Non-formales Lernen gewinnt im alltäglichen Leben immer mehr an Bedeutung (Autorengruppe Bildungsberichterstattung, 2020). Dennoch sind die Abschlussquoten dieser Kurse eher gering (im Durchschnitt weniger als 10%; Jordan, 2014), obwohl die Lernenden anfangs hoch motiviert sind (de Barba et al., 2016). Daher stellt sich die Frage, wie sich die Motivation der Teilnehmenden über den Verlauf des Kurses verändert. Jedoch wird Motivation im non-formalen Kontext meist nicht längsschnittlich erhoben (z.B. Maya-Jariego et al., 2020; Romero-Frías et al., 2023) und dementsprechend ist über Motivationsverläufe in non-formalen Kursen nur wenig bekannt.

Ziel der Studie ist es herauszufinden, zu welchem Ausmaß sich non-formal Lernende hinsichtlich ihres anfänglichen Motivationsniveaus und ihrer Motivationsverläufe über den Zeitraum der Kursbearbeitung hinweg unterscheiden.

Ausgangspunkt für die Datenerhebung waren 51 frei zugängliche Online-Kurse der OPEN vhb (Virtuelle Hochschule Bayern, 2023). Die bis zu drei Messzeitpunkte wurden jeweils zu Beginn, nach 50% der Lektionen, sowie am Ende der Online-Kurse platziert. Die Teilnahme an den Onlinebefragungen war freiwillig. Insgesamt wurden 466 Teilnehmende (Alter in Jahren: M = 36, SD = 14.04, Range [16; 77]; davon 70.4% weiblich) in die Analysen mit einbezogen. Voraussetzung hierfür war, dass die erste Befragung ausgefüllt und eine Teilnahmebestätigung für den Kurs erreicht wurde. In allen drei Messzeitpunkten wurde situative Motivation (Subskalen intrinsische Motivation, identifizierte Regulation, introjizierte Regulation, externale Regulation und Amotivation von SIMS; Gillet et al., 2013; Guay et al., 2000) und situatives Interesse (SIS; Linnenbrink-Garcia et al., 2010) erfasst.

In einer latenten Klassenanalyse der fünf Subtypen situativer Motivation zu jeweils drei Messzeitpunkten hatte ein Modell mit vier Klassen den besten Fit. Innerhalb jeder Klasse zeigten sich die Ausprägungen der Subtypen situativer Motivation stabil über die Zeit, unterschieden sich aber in der Höhe der Ausprägung situativer Motivation. Die meisten Lernenden (N = 196) wurden dem Profil „autonomer Typ“ zugewiesen, das durch hohe Werte auf intrinsischer Motivation und identifizierter Regulation und gleichzeitig niedrigen Werten auf den anderen Subtypen gekennzeichnet ist. Darüber hinaus gab es den „kontrollierten Typ“ (N = 27) mit den höchsten mittleren Ausprägungen auf externaler Regulation und Amotivation, den „moderaten Typ“ (N = 126) mit überwiegend moderaten Ausprägungen auf allen Subtypen, und den „introjizierten Typ“ (N = 101) mit den höchsten mittleren Ausprägungen auf introjizierter Regulation.

In bivariaten Latent Change Score-Modellen wurde der Zusammenhang zwischen situativem Interesse und intrinsischer Motivation (N = 466; χ² = 446.036; df = 189; p <.001; CFI = .943; RMSEA = .055; SRMR = .053) und zwischen situativem Interesse und externaler Regulation (N = 466; χ² = 439.810; df = 189; p <.001; CFI = .950; RMSEA = .054; SRMR = .073) dargestellt. Es gab eine statistisch signifikante mittlere Veränderung der intrinsischen Motivation (σ² = .841, p <.001) und der externalen Regulation (σ² = .907, p = .003) von Messzeitpunkt 1 auf Messzeitpunkt 2 in Form eines Kompensationseffekts (d.h. Wachstum in intrinsischer Motivation bzw. externaler Regulation war für die Lernenden größer, die anfänglich niedrigere Werte hatten). Von Messzeitpunkt 2 auf Messzeitpunkt 3 gab es in beiden Modellen keine signifikante Veränderung.

Alles in allem zeigte situative Motivation eine bemerkenswerte Stabilität über den Zeitraum der Bearbeitung eines non-formalen Online-Kurses, wobei sich individuelle Unterschiede in der Höhe der Ausprägung der motivationalen Subtypen zeigen. Allerdings können keine Aussagen über Kursabbrechende getroffen werden. Daher diskutieren wir unsere Ergebnisse im Hinblick auf die hohen Dropoutraten in non-formalen Online-Kursen.

