Theoretischer Hintergrund:

Regelmäßige Lernaktivitäten und die Nutzung von Selbsttests beim Lernen sind effektive Strategien für Lern- und Prüfungserfolg von Studierenden. Dennoch zeigen empirische Befunde, dass viele Studierende ungünstige Lernstrategien verwenden und Lernmaterialien oft erst kurz vor Prüfungen nutzen (Broadbent und Poon 2015; Ifenthaler et al. 2022). Die Motivationsforschung zeigt, dass Lernende mit hohen Erfolgserwartungen und subjektiven Wertüberzeugungen (SEVT: Eccles und Wigfield 2020) höhere Lernerfolge erzielen und z.T. auch eine höhere Anstrengungsbereitschaft zeigen, während höhere wahrgenommene Kosten mit geringeren Leistungen eihergehen. Wertüberzeugungen können hierbei in Intrischischen Wert, wahrgenommene Wichtigkeit, Nützlichkeit und Kosten eines Kurses oder Faches unterschieden werden. Kosten können weiterhin in Anstrengungskosten durch den Kurs an sich (task effort cost), konfliktierende Kosten durch andere Verpflichtungen (outside effort cost), und emotionale Kosten unterteilt werden. Eine offene Frage ist, ob und wie diese motivationalen Überzeugungen von Studierenden mit ihren Lernaktivitäten und der Nutzung von zur Verfügung gestellten Lernmaterialien in Lehrveranstaltungen assoziiert sind.

Die Studie untersucht zwei Fragestellungen: A) Sagen Erfolgserwartungen und Wertüberzeugungen die Nutzung von Lernmaterialien vorher? B) Wie sind kurspezifische Motivation (Erfolgserwartungen, Wertüberzeugungen) und die Nutzung von Lernmaterialien mit Kursleistung assoziiert?

Methode

Die Studie nutzt Survey Daten und digitale Verhaltensspurdaten aus dem Lernmanagement System Moodle aus zwei sozialwissenschaftlichen Vorlesungen an einer deutschen Hochschule (N=425 Studierende, Wintersemester 2022/23). Beide Vorlesungen fanden in einem wöchentlichen Rhythmus als Präsenzveranstaltung statt und Moodle wurde genutzt um den Studierenden die Vorlesungsfolien und freiwillige Übungsquizze zur Verfügung zu stellen. Die Motivation von Studierenden wurde zu Beginn des Semesters (T1) und in der Mitte des Semesters (T2) per Fragebögen erhoben. Moodle Daten wurden über das gesamte Semester erhoben. Es wurden zwei Variablen zum Nutzungsverhalten von Lernmaterialien verwendet: Die Anzahl aufgerufener Foliensätze und die Anzahl eingereichter Übungsquizze pro Studierendem. In längschnittlichen Strukturgleichungsmodellen in Mplus wurde berechnet wie T1 Motivation die Nutzung von Lernmaterialien in der ersten Semesterhäflte und T2 Motivation die Nutzung von Lernmaterialien in der zweiten Semesterhälfte sowie die Klausurnote vorhersagte.

Ergebnisse

Studierende nutzten die Vorlesungsfolien über das Semester hinweg, wohingegen Übungsquizze vorwiegend kurz vor der Abschlussklausur genutzt wurden. Studierende mit höherer Erfolgserwartung nutzen mehr Foliensätze und mehr Übungsquizze in der zweiten Semesterhälfte (Folien: β = .23, SE = .08, p < .05; Quizze: β = .15, SE = .07, p < .05), während höhere Wertüberzeugungen (intrinsischer Wert, Nützlichkeit, Wichtigkeit) mit vermehrter Folien- und Quiznutzung in der ersten Semestserhälfte einhergingen (Folien: β = .24, SE = .06, p < .05; Quizze: β = .20, SE = .06, p < .05). Bei den wahrgenommenen Kosten zeigte sich vor allem, dass Studierende die auf Grund anderer wichtiger Verpflichtungen und Aktivitäten angaben nicht genügend Zeit für die Vorlesung zu haben (outside effort cost) weniger Folien und Quizze nutzten (T1 Folien: β = -.22, SE = .06, p < .05; T2 Folien: β = -.16, SE = .06, p < .05; T2 Quizze: β = -.16, SE = .07, p < .05). Anstrengungskosten durch die Vorlesung an sich war ausschließlich mit geringerer Nutzung der Vorlesungsfolien zu T2 assoziiert (Folien: β = -.20, SE = .09, p < .05). Es zeigten sich keine Zusammenhänge zwischen der Motivation und Klausurleistung. Bezüglich der Nutzung von Lernmaterialien zeigte sich das vermehrte Nutzung der Quizze mit besseren (niedrigeren) Klausurnoten einhergingen (β = -.25, SE = .08, p < .05). Diese Ergebnisse zeigen, dass Selbsttests eine effektive Lernstrategie darstellen, die von Studierenden jedoch nur kurz vor Klausuren genutzt werden. Wie erwartet wurden Selbsttests eher von Studierenden mit höheren Erfolgserwartungen und „positiven“ Wertüberzeugungen genutzt. Interessanterweise zeigte sich bei den wahrgenommenen Kosten, dass weniger die Anstrengung oder Stress durch die Vorlesung selbst, sondern vor allem mangelnde Zeit auf Grund anderer Verpflichtungen mit geringerer Nutzung von Selbsttests einherging.

