Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Sitzung
D11–1.19: Studienfähigkeit & Studienerfolg
Zeit:
Donnerstag, 26.03.2020:
11:15 - 13:00

Ort: 1.19

Präsentationen

Eingangsprofile von Lehramtsstudierenden und Erfolgsmerkmale zum Studienende

Antje Biermann1, Julia Karbach2, Frank M. Spinath1, Roland Brünken1

1Universität des Saarlandes, Deutschland; 2Universität Koblenz-Landau

Theorie

Sowohl in der allgemeinen als auch lehramtsspezifischen Forschung zu Studienerfolg werden als wesentliche individuelle Voraussetzungen die kognitive Leistungsfähigkeit, allgemeine Persönlichkeitsmerkmale wie Gewissenhaftigkeit oder Neurotizismus sowie lehramtsspezifische Eigenschaften wie die Berufswahlmotivation genannt (z.B. Blömeke, 2009). Im Rahmen der Person-Environment-Fit (P-E-Fit)-Theorie spielt darüber hinaus auch die Passung an die Anforderungen der Lernumwelt eine Rolle, die neben den genannten Eigenschaften im Zusammenhang mit Studienerfolgsmerkmalen wie Noten, der Studienzufriedenheit sowie der empfundenen emotionalen Belastung stehen können (Holland, 1997; Kaub et al., 2014). Im Bereich der Lehrerforschung existieren bisher wenig längsschnittliche Studien zur Prognose des Studienerfolgs; häufig werden variablenzentrierte Ansätze zur Berechnung der eigenständigen Validität bzw. zur inkrementellen Validität einzelner Variablen genutzt. Die vorliegende Studie nutzt demgegenüber einen personenzentrierten Ansatz. Hiermit können erstens Gruppen von Studierenden mit spezifischen Merkmalskombinationen zu Beginn des Studiums identifiziert werden (König et al., 2018). Mit der sich daran anschließenden Analyse auf Gruppenunterschiede in Hinblick auf Merkmale des Studienerfolgs können (un-)günstige Merkmalskombinationen identifiziert und für die Studieneingangs- und Verlaufsberatung nutzbar gemacht werden.

Methode

Bei N=624 Lehramtsstudierenden (62.7 % weiblich, 69 % LAG, Alter: M=20.33; SD=2.56) wurden im ersten Semester mehrere Eingangsmerkmale erfasst: Abiturnote, Persönlichkeit (NEO-FFI, Borkenau & Ostendorf, 2008), Berufswahlmotivation (FEMOLA, Pohlmann & Möller, 2010, sowie die Passung der allgemeinen Interessensorientierung an die Lernumwelt (Kaub et al., 2014). Von n=224 Studierenden liegen als Studienerfolgsmerkmale zum Ende des Studiums die Studienzufriedenheit (Westermann et al., 1996) und das Belastungserleben (Wahrscheinlichkeit der Musterzuordnung, AVEM, Schaarschmidt & Fischer, 2017) vor; von n=450 Studierenden konnte die Note des 1. Staatsexamens aus dem Prüfungsverwaltungssystem abgerufen werden.

In einem ersten Schritt wurden mit Hilfe einer Latenten Profilanalyse (LPA) unter Einbezug der zu MZP 1 erfassten Eingangsmerkmale Profile gebildet; in einem zweiten Schritt wurden diese Profile hinsichtlich der Studienerfolgsmerkmale auf Unterschiede geprüft.

Ergebnisse

Im ersten Schritt konnten 3 Gruppen identifiziert werden: Die erste Gruppe (Profil 1, 13.5%) zeichnet sich durch niedrige Werte im Bereich der intrinsischen Motive (z.B. pädagogisches Interesse) und einer hohen Ausprägung der vermeintlich geringen Schwierigkeit des Studiums aus. Darüber hinaus hat diese Gruppe deutlich höhere Neurotizismuswerte und die niedrigsten Werten in Gewissenhaftigkeit und Verträglichkeit. Diese Gruppe hat weiterhin die geringsten Passungswerte: Die Interessen passen am wenigsten zu den Anforderungen des Studiums. Demgegenüber zeichnet sich Profil 2 (n=35.6%) durch hohe intrinsische und niedrigere extrinsische Motivationsaspekte aus. Diese Gruppe hat die niedrigsten Neurotizismuswerte und die höchsten Werte in allen anderen NEO-Dimensionen. Außerdem ist die Passung der Interessen an die Anforderungen am höchsten. Profil 3 (50.9%) bewegt sich in allen erfassten Merkmalen eher zwischen den beiden anderen Profilen, die Werte für die Passung sowie die Offenheit für Erfahrungen und Gewissenhaftigkeit liegen jedoch unter dem Durchschnitt.