In Lern- und Leistungskontexten wie der Prüfungsvorbereitungsphase erleben Studierende eine Vielzahl positiver und negativer Leistungsemotionen, deren Regulierung entscheidend ist für akademischen Erfolg und Wohlbefinden (Forsblom et al., 2022; MacIntyre & Vincze, 2017; Pekrun et al., 2017; Pekrun et al., 2023). Trotz ihrer Relevanz sind Zusammenspiel und Dynamiken von Emotionen und Emotionsregulation allerdings noch wenig beforscht, zumal frühere Forschungsarbeiten primär auf between-person Ansätzen basieren (Jacobs & Gross, 2014). Zudem mangelt es an in situ Untersuchungen in anspruchsvollen Kontexten wie der Prüfungsvorbereitung (Rottweiler & Nett, 2021; Rottweiler et al., 2023)

So haben Studien Emotionsregulationsstrategien und deren Zusammenhang mit Stimmung, Affekt und diskreten Emotionen untersucht (Brans et al., 2013; Gross & John, 2003; Heiy & Cheavens, 2014). Im Rahmen meist querschnittlicher Untersuchungen wurde dabei etwa untersucht, ob eine Person, die trauriger ist als andere, auch vermehrte bestimmte Emotionsregulationsstrategien einsetzt. Es ist allerdings von entscheidender Bedeutung, die Dynamiken dieser Konstrukte im Laufe der Zeit zu verstehen, einschließlich ihrer Anpassungen in verschiedenen Situationen und ihres gegenseitigen Einflusses (Aldao et al., 2015). Aktuellen Emotionsregulationmodellen folgend (Gross, 1998; Gross, 2014; Gross, 2015; Harley et al., 2019) beeinflussen sich Leistungsemotionen und Emotionsregulation gegenseitig, wobei Emotionen verschiedene Regulationsstrategien auslösen und auch die Anwendung verschiedener Strategien die nachfolgenden Emotionen beeinflussen kann.

In dieser Studie verwendeten wir eine Experience-Sampling-Methode um Emotion und Emotionsregulation in situ zu erfassen und werteten die Daten mittels eines neuartigen statistischen Ansatzes aus, nämlich dynamischer Netzwerkmodellierung. Dieser erlaubt die simultane und multivariate Untersuchung von Zusammenhängen und Dynamiken zwischen Personen, zeitgleichen Zusammenhängen innerhalb dieser (z. B. wie kovariieren Veränderungen im emotionalen Erleben mit Veränderungen in der Nutzung von Emotionsregulationsstrategien) sowie zeitlich verzögerten Zusammenhängen (z. B. wenn eine Person mehr Ärger erlebt, welche Emotionsregulationsstrategien nutzt sie daraufhin, und umgekehrt, wie verändern sich Emotionen nach der Nutzung verschiedener Regulationsstrategien). Damit untersuchten wir die Zusammenhänge zwischen und innerhalb von Emotionen und Emotionsregulationsstrategien sowie deren zeitliche Stabilität. Wir interessierten uns insbesondere für Unterschiede in der Struktur der drei Netzwerke, da Effekte auf der Zwischenpersonenebene von den Innersubjekt-Effekten in einer spezifischen Lernsituation abweichen können. In Anlehnung an Rottweiler und Nett (2021) untersuchten wir zusätzlich Unterschiede in Abhängigkeit vom Abstand zur Prüfung (fünf Wochen vs. eine Woche vor der Prüfung) und erwarteten umso dichtere Netzwerke je näher die Prüfung.

Wir erhoben insgesamt 6,915 Experience-Sampling Angaben von 201 Studierenden zu sechs Emotionen (Freude, Stolz, Hoffnung, Zufriedenheit, Angst, Wut und Langeweile) und acht Emotionsregulationsstrategien (Unterdrücken, Ausdrücken, soziale Unterstützung, positives Neuorientieren, Aktivierung, Grübeln, Neubewerten, Handeln) während der Prüfungsvorbereitung in zwei Erhebungswellen (fünf Wochen und eine Woche vor wichtigen Prüfungen). Wir verwendeten dazu Kurzformen bewährter Skalen (Abler & Kessler, 2009; Bieg et al., 2014; Carver, 1997; Carver et al., 1989; Garnefski & Kraaij, 2007; Goetz et al., 2013; Gross & John, 2003). Für beide Erhebungszeiträume separat berechneten wir Dynamische Netzwerkanalysen, eine multivariate Form des graphical Vector Autoregressive Modeling (gVAR; Epskamp et al., 2018; Wild et al., 2010); Auswertungsskript: https://osf.io/b9x4s/?view_only=da40670d2139453598643a2ea1d31a9f.

