nennungen von digitalen Lernkonzep-

ten, mit denen das Ziel „Fertigkeiten vermitteln

/ Anwendung des Wissens“ erreicht werden

kann

ist AE ae1

ae2

„Der Aufwand für die technische Ausstattung

[Hard- & Software] ist zu hoch.“

„Die Wartung der Geräte und Anwendungen

ist zu teuer.“

SE soz Anzahl Personengruppen der Hochschule mit

Impuls für Einsatz von Technologien in der

Lehre

EU eu1

eu2

„Es fehlt eine professionelle Betreuung der di-

gitalen Infrastruktur an der Hochschule.“

„Es fehlt eine didaktische Beratung zur digita-

len Lehre an der Hochschule.“

Manifeste

Messvari-

able, die ei-

ner latenten

ET et1

et2

„Digitale Lehr- und Lernangebote sind motivie-

rend.“

„Digitale Lehr- und Lernangebote verbessern

die Lernergebnisse.“

endogenen

Variablen zu-

geordnet ist

NV nv Anzahl Nennungen von genutzten Technolo-

gien und Anwendungen für die didaktische Ar-

beit

Auch wenn die Anzahl der Items in jedem Konstrukt von vier bzw. fünf Items auf

zwei Items reduziert wurde, ist es möglich, das Modell zu untersuchen. Zwei

Items pro Konstrukt reichen in einem Mehr-Konstrukt-Modell aus (Backhaus,

Erichson & Weiber, 2015, S. 136). Auch der einzige Indikator, der zur Messung

des Nutzerverhaltens übrig geblieben ist, ist als Globalitem geeignet (siehe 6.5).

Angesichts dieser Ergebnisse wurden die Hypothesen differenziert:

H1: Je höher die Leistungserwartung der Lehrenden (operationalisiert an

der Anzahl genannter digitaler Lernkonzepte zum Vermitteln von Fertigkei-

ten / zur Anwendung des Wissens bzw. zur Förderung der Selbstständig-

keit), desto positiver die Einstellung der Lehrenden zur Technologienutzung

(operationalisiert mit Aussagen zur Motivation und zur Verbesserung der

Lernergebnisse).

58

H2: Je höher die Aufwandserwartung der Lehrenden (operationalisiert am

Aufwand für technische Ausstattung und Wartung), desto negativer ihre Ein-

stellung zur Technologienutzung (operationalisiert mit Aussagen zur Moti-

vation und zur Verbesserung der Lernergebnisse).

H3: Je stärker der soziale Einfluss auf den Einsatz digitaler Medien in der

Lehre (operationalisiert an der Anzahl der an der Hochschule Impulse ge-

benden Personengruppen), desto positiver die Einstellung der Lehrenden

zur Technologienutzung (operationalisiert mit Aussagen zu Motivation und

zur Verbesserung der Lernergebnisse).

H4: Je stärker das Fehlen von erleichternden Umständen in Form von orga-

nisationalen und technischen Rahmenbedingungen (operationalisiert am

Fehlen einer didaktischen Beratung in der digitalen Lehre und am Fehlen

einer professionellen Betreuung der digitalen Infrastruktur) wahrgenommen

wird, desto negativer die Einstellung der Lehrenden zur Technologienut-

zung (operationalisiert mit Aussagen zur Motivation und zur Verbesserung

der Lernergebnisse).

H5: Je positiver die Einstellung der Lehrenden zur Technologienutzung

(operationalisiert anhand des motivierenden Einflusses und der Verbesse-

rung der Lernergebnisse durch digitale Lehr- und Lernangebote), desto

mehr digitale Medien werden in der Lehre zur didaktischen Arbeit genutzt.

H6: Je stärker ein Fehlen von erleichternden Umständen in Form von orga-

nisationalen und technischen Rahmenbedingungen (operationalisiert am

Fehlen einer didaktischen Beratung in der digitalen Lehre und am Fehlen

einer professionellen Betreuung der digitalen Infrastruktur) wahrgenommen

wird, desto weniger digitale Medien werden in der Lehre zur didaktischen

Arbeit genutzt.

Die Hypothesen zu den Moderatorvariablen blieben unverändert.

Zur Überprüfung der Zugehörigkeit der Indikatoren zu den Konstrukten

(Validität) wurde erneut eine EFA durchgeführt, in der die verbliebenen Indika-

toren aller Konstrukte gemeinsam betrachtet wurden (Weiber & Mühlhaus,

2014, S. 132). Auch hier ist das KMO-Kriterium höher als 0,6 und der Bartlett-

Test wird abgelehnt. Die Werte für die Kommunalitäten sind ebenfalls durchge-

hend >0,5 (siehe Tabelle 12). (Die Werte der Indikatoren des Sozialen Einflus-

ses und des Nutzerverhaltens werden hier nicht betrachtet, da sie jeweils ein

Konstrukt für sich darstellen.)

59

Die EFA weist vier Faktoren aus. Alle Indikatoren, die den latenten Konstrukten

zugewiesen wurden, laden hoch auf die entsprechenden Faktoren und nur auf

diese. Sie können eindeutig einem Faktor zugeordnet werden und zeigen mit

Werten zwischen 0,733 und 0,955, dass sie mit dem jeweils anderen Indikator

ihres Faktors gut korrespondieren. Inhaltlich entsprechen die Faktoren den the-

oretisch vermuteten Faktoren (siehe Tabelle 12).

Tabelle 12. Ergebnisse der EFA mit den verbliebenen Indikatoren

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,626

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 726,430

Df 45

Signifikanz nach Bartlett 0,000

MSA Kom-

munali-

tät

Faktoren

Auf-

wandser-

wartung

Einstel-

lung zur

Technol.

Leis-

tungser-

wartung

Erleich-

ternde Um-

stände

Selbstän-

digkeit

0,614 0,718 0,044 0,000 0,844 0,003

Anwen-

den/Fer-

tigkeiten

0,615

0,605 -0,058 0,042 0,759 -0,036

Aufwand

tech. Aus.

0,587 0,698 0,800 0,000 -0,025 0,073

Wartung 0,565 0,876 0,955 -0,008 -0,005 -0,045

Sozialer

Einfluss

0,658 0,097 -0,050 -0,120 0,312 0,134

Professio-

nelle Be-

treuung

0,657

0,655

0,033

0,088

-0,018

0,802

Didakti-

sche Bera-

tung

0,637

0,550

-0,009

-0,073

0,084

0,733

Motivie-

rend

0,629 0,586 0,052 0,787 -0,060 -0,009

Lerner-

gebnisse

0,649 0,649 -0,092 0,808 -0,028 0,032

Genutzte

Technol.

0,811 0,258 0,083 0,316 0,289 -0,024

Extraktionsmethode Hauptachsen-Faktorenanalyse Rotationsmethode: Promax mit Kaiser-Normalisierung Die Rotation ist 5 Iterationen konvergiert

60

Alle Konstrukte sind eindimensional und für die nachfolgenden Analyseschritte

geeignet. Die Werte der MSA liegen alle über dem Mindestwert von 0,5. Die

Kommunalitäten weisen bei den meisten Indikatoren darauf hin, dass sie mittel

bis gut mit dem anderen Indikator des gleichen Faktors korrespondieren. Ledig-

lich der Indikator „Es fehlt eine didaktische Beratung zur digitalen Lehre an der

Hochschule“ zeigt mit einem Wert von 0,550, dass die Struktur des Faktors „Er-

leichternde Umstände“ nicht stark ist (Weiber & Mühlhaus, 2014, S. 132f.).

Wie ebenfalls vermutet, ist weder beim Indikator zum Sozialen Einfluss noch

beim Indikator zum Nutzerverhalten eine nennenswerte Ladung auf einen der

vier anderen Faktoren festzustellen. Sie werden wie theoretisch festgelegt als

eigene Faktoren behandelt (siehe Tabelle 12).

Die Faktoren AE und EU sowie ET und LE korrelieren nur schwach miteinander

(siehe Anhang 4, Tabelle 35). Diese schwachen Korrelationen rechtfertigen im

Nachhinein die Verwendung der nicht-orthogonalen Promax-Rotation (Weiber

& Mühlhaus, 2014, S. 146).

Die Faktoren erklären insgesamt rund 57% der Gesamtvarianz, was eher wenig

ist. Das meiste Gewicht haben die AE (rund 22%) und die ET (rund 19%) (siehe

Anhang 4, Tabelle 36).

Zur Überprüfung der Reliabilität einer ganzen Item-Gruppe wird bei den Gü-

tekriterien der ersten Generation am häufigsten der Cronbachs Alpha-Koeffi-

zient eingesetzt. Mit ihm wird die Konstruktreliabilität (interne Konsistenz) über-

prüft, da er angibt, wie gut eine Gruppe von Indikatoren einen Faktor misst. Der

Wert von Cronbachs Alpha liegt zwischen 0 und 1. Damit Reliabilität vorausge-

setzt werden kann, ist ein Mindestwert von 0,70 erforderlich. Die Inter-Item-Kor-

relationen geben die durchschnittlichen Korrelationen der Indikatoren an und

sollten mindestens 0,30 betragen (Weiber & Mühlhaus, 2014, S. 136f.). Mit der

Item-to-Total-Korrelation wird das einzelne Item mit der Summe aller Items ei-

nes Konstrukts verglichen. Das zu untersuchende Item ist auch Teil der Sum-

menbildung. Der Mindestwert für eine gute Reliabilität eines Items beträgt 0,5.

Da die vorliegenden Konstrukte nicht mehr als zwei Indikatoren umfassen, sind

die Werte der Inter-Item-Korrelation und der Korrigierten Item-to-Total-Korrela-

tion identisch.

Bei der Überprüfung der Reliabilität auf Indikator- und Konstruktebene weisen

die Ergebnisse zu den vorliegenden Indikatoren und Konstrukten auf eine hohe

Reliabilität (siehe Anhang 4, Tabelle 38).

61

6.6.5 Gütekriterien der zweiten Generation

Für die Überprüfung der Reliabilität auf Indikator- und Konstruktebene

werden die Indikatorreliabilität und die Konstruktreliabilität berechnet.

Die Indikatorreliabilität ist der Anteil der Varianz eines Indikators, der durch das

Konstrukt erklärt wird. Im vorliegenden Strukturgleichungsmodell liegen die

Werte für alle Indikatorreliabilitäten deutlich über dem Mindestwert von 0,40

(Weiber & Mühlhaus, 2014, S. 150) (siehe Anhang 4, Tabelle 37), was auf eine

gute Reliabilität der Indikatoren hinweist. Sie bestätigen die mit den Gütekrite-

rien der ersten Generation durchgeführten Überprüfungen. Unter ausdrückli-

cher Berücksichtigung von Messfehlern kann davon ausgegangen werden,

dass die einzelnen manifesten Variablen gut geeignet sind für eine SGA.

Auf Konstruktebene kann die Reliabilität anhand der Konstruktreliabilität und

der durchschnittlich extrahierten Varianz (DEV) erfasst werden. Die Kon-

struktreliabilität sollte >0,60 sein (Bagozzi & Yi, 1988, S. 80). Die DEV steht für

die Güte dafür, wie eine latente Variable ihre Indikatoren erklärt. Der

Schwellenwert der DEV liegt bei >0,5 (Fornell & Larcker, 1981, S. 46; Weiber &

Mühlhaus, 2014, S. 151). Da die Konstruktreliabilität und die DEV in AMOS

nicht ausgegeben werden, wurden diese Werte anhand der folgenden Formeln

nach Fornell und Larcker (1981, S. 45f.) berechnet (Jahn, 2007, S. 22; Weiber

& Mühlhaus, 2014, S. 153ff.):

Konstruktreliabilität = ________ (Σ der standardisierten Ladungen)2________

(Σ der standardisierten Ladungen)2 +Σ des Messfehlers

DEV = ___________Σ der standardisierten Ladungen__________

Σ der quadr. standard. Ladungen + Σ des Messfehlers

Abbildung 4: Formeln zur Berechnung der Konstruktreliabilität und der DEV

Die Ergebnisse liegen alle deutlich über dem Wert von 0,6. bzw. 0,5. Für alle

Konstruktmessungen kann eine gute Reliabilität angenommen werden (siehe

Anhang 4, Tabelle 38).

62

Die Überprüfung der Validität von hypothetischen Konstrukten kann nur

als Herleitung oder Schlussfolgerung erfolgen. Diese Herleitung oder Schluss-

folgerung gilt als gerechtfertigt, wenn die Messungen reliabel sind und auch

eine Inhalts- und Konstruktvalidität nachgewiesen wird.

Inhaltsvalidität kann dann angenommen werden, wenn die Konstrukte sorgfältig

konzeptualisiert wurden. Dies ist hier der Fall (siehe 6.4). Außerdem korrelieren

die jeweiligen Indikatoren eines Konstrukts mittel bis hoch und hochsignifikant

miteinander (Spearman). Dies kann ebenfalls als ein Hinweis auf Inhaltsvalidität

interpretiert werden (Weiber & Mühlhaus, 2014, S. 157).

Konstruktvalidität ist gegeben, wenn nomologische, diskriminante und konver-

gente Validität nachgewiesen werden können. In diesem Falle wird die Mes-

sung eines Konstruktes nicht durch systematische Fehler oder andere Kon-

strukte verfälscht (Weiber & Mühlhaus, 2014, S. 161). Nomologische Validität

ist hier gegeben, da die SGA eine hohe Anpassungsgüte des Strukturglei-

chungsmodells zeigt, d.h. die theoretische Modellstruktur bildet die empirischen

Daten gut ab (Weiber & Mühlhaus, 2014, S. 161). Die Ergebnisse zu den Kon-

struktreliabilitäten (siehe Anhang 4, Tabelle 38) weisen darauf hin, dass es

keine Hinweise auf das Fehlen von Konvergenzvalidität gibt (Weiber & Mühl-

haus, 2014, S. 164). Diskriminanzvalidität ist ebenfalls gegeben, da bei der EFA

alle Indikatoren auf den Faktor laden, dem sie theoretisch zugeordnet wurden,

und da die DEV jedes Faktors größer ist als seine gemeinsame Varianz mit

einem anderen Faktor (Kriterium nach Fornell und Larcker) (Weiber & Mühl-

haus, 2014, S. 165) (siehe Anhang 4, Tabelle 38).

6.7 Modellschätzung mit AMOS

Anhand des Programms „Amos Graphics“ wurde eine SGA durchgeführt. Das

Pfaddiagramm setzt sich aus drei Matrizen-Gleichungen zusammen (siehe Ab-

bildung 4):

1. einer Matrizen-Gleichung für das Messmodell der latenten exogenen Vari-

ablen,

2. einer Matrizen-Gleichung für das Strukturgleichungsmodell und

3. einer Matrizen-Gleichung für das Messmodell der latenten endogenen Va-

riablen.

63

Messmodell der latenten exogenen Variablen

Strukturgleichungsmodell der Beziehungen der latenten endo-genen und exogenen Variablen

Messmodell der latenten endoge-nen Variablen

Abbildung 5: Pfaddiagramm zur Modellschätzung mit AMOS

Im Pfaddiagramm werden die beobachtbaren Indikatoren mit einem Rechteck

dargestellt, die latenten Variablen (Konstrukte) mit einer Ellipse. Für jede ab-

hängige Variable wird genau eine Gleichung formuliert. Im Pfadmodell zeigen

Pfeile auf die abhängigen Variablen, während Pfeile von unabhängigen Variab-

len wegführen. In der Gleichung steht die abhängige Variable links, die unab-

hängige Variable rechts vom Gleichheitszeichen. Die Pfeile im Pfaddiagramm

entsprechen mathematisch den Pfadkoeffizienten. Die Größe der Pfadkoeffi-

zienten gibt die Stärke des jeweiligen Zusammenhangs an (Weiber & Mühlhaus,

2014, S. 48). Neben den latenten endogenen und exogenen Variablen wurden

auch die jeweiligen manifesten Messvariablen (Indikatoren) sowie die Messfeh-

ler entsprechend der Hypothesen eingetragen (siehe 6.5).

Da die Referenzindikatoren die festen Parameter (Indikatoren der Konstrukte)

sind, wurden die Pfadkoeffizienten bei dem Indikator eines Konstrukts mit der

jeweils höheren Faktorladung auf den Wert 1 fixiert (siehe Tabelle 12). Dabei

handelte es sich um die Indikatoren „„Selbständigkeit fördern“ (le1), „Wartung

zu teuer“ (ae2), „Fehlende professionelle Betreuung“ (eu1) und „Verbesserung

der Lernergebnisse“ (et2). Zudem wurden die Parameter geschätzt, indem zwi-

schen den Fehlertermen (δ1 bis δ7, ε1 bis ε3 sowie ft1 und ft2) und den Kon-

strukten ebenfalls ein Regressionsgewicht von 1 festgelegt wurde. Allerdings

64

mit zwei Ausnahmen: Den Indikatoren „soz“ und „nv“, die jeweils als einziger

Indikator das Konstrukt „Sozialer Einfluss“ bzw. „Nutzerverhalten“ repräsentie-

ren, wurde unterstellt, dass sie das Konstrukt „Sozialer Einfluss“ bzw. „Nutzer-

verhalten“ fehlerfrei messen können, sodass hier die Varianz auf 0 festgelegt

wurde (Weiber & Mühlhaus, 2014, S. 186) (siehe Abbildung 5).

Nach seiner Erstellung wurden dem Pfaddiagramm die SPSS-Daten zugeord-

net und die Schätzungen berechnet. Dafür wurden die standardisierten Para-

meterschätzungen gewählt, da die standardisierte Lösung einfacher zu inter-

pretieren ist. Ihre Werte bewegen sich zwischen 0 und 1 (Weiber & Mühlhaus,

2014, S. 194).

6.8 Ergebnisse der Strukturgleichungsanalyse

6.8.1 Überprüfung des Gesamtmodells

In der Fachliteratur wird empfohlen, mehrere Indexe zur Beurteilung eines Mo-

dells heranzuziehen, die verschiedenen Kategorien zugeordnet werden können

(Weiber & Mühlhaus, 2014, S. 221).