Die Gruppen zeigen statistisch signifikante Unterschiede hinsichtlich der Studienzufriedenheit am Ende des Studiums mit der günstigsten Ausprägung für Profil 2 und der niedrigsten für Profil 1. Desweiteren ist die Wahrscheinlichkeit, zum Studienende dem Gesundheitsmuster zugeordnet zu werden, für Profil 2 am höchsten und Profil 1 am geringsten. Ein gegensätzliches Muster zeigt sich für das Risikomuster B: Die Wahrscheinlichkeit, diesem Muster zuzugehören, ist für Profil 1 gegenüber den beiden anderen Profilen deutlich erhöht. Auch hinsichtlich der Staatsexamensnote zeigen sich signifikante Unterschiede zugunsten des Profils 2 und mit den schlechtesten Noten für Profil 1.

Mit Hilfe von in der Studieneingangsphase erfassten Merkmalen lassen sich drei Gruppen von Studierenden identifizieren, wobei eine Gruppe bereits zu Studienbeginn eine ungünstige Merkmalskombination aufweist (Profil 1). Diese Gruppe von Studierenden ist am wenigsten zufrieden, weist einen ungünstigen Umgang mit Belastungen auf und hat am Ende des Studiums die schlechteren Abschlussnoten. Die Ergebnisse bestätigen und erweitern damit die bisherige Forschung zu Eingangsvoraussetzungen im Lehramt um eine profilanalytische Längsschnittanalyse und sind insbesondere für die Studieneingangs- und Verlaufsberatung von hohem Interesse.



Welches Wissen brauchen Mathematikstudierende für einen erfolgreichen Studieneinstieg? Entwicklung eines Niveaumodells basierend auf einer Reanalyse von Daten

Stefanie Rach1, Stefan Ufer2

1Otto-von-Guericke-Universität Magdeburg, Deutschland; 2Ludwig-Maximilians-Universität München, Deutschland

Theoretischer Hintergrund

Studienabbruchquoten weisen darauf hin, dass vor allem der Studienbeginn im Bereich Mathematik viele Studierende vor große Probleme stellt (z. B. Heublein et al., 2014). Als Ursachen werden spezifische Anforderungen eines solchen Studiums benannt, für deren Bewältigung Studierende spezifische Voraussetzungen benötigen. Empirische Studien belegen, dass mathematisches Vorwissen Studienerfolg über allgemeine Leistungsindikatoren wie die Abiturnote hinaus vorhersagt (Hailikari et al., 2008; Rach & Heinze, 2017). Vor allem aus fachdidaktischer Sicht ist jedoch bisher unklar, welche Art bzw. Qualität von Vorwissen für die erfolgreiche Bewältigung mathematischer Lernprozesse an der Hochschule relevant ist.

Fachliches Wissen wird in der Literatur beispielsweise nach konzeptuellem und prozeduralem Wissen unterschieden (Rittle-Johnson et al., 2015). Während prozedurales Wissen häufig mit routinisierten Fähigkeiten in Verbindung gebracht wird, wird ein flexibles Netzwerk unterschiedlich strukturierter, bedeutungshaltiger Repräsentationen als eine wichtige Qualität konzeptuellen Wissens zur Mathematik angesehen (z. B. Gagatsis et al., 2006). Das Mathematikstudium ist von zunehmend intensiverer Nutzung symbolischer und formaler Notationen, z. B. in formalen Begriffsdefinition und Beweisen (Gueudet, 2008), geprägt. Da mathematische Konzepte dabei auch ohne bedeutungshaltige Repräsentanten dargestellt werden, wird im Hochschulkontext auch der flexible Wechsel zwischen Bedeutungsinhalten und formal-symbolischen Repräsentationen als wesentliche Voraussetzung für erfolgreiches Lernen diskutiert (Tall, 2008).