Theoretischer Hintergrund

Selbstreguliertes Lernen erfordert dass Lernende, ihre eigenen Lernaktivitäten überwachen und kontrollieren (Schunk & Zimmerman, 2023; Zimmerman & Schunk, 2011). Auch bei digital gestützten Lerngelegenheiten sind erfolgreiche Selbstregulationsstrategien von großer Bedeutung für den Lernerfolg (Azevedo et al., 2011; Winters et al., 2008). Metakognitionen, also das Wissen von Menschen über ihr eigenes Wissen, spielen eine zentrale Rolle für selbstreguliertes Lernen und sind ein zentraler Prädiktor für akademischem Erfolg (Soderstrom et al., 2016; Vrugt & Oort, 2008). Um zu erfassen, was Lernende über ihr eigenes Wissen wissen, werden typischerweise Selbsteinschätzungen erfragt. Bei den häufig verwendeten Judgments of Learning (JOLs; Koriat, 1997) beispielsweise werden Lernende gebeten, vorherzusagen, mit welcher Wahrscheinlichkeit sie gelernte Inhalte in einem späteren Test werden erinnern können. Studien zeigen, dass JOLs recht akkurat im Hinblick auf die Vorhersage zukünftiger Lernleistung sind (Rhodes & Tauber, 2011) und Einfluss auf Selbstregulation nehmen (Metcalfe & Finn, 2008). Da sich viele dieser Studien jedoch auf Laborparadigmen beschränken (siehe Rhodes, 2016), ist es eine offene Frage, ob JOLs auch im Feld Lernerfolg und Selbstregulation vorhersagen.

Ziel der vorliegenden Studie ist es, die Effekte von JOLs im Kontext eines intelligenten tutoriellen Lernsystems (Kulik & Fletcher, 2016; Ma et al., 2014) zu untersuchen, das von Studierenden für die selbstgesteuerte Klausurvorbereitung genutzt wird. Das Lernsystem bietet Übungsaufgaben in verschiedenen inhaltlichen Kapiteln zum Zwecke des practice testing (Roediger & Karpicke, 2006b, 2006a). Wir erwarteten, dass höhere JOLs für ein Kapitel mit höherer Leistung bei den Übungsaufgaben des spezifischen Kapitels und mit geringerer Lernzeit je Kapitel assoziiert sind. Hierbei erwarteten wir absolute Effekte hinsichtlich geringerer Lernzeit bei höherer JOLs und relative Effekte von mehr allokierter Lernzeit auf Kapitel mit relativ gesehen geringeren JOLs.

Methode

102 Studierende, die das intelligente tutorielle Lernsystem für die Vorbereitung auf eine Statistikklausur selbstreguliert nutzten (im Schnitt 24,72h reine Lernzeit je Individuum) erhielten jede Woche beim ersten Login in die Software die Aufforderung, ein JOL für jedes der sechs Kapitel abzugeben. Wir analysierten die prädiktive Validität der JOLs für das nachfolgende Lernverhalten. Wir betrachteten jeweils auf Tagesebene aggregierte Lernverlaufsdaten (Investierte Lernzeit und Anteil korrekt gelöster Aufgaben pro Tag und Lernkapitel), was in insgesamt N = 5321 Beobachtungen resultierte.