Einer dieser Indexe ist Chi-Quadrat, das überprüft, ob ein Modell „richtig“ oder

gültig ist. Allerdings ist bei praktischen Anwendungen und gerade bei größeren

Stichproben die Chi-Quadrat-Teststatistik sehr oft nicht erfüllt und geeignete

Modelle werden wegen vernachlässigbarer Schwächen verworfen. Deshalb soll

Chi-Quadrat hier zwar betrachtet, aber bei der Bewertung des Modells nicht

berücksichtigt werden (Baltes-Götz, 2015, S. 34). Weitere Indexe, die verschie-

dene Aspekte des Gesamtmodells beurteilen, sind

die Root Mean Square Error of Approximation (RMSEA) (Überprüfung, ob

sich ein Modell der Realität gut annähern kann),

der Goodness of Fit Index (GFI) und der Adjusted Goodness of Fit Index

(AGFI,)

die inkrementellen Fitmaße Comparative Fit Index (CFI),

der Tucker Lewis Index (TLI),

der Normed Fit Index (NFI) sowie

Chi-Quadrat/df (Beurteilung der „Modellsparsamkeit“ [parsimony])

(mehr dazu siehe Weiber & Mühlhaus, 2014, S. 216).

65

Tabelle 13. Maße zur Güteprüfung des Modell-Fits

Kategorie Index Koeffizient

Modell

Wertebereich bzw.

Schwellenwerte

Inferenzsta-

tist. Kriterien

Chi-Quadrat

RMSEA

0,002

0,065

p > 0,05 für gültiges Modell

0,05 < RMSEA < 0,08

Goodness of

Fit Index

GFI

AGFI

0,960

0,911

GFI > 0,90

AGFI > 0,90

Inkrementelle

Fit-Indexe

CFI

TLI

NFI

0,964

0,935

0,932

CFI > 0,90

TLI > 0,90

NFI > 0,90

Parsimony Chi-Quadrat/df 2,010 2 < Chi-Quadrat/df < 3

Die Ergebnisse der Berechnungen mit AMOS zeigen, dass unter Berücksichti-

gung der in der Literatur empfohlenen Schwellenwerte für die Indexes zur Be-

urteilung eines Modells (Fuchs, 2011, S. 18; Schermelleh-Engel, Moosbrugger

& Müller, 2003, S. 52; Weiber & Mühlhaus, 2014, S. 205, S. 211, S. 215, S. 222)

das Modell einen guten Modell-Fit ausweist. Mit Ausnahme von Chi-Quadrat

befinden sich alle untersuchten Indexe innerhalb der empfohlenen Werteberei-

che. Damit kann das Modell als gut geeignet betrachtet werden (siehe Tabelle

13). Dass Chi-Quadrat signifikant ist, widerspricht diesen Ergebnissen, kann je-

doch angesichts der anderen Indexe vernachlässigt werden (s.o.).

6.8.2 Prüfung der Plausibilität und Beurteilung der Parameter

Da das Modell gut geeignet ist, können in einem nächsten Schritt die Plausibi-

lität und die Parameter beurteilt werden.

Bei der Plausibilitätsprüfung wird überprüft, ob die Werte der Faktorladungen

die vermuteten Zusammenhänge bestätigen. Dies trifft zu, da alle standardisier-

ten Faktorladungen über dem Wert von 0,50 liegen (siehe Anhang 4, Tabelle

38). (Da für den Indikator des Sozialen Einflusses und des Nutzerverhaltens die

Varianz auf 0 festgelegt wurde, beträgt ihre Faktorladung 1,00; siehe 6,7).

Zur weiteren Plausibilitätsprüfung wurden mehrere statistische Kriterien heran-

gezogen:

der standardisierte Pfadkoeffizient zwischen den Konstrukten, der >0,2 be-

tragen sollte (Chin, 1998a, S. 8),

der p-Wert mit <0,001 (in AMOS mit drei Sternen angegeben),

der Standardfehler sowie

66

die Critical Ratio (C.R.), deren Wert größer als 1,96 sein sollte, damit von

einem gewissen Gewicht des entsprechenden Parameters für das Modell

ausgegangen werden kann.

Tabelle 14. Parameter des Modells

Pfadkoeffizient

(standard.) (>0,20)

S.E. C.R.

(>1,96)

P

(<0,001)

ET LE 0,429 0,080 4,386 ***

ET AE -0,088 0,058 -0,925 0,355

ET SE -0,130 0,050 -1,727 0,084

ET EU -0,043 0,066 -0,391 0,695

NV ET 0,438 0,271 5,321 ***

NV EU 0,044 0,143 0,603 0,546

Es zeigt sich, dass nur für zwei Pfade bestätigt werden kann, dass ihr Beitrag

für das Modell gewichtig ist: für ET LE und für NV ET. Der Pfadkoeffizient

zwischen ihnen mit 0,429 bzw. 0,438 kann als hoch bezeichnet werden (Jahn,

2007, S. 10) (siehe Tabelle 14).

Dies bedeutet:

Je mehr didaktische Konzepte zur Förderung von Fertigkeiten/Anwenden

und Selbstständigkeit genannt werden, umso stärker werden ein motivie-

render Einfluss und eine Verbesserung der Lernergebnisse durch digitale

Lehr- und Lernangebote wahrgenommen.

Je stärker ein motivierender Einfluss und eine Verbesserung der Lernergeb-

nisse durch digitale Lehr- und Lernangebote wahrgenommen werden, umso

mehr digitale Medien werden zur didaktischen Unterstützung eingesetzt.

Anhand der quadrierten multiplen Korrelationen wurde überprüft, wie hoch der

Anteil der Varianz einer latenten endogenen Variablen ist, der durch die ande-

ren endogenen Variablen erklärt wird (Bestimmtheitsmaß R2) (Weiber & Mühl-

haus, 2014, S. 195). Das Modell erklärt 19% der Varianz der Einstellung zur

Technologienutzung sowie 19% der Varianz des Nutzerverhaltens. Dies ent-

spricht gemäß Chin (1998b, S. 323) schwachen Werten. Allerdings kann diese

Angabe von Chin nur bedingt verallgemeinert werden, da der Wert für ein „gu-

tes“ R2 von der jeweiligen Anwendung abhängt. So werden beispielsweise in

der Forschung zum Kaufverhalten oft auch geringere Werte für R2 als „gut“ er-

achtet (Weiber & Mühlhaus, 2014, S. 328).

67

Die geschätzten Korrelationen zwischen den latenten exogenen Konstrukten

AE und EU sowie LE und SE betragen 0,485 bzw. 0,256. Bei der Schätzung

der Kovarianzen zwischen den latenten exogenen Konstrukten beträgt die

Kovarianz zwischen LE und SE 0,296 und zwischen AE und EU 0,831. Zwi-

schen diesen Konstrukten existieren also Zusammenhänge, wobei die Werte

zwischen LE und SE eher schwach sind (Weiber & Mühlhaus, 2014, S. 15)

(siehe Anhang 4, Tabelle 39).

Abbildung 6. Pfaddiagramm mit standardisierten Pfadkoeffizienten

6.8.3 Prüfung möglicher Moderatoren

Bei der Überprüfung von Geschlecht, Alter und Lehrerfahrung als Moderatoren

wurde lediglich der Einfluss der LE auf die ET überprüft, da dies der einzige

signifikante Einfluss innerhalb des Modells ist, zu dem Hypothesen zu den Mo-

deratoren formuliert wurden. Da es sich bei diesem Modell um ein Mehrglei-

chungssystem handelt, kann der Einfluss einer Moderatorvariablen nicht direkt

in das Modell integriert werden, da sich der Einfluss nicht nur auf eine einzige

Kausalbeziehung auswirkt, sondern auf das gesamte System (Weiber & Mühl-

haus, 2014, S. 294). Deshalb wurden zur Überprüfung der Hypothese H7 im

gesamten Modell Mehrgruppenvergleiche durchgeführt.

68

Der Vergleich von Mehrgruppenmodellen ist vor allem dann geeignet, wenn es

sich bei den zu überprüfenden Moderatoren um kategoriale Variablen handelt.

Das ist bei allen drei Variablen der Fall. Zur Überprüfung des Geschlechts

wurde der Datensatz in die beiden Gruppen „Frau“ (N = 88) und „Mann“ (N =

154) aufgeteilt, zur Überprüfung des Alters in die Gruppen der „<50-Jährigen“

(N = 127) und der „>50-Jährigen“ (N = 125) sowie zur Überprüfung der Lehrer-

fahrung in die Gruppen der Personen mit „<5 Jahre“ (N = 100) und mit „>5

Jahre“ (N = 142) Lehrerfahrung. Die Kategorisierung auf jeweils zwei Katego-

rien lag beim Geschlecht auf der Hand. Beim Alter war ungefähr die Hälfte der

Stichprobe jünger bzw. 50 Jahre oder älter. Bei der Lehrerfahrung wurden fünf

Jahre Tätigkeit in der Hochschullehre als Kriterium festgelegt, da die nächst-

obere Stufe mit zehn Jahren Lehrerfahrung zu weit und die nächstuntere Stufe

mit einem Jahr Lehrerfahrung zu eng gefasst gewesen wäre.

Beim Ansatz der Mehrgruppenmodelle werden die Moderatoren durch geeig-

nete Restriktionen der Parameter untersucht. Es wird unterstellt, dass sich die

Parameter der Modelle der Gruppen bei Vorliegen eines Moderators unterschei-

den. Bedingungen für diese Vorgehensweise sind, dass der Moderator perfekt

beobachtbar sein muss und dass die Stichprobe groß genug ist (mindestens die

fünffache Anzahl an Personen pro zu schätzenden Parameter pro Gruppe bzw.

mindestens 100 Personen pro Gruppe) (Baltes-Götz, 2015, S. 27). Mindestens

zwei dieser drei Bedingungen sind bei den drei Moderatorvariablen gegeben.

Zur Überprüfung der Moderatorvariablen wurden für die beiden Gruppen jeder

Variablen jeweils zwei Modelle berechnet:

1. ein eingeschränktes Modell, bei dem der Pfad des Interaktionsterms (von

LE auf ET) auf den Wert 1 fixiert (eingeschränkt) wird;

2. ein uneingeschränktes Modell, bei dem der Interaktionsterm zwischen LE

und ET individuell geschätzt wird. Dieses Modell hat einen Freiheitsgrad

weniger als das eingeschränkte Modell und die Prüfgröße von Chi-Quadrat

nimmt ab. Dieses Modell muss als gültig akzeptiert werden können.

Danach wurde die Differenz der beiden Chi-Quadrat-Werte berechnet. Liegt

kein moderierender Effekt vor, ist die Differenz zwischen den beiden Chi-Quad-

rat-Werten <3,84. Liegt ein moderierender Effekt vor, weist das eingeschränkte

Modell einen signifikant schlechteren Fit auf als das uneingeschränkte Modell,

da die entsprechenden Parameter tatsächlich nicht gleich sind. In diesem Fall

ist die Differenz zwischen den beiden Chi-Quadrat-Werten >3,84 (Weiber &

Mühlhaus, 2014, S. 167).

69

Für die Gruppen der Variablen Geschlecht, Alter und Lehrerfahrung zeigt das

uneingeschränkte Modell einen deutlich besseren Fit als das eingeschränkte

Modell und kann mit (noch) akzeptablen Werten als gültig akzeptiert werden

(siehe 6.7.1). Außerdem liegt die Differenz zwischen den Chi-Quadraten deut-

lich über dem Wert von 3,84 (siehe Anhang 5, Tabellen 44, 45 und 46).

Der Einfluss von LE auf ET wird also durch das Geschlecht beeinflusst. Bei

genauerer Betrachtung beeinflusst der Effekt der Leistungserwartung die Ein-

stellung zur Technologienutzung nur bei den Männern, dies jedoch hochsignifi-

kant. Bei den Frauen ist keine Signifikanz festzustellen (siehe Tabelle 15). Es

handelt sich damit um eine vollständige Moderation („full moderation“).

Das Alter wirkt sich auf den Einfluss von LE auf ET bei beiden Altersgruppen

aus. Der Einfluss ist bei den 50-Jährigen und älteren jedoch deutlich stärker

(siehe Tabelle 15). Es handelt sich um eine partielle Moderation („partial mode-

ration“).

Der Einfluss der Lehrerfahrung wirkt sich nur auf die Verbindung von LE auf ET

bei den Lehrenden mit mehr als fünf Jahren Tätigkeit in der Hochschullehre aus,

dies aber hochsignifikant. Bei den Lehrenden mit bis zu fünf Jahren Lehrerfah-

rung ist keine Signifikanz gegeben (siehe Tabelle15). Es handelt sich damit

auch hier um eine vollständige Moderation („full moderation“).

Tabelle 15. Stärke des Einflusses der moderierenden Variablen

Moderierender Einfluss Gruppen Pfadkoeffizient p-Wert

Geschlecht auf ET LE Frau

Mann

0,266

0,488

p = 0,145

p = 0,000

Alter auf ET LE <50-Jährige

>50-Jährige

0,354

0,548

p = 0,005

p = 0,000

Lehrerfahrung auf ET LE <5 Jahre

>5 Jahre

0,304

0,514

p = 0,063

p = 0,000

Der Einfluss der Leistungserwartung auf die Einstellung zur Technologienut-

zung wird wie in Hypothese 7 angenommen durch das Geschlecht, das Alter

und die Lehrerfahrung moderiert. Allerdings ist dieser Einfluss hochsignifikant

bei den älteren Männern und bei Personen mit viel Lehrerfahrung und nicht wie

postuliert bei den jüngeren Männern und Personen mit wenig Lehrerfahrung.

70

6.8.4 Prüfung der Hypothesen und Analyse der kausalen Effekte

Bei der Prüfung der Hypothesen wird im Kausalmodell nur das Strukturglei-

chungsmodell mit seinen angenommenen wirkungsvollen Beziehungen zwi-

schen den hypothetischen Konstrukten berücksichtigt (Weiber & Mühlhaus,

2014, S. 233). Die Überprüfung der Hypothesen zeigt, dass im Modell nur die

beiden Hypothesen H1 und H5 vollständig und die Hypothese H7 teilweise be-

stätigt werden können (siehe Tabelle 16).

Tabelle 16. Überprüfung der Hypothesen

Pfad-

koeff.

p-

Wert

Akzep-

tiert

H1: Je höher die Leistungserwartung der Leh-

renden, desto positiver die Einstellung der

Lehrenden zur Technologienutzung.

0,429 *** JA

H2: Je höher die Aufwandserwartung der Lehren-

den, desto negativer ihre Einstellung zur Techno-

logienutzung.

-0,088 0,355 NEIN

H3: Je stärker der Soziale Einfluss auf den Einsatz

digitaler Medien in der Lehre, desto positiver die

Einstellung der Lehrenden zur Technologienut-

zung.

-0,130 0,084 NEIN

H4: Je stärker das Fehlen von Erleichternden Um-

ständen in Form von organisationalen und techni-

schen Rahmenbedingungen wahrgenommen wird,

desto negativer die Einstellung der Lehrenden zur

Technologienutzung.

-0,043 0,695 NEIN

H5: Je positiver die Einstellung der Lehrenden

zur Technologienutzung, desto mehr digitale

Medien werden in der Lehre zur didaktischen

Arbeit genutzt.

0,438 *** JA

H6: Je stärker ein Fehlen von Erleichternden Um-

ständen in Form von organisationalen und techni-

schen Rahmenbedingungen wahrgenommen wird,

desto weniger digitale Medien werden in der Lehre

zur didaktischen Arbeit genutzt.

0,044 0,546 NEIN

H7: Der Einfluss der Leistungserwartung auf

die Einstellung zur Technologienutzung wird

durch das Geschlecht und Alter moderiert, und

zwar dahingehend, dass der Einfluss der Leis-

tungserwartung stärker ist bei Männern, vor al-

lem bei jüngeren Männern und Personen mit wenig

Lehrerfahrung.

JA

und

NEIN

71

Fortsetzung Tabelle 16

H8: Der Einfluss der Aufwandserwartung auf die

Einstellung zur Technologienutzung wird durch

das Geschlecht, das Alter und die Lehrerfahrung

moderiert, und zwar dahingehend, dass der Ein-

fluss der Aufwandserwartung stärker ist bei

Frauen, vor allem bei jüngeren Frauen und bei

Frauen mit wenig Lehrerfahrung.

NEIN

H9: Der Einfluss des Sozialen Einflusses auf die

Einstellung zur Technologienutzung wird durch

das Geschlecht, das Alter und die Lehrerfahrung

moderiert, und zwar dahingehend, dass der Ein-

fluss des sozialen Einflusses stärker ist bei Frauen,

vor allem bei älteren Frauen und bei wenig Lehrer-

fahrung.

NEIN

H10: Der Einfluss der Erleichternden Umstände

auf das Nutzerverhalten wird moderiert durch das

Alter und die Lehrerfahrung, und zwar dahinge-

hend, dass der Einfluss der erleichternden Um-

stände stärker ist bei älteren Lehrenden, vor allem

bei zunehmender Lehrerfahrung.

NEIN

Die totalen Kausaleffekte setzen sich zusammen aus direkten und indirekten

Effekten (Weiber & Mühlhaus, 2014, S. 236f.). Die standardisierten totalen Kau-

saleffekte in diesem Modell zeigen, dass ET positiv beeinflusst wird durch LE

und zwar in Höhe von 0,429. NV wiederum wird positiv direkt beeinflusst durch

ET mit einem Wert von 0,438 sowie indirekt durch LE mit einem Wert von 0,188.

Der totale Kausaleffekt auf NV beträgt damit 0,626. Die Effekte der anderen

latenten Variablen sind deutlich geringer als 0,2.

7 Diskussion der Ergebnisse mit Empfehlungen

7.1 Darstellung und Diskussion der Ergebnisse

Zur Überprüfung der UTAUT auf ihre Geeignetheit, die Akzeptanz von Lehren-

den hinsichtlich des Einsatzes digitaler Medien in der Lehre an Hochschulen für

Angewandte Wissenschaften abzubilden, wurde eine SGM durchgeführt. Dafür

wurde ein Akzeptanzmodell verwendet, das eine Kombination aus der UTAUT

72

von 2003 und der revidierten UTAUT von 2017 bei Nicht-Berücksichtigung der

Nutzungsabsicht darstellt.

Die SGM führte zu folgenden Ergebnissen (siehe Abbildung 6):

Abbildung 7: Ergebnis der SGM

signifikanter Einfluss

kein Einfluss

In diesem Akzeptanzmodell wirkt die Leistungserwartung direkt kausal auf die

Einstellung zur Technologienutzung sowie indirekt kausal auf das Nutzerverhal-

ten. Damit erweist sich die Leistungserwartung als elementarer Einflussfaktor.