Fragestellungen

Um zu klären, welches Vorwissen ausschlaggebend für den Studienerfolg in Studiengängen mit hohem Mathematikanteil ist, werden die folgenden Fragestellungen fokussiert:

  • Lassen sich anhand der bisher verwendeten Vorwissenstests Niveaus von Vorwissen modellhaft differenzieren?
  • Welches Niveau fachspezifischen Vorwissens erreichen (im ersten Studiensemester) erfolgreiche Studierende im Vergleich zu nicht erfolgreichen Studierenden?

Methode

Bei dieser Studie handelt es sich um eine Reanalyse von Daten aus fünf längsschnittlich angelegten Studien aus den Jahren 2010 bis 2015 (vgl. Autoren, 2015, 2017). Insgesamt wurden 1533 Studierende (Bachelor Fachmathematik, Wirtschaftsmathematik, gymnasiales Lehramt) im ersten Semester befragt. Die Studierenden bearbeiteten zu Studienbeginn einen mathematischen Vorwissenstest zur Analysis mit 8 bis 10 Items aus einem Pool von 17 Items. Die Bearbeitungen wurden dichotom kodiert. Zusätzlich ist von 705 Studierenden bekannt, ob sie das Erstsemestermodul „Analysis 1“ bestanden haben.

Ergebnisse

In den verwendeten Tests ließen sich auf der Basis von IRT-Modellierungen und der Bookmark-Methode (Mitzel et al., 2001), validiert durch ein Expertenrating, vier Niveaus von Vorwissen identifizieren:

  1. Darlegen von Faktenwissen und Ausführen von Routineverfahren
  2. Nutzung von vertrauten Vorstellungen zu mathematischen Konzepten
  3. Flexible Nutzung mathematischer Konzepte mit eigenständigem Darstellungswechsel
  4. Flexible Nutzung formaler Schreibweisen von Konzepten

Erwartungsgemäß zeigt sich das mathematische Vorwissen auch unter Kontrolle der Gesamt-Abiturnote als starker Prädiktor für den Studienerfolg (Strukturgleichungsmodell: χ²(150) = 202.822 (p < .01); CFI = .940, TLI = .939, RMSEA = .022; Vorwissen Regressionskoeffizient: β = .752, p < .001). Deskriptive Ergebnisse sowie logistische Regressionsanalysen mit abhängiger Variable „Modulerfolg in Analysis 1“ zeigen zusätzlich, dass bereits Studierende, die sich auf Niveau 3 oder höher befinden, hohe Chancen haben, das Modul erfolgreich zu absolvieren. Damit scheint insbesondere Wissen mit einer guten Vernetzung verschiedener, bedeutungshaltiger Darstellungen für den Erfolg im ersten Studiensemester relevant zu sein. Besonders im Bereich der Niveaus 1 und 4 variiert die Erfolgswahrscheinlichkeit kaum.

Zusammenfassend gibt diese Reanalyse nicht nur Hinweise darüber, dass mathematisches Vorwissen relevant für einen erfolgreichen Studienbeginn im Bereich Mathematik ist, sondern auch welches Vorwissen Studierende mit hohen und niedrigen Erfolgschancen unterscheidet. Besonders relevant scheint schulisches Wissen zu sein, das über vertraute Vorstellungen hinausgeht und sich durch flexible Vernetzung unterschiedlich strukturierter Darstellungsformen auszeichnet. Wissen zu symbolischen Darstellungen und formalen Notationen scheint die Chancen, das Erstsemestermodul zur Analysis erfolgreich zu absolvieren, darüber hinaus nur wenig zu erhöhen. Aufgrund der hohen Stichprobenmortalität und der Fokussierung auf den Bereich der Analysis ist die Reichweite der Ergebnisse eingeschränkt. Es könnte jedoch beispielsweise als Grundlage für ein differenziertes, adaptives Online-Self-Assessment als Beratungsinstrument vor Studienbeginn dienen.