Die Ergebnisse erbrachten unterschiedliche Cluster von Emotionen und Emotionsregulationsstrategien, wobei Handlungsaufnahme und Reappraisal eine besonders zentrale Stellung zur Erklärung der Zusammenhänge zwischen Emotionen und Emotionsregulationsstrategien einnahmen. Es fanden sich Hinweise für Auswirkungen von Emotionen auf die Anwendung von Emotionsregulationsstrategien und umgekehrt auch von Emotionsregulationsstrategien auf Emotionen, einschließlich selbstverstärkender Schleifen und Übertragungseffekte. Wir beobachteten zudem Unterschiede in der Stabilität der Konstrukte über die Zeit und zwischen den beiden Erhebungsphasen, was die Berücksichtigung nicht nur personen- und situationsspezifischer Komponenten, sondern auch des jeweiligen Kontextes unterstreicht. Emotionsregulation umfasst eine Vielzahl an Strategien, die mit individuellen und kontextbezogenen Merkmalen interagieren, was es zu einem anspruchsvollen, aber entscheidenden Forschungsbereich macht, um ein umfassendes Verständnis der Emotionsregulationsdynamik zu erlangen. Methodisch bekräftigen unsere Ergebnisse hierzu das Potenzial von dynamischen Netzwerkanalysen für Forschungsarbeiten zu diesem Thema.

The distributed practice effect describes the positive effect of distributing learning over multiple sessions for long-term retention (Carpenter et al., 2012; Cepeda et al., 2006; Dunlosky et al., 2013). This effect has been studied extensively. Most investigations of distributed practice are conducted either as experiments (e.g., Cepeda et al., 2006; Moulton et al., 2006) or field studies in which self-report is used to capture distributed practice (e.g., Jost et al., 2021; Rodriguez et al., 2018). Both approaches have strengths and shortcomings. While (lab) experiments do not capture realistic study behavior, self-reports can suffer from participants’ unwillingness to share or inability to recall exactly how they studied.

With learning platforms and apps becoming more and more ubiquitous, a lot of students’ study behavior is represented in their trace data. This allows for new ways of looking at distributed practice but also new questions. Since the data are now very fine-grained, there are fewer limits to the operationalization of distributed practice. However, not all operationalizations might be equally related to relevant study outcomes such as performance.

To bring light to the question of appropriate operationalizations of distributed practice in trace data, we examined the link between various measures of distributed practice and the final grade achieved in a high-stakes exam in 339 medical students studying on a digital learning platform. Students prepared for the exam over the course of several months, mostly by answering practice questions. Usage of the learning platform allowed us to base our analyses on log files capturing the timing and nature of the learning activities performed by the students. We first operationalized distributed practice via the number of days students answered practice questions on the platform. We could additionally take into account how many questions they answered in total. Both the number of questions answered in total and the number of study days served as predictors of students’ exam scores. Stepwise linear regression models revealed that the number of days on which students answered practice questions predicted exam grades even when controlling for the number of practice questions answered in total (β_questions = 0.07, p = .289; β_days = 0.13, p = .040). Students who studied on more days and, thus, distributed their learning more scored higher on the exam.

We are currently conducting further analyses, leveraging the fine-grained resolution of our data and taking into account the variability in the amount of practice questions answered over the course of exam preparation. This allows us to place emphasis on operationalizations of distributed practice in logfile data that vary in the degree of distributed practice. By this we mean whether students may have divided their learning over several days, but may have learned different amounts on those days. In this case, their learning would be divided but unevenly distributed. However, students could also learn exactly the same amount each day. In this case, their learning would be absolutely evenly distributed. To capture varying degrees of distributed practice, we will use growth models, time series clustering, and entropy scores. In a second step, the results of the different analyses will be used as predictors in a regression model with exam performance as the dependent variable. Results will be ready in time for the presentation. We will discuss the different approaches’ differences in granularity and predictive power as well as implications for theory and (research) practice.

Theoretischer Hintergrund

Die Fähigkeit, die eigene Motivation bewusst zu steuern, ist veränderbar (Xie et al., 2022) und spielt beim selbstregulierten Lernen (SRL) eine entscheidende Rolle (Miele et al., 2018). Studien zeigen dabei, dass die Regulation der Motivation bei Studierenden anlassspezifisch unterschiedlich gelingt (Engelschalk et al., 2015). Individuen neigen im Sinne der Erwartung-mal-Wert-Theorie (Atkinson, 1957) dazu, Handlungen zu unternehmen, bei denen sie davon ausgehen, dass ihre (Leistungs)Erwartungen erfüllt werden. Empirisch zeigt sich, dass bisher entwickelte Interventionen in der Lage sind, Selbstregulationsprozesse beim Lernen zu fördern und akademische Leistungen zu steigern (Bellhäuser et al., 2022). Dabei sollten Strategien nach Andersons Skill Acquisition Theorie (1982) auf Stufe 1 (deklaratives Wissen) erst explizit vermittelt und danach auf Stufe 2 (Prozeduralisierung) in ihrer Anwendung eingeübt werden.