Je mehr digitale Lernkonzepte von den Lehrenden genannt werden, mit denen

die Ziele „Selbstständigkeit fördern“ und „Fertigkeiten vermitteln / Anwendung

des Wissens“ erreicht werden können, desto stärker nehmen sie digitale Lehr-

und Lernangebote als motivierend und die Lernergebnisse verbessernd wahr.

Dieses Ergebnis bestätigt Ergebnisse anderer Studien mit der UTAUT, in denen

die Leistungserwartung als indirekter Einflussfaktor auf das Nutzerverhalten

(siehe Dwivedi et al., 2011, S. 162) sowie als direkter Einflussfaktor auf die Ein-

stellung zur Technologienutzung wirkte (Jairak et al., 2009, S. 36.6; Thomas et

al., 2013, S. 83). Allerdings erklärt die Leistungserwartung in diesem Modell

lediglich 8,732 % der Gesamtvarianz.

Die Einstellung zur Technologienutzung, die von einigen AutorInnen im Bil-

dungsbereich als Schlüsselkonzept wahrgenommen wird (siehe 3.4.2), beein-

flusst in diesem Modell das Nutzerverhalten signifikant (siehe Dwivedi et al.,

Sozialer

Einfluss

Nutzer-

verhalten

Geschlecht Alter Lehrerfahrung

Einstellung

zur Techno-

logienutzung

Leistungs-

erwartung

Aufwands-

erwartung

Erleich-

ternde

Umstände

73

2017, S. 10). Je positiver die Einstellung zur Technologienutzung, desto mehr

digitale Medien werden in der Lehre zur didaktischen Unterstützung genutzt.

Lehrende nutzen also digitale Medien, wenn sie eine positive Einstellung dazu

haben. Es ist nicht erforderlich, dass sie zuerst eine bewusste Absicht für die

Nutzung entwickeln.

Das Akzeptanzmodell erklärt 19% der Varianz der Einstellung zur Technologie-

nutzung und 19% der Varianz des Nutzerverhaltens. Dies entspricht schwachen

Werten (Chin, 1998b, S. 323). Ein schwacher Wert bestätigt die Ansicht meh-

rerer AutorInnen, die den Beitrag der Einstellung zur Technologienutzung (im

Bildungskontext) trotz vorhandener signifikanter Korrelationen zu anderen Kon-

strukten (wie hier zur Leistungserwartung und zum Nutzerverhalten) als zu ge-

ring und damit als vernachlässigbar interpretieren (siehe 3.4.2).

Auf den ersten Blick weisen diese Ergebnisse also darauf hin, dass diese Ver-

sion der UTAUT wenig geeignet ist, die Technologieakzeptanz von Lehrenden

an Hochschulen für Angewandte Wissenschaften zu erfassen. Der Wert für ein

„gutes“ R2 hängt jedoch davon ab, wie das Modell angewendet wird (Weiber &

Mühlhaus, 2014, S. 328) (siehe 6.7.2).

Ein genauerer Blick auf die Stichprobe ermöglicht ein differenziertes Bild, wie

die folgenden fünf Punkte zeigen:

I Einfluss der Moderatoren

Der kausale Einfluss der Leistungserwartung wird durch das Geschlecht, das

Alter und die Lehrerfahrung moderiert. Für männliche Lehrende und für Leh-

rende mit mehr als fünf Jahren Lehrerfahrung wirkt sich die Leistungserwartung

hochsignifikant auf die Einstellung zur Technologienutzung aus. Das Alter be-

einflusst über die Leistungserwartung ebenfalls die Einstellung, wobei dieser

Einfluss bei den 50-Jährigen und älteren stärker ist. Dieser Einfluss zeigt sich

indirekt auch im Nutzerverhalten (siehe Tabelle 18).

Bei weiblichen Lehrenden und bei Lehrenden mit bis zu fünf Jahren Lehrerfah-

rung wirkt sich Leistungserwartung nicht kausal auf ihre Einstellung zur Tech-

nologienutzung aus.

II Nach Geschlecht, Alter und Lehrerfahrung unterschiedene Teilstichpro-

ben

Da sich das Geschlecht, das Alter und die Lehrerfahrung in diesem Modell als

Moderatoren auswirken, wurden für die entsprechenden Teilstichproben (Frau

74

/ Mann, <50 Jahre / >50 Jahre, <5 Jahre Lehrerfahrung / >5 Jahre Lehrerfah-

rung) die Pfadkoeffizienten der Leistungserwartung auf die Einstellung zur

Technologienutzung bzw. der Einstellung auf das Nutzerverhalten mit den ent-

sprechenden R2 verglichen sowie die Werte zu den im Modell zusammenhän-

genden exogenen Konstrukten betrachtet (Tabelle 17).

Tabelle 17. Vergleich der Teilstichproben mit der Gesamtstichprobe

ET LE

(Pfad-

koeff.)

NV ET

(Pfad-

koeff.)

Indir.

Effekt

LE auf

NV

R2

ET

R2

NV

AE <-->

EU

(Kov.)

LE <-->

SE

(Kov.)

Ge-

samt-

stich-

probe

0,429

p = ***

0,438

p = ***

0,188

19%

19%

0,831

p = ***

0,296

p = ***

Frau 0,266

p=0,145

0,380

p = 0,004

0,101

10%

16%

0,477

p=0,022

0,434

p=0,005

Mann 0,488

p = ***

0,451

p = ***

0,220

25%

21%

0,831

p = ***

0,144

p=0,125

<50

Jahre

0,354

p=0,008

0,252

p=0,041

0,089

12%

8%

0,715

p = ***

0,410

p=0,002

>50

Jahre

0,548

p = ***

0,595

p = ***

0,326

31%

37%

0,625

p = 0,008

0,163

p=0,138

<5

Jahre

Lehre

0,304

p=0,063

0,389

p=0,002

0,118

10%

15%

0,800

p = ***

0,320

p=0,019

>5

Jahre

Lehre

0,514

p = ***

0,500

p = ***

0,257

31%

23%

0,703

p=0,002

0,270

p=0,015

Der Vergleich der Teilstichproben macht deutlich, dass sich nicht nur die Leis-

tungserwartung auf die Einstellung zur Technologienutzung und die Einstellung

auf das Nutzerverhalten unterschiedlich intensiv auswirken (siehe auch Anhang

4, Tabelle 43), sondern auch der jeweilige Anteil der erklärten Varianz unter-

schiedlich groß ist. Die Werte für R2 der Einstellung variieren zwischen 10% und

31%, die Werte für R2 des Nutzerverhaltens zwischen 8% und 37%.

Je nach Alter, Geschlecht oder Lehrerfahrung erklärt dieses Modell also mehr

oder weniger gut die Einstellung zur Technologienutzung und das Nutzerver-

halten. Interessanterweise zeigen sich in der Korrelationsmatrix bei Geschlecht,

Alter und Lehrerfahrung keine signifikanten Unterschiede in den Indikatoren der

75

Einstellung zur Technologienutzung oder im Indikator zum Nutzerverhalten

(siehe Anhang 6, Tabelle 47). Die Lehrenden unterscheiden sich also nicht in

ihrer Einstellung zur Technologienutzung oder in der Anzahl der genutzten di-

gitalen Medien. Sie unterscheiden sich jedoch in dem Ausmaß, in dem ihre Ein-

stellung zur Technologienutzung von der Leistungserwartung oder ihr Nutzer-

verhalten von der Einstellung und der Leistungserwartung beeinflusst wird.

III Zusammenhang zwischen Aufwandserwartung und Erleichternden Um-

ständen

Für die Gesamtstichprobe und alle Teilstichproben sind gegenseitige Effekte

zwischen der Aufwandserwartung und den Erleichternden Umständen vorhan-

den. Diese Effekte sind stark. Sie weisen darauf hin, dass die Wahrnehmung

von fehlender oder vorhandener didaktischer Beratung und professioneller Be-

treuung eng verknüpft ist mit der Wahrnehmung des Aufwands für Gerätewar-

tung und Kosten. Beide Konstrukte beziehen sich auf Ressourcen.

IV Zusammenhang zwischen Leistungserwartung und Sozialem Einfluss

Auch die beiden anderen Konstrukte, die Leistungserwartung und der Soziale

Einfluss, beeinflussen sich gegenseitig. Personen an der Hochschule, die digi-

tale Medien in der Lehre nutzen, nehmen offensichtlich teil an den Erfahrungen

ihrer KollegInnen, Vorgesetzten und anderen Personen in der Hochschule. Sie

erfahren, welche digitalen Lernkonzepte, welche digitalen Medien sich bewäh-

ren oder nicht, und nutzen diese Impulse, um sich ein Bild von der Leistungsfä-

higkeit oder Nützlichkeit digitaler Lernkonzepte zu machen. Dieser Effekt ist für

die Gesamtstichprobe hochsignifikant, doch betrachtet man die Stichprobe ge-

nauer, stellt man fest, dass dieser Zusammenhang bei den männlichen Lehren-

den sowie den 50-Jährigen und älteren dieser Zusammenhang nicht vorhanden

ist.

V Kein Einfluss von Aufwandserwartung, Sozialem Einfluss und Erleich-

ternden Umständen auf Einstellung zur Technologienutzung und Nutzer-

verhalten

Trotz der vorhandenen Zusammenhänge zwischen den exogenen Konstrukten

haben diese Konstrukte in diesem Akzeptanzmodell keine direkte kausale Wir-

kung auf die Einstellung zur Technologienutzung und damit auch keine (indi-

rekte) kausale Wirkung auf das Nutzerverhalten. Dies trifft für die gesamte

Stichprobe und für jede Teilstichprobe zu.

76

Bei genauer Betrachtung dieser fünf Punkte kristallisieren sich zwei Gruppen

von Lehrenden heraus:

1. Die Gruppe der männlichen Lehrenden im Alter von 50 Jahren und äl-

ter mit mehr als fünf Jahren Lehrerfahrung

Für diese Gruppe werden im Akzeptanzmodell zwischen 21% und 37% der

Varianz der Einstellung zur Technologienutzung und der Varianz des Nut-

zerverhaltens erklärt.

2. Die Gruppe der weiblichen Lehrenden im Alter von weniger als 50 Jah-

ren mit bis zu fünf Jahren Lehrerfahrung

Für diese Gruppe werden im Akzeptanzmodell lediglich zwischen 8% und

16% der Varianz der Einstellung zur Technologienutzung und der Varianz

des Nutzerverhaltens erklärt.

Diese beiden Gruppen unterscheiden sich darin, ob ihre Einstellung zur Tech-

nologienutzung durch die Leistungserwartung beeinflusst wird und ob die Leis-

tungserwartung und der Soziale Einfluss sich gegenseitig kausal bedingen. An-

hand von Korrelationen (Spearman) mit Geschlecht, Alter und Lehrerfahrung

lassen sich keine weiteren signifikanten Unterschiede feststellen (siehe Anhang

6, Tabelle 47).

Fasst man die vorliegenden Ergebnisse zusammen, ist folgende „idealtypische“

Beschreibung der beiden Gruppen möglich:

Bei den älteren Lehrenden (vorwiegend Männer, mehr als fünf Jahre Lehrer-

fahrung) spielt die Leistungserwartung eine wichtige Rolle für die Einstellung

zur Technologienutzung. Aufgrund ihrer umfassenden Lehr- und Berufserfah-

rung ist es ihnen wichtig, ihre bewährte oder gewohnte Lehre nur dann zu ver-

ändern, wenn diese Veränderung (z.B. der Einsatz digitaler Medien) erfolgsver-

sprechend ist und beispielsweise die Qualität der Lehre besser wird. Der soziale

Einfluss von Studierenden, KollegInnen und anderen Personen an der Hoch-

schule spielt für sie möglicherweise deshalb keine Rolle, weil sie sich in ihrer

Lehre sicher und souverän fühlen. Diese Gruppe weist Ähnlichkeiten mit der

Gruppe der Entdeckenden aus Fischer Typologie auf (siehe 2.4.2): Die Entdek-

kenden sind seit mehr als zehn Jahren an der Hochschule tätig, weisen zahlrei-

che Erfahrungen im Umgang mit Technologien in der Lehre auf und bewerten

diese sehr positiv; ihre Grundhaltung (Einstellung) gegenüber technologischen

Innovationen ist positiv; sie sind oft ProfessorInnen und weisen einen hohen

Anteil an IngenieurswissenschaftlerInnen auf. In der vorliegenden Gesamtstich-

probe lehren tatsächlich deutlich häufiger Männer und Personen mit mehr als

77

fünf Jahren Lehrerfahrung in der Fächergruppe „Ingenieurwissenschaften“

(siehe 2.4.2). Auch die Gruppe der Lehrorientierten in Fischer Typologie zeigt

Gemeinsamkeiten: Die Lehrorientierten nutzen die Technologien pragmatisch

für eine Lehre mit hoher Qualität und Effizienz (siehe 2.4.2). Das Pragmatische

findet sich in der vorliegenden Stichprobe im kausalen Einfluss der Leistungs-

erwartung auf die Einstellung zur Technologienutzung: Erst wenn eine be-

stimmte Leistung der Technologie, die zur Qualität und Effizienz der Lehre bei-

trägt, erwartet werden kann, wird man eine positive Einstellung dazu entwickeln

und die Technologie nutzen.

Bei den jüngeren Lehrenden (vorwiegend Frauen, bis zu fünf Jahre Lehrer-

fahrung) spielt die Leistungserwartung so gut wie keine Rolle für ihre Einstellung

zur Technologienutzung. Diese Gruppe kann in Verbindung gebracht werden

mit den Forschungsorientierten in Fischers Typologie (siehe 2.4.2): Diese jün-

geren Lehrenden haben weniger Erfahrung mit der Nutzung von digitalen Me-

dien in der Lehre, da sie noch nicht lange in der Lehre sind. Anders als die

Forschungsorientierten bei Fischer unterscheiden sich in dieser Gesamtstich-

probe die Frauen und die Personen mit bis zu fünf Jahren Lehrerfahrung in ih-

rem Nutzverhalten nicht von den anderen Lehrenden. Sie stehen am Anfang

ihrer Karriere, sodass ihr Fokus tatsächlich auf der Forschung liegen könnte.

Allerdings liegt an den Hochschulen für Angewandte Wissenschaften der

Schwerpunkt auf der Lehre und weniger auf der Forschung (siehe 5.3). Mög-

licherweise wird ihre Einstellung zur Technologienutzung (auch) beeinflusst

durch eine Orientierung an Karrierezielen wie bei den Forschungsorientierten

(z.B. Entfristung der Stelle, Bewährung als Lehrende oder ProfessorIn). Es ist

auch denkbar, dass für sie die Leistungserwartung nicht wichtig ist, weil sie

noch dabei sind, ihren eigenen Lehr-Stil zu entwickeln. Sie sind mit (mehr)

Technologien aufgewachsen als die älteren Lehrenden und sie probieren neue

Technologien einfach aus. Dafür spricht der Zusammenhang zwischen der Leis-

tungserwartung und dem Sozialen Einfluss. Diese Lehrenden befinden sich im

Austausch mit Studierenden, KollegInnen und Vorgesetzten und lassen sich so

für ihre eigene Lehre inspirieren.

Neben diesen Unterschieden findet sich für die beiden Gruppen auch eine Ge-

meinsamkeit: Es ist unklar, welche weiteren Faktoren ihre Einstellung zur Tech-

nologienutzung und zum Nutzerverhalten kausal beeinflussen (siehe 3.4).

78

Es ist zu erwarten, dass bei der Technologienutzung in der Hochschullehre be-

stimmte Faktoren eine Rolle spielen, die explizit dem Kontext Hochschule zu-

geordnet werden können. So sind Lehrende an der Hochschule es vermutlich

gewohnt, eigene Wege zu gehen und eigene Lösungen zu suchen, da sie bei

der Erfüllung ihrer Aufgaben möglicherweise mehr Freiheiten als andere Be-

rufstätige haben. Ist beispielsweise keine Beratung für den Einsatz von digitalen

Medien in der Lehre an der Hochschule vorhanden, dann informieren sie sich

anderweitig, falls sie tatsächlich digitale Medien in der Lehre einsetzen möch-

ten. Falls sie aufgrund ihrer Skepsis keine digitale Medien einsetzen möchten

oder noch keine Meinung (Einstellung) zur Nutzung digitaler Medien in der

Lehre entwickelt haben sowie keine Notwendigkeit dafür sehen, werden sie das

tun, was sie schon immer in der Lehre getan haben. Sie gehen (vorerst) keine

Innovationen an (siehe Borgwardt, 2014, S. 32) (siehe 2.1.2). Dies könnte er-

klären, weshalb sich die Erleichternden Umstände und die Aufwandserwartung

nicht auf die Einstellung zur Technologienutzung auswirken. Möglicherweise

werden die Erleichternden Umstände und die Aufwandserwartung erst bei der

Nutzungsabsicht relevant, die zeitlich gesehen nach der Einstellung zur Tech-

nologienutzung steht (siehe TRA, TPB und C-TAM-TPB, 3.3).

Für die Einstellung zur Technologienutzung als personenbezogener Faktor

könnten weitere personenbezogene Faktoren eine Rolle spielen, wie beispiels-

weise Selbstwirksamkeit, Offenheit für neue Erfahrungen, Motive, bereits vor-

handene Erfahrungen mit bzw. Vorkenntnisse zu digitalen Medien sowie Ver-

trauen (siehe 2.4.3). Aber auch auf den Kontext bezogene Faktoren, wie bei-

spielsweise das Fach, in dem man lehrt, oder Zugangsmöglichkeiten, könnten

wichtig sein.

Was den Sozialen Einfluss betrifft, sollte er genauer untersucht werden, da

mehrere Werte des Sozialen Einflusses in der vorliegenden Stichprobe auf Ten-

denzen weisen (siehe Tabellen 17 und 39). Interessanterweise geht der Zusam-

menhang zwischen dem Sozialen Einfluss und der Einstellung zur Technolo-

gienutzung in die andere Richtung als in Hypothese 7 formuliert: Je mehr Per-

sonengruppen an der Hochschule einen Impuls für den Einsatz von digitalen

Medien in der Lehre geben, desto negativer ist die Einstellung der Lehrenden

zur Technologienutzung. Möglicherweise wird der soziale Einfluss in diesem

Falle als sozialer Druck empfunden.

79

Fazit: Das in der Sekundäranalyse verwendete Modell der UTAUT ist in dieser

Form nur bedingt geeignet abzubilden, durch welche Einflussfaktoren die Ein-

stellung zur Technologienutzung in der Hochschullehre und das Nutzerverhal-

ten erklärt werden können.