Der Einfluss des Beantwortens und Generierens von MC-Fragen auf den Lernerfolg im Studium

Natalie Enders1, Sandra Rothenbusch2

1Universität Hildesheim, Deutschland; 2TU Braunschweig, Deutschland

Die evidenzbasierten Gestaltung von Bildungsangeboten erfordert Erkenntnisse zu Prüfungsformaten sowie korrespondierenden Lehr- und Prüfungsvorbereitungsstrategien. An Hochschulen kommen aus ökonomischen Gründen häufig geschlossene Frageformate zum Einsatz, auf die sich Studierende mit Altklausuren und/oder Fragekatalogen vorbereiten (Schulz, Zehner, Schindler & Prenzel, 2014). Da ein Großteil der Lösungsstrategien für das Beantworten von Single-Choice-(SC-)Fragen auf Wiedererkennungsprozessen beruht (Kubinger, 2014), wird das Fragenbeantworten als Oberflächenstrategien eingeordnet (Scouller, 1998). Eine alternative Lernstrategie stellt das Generieren von SC-Fragen dar, das durch die Elaboration der Lerninhalte eine Tiefenverarbeitung anregen soll (Levin & Arnold, 2008; Yu & Wu, 2012).

Zur vergleichenden Betrachtung der Lernstrategien des Fragenbeantwortens und -generierens werden folgende Fragestellungen untersucht:

  1. Erzielen Studierende, die semesterbegleitende Frageaktivitäten (Fragenbeantworten und -generieren) ausführen, höhere Lernleistungen als Studierende, die keine Fragen beantworten und/oder generieren?
  2. Ist das Generieren oder das Beantworten von SC-Fragen die effektivere Lernstrategie?
  3. Beeinflusst die Qualität der Lernstrategieausführung die Lernleistung?

Die Frageaktivitäten wurden im Wintersemester 2017/18 in zwei inhaltlich identische Psychologievorlesungen integriert. Zu Semesterbeginn wurde Grundlagenwissen über Funktion und Einsatzbereiche der beiden Lernstrategien erläutert sowie Qualitätskriterien für SC-Fragen vermittelt. Anschließend wurden interessierte Studierende randomisiert zwei Interventionsgruppen zugeteilt: Zu einem dreiwöchigen Vorlesungsblock Gedächtnis (Interventionsphase 1) generierten die Studierenden in Interventionsgruppe 1 drei SC-Fragen, während die Studierenden in Interventionsgruppe 2 drei SC-Fragen beantworteten. Diese Frageaktivitäten der Interventionsgruppen wurden zum nachfolgenden dreiwöchigen Vorlesungsblock Lerntheorien (Interventionsphase 2) getauscht. Die Lernleistung aller Vorlesungsteilnehmer/innen wurde am Semesterende mit Hilfe einer SC-Klausur (30 Fragen, davon 7 Fragen zu Gedächtnis und 7 Fragen zu Lerntheorien) erfasst.

Die beiden Vorlesungen wurden von insgesamt N=566 Studierende besucht, von denen zu Interventionsphase 1 N=104 und zu Interventionsphase 2 N=92 an den freiwilligen Frageaktivitäten teilnahmen. Die Datenauswertung erfolgte mit SPSS 25 und R 3.5.3. Aufgrund des geringen Stichprobenumfangs sowie Verletzungen der Normalverteilungsannahme wurden zur Beantwortung der ersten beiden Fragestellungen robuste varianzanalytische Verfahren und zur Beantwortung der dritten Fragestellung robuste lineare Regressionsmodelle mit MLR-Schätzer verwendet (Field & Wilcox, 2017).

Zur Beantwortung von Fragestellung 1 wurden die Klausurpunkte der Studienteilnehmer/innen an den Klausurpunkten aller Vorlesungsteilnehmer/innen standardisiert. Studierende in Interventionsgruppe 1, MDifferenz=0.473, p=.006, und Interventionsgruppe 2, MDifferenz=0.484, p=.004, erzielten statistisch signifikant bessere Klausurergebnisse als Vorlesungsteilnehmer/innen, die an keinen Frageaktivitäten teilnahmen. Zudem zeigte der Vergleich zu den restlichen Vorlesungsteilnehmer/inne/n, dass die Teilnahme an beiden Frageaktivitäten, MDifferenz=0.479, p=.001, jedoch nicht die Teilnahme an nur einer Frageaktivität, MDifferenz=0.206, p=.216, mit besseren Klausurergebnissen zusammenhing.