Mehrebenenanalysen bestätigten unsere Annahmen: JOLs hingen mit Persistenz und Leistung zusammen, wenn für allgemeine Trends steigender Lernaktivitäten und Leistung mit zeitlicher Nähe zur Klausur kontrolliert wurde (Capelle et al., 2022). Die kapitelspezifische JOLs sagten die Lösungswahrscheinlichkeit nachfolgender Übungsaufgaben im Lernsystem vorher, β = 0.14, p < .001. So wurde insgesamt weniger Lernzeit pro Tag für Kapitel investiert, bei denen höhere JOLs abgegeben wurden, β = -0.09, p < .001. Ebenfalls wurde die geringere relative Lernzeit pro Tag, das heißt die prozentuale Verteilung der Lernzeit auf die einzelnen Kapitel, durch die höhere relative Ausprägung der JOLs vorhergesagt, β = -0.09, p < .001.

Ergebnisse

Die Ergebnisse unterstreichen die prädiktive Validität von JOLs unter Nutzung objektiver Verhaltensspurdaten (Baker et al., 2020). JOLs eignen sich zur Vorhersage von zukünftiger Lernleistung und nachfolgendem Lernverhalten in einem intelligentem tutoriellen Lernsystem über den Verlauf mehrerer Wochen und unterstreichen damit die Bedeutung metakognitiver Prozesse bei der Selbstregulation von (digitalen) Lernaktivitäten. Auch wenn die Studie einen wichtigen Beitrag im Hinblick auf die Validierung von JOLs in bildungsbezogenen Lernumgebungen leistet und damit eine bestehende Forschungslücke schließt, ist sie mit einigen Einschränkungen im Design verbunden. Die Abgabe der JOLs im wöchentlichen Turnus sowie die aggregierte Abfrage auf Kapitelebene dürfte zu höherer Ungenauigkeit der Vorhersagen der Lernenden geführt haben. Eine Follow-Up Studie, bei der die JOLs während des Lernens auf Aufgabenebene abgefragt werden, zur Replikation und weiteren Validierung der Ergebnisse auch unter Betrachtung von Klausurerfolg, ist zum gegenwärtigen Zeitpunkt in Erhebung.*

*Auswertung der Daten bis zur GEBF avisiert

Theoretischer Hintergrund

Seit Jahrzehneten ist aus vielfältigen Laborstudien bekannt, dass verteiltes Lernen erfolgreicher ist als massiertes Lernen (z.B. Bjork & Allen, 1970). Dennoch wird weiterhin daran gearbeitet, ideale Lernverteilungen und Lernrhythmen zu finden (z. B. Murphy et al., 2022). Die deutliche Mehrheit der Studien untersucht Lernen dabei im Labor und über relativ kurze Zeiträume (Cepeda et al., 2006). Die fortschreitende Digitalisierung von Lernen macht es heute aber möglich, Lernen und Lernverhalten nicht-invasiv über digitale Verhaltensspuren zu untersuchen. In Bezug auf verteiltes Lernen ist von diesen Möglichkeiten aber bisher wenig Gebrauch gemacht worden. Yeckehzaare und Kollegen (2022) konnten durch dieses so gennnte Learning Analytics in einem Kurs zeigen, dass die Verteilung von Lernen im Semesterverlauf in Beziehung steht zum Lernerfolg. Analysen, die mehrere Dimensionen von Verteilung des Lernens und verschiedene Lernformate getrennt voneinander analysieren und dann in Beziehung setzen, fehlen jedoch.

Diese Untersuchung thematisiert daher, ob verschiedene Formen und Varianten von verteiltem Lernen alle jeweils positiv mit Lernerfolg verbunden sind. Außerdem sollen die Stärken dieser Beziehungen miteinander und mit der Beziehung zwischen Fleiß und Lernerfolg verglichen werden.

Methode

Untersucht wird ein einführender Statistikkurs des ersten Studienjahres verschiedener sozialwissenschaftlicher Studiengänge. Für n=181 Studierende des Kurses liegen digitale Verhaltensdaten und verknüpfbare Prüfungsdaten vor. Die Verhaltensdaten enthalten dabei Informationen über den Umgang der Studierenden mit den vorlesungsersetzenden Lernvideos, mit den Übungsaufgaben, über die (aktive und passive) Teilnahme am Tutorium und über die Nutzung des Kursglossars. Diese Daten wurden zu folgenden Variablen operationalisiert: als Maß für das rezeptive Lernen die Anzahl der im Laufe des Semesters angesehenen Lehrvideos (1), als Maß für das aktive Lernen die Anzahl der durchgeführten Übungen (2) und die Anzahl der Suchen im Glossar (3). Als viertes Maß für die Quantität des Lernens wurde die Häufigkeit der Teilnahme an Tutorien gezählt (4). Als Maß für die Verteilung des Lernens wurde sowohl für die gesehenen Videos (5) als auch für die bearbeiteten Übungen (6) der Anteil berechnet, der während des Kurses und nicht erst kurz vor der Prüfung stattfand. In Bezug auf die Übungen wurde auch berechnet, welcher Prozentsatz des Lernens sich auf einen bestimmten Wochentag konzentrierte (7) und welcher Prozentsatz des Lernens während des Tages zwischen 9 Uhr und 17 Uhr stattfand (8).