Diese Version der UTAUT muss um weitere Konstrukte und Moderatoren er-

gänzt werden, die es noch zu identifizieren gilt. Die Ergebnisse der SGM stim-

men somit mit den Ergebnissen aus zahlreichen Studien zur UTAUT überein

(3.4).

Die Ergebnisse können allerdings durch Schwächen der SGM beeinflusst wer-

den, wie beispielsweise:

- die Eigenheiten der Stichprobe (siehe 6.6.2),

- die suboptimale Abbildung der Konstrukte durch die zur Verfügung stehen-

den Items im Fragebogen des Monitors Digitale Bildung, da diese nicht ex-

plizit zu diesem Zweck formuliert wurden (siehe 6.4),

- die subjektive Messung des Nutzerverhaltens (Tabelle 33) sowie

- die Stichprobengröße und die Größe der Teilstichproben (siehe 6.8.3).

7.2. Maßnahmen zur Akzeptanzförderung von digitalen Medien in der Lehre

Diese SGM hat gezeigt, dass das überprüfte Modell der UTAUT die Akzeptanz

mancher Lehrender besser erfassen kann als die Akzeptanz anderer Lehren-

der. Lehrende können jedoch unabhängig davon dabei unterstützt werden, di-

gitale Medien und ihre Einsatzmöglichkeiten in der Lehre kennenzulernen und

zu erproben. Diese Unterstützung sollte jedoch gemäß der Ergebnisse der vor-

liegenden SGM und der Erkenntnisse von Fischer (2013), Ketter et al., 2018a,

2018b, 2019b) sowie Hagner und Schneebeck (2001) (siehe 2.5.2) individuell

gestaltet werden.

Ältere Lehrende, männliche Lehrende und Lehrende mit viel Lehrerfahrung soll-

ten sich durch Best-Practice-Beispiele und durch Erfolgsgeschichten ein Bild

davon machen können, wie bestimmte digitale Medien mit welchem Erfolg ein-

gesetzt werden. Erkennen sie Vorteile für ihre Lehre, werden sie eine positive

Einstellung zu diesen digitalen Medien entwickeln und sie einsetzen. Da

Schütz-Pitan et al. (2018, S. 174) zeigten, dass Lehrende an Hochschulen ver-

schiedene digitale Medien in unterschiedlichem Maße akzeptieren und nutzen,

sollten sich die Erfolgsgeschichten und Best-Practice-Beispiele gezielt auf be-

stimmte digitale Medien beziehen, die an der Hochschule vorhanden sind und

80

tatsächlich eingesetzt werden können. Da es sich bei dieser Gruppe um erfah-

rene Lehrende handelt, könnte mehr Freiraum für das Erproben neuer didakti-

scher Ansätze und Methoden gepaart mit Unterstützung (z.B. durch Bereitstel-

lung von Personal oder Drittmittel) zu einem stärkeren Einsatz digitaler Medien

in der Lehre führen. Solche Freiräume ermöglichen beispielsweise Lernlabore,

wie sie seit dem Wintersemester 2018/19 an der Martin-Luther-Universität

Halle-Wittenberg erfolgreich angeboten werden. Lernlabore sind innovative

Lehrveranstaltungen, in denen die Lehrenden von MitarbeiterInnen des Zent-

rums für multimediales Lehren und Lernen (LLZ) der Universität unterstützt wer-

den. Evaluationen vor, während und nach dem Lernlabor ermöglichen es den

Lehrenden und Studierenden, noch während der Laufzeit der Lehrveranstaltung

darüber zu reflektieren, sich auszutauschen und die Lehrveranstaltung entspre-

chend der Rückmeldungen anzupassen (e-teaching.org, 2019).

Diese Maßnahmen können auch zur Förderung einer positiven Einstellung zur

Technologienutzung und des Nutzerverhaltens bei den jüngeren (weiblichen)

Lehrenden eingesetzt werden. Für diese spielt die Leistungserwartung zwar

keine entscheidende Rolle, doch sind sie dabei, ihren Lehrstil zu entwickeln.

Sie werden Interesse haben, die vielfältigen Möglichkeiten, die der Einsatz di-

gitaler Medien in der Lehre bietet, kennenzulernen, und tauschen sich möglich-

erweise mit KollegInnen aus. Zudem könnte für diese Personen eine Verbesse-

rung ihrer beruflichen Situation durch die Fakultäts- und die Hochschulleitung

(z.B. Anerkennung von Lehrleistungen mit digitalen Medien beim Gehalt oder

in Berufungsverhandlungen) zu einem intensiveren Einsatz digitaler Medien in

der Lehre beitragen. Auch eine ausdrückliche Wertschätzung und öffentliche

Anerkennung des Einsatzes digitaler Medien in der Lehre durch beispielsweise

einen Lehrpreis wäre eine Möglichkeit.

Eine weitere Maßnahme ist die Förderung der Teilnahme an hochschuldidakti-

schen Workshops zur Erweiterung der E-Lehrkompetenz. Es ist bekannt, dass

Lehrende an Hochschulen eine eher geringe Bereitschaft zur Teilnahme an

hochschuldidaktischen Weiterbildungen zeigen (siehe 2.1.3). Ihre Teilnahme-

bereitschaft könnte erhöht werden durch die Verdeutlichung und Bewerbung

der Vorteile solcher hochschuldidaktischer Angebote. So könnte der im Rah-

men von Workshops mögliche Erfahrungsaustausch für die jüngeren (weibli-

chen) Lehrenden interessant sein wie auch die (gemeinsame) Entwicklung

neuer Ideen zur Gestaltung der Lehre mit digitalen Medien. Vorgesetzte und

KollegInnen sollten als BefürworterInnen einer Teilnahme gewonnen werden,

diese ausdrücklich wertschätzen und damit auch den Einsatz digitaler Medien

81

in der Lehre. Die Berücksichtigung der Teilnahme an hochschuldidaktischen

Weiterbildungsangeboten beim Lehrdeputat oder anderweitige (zeitliche) Ent-

lastungen können sinnvoll sein.

Lehrenden, die ihren Einsatz digitaler Medien in der Lehre mit dem Erreichen

von persönlichen (Karriere-)Zielen verknüpfen, könnten solche Ziele verbindlich

in Ausblick gestellt werden. Lehrende, die sich der Risiken des Einsatzes digi-

taler Medien in der Lehre bewusst sind, könnten mit sicherheitsgebenden Maß-

nahmen unterstützt werden. Und Skeptiker sollen ihre Skepsis äußern dürfen.

7.3 Weitere Forschungsfragen

Die Ergebnisse dieser SGM werfen Fragen auf, denen in weiteren Forschungs-

projekten nachgegangen werden sollte.

Neben der weiteren Erforschung der Rolle des Sozialen Einflusses sollte unter-

sucht werden, welche Faktoren neben der Leistungserwartung die Einstellung

zur Technologienutzung von Lehrenden an Hochschulen kausal beeinflussen.

Möglicherweise spielen hierbei, anders als bei der Nutzungsabsicht, personen-

gebundene Faktoren (wie z.B. de Erfahrung und die Vertrautheit mit digitalen

Medien) eine wichtigere Rolle als kontextbezogene Faktoren zur Ausstattung

oder Unterstützung. Auch kulturelle Faktoren (z.B. Fakultätskulturen) könnten

hier relevant sein. Es wäre interessant, ihre mögliche Rolle als exogenes Kon-

strukt, Mediator oder Moderator zu untersuchen. Dabei könnte die Akzeptanz

von Lehrenden an Hochschulen für Angewandte Wissenschaften verglichen

werden mit der Akzeptanz von Lehrenden an Universitäten. Es ist zu erwarten,

dass neben gemeinsamen auch unterschiedliche Einflussfaktoren eine Rolle

spielen. Ein Grund könnte das unterschiedlich umfangreiche Lehrdeputat sein.

Grundsätzlich sollte aber endlich damit begonnen werden, Studien durchzufüh-

ren, in denen das Nutzerverhalten und der Nutzen der digitalen Medien objektiv

gemessen werden (Turner et al., 2010, S. 472).

8 Ausblick

Es gibt viele Wege für gute Lehre. Ein Weg kann der Einsatz digitaler Medien

sein. Um diesen Weg erfolgreich gehen zu können, müssen alle Beteiligten an

der Hochschule, also Lehrende, Studierende, MitarbeiterInnen im Service und

82

die Hochschulleitung gemeinsam dazu beitragen. Dies ist für die Studierenden

wichtig, da sie sich auf zukünftige berufliche Anforderungen und Arbeitsfelder

vorbereiten müssen, in denen Digitalisierung nicht mehr wegzudenken ist. Aber

auch für die Lehrenden, die mit der Digitalisierung (auch ihres Arbeitsfeldes)

Schritt halten müssen, nicht zuletzt angesichts der zukünftigen Generationen

von Studierenden.

83

Literaturverzeichnis

Abu-Al-Aish, Ahmad & Love, Steve. (2013). Factors influencing students’ ac-

ceptance of m-learning. An investigation in higher education. The Interna-

tional Review of Research in Open and Distributed Learning, 14 (5). Verfüg-

bar unter https://files.eric.ed.gov/fulltext/EJ1017537.pdf (22.05.2019)

Afonso, Carlos Miguel, Roldán Salgueiro, José Luis, Sánchez-Franco, Manuel

Jesús & González de la O, María. (2012). The moderator role of Gender in

the Unified Theory of Acceptance and Use of Technology (UTAUT). A study

on users of Electronic Document Management Systems. In Proceedings:

7th International Conference on Partial Least Squares and Related Methods

(S. 1-8). Verfügbar unter https://www.researchgate.net/publica-

tion/267267421_The_moderator_role_of_Gender_in_the_Unified_The-

ory_of_Acceptance_and_Use_of_Techno-

logy_UTAUT_A_study_on_users_of_Electronic_Document_Manage-

ment_Systems (20.05.2019)

Agudo-Peregrina, Ángel F., Hernández-García, Ángel & Pascual-Miguel, Félix

J. (2014). Behavioral intention, use behavior and the acceptance of elec-

tronic learning systems. Differences between higher education and lifelong

learning. Computers in Human Behavior, 34, 301-314. Verfügbar unter

https://www.researchgate.net/publication/258845114_Behavioral_inten-

tion_use_behavior_and_the_acceptance_of_electronic_learning_sys-

tems_Differences_between_higher_education_and_lifelong_learning

(22.05.2019)

Ajzen, Icek. (1991). The Theory of Planned Behavior. Organizational Behavior

and Human Decision Processes, 50 (2), 179-211.

Albrecht, Claudia., Riedel, Jana. & Schlenker, Lars. (2013). E-Teaching.TUD.

Bedarfserhebung 2012/2013. Dresden: Technische Universität Dresden.

Verfügbar unter http://blog.tu-dresden.de/eteaching/files/2013/10/ET.TUD-

Bedarfserhebung- (17.05.2019)

Albrecht, Steffen & Revermann, Christoph. (Juni 2016). Digitale Medien in der

Bildung. Endbericht zum TA-Projekt (Arbeitsbericht Nr. 171). : Büro für Tech-

nikfolgen-Abschätzung beim Deutschen Bundestag. Verfügbar unter

http://www.tab-beim-bundestag.de/de/pdf/publikationen/berichte/TAB-Ar-

beitsbericht-ab171.pdf (20.05.2019)

84

Alfarani, Leena Ahmad. (2015). Influences on the adoption of mobile learning in

Saudi women teachers in higher education. International Journal of Interac-

tive Mobile Technologies (iJIM), 9 (2). Verfügbar unter https://www.online-

journals.org/index.php/i-jim/article/view/4411 (20.05.2019)

Alrawashdeh, Thamer A. & Al-Mahadeen, Bassam M. (2013). Extended UTAUT

to examine the acceptance of web based training system by public sector.

International Journal of Interactive Mobile Technologies, 7 (1), 4-9. Verfügbar

unter https://www.online-journals.org/index.php/i-jim/article/view/2044/2446

(15.05.2019)

Backhaus, K., Erichson, B., Plinke, W. & Weiber, R. (Hrsg.). (2016). Multivariate

Analysemethoden. Eine anwendungsorientierte Einführung (14., überarbei-

tete und aktualisierte Auflage). Berlin: Springer Gabler.

Backhaus, K., Erichson, B. & Weiber, R. (Hrsg.). (2015). Fortgeschrittene Mul-

tivariate Analysemethoden. Eine anwendungsorientierte Einführung (3.,

überarbeitete und aktualisierte Auflage). Berlin: Springer Gabler.

Bagozzi, Richard P. (2007). The legacy of the technology acceptance model

and a proposal for a paradigm shift. Journal of the association for information

systems, 8 (4), 3. Verfügbar unter https://www.researchgate.net/publica-

tion/220580454_The_Legacy_of_the_Technology_Ac-

ceptance_Model_and_a_Proposal_for_a_Paradigm_Shift/download

(22.05.2019)

Bagozzi, Richard P. & Yi, Youjae. (1988). On the evaluation of structural equa-

tion models. Journal of the academy of marketing science, 16 (1), 74-94.

Bajaj, Akhilesh & Nidumolu, Sarma R. (1998). A feedback model to understand

information system usage. Information & management, 33 (4), 213-224.

Baltes-Götz, Bernhard. (2015, 01. Oktober). Analyse von Strukturgleichungs-

modellen mit AMOS 18. : Universität Trier. Verfügbar unter https://www.uni-

trier.de/fileadmin/urt/doku/amos/v18/amos18.pdf (15.05.2019)

Bandura, Albert. (2001). Social Cognitive Theory of Mass Communication. Me-

dia Psychology, 3 (3), 265-299.

Bandyopadhyay, Kakoli & Fraccastoro, Katherine A. (2007). The effect of cul-

ture on user acceptance of information technology. Communications of the

Association for Information Systems, 19 (1), 23. Verfügbar unter

https://www.researchgate.net/publication/281496333_The_Effect_of_Cul-

ture_on_User_Acceptance_of_Information_Technology (22.05.2019)

Bervell, Brandford & Umar, Irfan Naufal. (2016). ‘Mediators’, ‘The Mediated’ or

‘Predictors’: Re-Conceptualizing the Tripartite Role of Personality Factors in

85

Higher Education Technology Acceptance. In Conference Proceedings Aca-

demic and Social Engagement in Higher Education (S. 399-411).

Bischof, Lukas & Stuckrad, Thimo von. (2013). Die digitale (R)evolution? Chan-

cen und Risiken der Digitalisierung akademischer Lehre (Arbeitspapier, Bd.

174). Gütersloh. Verfügbar unter http://www.che.de/down-

loads/CHE_AP_174_Digitalisierung_der_Lehre.pdf (18.05.2019)

Borgwardt, Angela. (2014). Von Moodle bis MOOC. Digitale Bildungsrevolution

durch E-Learning? (Schriftenreihe Hochschulpolitik, Bd. 9, 1. Aufl.). Berlin:

Friedrich-Ebert-Stiftung Abt. Studienförderung. Verfügbar unter

http://library.fes.de/pdf-files/studienfoerderung/10844.pdf (20.05.2019)

Bosse, Ingo. (2011). Das Smartboard in der Lehre – Erfahrungen im Förder-

schwerpunkt körperliche und motorische Entwicklung. Journal für Hoch-

schuldidaktik, 29-32. Verfügbar unter https://eldorado.tu-dort-

mund.de/bitstream/2003/28886/1/Journal_HD_2011_1_Bosse.pdf

(12.05.2019)

Bratengeyer, Erwin, Steinbacher, Hans-Peter & Friesenbichler, Martina. (2016).

Die österreichische Hochschul-E-Learning-Landschaft. Studie zur Erfassung

des Status quo der E-Learning-Landschaft im tertiären Bildungsbereich hin-

sichtlich Strategie, Ressourcen, Organisation und Erfahrungen. Verfügbar

unter https://www.fnm-austria.at/fileadmin/user_upload/documents/Stu-

die/E-Learning-Studie_2016.pdf (15.05.2019)

Brauer, Robert R. (2017, 07. Juli). Akzeptanz kooperativer Roboter im industri-

ellen Kontext. Dissertation, Technische Universität Chemnitz. Chemnitz.

Verfügbar unter http://www.qucosa.de/fileadmin/data/qu-

cosa/documents/22885/Dissertation_Brauer_final-PDFa3b.pdf (12.05.2019)

Bremer, Claudia, Ebert-Steinhübel, Anja & Schlass, Bettina. (2015). Die Veran-

kerung von digitalen Bildungsformaten in deutschen Hochschulen – Ein

Großprojekt wie jedes andere? (Stifterverband, Hrsg.) (Themengruppe

"Change Management und Organisationsentwicklung" des Hochschulforums

Digitalisierung Arbeitspapier Nr. 11). Berlin: Hochschulforum Digitalisierung.

Verfügbar unter https://hochschulforumdigitalisierung.de/sites/default/fi-

les/dateien/HFD%20AP%20Nr%2011_Die%20Verankerung%20von%20di-

gitalen%20Bildungsformaten%20in%20deutschen%20Hochschulen.pdf

(15.05.2019)

Carter, Lemuria, Christian Shaupp, Ludwig, Hobbs, Jeffrey & Campbell, Ronald.

(2011). The role of security and trust in the adoption of online tax filing. Trans-

forming Government: People, Process and Policy, 5 (4), 303-318. Verfügbar

86

unter https://libres.uncg.edu/ir/asu/f/Hobbs_Jef-

frey_2011_Role%20of%20Security%20Trust%20Adoption.pdf (20.05.2019)

Chin, Wynne W. (1998a). Issues and opinion on structural equation modeling.

Management Information Systems Quarterly, 22 (1), 7-16.

Chin, Wynne W. (1998b). The partial least squares approach to structural equa-

tion modeling. In G. A. Marcoulides (Hrsg.), Modern methods for business

research (Quantitative methodology series, Bd. 295, S. 295-336). London:

Lawrence Erlbaum Associates.

Compeau, Deborah R. & Higgins, Christopher A. (1995). Computer Self-Effi-

cacy: Development of a Measure and Initial Test. MIS Quarterly, 19 (2), 189-

211.

Davis, Fred D. (1989). Perceived Usefulness, Perceived Ease of Use, and User

Acceptance of Information Technology. MIS Quarterly, 13 (3), 319-339. Ver-

fügbar unter https://pdfs.semanti-

cscholar.org/bf17/26dc842f91576c97037674c00a712bb5ba8a.pdf

(22.05.2019)

Davis, Fred D., Bagozzi, Richard P. & Warshaw, Paul R. (1989). User ac-

ceptance of computer technology. A comparison of two theoretical models.