Hinsichtlich Fragestellung 2 zeigt sich, dass die Interventionsgruppenzugehörigkeit nicht mit unterschiedlichen Klausurergebnissen einhergeht, MDifferenz=-0.002, Yt=-0.007, p=.993. Die Ergebnisse im Klausurteil Gedächtnis unterscheiden sich nicht danach, ob zu Interventionsphase 1 Fragen zum Gedächtnis generiert oder beantwortet wurden, MDifferenz=-0.058, Yt=-0.253, p=.805. Ebenfalls ergeben sich zu Interventionsphase 2 keine unterschiedlichen Ergebnisse im Klausurteil Lerntheorien in Abhängigkeit von der Fragengenerierung oder -beantwortung, MDifferenz=-0.223, Yt=-0.994, p=.334.

Zur Beantwortung von Fragestellung 3 wurde die Qualität der selbstgenerierten SC-Fragen anhand der Indikatoren „fachliche Korrektheit“, „Anspruchsniveau in der kognitiven Lernzieltaxonomie“ (Anderson & Krathwohl, 2001) sowie „Abstraktionsniveau“ bestimmt, während der prozentuale Anteil an korrekt gelösten SC-Fragen als Indikator für die Qualität der Fragenbeantwortung verwendet wurde. In den zugehörigen Regressionsanalysen zeigt sich, dass nur das kognitive Anspruchsniveau der selbstgenerierten SC-Fragen die Klausurergebnisse statistisch signifikant (b=.341, p≤.009) beeinflusst: Studierende, die Fragen auf einem höheren kognitiven Niveau entwickeln, erzielten mehr Punkte. Das Modell klärt 10,7% der Gesamtvarianz auf.

Zusammenfassend weisen die Ergebnisse darauf hin, dass semesterbegleitende Frageaktivitäten die studentische Prüfungsvorbereitung nur dann positiv unterstützen, wenn sie kombiniert eingesetzt werden. Während die Sequenzierung der Frageaktivitäten keinen Einfluss auf das Lernergebnis hat, erweist sich das Generieren qualitativ hochwertiger SC-Fragen als bedeutsame Einflussvariable. Die methodischen Einschränkungen durch das relativ hohe Dropout sowie der Einfluss potenzieller Selektionseffekte auf die Ergebnisinterpretation werden unter Berücksichtigung weiterer Ergebnisse zu relevanten Kontrollvariablen (z.B. studentisches Vorwissen, Selbstwirksamkeit und Einsatz zusätzlicher Lernstrategien) diskutiert.



Teilnahmeanreize und Testmotivation in einem Low-Stakes-Studierfähigkeitstest

Laura Schmidberger1, Kristina Kögler1, Brigitte Schönberger1, Steffen Brandt2

1Universität Hohenheim, Deutschland; 2opencampus.sh

Theoretischer Hintergrund

Eine verhältnismäßig geringe Testmotivation und hohe Abbruchquoten sind häufige Problemlagen in Low-Stakes-Assessments (Finn, 2015). Dabei können insbesondere fehlendes Interesse sowie eine nicht wahrgenommene Nützlichkeit oder Wichtigkeit einen negativen Effekt auf die Testleistung und die Validität der Fähigkeitsschätzer haben (Cole, Bergin & Whittaker, 2008). Insbesondere in onlinebasierten Low-Stakes-Studierfähigkeitstests mit dem Ziel der frühzeitigen Identifikation von Förderbedarfen in Massenstudiengängen wie den Wirtschaftswissenschaften wäre aber eine möglichst flächendeckende Teilnahme und genaue Fähigkeitsschätzung von großer Bedeutung zur Vermeidung hoher Studienabbruchquoten. Bisher weitgehend unklar ist in diesem Zusammenhang die Frage nach der Wirkung verschiedener Teilnahmeanreize wie etwa unterschiedlicher Teilnahmeansprachen oder der Integration von Gamification-Elementen. Ein Verfahren, das sich zur Überprüfung der Effekte variierender Testdesigns bewährt hat, sind A/B-Tests mit zufälliger Gruppenzuordnung (Kohavi & Longbotham, 2017).