Ergebnisse

Die Korrelationen zwischen den genannten Variablen und dem Prüfungserfolg zeigen für alle Variablen hochsignifikante Korrelationen. Die Anzahl der absolvierten Übungen korreliert mit 0,540 am stärksten, während die Anzahl der angesehenen Videos deutlich geringer korreliert (0,274). Die geringste Korrelation findet sich für die Abfragen im Glossar mit 0,177. Die Teilnahme am Tutorium liegt relativ hoch (0,456). Unter den Variablen des verteilten Lernens korreliert auf Ebene der Verteilung im Kursverlauf der Anteil bei den Videos mit 0,494 deutlich höher als der Anteil der Fragen (0,209). Etwas höher korreliert die Konzentration des Lernens an einem Wochentag mit -0,342. Der Anteil des Lernens während des Arbeitstages korreliert mit 0,197 niedriger.

Bringt man alle genannten Variablen sowie den Abiturdurchschnitt und das Geschlecht in ein Regressionsmodell zur Erklärung des Erfolgs, ergibt sich ein Modell mit R^2=0,540. Neben dem Notendurchschnitt und dem Geschlecht zeigen auch die Gesamtzahl der bearbeiteten Übungen, der Anteil der während des Kurses angesehenen Videos und der Anteil der zwischen 9 und 17 Uhr bearbeiteten Fragen signifikante Effekte. Die anderen Effekte verschwinden aufgrund der Kollinearität der Prädiktoren.

Betrachtet man die Ergebnisse in ihrer Gesamtheit, so zeigt sich, dass die Verteilung des Lernens tatsächlich einen Einfluss auf den Lernerfolg hat. Allerdings sind diese Effekte für das rezeptive Lernen stärker als für das aktive Lernen. Daraus lässt sich schließen, dass in realen Lernumgebungen die Quantität und die Verteilung des Lernens relevant sind und darüber hinaus der Lernform Aufmerksamkeit geschenkt werden muss.

Theoretischer Hintergrund

Der positive Effekt von Selbsttests (retrieval practice, self-testing) auf das Lernen von Lernenden gehört zu den am besten gesicherten Erkenntnissen in der Lernforschung (z.B., Meta-Analysis von Yang et al., 2021). Es gibt jedoch relativ wenige Studien, die sich auf Mathematik in authentischen Kontexten konzentrieren, und unser Wissen über potenzielle Transfereffekte auf nicht getestete, aber konzeptuell verwandte Inhalte ist begrenzt. Obwohl einige Forscher*innen bezweifeln, dass Selbsttests zu einem Inhaltstransfer führen können, weil dieser mit zunehmender Komplexität verschwindet (Anderson et al., 1994; van Gog & Sweller, 2015), gibt es Hinweise darauf, dass ein Transfer auf nicht getestete, aber konzeptionell verwandte Informationen möglich ist (Bjork et al., 2014; Butler, 2010). In der vorliegenden Studie wurde mit Hilfe von Randomisierung innerhalb einer Person (within-person randomization) und einer Instrumentvariablen-Regression das Problem der Selektion in die Übung im Vergleich zu anderen Studien gelöst (Förster et al., 2018; Schwerter et al., 2022), um die Effekte kausal zu interpretieren.

Die Studie untersucht, (a) ob Übungstests die Leistungen von Studierenden in einem Mathematik-Grundkurs beeinflussen und (b) ob Übungstests einen Transfer auf ungeübte Mathematikaufgaben ermöglichen.