Management science, 35 (8), 982-1003. Verfügbar unter https://www.re-

searchgate.net/publication/227446117_User_Acceptance_of_Com-

puter_Technology_A_Comparison_of_Two_Theoretical_Models

(22.05.2019)

Davis, Fred D., Bagozzi, Richard P. & Warshaw, Paul R. (1992). Extrinsic and

Intrinsic Motivation to Use Computers in the Workplace. Journal of Applied

Social Psychology, 22 (14), 1111-1132.

Deutscher Bundestag. (2011, 21. Oktober). Medienkompetenz. Zweiter Zwi-

schenbericht der Enquete-Kommission "Internet und digitale Gesellschaft"

(Drucksache 17/7286), Berlin. Verfügbar unter http://dipbt.bundes-

tag.de/dip21/btd/17/072/1707286.pdf (12.05.2019)

Dräger, Jörg, Friedrich, Julius-David & Müller-Eiselt, Ralph. (2014). Digital wird

normal. Wie die Digitalisierung die Hochschulbildung verändert (Im Blick-

punkt). Gütersloh: CHE gemeinnütziges Centrum für Hochschulentwicklung.

Verfügbar unter https://www.che.de/downloads/Im_Blickpunkt_Digi-

tal_wird_normal.pdf (22.05.2019)

Dwivedi, Yogesh K., Rana, Nripendra P., Chen, Hsin & Williams, Michael D.

(2011). A Meta-analysis of the Unified Theory of Acceptance and Use of

Technology (UTAUT). In M. Nüttgens (Hrsg.), Governance and sustainability

87

in information systems. Managing the transfer and diffusion of IT : IFIP WG

8.6 International Working Conference (IFIP advances in information and

communication technology, Bd. 366, S. 155-170). Berlin: Springer. Verfüg-

bar unter https://www.researchgate.net/publication/221108386_A_Meta-

analysis_of_the_Unified_Theory_of_Acceptance_and_Use_of_Techno-

logy_UTAUT (22.05.2019)

Dwivedi, Yogesh K., Rana, Nripendra P., Jeyaraj, Anand, Clement, Marc & Wil-

liams, Michael D. (2017). Re-examining the unified theory of acceptance and

use of technology (UTAUT). Towards a revised theoretical model. Infor-

mation Systems Frontiers, 1-16. Verfügbar unter https://link.springer.com/ar-

ticle/10.1007%2Fs10796-017-9774-y (22.05.2019)

E-teaching.org. (2019, 07. Mai). Mit Lernlaboren Lehrkonzepte erproben, eva-

luieren und weiterentwickeln, Leibniz-Institut für Wissensmedien. Verfügbar

unter https://www.e-teaching.org/praxis/erfahrungsberichte/mit-lernlaboren-

lehrkonzepte-erproben-evaluieren-und-weiterentwickeln (18.05.2019)

Fazel, Ludwig. (2014). Akzeptanz von Elektromobilität. Entwicklung und Vali-

dierung eines Modells unter Berücksichtigung der Nutzungsform des Car-

sharing: Springer-Verlag.

Fischer, Helge. (2013). E-Learning im Lehralltag. Analyse der Adoption von E-

Learning-Innovationen in der Hochschullehre. Wiesbaden: Springer VS.

Fishbein, Martin & Ajzen, Icek. (1975). Belief, attitude, intention and behavior.

An introduction to theory and research (Addison-Wesley series in social psy-

chology). Reading, Mass.: Addison-Wesley.

Fornell, Claes & Larcker, David F. (1981). Evaluating structural equation models

with unobservable variables and measurement error. Journal of marketing

research, 18 (1), 39-50.

Fuchs, Andreas. (2011). Methodische Aspekte linearer Strukturgleichungsmo-

delle. Ein Vergleich von kovarianz- und varianzbasierten Kausalanalysever-

fahren (Meyer, M., Hrsg.) (Research papers on marketing strategy Nr. 2).

Würzburg: Julius-Maximilians-Universität Würzburg. Verfügbar unter

https://www.wiwi.uni-wuerzburg.de/filead-

min/12020100/Fuchs_2011_RP2.pdf (15.05.2019)

Getto, Barbara & Kerres, Michael (2018). Digitalisierung von Studium und

Lehre: Wer, warum und wie? In I. van Ackeren, M. Kerres & S. Heinrich

(Hrsg.), Flexibles Lernen mit digitalen Medien ermöglichen. Strategische

Verankerung und Erprobungsfelder guter Praxis an der Universität Duisburg-

Essen (S. 17-34). Münster: Waxmann.

88

Gikas, Joanne & Grant, Michael M. (2013). Mobile computing devices in higher

education. Student perspectives on learning with cellphones, smartphones

& social media. The Internet and Higher Education, 19, 18-26.

Ginner, Michael. (2018). Akzeptanz von digitalen Zahlungsdienstleistungen.

Wiesbaden: Springer Fachmedien Wiesbaden GmbH.

Glaeser, Susanne, Kaliva, Elisabeth & Linnartz, Dagmar (2019). Die digitale

Lehr- und Lerncommunity der TH Köln als strategischer Baustein für die stu-

dierendenzentrierte Lehre. In B. Getto, P. Hintze & M. Kerres (Hrsg.), Digita-

lisierung und Hochschulentwicklung. Proceedings zur 26. Tagung der Ge-

sellschaft für Medien in der Wissenschaft e.V (Medien in der Wissenschaft,

Bd. 74, S. 101-107). Münster: Waxmann Verlag.

Grigoriadou, Maria, Papanikolaou, Kyparisia, Tsaganou, Grammatiki, Gouli,

Evangelia & Gogoulou, Agoritsa. (2010). Introducing Innovative e-Learning

environments in Higher Education. International Journal of Continuing Engi-

neering Education and Life Long Learning, 20 (3/4/5), 337-355. Verfügbar

unter https://www.researchgate.net/publication/264816964_Introducing_in-

novative_e-learning_environments_in_higher_education (22.05.2019)

Guri-Rosenblit, Sarah. (2018). E-Teaching in Higher Education. An Essential

Prerequisite for E-Learning. Journal of New Approaches in Educational Re-

search, 7 (2), 93-97. Verfügbar unter

https://files.eric.ed.gov/fulltext/EJ1185293.pdf (22.05.2019)

Hagner, Paul R. & Schneebeck, Charles A. (2001). Engaging the faculty. In C.

A. Barone & P. R. Hagner (Hrsg.), Technology-enhanced teaching and learn-

ing: Leading and supporting the transformation on your campus (S. 1-12).

San Francisco, California: Jossey-Bass.

Hamborg, Kai-Christoph, Brummerloh, Melanie, Gieseking, Martin & Wegner,

Jan. (2014). Befunde zur Akzeptanz des Lernmanagement-Systems Stud.

IP an der Universität Osnabrück (virTUOS Working Paper Nr. 1). : Zentrum

für Informationsmanagement und virtuelle Lehre. Verfügbar unter

https://repositorium.ub.uni-osnabrueck.de/bitstream/urn:nbn:de:gbv:700-

2014062712580/2/workingpaper_01_2014_virtuos.pdf (12.05.2019)

Heaton, Janet. (2008). Secondary analysis of qualitative data. An overview. His-

torical Social Research/Historische Sozialforschung, 33-45. Verfügbar unter

https://www.ssoar.info/ssoar/bitstream/handle/document/19143/ssoar-hsr-

2008-no_3__no_125-heaton-secondary_analysis_of_qualita-

tive_data.pdf?sequence=1 (22.05.2019)

89

Hecker, Falk. (1997). Die Akzeptanz und Durchsetzung von Systemtechnolo-

gien. Marktbearbeitung und Diffusion am Beispiel der Verkehrstelematik.

Dissertation, Universität des Saarlandes. Saarbrücken.

Hermans, Ruben, Tondeur, Jo, van Braak, Johan & Valcke, Martin. (2008). The

impact of primary school teachers’ educational beliefs on the classroom use

of computers. Computers & Education, 51 (4), 1499-1509.

Hilbig, Winfried. (1984). Akzeptanzforschung neuer Bürotechnologien. Ergeb-

nisse einer empirischen Fallstudie. Office Management, 32 (4), 320-323.

Hochschulforum Digitalisierung. (Januar 2016). Zur nachhaltigen Implementie-

rung von Lerninnovationen mit digitalen Medien (Stifterverband für die Deut-

sche Wissenschaft e.V., Hrsg.) (Themengruppe „Change Management und

Organisationsentwicklung“ im Hochschulforum Digitalisierung Arbeitspapier

Nr. 16). Berlin: Hochschulforum Digitalisierung. Verfügbar unter

http://www.che.de/downloads/HFD_AP_Nr_16_Grundlagen-

text_Change_Management.pdf (15.05.2019)

Im, Il, Kim, Yongbeom & Han, Hyo-Joo. (2008). The effects of perceived risk

and technology type on users’ acceptance of technologies. Information &

management, 45 (1), 1-9. Verfügbar unter https://www.research-

gate.net/publication/223197575_The_effects_of_perceived_risk_and_tech-

nology_type_on_users'_acceptance_of_technologies (22.05.2019)

Jahn, Steffen. (2007). Strukturgleichungsmodellierung mit LISREL, AMOS und

SmartPLS. Eine Einführung. Technische Universität Chemnitz. Verfügbar

unter https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2729658

(22.05.2019)

Jairak, Kallaya, Praneetpolgrang, Prasong & Mekhabunchakij, Kittima. (2009).

An acceptance of mobile learning for higher education students in Thailand.

International Journal of the Computer, the Internet and Management - Spe-

cial Issue, 17 (SP3), 36.1-36.8. Verfügbar unter http://www.ijcim.th.org/Spe-

cialEditions/v17nSP3/36_Full_Kallaya%20Jairak_Online.pdf (22.05.2019)

Jungermann, Imke, Osterfeld, S., Scholz, Julia, Villiez, Anna von & Wannema-

cher, Klaus. (2016). Organisation Digitaler Lehre in den Deutschen Hoch-

schulen (Arbeitspapier Nr. 21). Berlin: Hochschulforum Digitalisierung.Ver-

fügbar unter https://www.uni-heidelberg.de/md/jour-

nal/2017/01/hfd_ap_nr21_organisation_digitaler_lehre.pdf (22.05.2019)

Kalz, Marco, Schön, Sandra, Lindner, Martin, Roth, Detlev & Baumgartner, Pe-

ter (2013). Systeme im Einsatz. Lernmanagement, Kompetenzmanagement

und PLE. In M. Ebner & S. Schön (Hrsg.), Lehrbuch für Lernen und Lehren

90

mit Technologien (2. Aufl., S. 1-7). Verfügbar unter https://l3t.tugraz.at/in-

dex.php/LehrbuchEbner10/article/view/39/66 (22.05.2019)

Kerres, Michael. (2013). Mediendidaktik. Konzeption und Entwicklung medien-

gestützter Lernangebote (4., überarb. und aktualisierte Aufl.). München:

Oldenbourg.

Kerres, Michael, Euler, Dieter, Seufert, Sabine, Hasanbegovic, Jasmina & Voss,

Britta. (Oktober 2005). Lehrkompetenz für eLearning-Innovationen in der

Hochschule. Ergebnisse einer explorativen Studie zu Massnahmen der Ent-

wicklung von eLehrkompetenz (SCIL-Arbeitsbericht 6). Verfügbar unter

https://learninglab.uni-due.de/sites/default/files/2005-10-kerres-et-al-elehr-

kompetenz_0.pdf (12.05.2019)

Ketter, Verena, Schmidt, Josephina & Tsirikiotis, Athanasios. (2018a). Zu-

kunftsvisionen zur digitalen Hochschulbildung – Teil 1, Hochschule Esslin-

gen. Verfügbar unter http://distell.news/?p=338 (12.05.2019)

Ketter, Verena, Schmidt, Josephina & Tsirikiotis, Athanasios. (2018b). Zu-

kunftsvisionen zur digitalen Hochschulbildung – Teil 2, Hochschule Esslin-

gen. Verfügbar unter http://distell.news/?p=379 (12.05.2019)

Ketter, Verena, Schmidt, Josephina & Tsirikiotis, Athanasios (2019a). Digitali-

sierung der Hochschulbildung aus sozialwissenschaftlicher Perspektive. Das

Forschungsprojekt „DISTELL“1. In B. Getto, P. Hintze & M. Kerres (Hrsg.),

Digitalisierung und Hochschulentwicklung. Proceedings zur 26. Tagung der

Gesellschaft für Medien in der Wissenschaft e.V (Medien in der Wissen-

schaft, Bd. 74, S. 84-92). Münster: Waxmann Verlag.

Ketter, Verena, Schmidt, Josephina & Tsirikiotis, Athanasios. (2019b). Zu-

kunftsvisionen zur digitalen Hochschulbildung – Teil 3, Hochschule Esslin-

gen. Verfügbar unter http://distell.news/?p=392 (12.05.2019)

Khechine, Hager & Augier, Marc. (2019). Adoption of a Social Learning Platform

in Higher Education: An Extended UTAUT Model Implementation. In Pro-

ceedings of the 52nd Hawaii International Conference on System Sciences

(S. 53-62). Verfügbar unter https://scholarspace.manoa.ha-

waii.edu/bitstream/10125/59446/0006.pdf (22.05.2019)

Khechine, Hager & Lakhal, Sawsen. (2018). Technology as a Double-Edged

Sword. From Behavior Prediction with UTAUT to Students’ Outcomes Con-

sidering Personal Characteristics. Journal of information technology educa-

tion-research, 17, 63-102. Verfügbar unter http://www.jite.org/docu-

ments/Vol17/JITEv17ResearchP063-102Khechine4282.pdf (22.05.2019)

91

Khechine, Hager, Lakhal, Sawsen & Ndjambou, Paterne. (2016). A meta‐anal-

ysis of the UTAUT model: Eleven years later. Canadian Journal of Adminis-

trative Sciences/Revue Canadienne des Sciences de l'Administration, 33 (2),

138-152.

Kim, Seok, Lee, Kee-Hyuck, Hwang, Hee & Yoo, Sooyoung. (2015). Analysis

of the factors influencing healthcare professionals’ adoption of mobile elec-

tronic medical record (EMR) using the unified theory of acceptance and use

of technology (UTAUT) in a tertiary hospital. BMC medical informatics and

decision making, 16 (1), 12. Verfügbar unter https://bmcme-

dinformdecismak.biomedcentral.com/track/pdf/10.1186/s12911-016-0249-8

(22.05.2019)

Kim, Yong Jin, Chun, Jae Uk & Song, Jaeki. (2009). Investigating the role of

attitude in technology acceptance from an attitude strength perspective. In-

ternational Journal of Information Management, 29 (1), 67-77.

Kirchherr, Julian W., Klier, Julia, Lehmann-Brauns, Cornels & Winde, Mathias.

(2018). Future Skills. Welche Kompetenzen in Deutschland fehlen (Stifter-

verband für die Deutsche Wissenschaft e.V., Hrsg.), Essen. Verfügbar unter

https://www.future-skills.net/analysen/strategische-potenziale-fuer-hoch-

schulen (22.05.2019)

Kirschner, Paul A. & Bruyckere, Pedro de. (2017). The myths of the digital native

and the multitasker. Teaching and Teacher Education, 67, 135-142.

Kline, Rex B. (2005). Principles and practice of structural equation modeling

(Methodology in the social sciences, Pbk. ed.). New York: Guilford Press.

Kocaleva, Mirjana, Stojanovic, Igor & Zdravev, Zoran. (2015). Model of e-learn-

ing acceptance and use for teaching staff in Higher Education Institutions.

International Journal of Modern Education and Computer Science (IJMECS),

7 (4), 23-31. Verfügbar unter https://www.researchgate.net/publica-

tion/274512986_Model_of_e-Learning_Acceptance_and_Use_for_Teach-

ing_Staff_in_Higher_Education_Institutions (22.05.2019)

Kreidl, Christian. (2011). Akzeptanz und Nutzung von E-Learning-Elementen an

Hochschulen. Gründe für die Einführung und Kriterien der Anwendung von

E-Learning (Medien in der Wissenschaft, Bd. 59). Münster: Waxmann.

Krittipat, Pitchanadejanant & Nontakao, Supavadee. (2015). Revising and ex-

tending the determinants of the Unified Theory of Acceptance and Use of

Technology (UTAUT) model in-service upper secondary level teachers' per-

spectives. วารสาร ศกึษา ศาสตร ์มหาวทิยาลัย บรูพา, 26 (1), 25-46. Verfügbar

92

unter https://www.researchgate.net/publication/283007503_Revi-

sing_and_Extending_the_Determinants_of_the_Unified_Theory_of_Accep-

tance_and_Use_of_Technology_UTAUT_Model_in_In-Service_Upper_Se-

condary_Level_Teachers'_Perspectives (22.05.2019)

Kühnel, Steffen M. (1993). Lassen sich ordinale Daten mit linearen Strukturglei-

chungsmodellen analysieren? ZA-Information/Zentralarchiv Für Empirische

Sozialforschung (33), 29-51.

Lakhal, Sawsen & Khechine, Hager. (2017). Relating personality (Big Five) to

the core constructs of the Unified Theory of Acceptance and Use of Technol-

ogy. Journal of Computers in Education, 4 (3), 251-282.

Lakhal, Sawsen, Khechine, Hager & Pascot, Daniel. (2013). Student behav-

ioural intentions to use desktop video conferencing in a distance course: in-

tegration of autonomy to the UTAUT model. Journal of Computing in Higher

Education, 25 (2), 93-121.

Landesregierung Baden-Württemberg. (2016). Verordnung der Landesregie-

rung über die Lehrverpflichtung an Universitäten, Pädagogischen Hochschu-

len und Fachhochschulen. GüV Nr. 2212-1. Verfügbar unter http://www.lan-

desrecht-bw.de/jportal/?quelle=jlink&query=LVerpflV+BW&psml=bsbawue-

prod.psml&max=true&aiz=true (15.05.2019)

Lee, De-Chih, Lin, Szu-Hsing, Ma, Hsiu-Lan & Wu, Der-Bang. (2017). Use of a

modified UTAUT model to investigate the perspectives of internet access de-

vice users. International Journal of Human–Computer Interaction, 33 (7),

549-564.

Lee, Jung, Cerreto, Frank A. & Lee, Jihyun. (2010). Theory of planned behavior

and teachers' decisions regarding use of educational technology. Journal of

Educational Technology & Society, 13 (1).