Fragestellungen

Im Zuge der Entwicklung eines onlinebasierten Low-Stakes-Studierfähigkeitstests für den Bereich Wirtschaftswissenschaften werden folgende Fragen untersucht:

(1) Welchen Einfluss hat die Gestaltung der Teilnahmeansprache auf die Teilnahme- und Abbruchquoten in einem Low-Stakes-Studierfähigkeitstest?

(2) Lassen sich mittels der Integration von Gamification-Elementen die Teilnahme- und Abbruchquoten optimieren?

(3) Welchen Einfluss hat die Integration von Gamification-Elementen auf Testmotivation und Testergebnisse der Teilnehmenden?

Methode

Im Rahmen einer Pilotstudie wurden ca. 680 Studienanfangende der Studiengänge Wirtschaftswissenschaften und Wirtschaftspädagogik an der Universität Hohenheim unmittelbar nach der Einführungswoche aufgefordert an einem onlinebasierten Low-Stakes-Studierfähigkeitstest von ca. 45 Minuten teilzunehmen. Die Testung wird über die abwechselnde Integration entsprechender Teilnahmelinks als A/B-Test angelegt, bei dem sich die Gruppen zum einen in der Ausführlichkeit der Teilnahmeaufforderung und zudem hinsichtlich unterschiedlicher Testvarianten mit und ohne Gamification unterscheiden. Die Gamification-Elemente bestehen aus graphisch ansprechend aufbereiteten unterhaltsamen und nützlichen Informationen rund um die Universität Hohenheim und das Studium, die nach jedem dritten bis viertem Item eingeblendet werden (bspw. Informationen über Sportangebote, berühmte Hohenheimer Absolventen, studentische Feste, wichtige Daten und Fakten zur Universität oder humoristische Memes zum Studienalltag). Während der Testung werden Logdaten aufgezeichnet (Verweildauer, Lösungszeiten, Überspringen, etc.). Die Testmotivation wird auf Basis der Student Opinion Scale (SOS; Sundre & Thelk, 2007) gegen Ende der Testung erhoben. Mit etwas zeitlichem Abstand zur Testung erhalten die Studierenden per Email ein individualisiertes Feedback, das ihnen modulspezifische Schwächen und Stärken und entsprechende Fördermöglichkeiten aufzeigt.

Erwartete Ergebnisse

Es wird angenommen, dass die unterschiedlichen Teilnahmeaufforderungen zu Unterschieden hinsichtlich der Teilnahme- und Abbruchquoten führen. Angesichts der mehrdeutigen Befundlage im Zusammenhang mit der Ausführlichkeit von Teilnahmeansprachen bleibt zu klären, welche Variante sich für die vorliegende Zielgruppe als vorteilhaft erweist. Es ist ferner davon auszugehen, dass die Integration von Gamification-Elementen zu erhöhter Testmotivation führt, da diese durch ihre Unterhaltsamkeit und subjektive Relevanz einen Anreiz bieten können, den Test bis zum Ende gewissenhaft durchzuführen. Offen bleibt indes die Frage, ob sich auch die Testleistung durch die Integration von Gamification-Elementen steigern lässt oder ob diese eher ablenkend wirken. Erste Ergebnisse werden im Vortrag berichtet.

Diskussion und Relevanz

Low-Stakes-Studierfähigkeitstests dienen weniger der universitären Eignungsfeststellung im Rahmen der Auswahl und Zulassung von Studierenden, sondern eher der frühzeitigen Identifikation von fehlenden fachspezifischen Vorkenntnissen und Fertigkeiten sowie der entsprechenden Rückmeldung von Förderbedarfen. Sie bieten als solche wichtige Informationen für die Gestaltung von universitären Förderangeboten und entfalten bildungspolitische Relevanz bei der Verringerung von Studienabbruchquoten, insbesondere in Massenfächern wie den Wirtschaftswissenschaften. Die Freiwilligkeit der Teilnahme führt dabei häufig zu einem Vermeidungsverhalten der Hauptzielgruppe universitärer Förder- und Stützangebote und damit zu einer Gefährdung des eigentlichen Testzwecks. Angesichts des weitgehenden Fehlens von Befunden zur differenziellen Wirkung von Teilnahmeanreizen können die Ergebnisse der vorliegenden Pilotstudie insofern einen Beitrag zur Entwicklung valider Low-Stakes-Studierfähigkeitstests leisten.