Fragestellung

Im Rahmen dieser Studie wurde ein digitales Lernangebot erstellt, das die Motivationsregulation junger Studierender der ersten Hochschulsemester fokussiert und zukünftig nach erfolgreicher Evaluation über ORCA.nrw kostenlos für Studierende bereitgestellt werden soll. Es stellt sich aus Forschungsperspektive die Frage, ob die Motivationsregulation durch dieses digitale Lernangebot, das in SRL-Basiseinheiten und SRL-Auffrischungssitzungen zweigeteilt ist, gefördert werden kann. Studierende sollten in den Basiseinheiten zuerst lernen, ihre Motivationsprobleme zu diagnostizieren, bevor sie lernen, die richtigen Strategien auszuwählen und anzuwenden (konditionales Strategiewissen; z. B. Eckerlein, 2020). Es stellt sich spezifischer die Frage, ob zusätzliche Auffrischungseinheiten nach den Basiseinheiten den angenommenen Effekt der Basiseinheiten verstärken.

Methode und Lernumgebung

In dieser experimentellen 2x2+1-Studie in einem Prä-Post-Design wurden insgesamt 111 Studierende (M = 22.05, SD = 3.87, 73.9% weiblich) von Hochschulen aus dem deutschsprachigen Raum randomisiert auf fünf Versuchsbedingungen aufgeteilt: Sie erhielten über fünf Wochen hinweg entweder ein Online-Training zum selbstregulierten Lernen – bestehend aus SRL-Basiseinheiten und SRL-Auffrischungssitzungen – mit dem Schwerpunkt der Motivationsregulation (EG1), nur die oben genannten SRL-Basiseinheiten ohne SRL-Auffrischungssitzungen (EG3), alternative Basiseinheiten zum Thema Gestaltung wissenschaftlicher Arbeiten inkl. SRL-Auffrischungssitzungen (EG2), nur das alternative Angebot zur Gestaltung wiss. Arbeiten (EG4) oder gar kein Online-Training (KG).

Die SRL-Basiseinheiten und SRL-Auffrischungssitzungen greifen auf selbstproduzierte OER-Materialien wie kurzweilige Videos und interaktive Aufgaben zurück, die der Vermittlung von deklarativem und prozeduralem SRL-Strategiewissen dienen. Inhaltlich setzen sich die Studierenden mit drei typischen Motivationsproblemen auseinander: zu viel Lernmasse (Erwartungsproblem 1), mangelndes Vertrauen in die eigenen Fähigkeiten (Erwartungsproblem 2) sowie fehlende Sinnhaftigkeit (Wertproblem).

Neben demographischen Daten wurde vor (T1), nach den Basiseinheiten (T2) und nach den Auffrischungssitzungen (T3) das konditionale Strategiewissen erhoben, indem die Studierenden in einem Dropdown-Menü die passende Lernstrategie zum vorgegebenen Motivationsproblem auswählen sollten. Zusätzlich wurde zu T1 und T3 das subjektiv eingeschätzte Feeling of Knowing (FOK) mit drei Items eingeschätzt. Zu T3 wurde noch ein Instrument zum Lernzuwachs (Judgement of Learning; JOL), bestehend aus fünf Items, eingesetzt. FOK und JOL konnten jeweils anhand einer 7-Punkt-Likert-Skala beantwortet werden.

Ergebnisse

Die Ergebnisse zeigen einheitlich, dass die Studierenden, die die SRL-Basiseinheiten zur Motivationsregulation absolviert haben, sowohl bei dem Erwartungsproblem 1, F(8,212) = 2.36, p < .05, eta_p² = .08, als auch bei Erwartungsproblem 2, F(8,212) = 7.87, p < .001, eta_p² = .23, und dem Wertproblem, F(8,212) = 2.36, p < .001, eta_p² = .15, signifikant mehr konditionales Strategiewissen erwerben als die übrigen Experimentalgruppen und die Kontrollgruppe. Die SRL-Auffrischungssitzungen haben keinen zusätzlichen Lerneffekt. Bei den Instrumenten zu FOK und JOL unterscheiden sich EG 1 und EG 3 nach der Intervention nicht von der EG 2, die nur die SRL-Auffrischungssitzungen erhielt. Jedoch korrelieren FOK (.19 ≤ r ≤ .27; ps <.05) und JOL (.27 ≤ r ≤ .35; ps <.05) schwach bis mittelstark und signifikant mit dem konditionalen Strategiewissen zu T3. Weitere, differenziertere Ergebnisse sowie pädagogische Implikationen werden auf der Tagung vorgestellt und diskutiert.