Limayem, Moez, Hirt, Sabine Gabriele & Cheung, Christy M. K. (2007). How

habit limits the predictive power of intention: The case of information systems

continuance. MIS Quarterly, 31 (4).

Lin, PENG-CHUN, Lu, Hsin-Ke & Liu, Shang-Chia. (2013). Towards an educa-

tion behavioral intention model for e-learning systems: an extension of

UTAUT. Journal of Theoretical & Applied Information Technology, 47 (3),

1120-1127. Verfügbar unter http://www.jatit.org/vol-

umes/Vol47No3/37Vol47No3.pdf (17.05.2019)

Martins, Carolina, Oliveira, Tiago & Popovič, Aleš. (2014). Understanding the

Internet banking adoption: A unified theory of acceptance and use of tech-

nology and perceived risk application. International Journal of Information

93

Management, 34 (1), 1-13. Verfügbar unter https://www.research-

gate.net/publication/256847784_Understanding_the_Internet_ban-

king_adoption_A_unified_theory_of_acceptance_and_use_of_techno-

logy_and_perceived_risk_application (22.05.2019)

Medjedović, Irena. (2014). Qualitative Sekundäranalyse. Zum Potenzial einer

neuen Forschungsstrategie in der empirischen Sozialforschung. Wiesbaden:

Springer.

Moore, Gary C. & Benbasat, Izak. (1991). Development of an Instrument to

Measure the Perceptions of Adopting an Information Technology Innovation.

Information Systems Research, 2 (3), 192-222. Verfügbar unter http://pa-

ges.cpsc.ucalgary.ca/~boyd/699/mitchell/Moore%20and%20Benbasat.pdf

(22.05.2019)

Mueller, Julie, Wood, Eileen, Willoughby, Teena, Ross, Craig & Specht,

Jacqueline. (2008). Identifying discriminating variables between teachers

who fully integrate computers and teachers with limited integration. Comput-

ers & Education, 51 (4), 1523-1537.

Nassuora, Ayman Bassam. (2012). Students acceptance of mobile learning for

higher education in Saudi Arabia. American Academic & Scholarly Research

Journal, 4 (2), 24-30. Verfügbar unter http://www.naturalspublishing.com/fi-

les/published/5r5rbyqi27572v.pdf (22.05.2019)

Neumann, Jörg & Jentzsch, Dorit. (2007). Anreizinstrumente im E-Learning -

der Multimediafonds der TU Dresden. In V. Dötsch, K. Hering & F. Schaar

(Hrsg.), Flexibel integrierbares e-Learning — Nahe Zukunft oder Utopie?

Proceedings of the Workshop on e-Learning 2007 (S. 99-122).

Ngai, Eric W. T., Poon, J. K.L. & Chan, Y_ H. C. (2007). Empirical examination

of the adoption of WebCT using TAM. Computers & Education, 48 (2), 250-

267.

Nistor, Nicolae. (2014). When technology acceptance models won’t work. Non-

significant intention-behavior effects. Computers in Human Behavior (34),

299-300.

Nistor, Nicolae, Baltes, Beate, Dascălu, Mihai, Mihăilă, Dan, Smeaton, George

& Trăuşan-Matu, Ştefan. (2014). Participation in virtual academic communi-

ties of practice under the influence of technology acceptance and community

factors. A learning analytics application. Computers in Human Behavior, 34,

339-344.

94

Nistor, Nicolae, Gögüs, Aytac & Lerche, Thomas. (2013). Educational technol-

ogy acceptance across national and professional cultures: a European study.

Educational Technology Research and Development, 61, 733-749.

Nistor, Nicolae & Heymann, Jan Oliver. (2010). Reconsidering the role of atti-

tude in the TAM. An answer to Teo (2009a). British Journal of Educational

Technology, 41 (6), E142-E145.

Nistor, Nicolae, Lerche, Thomas, Weinberger, Armin, Ceobanu, Ciprian & Hey-

mann, Oliver. (2014). Towards the integration of culture into the Unified The-

ory of Acceptance and Use of Technology. British Journal of Educational

Technology, 45 (1), 36-55.

Nistor, Nicolae, Wagner, Maximilian & Heymann, Jan Oliver. (2012). Prä-

diktoren und Moderatoren der Akzeptanz von Bildungstechnologien. Die Uni-

fied Theory of Acceptance and Use of Technology auf dem Prüfstand. Em-

pirische Pädagogik, 26 (3), 343-371.

Oca, Ambar Murillo Montes de & Nistor, Nicolae. (2014). Non-significant inten-

tion–behavior effects in educational technology acceptance. A case of com-

peting cognitive scripts? Computers in Human Behavior, 34, 333-338.

Oye, N. David, Iahad, Noorminshah A. & Rahim, Nor Zairah Ab. (2012). Ac-

ceptance and Usage of ICT by University Academicians Using UTAUT

Model: A Case Study of University of Port Harcourt, Nigeria. Journal of

Emerging Trends in Computing and Information Sciences, 3 (1), 81-89. Ver-

fügbar unter http://cisjournal.org/journalofcomputing/ar-

chive/vol3no1/vol3no1_6.pdf (22.05.2019)

Oye, N. David, Iahad, Noorminshah A. & Rahim, Nor Zairah Ab. (2014). The

history of UTAUT model and its impact on ICT acceptance and usage by

academicians. Education and Information Technologies, 19 (1), 251-270.

Persike, Malte & Friedrich, Julius-David. (2016). Lernen mit digitalen Medien

aus Studierendenperspektive (Arbeitspapier Nr. 17). Berlin: Hochschulforum

Digitalisierung. Verfügbar unter https://hochschulforumdigitalisierung.de/si-

tes/default/files/dateien/HFD_AP_Nr_17_Lernen_mit_digitalen_Me-

dien_aus_Studierendenperspektive.pdf. (12.05.2019)

Podsakoff, Philip M., MacKenzie, Scott B. & Podsakoff, Nathan P. (2012).

Sources of method bias in social science research and recommendations on

how to control it. Annual review of psychology, 63, 539-569.

Pscheida, Daniela, Minet, Claudia, Herbst, Sabrina, Albrecht, Steffen & Köhler,

Thomas. (2015). Nutzung von Social Media und onlinebasierten Anwendun-

95

gen in der Wissenschaft. Ergebnisse des Science 2.0-Survey 2014: Daten-

report 2014. Dresden: Technische Universität Dresden, Medienzentrum.

Verfügbar unter http://www.qucosa.de/fileadmin/data/qu-

cosa/documents/13296/Science20_Datenreport_2013_PDF_A.pdf

(22.05.2019)

Pynoo, Bram, Devolder, Pieter, Voet, Tony, Sijnave, Bart, Gemmel, Paul,

Duyck, Wouter et al. (2013). Assessing hospital physicians' acceptance of

clinical information systems: A review of the relevant literature. Psychologica

Belgica, 53 (2), 15-31. Verfügbar unter https://users.ugent.be/~wduyck/artic-

les/PynooDevolderVoetSijnaveGemmelDuyckvanBraakDuyck2013.pdf

(22.05.2019)

Pynoo, Bram & van Braak, Johan. (2014). Predicting teachers’ generative and

receptive use of an educational portal by intention, attitude and self-reported

use. Computers in Human Behavior, 34, 315-322.

Quiring, Oliver. (2006). Methodische Aspekte der Akzeptanzforschung bei in-

teraktiven Medientechnologien (Münchener Beiträge zur Kommunikations-

wissenschaft Nr. 6). Verfügbar unter https://epub.ub.uni-muen-

chen.de/1348/1/mbk_6.pdf (12.05.2019)

Radovan, Marko & Kristl, Nina. (2017). Acceptance of Technology and Its Im-

pact on Teachers' Activities in Virtual Classroom. Integrating UTAUT and CoI

into a Combined Model. Turkish Online Journal of Educational Technology -

TOJET, 16 (3), 11-22. Verfügbar unter http://www.tojet.net/artic-

les/v16i3/1632.pdf (22.05.2019)

Rahman, Abd Latif Abdul, Jamaludin, Adnan & Mahmud, Zamalia. (2011). In-

tention to use digital library based on modified UTAUT model: Perspectives

of Malaysian postgraduate students. World academy of science, Engineering

and technology, 75, 116-122. Verfügbar unter https://pdfs.seman-

ticscholar.org/ba63/37e3560b7e4eddb3c8deb80c6e49c662f837.pdf

(22.05.2019)

Raman, Arumugam, Don, Yahya, Khalid, Rozalina, Hussin, Fauzi, Omar, Mohd

Sofian & Ghani, Marina. (2014). Technology acceptance on smart board

among teachers in Terengganu using UTAUT model. Asian Social Science,

10 (11), 84. Verfügbar unter

http://merr.utm.my/13989/1/Asian%20Social%20Science%20Smart-

board.pdf (15.05.2019)

Riedemann, Patrick. (2011). Kundenakzeptanz von Innovationen im Produkt-

entwicklungsprozess. Dissertation, Freie Universität Berlin. Berlin. Verfügbar

96

unter www.diss.fuberlin.de/diss/servlets/MCRFileNodeServlet/FUDISS_de-

rivate_000000010240/diss_riedemann_online.pdf?hosts= (15.05.2019)

Rogers, Everett M. (2003). Diffusion of innovations (5th edition). New York: Free

Press.

Sánchez, R. Arteaga & Hueros, A. Duarte. (2010). Motivational factors that in-

fluence the acceptance of Moodle using TAM. Computers in Human Behav-

ior, 26 (6), 1632-1640.

Sang, Guoyuan, Valcke, Martin, van Braak, Johan & Tondeur, Jo. (2010). Stu-

dent teachers’ thinking processes and ICT integration. Predictors of prospec-

tive teaching behaviors with educational technology. Computers & Educa-

tion, 54 (1), 103-112.

Schäfer, Martina & Keppler, Dorothee. (12/2013). Modelle der technikorientier-

ten Akzeptanzforschung. Überblick und Reflexion am Beispiel eines For-

schungsprojekts zur Implementierung innovativer technischer Energieeffizi-

enz-Maßnahmen (discussion paper 34/2013). : Technische Universität Ber-

lin. Verfügbar unter https://depositonce.tu-ber-

lin.de/bitstream/11303/4758/1/schaefer_keppler.pdf (10.05.2019)

Schermelleh-Engel, Karin, Moosbrugger, Helfried & Müller, Hans. (2003). Eval-

uating the fit of structural equation models. Tests of significance and descrip-

tive goodness-of-fit measures. Methods of psychological research online, 8

(2), 23-74. Verfügbar unter https://www.dgps.de/fachgrup-

pen/methoden/mpr-online/issue20/art2/mpr130_13.pdf (22.05.2019)

Schlenker, Lars & Beyer, Susann. (2013). Online in der Vorlesung - Potentiale

Digitaler Medien für aktives Lernen. In 11. Workshop on E-Learning (WeL)

(S. 1-10). Verfügbar unter https://www.researchgate.net/publica-

tion/257041872_Online_in_der_Vorlesung_-_Potentiale_digitaler_Me-

dien_fur_aktives_Lernen (22.05.2019)

Schmahl, Johanna. (2008, 31. Januar). E-Learning an Hochschulen – Kompe-

tenzentwicklungsstrategien für Hochschullehrende. Ergebnisse von zwei

empirischen Untersuchungen zu Anreizen und Hemmnissen der Kompeten-

zentwicklung von Hochschullehrenden im Bereich E-Learning, Universität

Duisburg-Essen. Duisburg. Verfügbar unter https://duepublico2.uni-

due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00019388/Dis-

sertationSchmahl.pdf (15.05.2019)

Schmid, Ulrich & Baeßler, Berit. (2016). Strategieoptionen für Hochschulen im

digitalen Zeitalter. Ergebnisse einer Studie zu exemplarischen Profilbil-

97

dungsinitiativen durch digitale Medien an deutschen Hochschulen (Stifter-

verband für die Deutsche Wissenschaft e.V., Hrsg.) (Arbeitspapier Nr. 29).

Berlin: Hochschulforum Digitalisierung. Verfügbar unter https://hochschulfo-

rumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr29_Strategieop-

tionen_fuer_Hochschulen_im_digitalen_Zeitalter.pdf (11.05.2019)

Schmid, Ulrich, Goertz, Lutz, Behrens, Julia & Bertelsmann Stiftung. (2017a).

Monitor Digitale Bildung - Hochschule im digitalen Zeitalter - Lehrende. Fra-

gebogen (Bertelsmann Stiftung & MMB-Institut für Medien- und Kompetenz-

forschung, Hrsg.), Gütersloh. Verfügbar unter https://www.bertelsmann-stif-

tung.de/fileadmin/files/Projekte/Teilhabe_in_einer_digitalisierten_Welt/Fra-

gebogen_Hochschullehrende.pdf (17.05.2019)

Schmid, Ulrich, Goertz, Lutz, Behrens, Julia & Bertelsmann Stiftung. (2017b).

Monitor Digitale Bildung - Hochschule im digitalen Zeitalter - Lehrende. GE-

SIS Datenarchiv, Köln. ZA6781 Datenfile Version 1.0.0, Gütersloh.

Schmid, Ulrich, Goertz, Lutz, Behrens, Julia & Bertelsmann Stiftung. (2017c).

Monitor Digitale Bildung - Materialsammlung. Begriffskonzepte und erkennt-

nisleitende Forschungsfragen, Gütersloh. Verfügbar unter https://www.ber-

telsmann-stiftung.de/fileadmin/files/Projekte/Teilhabe_in_einer_digitalisier-

ten_Welt/Monitor_Digitale_Bildung_Hochschule_Methodenbericht.pdf

(15.05.2019)

Schmid, Ulrich, Goertz, Lutz, Radomski, Sabine, Thom, Sabrina & Behrens, Ju-

lia. (2017). Monitor Digitale Bildung: Die Hochschulen im digitalen Zeitalter

(Bertelsmann Stiftung, Hrsg.), Gütersloh. Verfügbar unter https://www.ber-

telsmann-stiftung.de/de/publikationen/publikation/did/monitor-digitale-bil-

dung-2/ (17.05.2019)

Schnell, Michael. (2009). Einführung in die Akzeptanzforschung am Beispiel

von Web-TV. Wie (Lern-) Produkte von den Kunden angenommen werden.

WissenHeute, 62 (1), 4. Verfügbar unter http://www.michael-

schnell.de/fileadmin/user_upload/PDF/Veroeffentlichungen/Akzeptanz.pdf

(15.05.2019)

Schön, Sandra, Ebner, Martin & Schön, Martin. (2016). Verschmelzung von di-

gitalen und analogen Lehr- und Lernformaten (Arbeitspapier Nr. 25). Berlin:

Hochschulforum Digitalisierung. Verfügbar unter https://hochschulforumdigi-

talisierung.de/sites/default/files/dateien/HFD_AP_Nr25_Verschmelzung_Di-

gitale_Analoge_Lernformate.pdf (22.05.2019)

Schütz-Pitan, Jessica, Weiß, Tina & Hense, Jan. (2018). Jedes Medium ist an-

ders: Akzeptanz unterschiedlicher digitaler Medien in der Hochschullehre.

98

Hochschullehre.org, 4, 161-180. Verfügbar unter http://www.hochschul-

lehre.org/wp-content/files/die_hochschullehre_2018_Schutz-Pitan_et_al_je-

des_Medium_ist_anders_.pdf (22.05.2019)

Shapka, Jennifer D. & Ferrari, Michel. (2003). Computer-related attitudes and

actions of teacher candidates. Computers in Human Behavior, 19 (3), 319-

334.

Simon, Bernd. (2001). Wissensmedien im Bildungssektor. Eine Akzeptanzun-

tersuchung an Hochschulen. Wien: WU Vienna University of Economics and

Business.

Straub, Detmar, Keil, Mark & Brenner, Walter. (1997). Testing the technology

acceptance model across cultures: A three country study. Information & man-

agement, 33 (1), 1-11.

Šumak, Boštjan, Heričko, Marjan & Pušnik, Maja. (2011). A meta-analysis of e-

learning technology acceptance. The role of user types and e-learning tech-

nology types. Computers in Human Behavior, 27 (6), 2067-2077.

Šumak, Boštjan & Šorgo, Andrej. (2016). The acceptance and use of interactive

whiteboards among teachers. Differences in UTAUT determinants between

pre-and post-adopters. Computers in Human Behavior, 64, 602-620.

Taiwo, Ayankunle Adegbite & Downe, Alan G. (2013). The theory of user ac-

ceptance and use of technology (UTAUT). A meta-analytic review of empiri-

cal findings. Journal of Theoretical & Applied Information Technology, 49 (1).

Verfügbar unter https://www.researchgate.net/publica-

tion/279653519_The_theory_of_user_acceptance_and_use_of_techno-

logy_UTAUT_A_meta-analytic_review_of_empirical_findings (22.05.2019)

Tamim, Rana M., Bernard, Robert M., Borokhovski, Eugene, Abrami, Philip C.

& Schmid, Richard F. (2011). What forty years of research says about the

impact of technology on learning. A second-order meta-analysis and valida-

tion study. Review of Educational Research, 81 (1), 4-28. Verfügbar unter

https://journals.sage-

pub.com/doi/pdf/10.3102/0034654310393361?casa_to-

ken=Bk7z3jm7GBIAAAAA:zyoCXV92WRTqsRra5XFIqbCfCeRMH_wLrQ4f-

YjylEJ3thggxcnnb_16SVtuDqiwEHDwYhgHQnsh (15.05.2019)

Taylor, Shirley & Todd, Peter. (1995). Assessing IT Usage: The Role of Prior

Experience. MIS Quarterly, 19 (4), 561-570.

Teo, Timothy. (2009). Is there an attitude problem? Reconsidering the role of

attitude in the TAM. British Journal of Educational Technology, 40 (6), 1139-

1141.

99

Thomas, Troy, Singh, Lenandlar & Gaffar, Kemuel. (2013). The utility of the

UTAUT model in explaining mobile learning adoption in higher education in

Guyana. International Journal of Education and Development using ICT, 9

(3). Verfügbar unter https://files.eric.ed.gov/fulltext/EJ1071379.pdf

(22.05.2019)

Thompson, Ronald L., Higgins, Christopher A. & Howell, Jane M. (1991). Per-

sonal Computing: Toward a Conceptual Model of Utilization. MIS Quarterly,

15 (1), 125-143. Verfügbar unter http://citeseerx.ist.psu.edu/viewdoc/down-

load?doi=10.1.1.894.9540&rep=rep1&type=pdf (22.05.2019)

Traxler, Petra. (2010). Die Bedeutung von Einstellung und Motivation für den

Einsatz von E-Learning in der Lehre an Pädagogischen Hochschulen. Dis-

sertation, Technische Universität Dresden. Dresden. Verfügbar unter

http://www.qucosa.de/fileadmin/data/qucosa/documents/6764/Diss_Trax-

ler_2009_11_11.pdf (12.05.2019)

Turner, Mark, Kitchenham, Barbara, Brereton, Pearl, Charters, Stuart &

Budgen, David. (2010). Does the technology acceptance model predict ac-

tual use? A systematic literature review. Information and software technol-

ogy, 52 (5), 463-479.

Van Braak, Johan. (2001). Factors influencing the use of computer mediated

communication by teachers in secondary schools. Computers & Education,

36 (1), 41-57.

Venkatesh, Viswanath, Morris, Michael G., Davis, Gordon B. & Davis, Fred D.

(2003). User acceptance of information technology. Toward a unified view.

MIS Quarterly, 425-478. Verfügbar unter https://www.research-

gate.net/publication/248251150_User_Acceptance_of_Information_Tech-

nology_A_Unified_Model (22.05.2019)

Venkatesh, Viswanath, Thong, James Y. L. & Xu, Xin. (2012). Consumer ac-

ceptance and use of information technology. Extending the unified theory of

acceptance and use of technology. MIS Quarterly, 157-178. Verfügbar unter

https://pdfs.semanti-

cscholar.org/6256/0e2001480fd1f22558ce4d34ac93776af3e6.pdf

(22.05.2019)

Volk, Benno. (2010). eCompetence as a core competence for academic staff.

International Journal of Continuing Engineering Education and Life Long

Learning, 20 (3-5), 260-277.

Volk, Benno & Keller, Stefan. (2009). Das E-Learning-Zertifikat der Zürcher

Hochschulen. Reflexives Lernen als didaktisches Modell zum Erwerb von E-

100

Kompetenz. MedienPädagogik: Zeitschrift für Theorie und Praxis der Medi-

enbildung (00), 1-24. Verfügbar unter https://www.medienpaed.com/ar-

ticle/view/227/227 (22.05.2019)

Wagner, Maximilian. (2016, 28. Januar). Entwicklung und Überprüfung eines

konsolidierten Akzeptanzmodells für Lernmanagementsysteme. Disserta-

tion, Ludwig-Maximilians-Universität München. München. Verfügbar unter

https://edoc.ub.uni-muenchen.de/19810/ (17.05.2019)

Walber, Markus & Schäffer, Dennis (2010). Web³ im Hochschuleinsatz: Poten-

ziale digitaler Lernwelten. In K.-U. Hugger & M. Walber (Hrsg.), Digitale Lern-

welten. Konzepte, Beispiele und Perspektiven (S. 213-227). Wiesbaden: VS

Verlag für Sozialwissenschaften.

Wannemacher, Klaus, Jungermann, Imke, Scholz, Julia, Tercanli, Hacer & Vil-

liez, Anna von. (Januar 2016). Digitale Lernszenarien im Hochschulbereich

(Stifterverband für die Deutsche Wissenschaft e.V., Hrsg.) (Nr. 15). Berlin:

Hochschuforum Digitalisierung. Verfügbar unter https://hochschulforumdigi-

talisierung.de/sites/default/files/dateien/HFD%20AP%20Nr%2015_Digi-

tale%20Lernszenarien.pdf (12.05.2019)

Weiber, Rolf & Mühlhaus, Daniel. (2014). Strukturgleichungsmodellierung. Eine

anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS,

SmartPLS und SPSS (Springer-Lehrbuch, 2., erw. und korr. Aufl.). Berlin:

Springer Gabler.

Wichelhaus, Svenja, Schüler, Thmas, Ramm, Michaela & Morisse, Karsten

(2008). Medienkompetenz und selbstorganisiertes Lernen – Ergebnisse ei-

ner Evaluation. In S. Zauchner, P. Baumgartner, E. Blaschitz & A. Weissen-

bäck (Hrsg.), Offener Bildungsraum Hochschule. Freiheiten und Notwendig-

keiten (S. 124-133). Münster: Waxmann.

Williams, Michael D., Rana, Nripendra P. & Dwivedi, Yogesh K. (2015). The

unified theory of acceptance and use of technology (UTAUT). A literature

review. Journal of Enterprise Information Management, 28 (3), 443-488. Ver-

fügbar unter https://www.researchgate.net/publication/276929757_The_uni-

fied_theory_of_acceptance_and_use_of_technology_UTAUT_A_litera-

ture_review (22.05.2019)

101

Anhang

Anhang 1 Gegenüberstellung der Items aus drei Fragebögen

Tabelle 18. Vergleich der Indikatoren des Konstrukts Leistungserwartung

Venkatesh et al.

(2003, S. 460 )

Nistor et al. (2012, S.

368)

Monitor Digitale Bildung

(Schmid, Goertz, Behrens, &

Bertelsmann Stiftung, 2017,

S. 11)

Monitor Digitalisierung

Welche Lernziele lassen sich

mit diesen digitalen Lernkon-

zepten Ihrer Erfahrung nach

gut erreichen? Es sind meh-

rere Nennungen möglich.

I would find the com-

puter as a learning

tool useful in my job.

Der Computer als

Lernwerkzeug ist bei

meinem Studium nütz-

lich.

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

eine „reine Wissensvermitt-

lung“ erreicht werden kann

Using the computer

as a learning tool en-

ables me to accom-

plish tasks more

quickly.

Mit Hilfe des Compu-

ters als Lernwerkzeug

kann ich Aufgaben

schneller erledigen.

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

das Ziel „Fertigkeiten vermit-

teln / Anwendung des Wis-

sens“ erreicht werden kann

Using the computer

as a learning tool in-

creases my produc-

tivity.

Den Computer als

Lernwerkzeug zu be-

nutzen, erhöht meine

Produktivität.

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

das Ziel „Sozialkompetenz

fördern“ erreicht werden kann

If I use the computer

as a learning tool, I

will increase my

chances of getting a

raise.

Wenn ich den Compu-

ter als Lernwerkzeug

benutze, erhöhen sich

meine Chancen auf

gute Noten.

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

das Ziel „Selbständigkeit för-

dern“ erreicht werden kann

102

Tabelle 19. Vergleich der Indikatoren des Konstrukts Aufwandserwartung

Venkatesh et al.

(2003, S. 460 )

Nistor et al. (2012, S.

368)

Monitor Digitale Bildung

(Schmid et al., 2017, S. 14)

Welche Herausforderungen

und Schwierigkeiten sehen

Sie, wenn es um digitales

Lernen in der Hochschule

geht?

My interaction with

the computer as a

learning tool would

be clear and under-

standable.

Wenn ich den Com-

puter als Lernwerk-

zeug benutze, ist

meine Interaktion ein-

deutig und verständ-

lich.

Der Aufwand für die Be-

schaffung der Lerninhalte ist

zu hoch.

It would be easy for

me to become skillful

at using the computer

as a learning tool.

Es fällt mir leicht, Er-

fahrung mit dem

Computer als Lern-

werkzeug zu sam-

meln.

Der Aufwand für die techni-

sche Ausstattung (Hard- &

Software) ist zu hoch.

I would find the com-

puter as learning tool

easy to use.

Ich finde es leicht,

den Computer als

Lernwerkzeug zu be-

nutzen.

Die Wartung der Geräte und

Anwendungen ist zu teuer.

Learning to operate

the computer as a

learning tool is easy

for me.

Zu lernen, den Com-

puter als Lernwerk-

zeug zu bedienen,

fällt mir leicht.

Die Studierenden verfügen

nicht über eine hinreichende

medienbezogene techni-

sche Kompetenz.

Hinweis: Das Item „Die Studierenden verfügen nicht über eine hinreichende me-

dienbezogene technische Kompetenz“ ist nicht im Fragebogen enthalten, der

auf der Homepage zum Monitor Digitale Bildung abgerufen werden kann, wohl

aber im Datensatz1.

1 Eine Anfrage an die für die Studie des Monitors Digitale Bildung verantwortli-che Person mit der Bitte um den „richtigen“ Fragebogen wurde nicht beantwor-tet.

103

Tabelle 20. Vergleich der Indikatoren für das Konstrukt Sozialer Einfluss

Venkatesh et al. (2003,

S. 460)

Nistor et al. (2012,

S. 368)

Monitor Digitale Bildung

(Schmid et al., 2017, S. 17)

People who influence my

behavior think that I

should use the computer

as a learning tool.

Personen, die Ein-

fluss auf mein Ver-

halten haben, den-

ken, ich sollte den

Computer als Lern-

werkzeug benutzen.

Anzahl Nennungen von Per-

sonengruppen bei der

Frage:

Wer gibt bzw. gab den Im-

puls für Ihren Einsatz digita-

ler Medien zum Lernen?

Studierende, Kollegen,

Fachbereichs-/Institutslei-

tung, Zentrale Hochschu-

leinrichtung, Hochschullei-

tung

People who are im-

portant to me think that I

should use the computer

as a learning tool.

Personen, die mir

wichtig sind, denken,

ich sollte den Com-

puter als Lernwerk-

zeug benutzen.

The senior management

of this business has been

helpful in the use of the

computer as a learning

tool.

Die Dozenten meines

Studiengangs /

meine Vorgesetzten

sind hilfreich dabei,

den Computer als

Lernwerkzeug zu be-

nutzen.

In general, the organiza-

tion has supported the

use of the computer as a

learning tool.

Im Allgemeinen un-

terstützt meine Uni-

versität / Institution

die Nutzung des

Computers als Lern-

werkzeug.

Hinweis: Das „Zentrale Hochschuleinrichtung“ ist im Fragebogen des Monitors

Digitale Bildung als Antwortmöglichkeit nicht zu finden, aber im Datensatz als

Antwortmöglichkeit vorhanden.

104

Tabelle 21. Vergleich der Indikatoren des Konstrukts Erleichternde Umstände

Venkatesh et

al. (2003, S.

460)

Nistor et al.

(2012, S. 369.)

Monitor Digitale Bildung (Schmid et

al., 2017), S. 14, S. 2

I have the re-

sources neces-

sary to use the

computer as a

learning tool.

Ich habe alles,

was ich brauche,

um den Computer

als Lernwerkzeug

zu nutzen.

Welche Herausforderungen und

Schwierigkeiten sehen Sie, wenn es

um digitales Lernen in der Hoch-

schule geht?

Es fehlt eine didaktische Beratung

zur digitalen Lehre an der Hoch-

schule.

I have the

knowledge nec-

essary to use

the computer as

a learning tool.

Ich habe das Wis-

sen, das notwen-

dig ist, um den

Computer als

Lernwerkzeug zu

nutzen.

Welche Herausforderungen und

Schwierigkeiten sehen Sie, wenn es

um digitales Lernen in der Hoch-

schule geht?

Der Aufwand ist zu hoch und wird

nicht auf das Lehrdeputat angerech-

net.

The computer as

a learning tool is

not compatible

with other learn-

ing tools I use.

Der Computer ist

nicht kompatibel

mit anderen Lern-

formen, die ich

nutze.

Wie würden Sie die technische Aus-

stattung zum digitalen Lernen an Ih-

rer Hochschule bewerten?

A specific per-

son (or group) is

available for as-

sistance with dif-

ficulties when I

use the com-

puter as a learn-

ing tool.

Eine bestimmte

Person (oder

Gruppe) ist ver-

fügbar, wenn ich

Probleme dabei

habe, den Com-

puter als Lern-

werkzeug zu be-

nutzen.

Welche Herausforderungen und

Schwierigkeiten sehen Sie, wenn es

um digitales Lernen in der Hoch-

schule geht?

Es fehlt eine professionelle Betreu-

ung der digitalen Infrastruktur an der

Hochschule.

Hinweis: Das Item „Es fehlt eine didaktische Beratung zur digitalen Lehre an

der Hochschule“ ist im Fragebogen nicht vorhanden, aber im Datensatz ausge-

wiesen.

105

Tabelle 22. Vergleich der Indikatoren des Konstrukts Einstellung zur Technolo-

gienutzung

Venkatesh et al.

(2003, S. 460)

Monitor Digitale Bildung (Schmid et al., 2017,

S. 13)

Unabhängig davon, ob Sie digitale Medien ein-

setzen, interessiert uns hier Ihre persönliche

Meinung zu unterschiedlichen Aspekten des

Themas. … Wie bewerten Sie digitales Lernen?

Using the system is a

bad / good idea.

Digitale Lehr- und Lernangebote sind motivie-

rend.

The system makes

work more interesting.

Digitale Lehr- und Lernangebote verringern die

Abbruchquoten im Studium.

Working with the sys-

tem is fun.

Digitale Lehr- und Lernangebote entlasten das

Lehrpersonal.

I like working with the

system.

Digitale Lehr- und Lernangebote verbessern die

Lernergebnisse.

Digitale Lehr- und Lernangebote fördern die At-

traktivität der Hochschule

Hinweis: Im Fragebogen von Nistor, Wagner, and Heymann (2012) wird das

Konstrukt Einstellung zur Technologienutzung nicht berücksichtigt.

Tabelle 23. Vergleich der Indikatoren des Konstrukts Nutzerverhalten

Venkatesh

et al. (2003,

zitiert in Nis-

tor et al.,

2012, S. 54)

Nistor et al.

(2012, S.

369)

Monitor Digitale Bildung (Schmid et al., 2017,

S. 2, S. 5, S. 8)

I regularly

use compu-

ters

Ich benutze

Computer

(allgemein).

Anzahl Nennungen der Arten von Medientech-

nik/Hardware bei der Frage:

Zunächst einmal interessiert uns, mit welcher

technischen Ausstattung Sie arbeiten und wie

Sie diese bewerten. Welche Medientech-

nik/Hardware nutzen Sie für Veranstaltungs-

zwecke an der Hochschule?

Smartphone, Tablet-PC, PC und Notebook, Di-

gitale Kamera, Interaktives Whiteboard, Bea-

mer

I regularly

use office

software

(Word, Ex-

cel, etc.)

Ich benutze

Bürosoft-

ware (Word,

Excel u.ä.).

Anzahl Nennungen der Arten von Lernmateria-

lien/-technologien bei der Frage:

In den letzten Jahren sind neue Angebotsfor-

men für Lerninhalte hinzugekommen. Welche

externen Lernmaterialien und Lerntechnologien

verwenden Sie in Ihren Lehrveranstaltungen?

106

Fortsetzung Tabelle 23

Lern-Apps, Lernmanagementsysteme (z.B.

Moodle oder ILIAS), digitale Lernressourcen

(z.B. eBooks, Lernvideos), Software (z.B. Kon-

struktions- und Kalkulationsprogramme, Plan-

spiele), Literaturveraltungsprogramme, Assess-

mentsysteme / Prüfungssysteme

I regularly

use the In-

ternet for in-

formation

search.

Ich benutze

das Inter-

net, um In-

formationen

zu suchen.

Anzahl Nennungen der Arten von Technologien

und Anwendungen bei der Frage:

Mit den digitalen Medien und Online-Diensten

wie Wikis oder Foren stehen neue Unterstüt-

zungsformen für die didaktische Arbeit zur Ver-

fügung. Welche der folgenden Technologien

und Anwendungen nutzen Sie?

Chat-Dienste (z.B. WhatsApp), Digitale Präsen-

tationstools (z.B. Power Point), Digitale Texte

(z.B. eBooks, PDF-Dokumente), Digitale Lern-

spiele / Simulationen, Elektronische Tests oder

Übungen, Foren / Communities / Blogs, Lern-

Apps, Lernmanagementsysteme (z.B. Moodle),

MOOCs, Software wie Kalkulations- oder Kon-

struktionsprogramme/Office/Datenbanken, So-

ziale Netzwerke (z.B. Facebook, Twitter, Insta-

gram), Cloud-Dienste (z.B. Google Drive, Drop-

box), Video-Angebote (z.B. YouTube), Voting-

Tools, Wikipedia oder andere Wikis, Sonstige

Anwendungen

I regularly

use the In-

ternet for

communica-

tion and in-

teraction

with other

internet us-

ers.

Ich benutze

das Inter-

net, um mit

anderen Be-

nutzern zu

kommuni-

zieren und /

oder intera-

gieren.

I regularly

use e-learn-

ing (technol-

ogy-en-

hanced

learning).

Ich benutze

E-Learning

(Lernen mit

elektroni-

schen Me-

dien).

Hinweis: Im Fragebogen des Monitors Digitale Bildung ist bei der Frage 2

„Smartphone“ als Antwortmöglichkeit nicht enthalten, aber im Datensatz.

107

Anhang 2 Messmodelle

Den Variablen in einer allgemeinen SGM werden folgende Notationen zugeord-

net (Weiber & Mühlhaus, 2014, S. 39).

Tabelle 24. Den Variablen einer SGM zugeordnete Notationen

Abkürzung

(Aussprache)

Bedeutung

η (Eta) Latente endogene Variable, die im Modell erklärt wird

ξ( Ksi) Latente exogene Variable, die im Modell nicht erklärt wird

Y Manifeste Messvariable für eine latente endogene Variable

X Manifeste Messvariable für eine latente exogene Variable

ε (Epsilon) Messfehler (Residualfehler) für eine Messvariable y

δ (Delta) Messfehler (Residualfehler) für eine Messvariable x

ζ (Zeta) Messfehler (Residualfehler) für eine latente endogene Va-

riable

Messmodelle zu den latenten exogenen Variablen

Messmodell zur Leistungserwartung

X1 = Messvariable 1 für die Leistungserwartung: Item „Anzahl Nennungen

von digitalen Lernkonzepten für „reine Wissensvermittlung““

X2 = Messvariable 2 für die Leistungserwartung: Item „Anzahl Nennun-

gen von digitalen Lernkonzepten für „Fertigkeiten vermitteln / Anwen-

dung des Wissens““

X3 = Messvariable 3 für die Leistungserwartung: Item „Anzahl Nennun-

gen von digitalen Lernkonzepten für „Sozialkompetenz fördern““

X4 = Messvariable 4 für die Leistungserwartung: Item „Anzahl Nennun-

gen von digitalen Lernkonzepten für „Selbstständigkeit fördern““

δ1 λ1

δ2 λ2

λ3

δ3

δ4 λ4

Abbildung 8. Messmodell zur Leistungserwartung

x1

ξ1

Leistungs-

erwartung

x2

x3

x4

108

Messmodell zur Aufwandserwartung

X1 = Messvariable 1 für die Aufwandserwartung: Item „Der Aufwand für die

Beschaffung der Lerninhalte ist zu hoch.“

X2 = Messvariable 2 für die Aufwandserwartung: Item „Der Aufwand für die

technische Ausstattung (Hard- & Software) ist zu hoch.“

X3 = Messvariable 3 für die Aufwandserwartung: Item „Die Wartung der Ge-

räte und Anwendungen ist zu teuer.“

X4 = Messvariable 4 für die Aufwandserwartung: Item „Die Studierenden

verfügen nicht über eine hinreichende medienbezogene technische Kom-

petenz.“

δ1 λ1

δ2 λ2

λ3

δ3

δ4 λ4

Abbildung 9. Messmodell zur Aufwandserwartung

Messmodell zum Sozialen Einfluss

δ1 λ1

Abbildung 10. Messmodell zum Sozialen Einfluss

Messmodell zu den Erleichternden Umständen

X1 = Messvariable 1 für die Erleichternden Umstände: Item „Es fehlt eine

didaktische Beratung zur digitalen Lehre an der Hochschule.“

X2 = Messvariable 2 für die Erleichternden Umstände: Item „Der Auf-

wand ist zu hoch und wird nicht auf das Lehrdeputat angerechnet.„

X3 = Messvariable 3 für die Erleichternden Umstände: Item „Wie würden

Sie die technische Ausstattung zum digitalen Lernen an Ihrer Hoch-

schule bewerten?“

ξ1

Aufwands-

erwartung

x1

x2

x3

x4

x1 ξ1

Sozialer Einfluss

109

X4 = Messvariable 4 für die Erleichternden Umstände: Item „Es fehlt eine

professionelle Betreuung der digitalen Infrastruktur an der Hochschule.“

δ1 λ1

δ2 λ2

λ3

δ3

δ4 λ4

Abbildung 11. Messmodell zu den Erleichternden Umständen

Messmodelle zu den latenten endogenen Variablen

Messmodell zur Einstellung zur Technologienutzung

Y1 = Messvariable 1 für die Einstellung zur Technologeinutzung: Item

„Digitale Lehr- und Lernangebote sind motivierend.“

Y2 = Messvariable 2 für die Einstellung zur Technologienutzung: Item

„Digitale Lehr- und Lernangebote verringern die Abbruchquoten im Stu-

dium.“

Y3 = Messvariable 3 für die Einstellung zur Technologienutzung: Item

„Digitale Lehr- und Lernangebote entlasten das Lehrpersonal.“

Y4 = Messvariable 4 für die Einstellung zur Technologienutzung: Item „Digi-

tale Lehr- und Lernangebote verbessern die Lernergebnisse.“

Y5 = Messvariable 5 für die Einstellung zur Technologienutzung: Item „Digi-

tale Lehr- und Lernangebote fördern die Attraktivität der Hochschule.“

λ1 ε1

λ2 ε2

λ3 ε3

λ4 ε4

λ5 ε5

Abbildung 12. Messmodell zur Einstellung zur Technologienutzung

ξ1

Erleichternde

Umstände

x3

x1

x2

x4

η 1

Einstellung zur

Technologienut-

zung

y1

y2

y4

y3

y5

110

Messmodell zum Nutzerverhalten

Y1 = Messvariable 1 für das Nutzerverhalten: Item „Anzahl Nennungen von

Medientechnik/Hardware für Veranstaltungszwecke an der Hochschule“

Y2 = Messvariable 2 für das Nutzerverhalten: Item „Anzahl Nennungen von

in Lehrveranstaltungen verwendeten externen Lernmaterialien und Lern-

technologien“

Y3 = Messvariable 3 für das Nutzerverhalten: Item „Anzahl Nennungen von

genutzten Technologien und Anwendungen für die didaktische Arbeit“

λ1 ε1

λ2 ε2

λ3 ε3

Abbildung 13. Messmodell für das Nutzerverhalten

η 1

Nutzerver-

halten

y1

y2

y3

111

Anhang 3 Stichprobe

Tabelle 25. Altersgruppen der Stichprobe

Altersgruppe Frauen Männer Häufigkeit Kumulierte

Prozente

18 bis 29 Jahre 8 5 13 5,4% 5,4%

30 bis 39 Jahre 18 28 46 19,0% 24,4%

40 bis 49 Jahre 32 36 68 28,1% 52,5%

50 bis 59 Jahre 28 58 86 35,5% 88,0%

60 Jahre oder älter 2 27 29 12,0% 100%

Gesamt 88 154 242 100,0%

Tabelle 26. Dauer der Tätigkeit als Hochschulehrende/r

Dauer der Tätigkeit Häufigkeit Kumulierte

Prozente

Weniger als 1 Jahr 23 9,5% 9,5%

1 bis 5 Jahre 77 31,8% 41,3%

6 bis 10 Jahre 54 22,3% 63,6%

11 bis 20 Jahre 58 24,0% 87,6%

21 Jahre und länger 30 12,4% 100%

Gesamt 242 100,0%

Tabelle 27. Trägerschaft der Hochschulen

Trägerschaft der

Hochschulen

Häufigkeit Kumulierte Prozente

Staatlich 139 57,4% 57,4%

Privat 95 39,3% 96,7%

Konfessionell 8 3,3% 100,0%

Gesamt 242 100,0% 100,0%

Tabelle 28. Fächergruppen (Mehrfachnennungen)

Fächergruppen N %

Wirtschaftswissenschaften, Rechtswissenschaften 71 23,4%

Ingenieurwissenschaften 52 17,1%

Gesellschafts- und Sozialwissenschaften 44 14,5%

Mathematik, Naturwissenschaften 40 13,2%

Medizin, Gesundheitswissenschaften 38 12,5%

Kunst, Musik, Design 31 10.2%

Sprach- und Kulturwissenschaften 21 6.9%

Agrar- und Forstwissenschaften 5 1,6%

Lehramt 2 0,7%

112

Anhang 4 Reliabilität und Validität der Konstrukte

Tabelle 29. Ergebnisse der EFA für das Konstrukt Leistungserwartung

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,785

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 333,659

Df 6

Signifikanz nach Bartlett 0,000

MSA, Kommunalität und Faktorenmatrix

MSA Kommunalität Faktorenmatrix

Wissensvermittlung 0,838 0,383 0,619

Anwenden/Fertigkeiten 0,775 0,621 0,788

Sozialkompetenz 0,817 0,421 0,649

Selbständigkeit 0,742 0,718 0,848

Tabelle 30. Ergebnisse der EFA für das Konstrukt Aufwandserwartung

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,658

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 317,925

Df 6

Signifikanz nach Bartlett 0,000

MSA, Kommunalität und Faktorenmatrix

MSA Kommunalität Faktorenmatrix

Aufwand Lerninhalte 0,829 0,342 0,585

Aufwand techn. Ausstattung 0,607 0,911 0,954

Wartung 0,627 0,656 0,810

Technikkompetenz Studie-

render

0,766 0,030 0,175

113

Tabelle 31. Ergebnisse der EFA für das Konstrukt Erleichternde Umstände

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,670

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 161,864

Df 6

Signifikanz nach Bartlett 0,000

MSA, Kommunalität und Faktorenmatrix

MSA Kommunalität Faktorenmatrix

Professionelle Betreuung 0,629 0,621 0,788

Anrechnung Lehrdeputat 0,823 0,079 0,280

Didaktische Beratung 0,637 0,558 0,747

Technische Ausstattung 0,778 0,232 0,482

Tabelle 32. Ergebnisse der EFA für das Konstrukt Einstellung zur Technologie-

nutzung

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,747

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 245,980

Df 10

Signifikanz nach Bartlett 0,000

MSA, Kommunalität und Faktorenmatrix

MSA Kommunalität Faktorenmatrix

Motivierend 0,707 0,514 0,717

Lernergebnisse 0,708 0,617 0,785

Entlastung 0,769 0,147 0,384

Attraktivität 0,839 0,251 0,501

Abbruch 0,794 0,307 0,554

114

Tabelle 33. Ergebnisse der EFA für das Konstrukt Nutzerverhalten

KMO- und Bartlett-Test

Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin 0,627

Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 198,788

Df 3

Signifikanz nach Bartlett 0,000

MSA, Kommunalität und Faktorenmatrix

MSA Kommunalität Faktorenmatrix

Genutzte technische Aus-

stattung

0,736 0,273 0,523

Genutzte externe Lernmate-

rialien/-technologien

0,617 0,484 0,696

Genutzte didaktische Unter-

stützungsformen

0,586 0,875 0,936

Tabelle 34. Verbleibende und auszuschließende Indikatoren

Kon-

strukt

Verbleibende Variablen Auszuschließende Variablen

Leis-

tungs-

erwar-

tung

Anzahl Nennungen von

digitalen Lernkonzepten,

mit denen das Ziel „Fertig-

keiten vermitteln / Anwen-

dung des Wissens“ er-

reicht werden kann

Anzahl Nennungen von

digitalen Lernkonzepten,

mit denen das Ziel „Selb-

ständigkeit fördern“ er-

reicht werden kann

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

das Ziel „Wissensvermittlung“

erreicht werden kann

Anzahl Nennungen von digita-

len Lernkonzepten, mit denen

das Ziel „Förderung der Sozi-

alkompetenz“ erreicht werden

kann

Auf-

wand-

serwar-

tung

„Der Aufwand für die tech-

nische Ausstattung (Hard-

& Software) ist zu hoch.“

„Die Wartung der Geräte

und Anwendungen ist zu

teuer.“

„Der Aufwand für die Beschaf-

fung der Lerninhalte ist zu

hoch.“

„Die Studierenden verfügen

nicht über eine hinreichende

medienbezogene technische

Kompetenz.“

115

Fortsetzung Tabelle 34

Erleich-

ternde

Um-

stände

„Es fehlt eine didaktische

Beratung zur digitalen

Lehre an der Hoch-

schule.“

„Es fehlt eine professio-

nelle Betreuung der digita-

len Infrastruktur an der

Hochschule.“

„Der Aufwand ist zu hoch und

wird nicht auf das Lehrdeputat

angerechnet.“

„Wie würden Sie die techni-

sche Ausstattung zum digita-

len Lernen an Ihrer Hoch-

schule bewerten?“

Einstel-

lung zur

Tech-

nolo-

gienut-

zung

„Digitale Lehr- und Lern-

angebote sind motivie-

rend.“

„Digitale Lehr- und Lern-

angebote verbessern die

Lernergebnisse.“

„Digitale Lehr- und Lernange-

bote verringern die Abbruch-

quoten im Studium.“

„Digitale Lehr- und Lernange-

bote entlasten das Lehrperso-

nal.“

„Digitale Lehr- und Lernange-

bote fördern die Attraktivität

der Hochschule.“

Nutzer-

verhal-

ten

„Anzahl Nennungen von

genutzten Technologien

und Anwendungen für die

didaktische Arbeit“

„Anzahl genutzte Medientech-

nik / Hardware der techni-

schen Ausstattung (Smart-

phone, Tablet-PC, PC und

Notebook, Digitale Kamera,

Interaktives Whiteboard, Bea-

mer)“

„Anzahl genutzte externe

Lernmaterialien und Lerntech-

nologien in Lehrveranstaltung

(Lern-Apps, LMS, digitale

Lernressourcen, Software, Li-

teraturverwaltungspro-

gramme, Assessment-/Prü-

fungssysteme)“

116

Tabelle 35. Korrelationsmatrix aller Faktoren

Faktor Aufwands-

erwartung

Einstellung

zur Techno-

logienutz.

Leistungs-

erwartung

Erleich-

ternde Um-

stände

Aufwandser-

wartung

1.000 0,052 -0,081 0,451

Einstellung zur

Technologie-

nutzung

0,052 1.000 0,372 -0,040

Leistungser-

wartung

-0,081 0,372 1.000 -0,152

Erleichternde

Umstände

0,451 -0,040 -0,152 1.000

Extraktionsmethode: Hauptachsenfaktorenanalyse. Rotationsmethode: Promax mit Kaiser-Normalisierung

Tabelle 36. Erklärte Gesamtvarianz

Summen von quadrierten

Faktorladungen für Extrak-

tion

Rotierte

Summe

Quadr. La-

dungen

Faktor Ge-

samt

% der

Varianz

Kumu-

lierte %

Gesamt

Aufwandserwartung 2,172 21,717 21,717 1,862

Einstellung zur Technologien. 1,928 19,280 40,997 1,646

Leistungserwartung 0,872 8,732 49,730 1,681

Erleichternde Umstände 0,720 7,199 56,929 1,582

Extraktionsmethode Hauptachsen-Faktorenanalyse Rotationsmethode: Promax mit Kaiser-Normalisierung

Tabelle 37. Indikatorreliabilitäten

Indikator Indikatorreliabilität (>0,40)

le1 0,575

le2 0,738

ae1 0,881

ae2 0,685

Soz 1,000

eu1 0,636

eu2 0,540

et1 0,545

et2 0,650

nv 1,000

117

Tabelle 38. Validität und Reliabilität der reflektiven Messmodelle

Konstrukt Item Faktor-

ladung

(stand.)

(>0,50)

Cron-

bachs

Alpha

(stand.)

(>0,70)

Inter-

Item-

Korrela-

tion

(>0,30)

Kon-

struktre-

liabilität

(>0,60)

DEV

(>0,50)

Leistungs-

erwartung

le1

le2

0,759

0,859

0,789 0,652 0,803 0,657

Aufwand-

serwartung

ae1

ae2

0,939

0,828

0,874 0,777 0,878 0,784

Erleich-

ternde Um-

stände

eu1

eu2

0,798

0,735

0,739 0,587 0,741 0.589

Einstellung

zur Techno-

logienut-

zung

et1

et2

0,738

0,806

0,754 0,606 0,748 0,697

Tabelle 39. Kovarianzen und Korrelationen der exogenen Konstrukte

Exogene

Konstrukte

Schätzung

Kovarianzen

Schätzung

Korrelat.

S.E. C.R.

(>1,96)

P

(<0,001)

LE <--> AE -0,008 -0,007 0,098 -0,086 0,931

LE <-->SE 0,296 0,256 0,086 3,423 ***

LE <--> EU -0,051 -0,040 0,113 -0,455 0,649

AE <--> SE 0,021 0,014 0,106 0,201 0,841

AE <--> EU 0,831 0,485 0,156 5,317 ***

EU <--> SE 0,212 0,134 0,120 1,774 0,076

118

Tabelle 40. Standardisierte direkte Kausaleffekte

SE EU AE LE ET

ET -0,130 -0,043 -0,088 0,429 0,000

NV 0,000 0,044 0,000 0,000 0,438

Tabelle 41. Standardisierte indirekte Kausaleffekte

SE EU AE LE ET

ET 0,000 0,000 0,000 0,000 0,000

NV -0,057 -0,019 -0,039 0,188 0,000

Tabelle 42. Standardisierte totale Kausaleffekte

SE EU AE LE ET

ET -0,130 -0,043 -0,088 0,429 0,000

NV -0,057 0,025 -0,039 0,188 0,438

Tabelle 43. Standardisierte Kausaleffekte der Teilstichproben

von LE auf ET von LE auf NV von ET auf NV

Ganze Stichprobe 0,429 0,188 0,438

Frau 0,266 0,101 0,380

Mann 0,488 0,220 0,451

<50 Jahre 0,354 0,089 0,252

>50 Jahre 0,548 0,326 0,595

<5 Jahre Lehre 0,304 0,118 0,389

>5 Jahre Lehre 0,514 0,257 0,500

119

Anhang 5 Moderatoren

Tabelle 44. Überprüfung des Moderators Geschlecht

Einge-

schr.

Modell

„Frau“

Uneinge-

schr. Mo-

dell

„Frau“

Differenz

Chi-

Quadrat

„Frau“

Einge-

schr. Mo-

dell

„Mann“

Unein-

geschr.

Modell

„Mann“

Differenz

Chi-

Quadrat

„Mann“

Chi-Quad-

rat

54,464 33,530 20,934 59,094 45,769 13,325

DF 26 25 1 26 25 1

GFI 0,897 0,933 0,926 0,942

AGFI 0,781 0,854 0,843 0,872

CFI 0,884 0,965 0,923 0,968

RMSEA 0,112 0,063 0,091 0,074

Chi-Quad-

rat/df

2,095 1,341 2,273 1,831

Tabelle 45. Überprüfung des Moderators Alter

Einge-

schr. Mo-

dell „<50-

Jährige“

Uneinge-

schr. Mo-

dell „<50-

Jährige“

Diff. Chi-

Quadrat

„<50-

Jährige“

Einge-

schr.

Modell

„>50-

Jäh-

rige“

Unein-

geschr.

Modell

„>50-

Jäh-

rige“

Diff. Chi-

Quadrat

„>50-

Jährige“

Chi-Quad-

rat

76,693 44,593 32,100 41,494 35,728 5,766

DF 26 25 1 26 25 1

GFI 0.891 0,936 0,932 0,942

AGFI 0,770 0,859 0,856 0,872

CFI 0,860 0,946 0,954 0,968

RMSEA 0,124 0,079 0,072 0,061

Chi-Quad-

rat/df

2,950 1,784 1,596 1,429

120

Tabelle 46. Überprüfung des Moderators Lehrerfahrung

Einge-

schr.

Modell

„<5

Jahre

Lehre“

Uneinge-

schr. Mo-

dell „<5

Jahre

Lehre“

Differenz

Chi-

Quadrat

„<5

Jahre

Lehre“

Einge-

schr.

Modell

„>5

Jahre

Lehre“

Uneinge-

schr. Mo-

dell „>5

Jahre

Lehre“

Differenz

Chi-

Quadrat

„>5

Jahre

Lehre“

Chi-Quad-

rat

57,082 33,188 23,894 51,603 36,575 15,028

DF 26 25 1 26 25 1

GFI 0,902 0,939 0,930 0,951

AGFI 0,793 0,866 0,852 0,892

CFI 0,875 0,967 0,941 0,973

RMSEA 0,110 0,058 0,084 0,057

Chi-Quad-

rat/df

2,195 1,328 1,985 1,463

121

Anhang 6 Korrelationstabelle der Indikatoren im Modell

Tabelle 47. Korrelationsmatrix der Indikatoren im Modell

122

Fortsetzung Tabelle 47

123

Versicherung