Methode

An der Studie nahmen Studierende der Betriebswirtschaftslehre (N = 731, 50% weiblich) teil, die in einem Mathe-Gateway-Kurs eingeschrieben waren. Eine Randomisierung innerhalb der Gruppe stellte sicher, dass alle Studierenden die wöchentlichen Online-Selbsttests erhielten und davon profitieren konnten. Die Studierende bearbeiteten wöchentlich eine Teilmenge aus einem größeren Pool möglicher Matheaufgaben und drei Zwischentests über das Semester hinweg. Hierbei bereiten die wöchentlichen Übungen jeweils auf den nächsten Zwischentest vor.

Wir untersuchten, ob die Studierende nur aufgabenspezifisches Wissen für die spezifischen Matheaufgaben erwarben, die sie bearbeiteten, oder ob sie auch mathematisches Wissen über die geübten Aufgaben hinaus erwarben (d.h. Transfereffekte). Die Studierende gaben zu Beginn der wöchentlichen Online-Übungen an, wie sie am Kurs teilgenommen hatten (Vorlesungen besuchen, Arbeitsblätter bearbeiten, Lösungsvideos ansehen). Die Teilnahme der Studierende und Fixed-Effects für jede Matheaufgabe dienten als Kontrollvariablen. Es gab Anreize für die Teilnahme: Die Studierende konnten sich die Teilnahme an der Abschlussprüfung anrechnen lassen.

Ergebnisse

Mit Hilfe von Instrumentvariablen-Regressionen wurden die Auswirkungen der Behandlung auf die Behandelten geschätzt. Einen zum 1%-Signifikanzniveau signifikanten positiven Übungseffekt um 3.7% und 4.0% in den respektiven Zwischentestaufgaben wurde gefunden, die die Studierende in ähnlicher Form in ihren wöchentlichen Online-Übungen geübt hatten, z. B. die gleiche Aufgabe, aber mit anderen Zahlen (Gruppe 1: β = .037, SE = .014, p < .01; Gruppe 2: β = .0.04, SE = .015, p < .01). Fixed-Effects und Random-Effects Panel-Regressionen bestätigten die Ergebnisse. Die Studierende schnitten am besten bei ähnlichen Matheaufgaben ab, deutlich schlechter bei mittleren Transferproblemen (z.B. unterschiedliche Formulierungen, β = -.038, SE = .016, p < .05) und am schlechtesten bei fernen Transferproblemen (neue Arten von Matheaufgaben; β = .785, SE = .022, p < .001). Die Wechselwirkungen zwischen der Treatmentvariable (welche spezifischen Probleme geübt wurden) und der Transferbedingung (kein Transfer, mittlerer Transfer und ferner Transfer) waren nicht signifikant, was darauf hindeutet, dass die Treatmentresultate unabhängig von der Transferbedingung waren (Gruppe 1 \times mittlerer Transfer: β = -.001, SE = .027; Gruppe 1 \times ferner Transfer: β = -.012, SE = .034; Gruppe 2 \times mittlerer Transfer: β = -.057, SE = .036; Gruppe 2 \times ferner Transfer: nicht genug Variation).

Diese Studie ist eine der ersten, die einen kausalen Nachweis für die Wirksamkeit von Übungstests in einem Mathe-Gateway-Kurs an der Universität liefert. Insbesondere deuten die Analysen darauf hin, dass der Treatmenteffekt auch für Mathematikaufgaben mit mittlerem und hohem Schwierigkeitsgrad gilt, was die Wirksamkeit von Übungstests im (höheren) Mathematikunterricht belegt. Die Studie zeigt somit, wie vielversprechend Übungstests sind, um das Lernen von Studierenden in anspruchsvollen Bildungskontexten zu unterstützen.

Fragestellung: Kognitive Lernstrategien, die Lerninhalte mit Vorwissen, Begründungen und Anreicherungen verknüpfen, gelten als förderlich für akademisches Lernen. Solche Strategien werden hier als „Elaborationsstrategien“ bezeichnet. Einzelstrategien wie „Warum?“-Fragen (Pressley et al., 1987; Woloshyn et al., 1992) und Selbsterklärungen (Berry, 1983; mit ausgearbeiteten Lösungsbeispielen z.B. Renkl, 2002; Atkinson et al., 2003) zeigen empirisch Lernwirksamkeit (Überblick s. Dunlowksy et al., 2013). In der vorliegenden Feldstudie wurde im ersten Semester des Lehramtsstudiums in einer bildungswissenschaftlichen Vorlesung eine Trainingsintervention für elaborative Strategieelemente durchgeführt. Untersucht wurde die Wirksamkeit in Bezug auf die Klausurleistung.

Methode: Von anfänglich N = 198 Studierenden wurden zu Beginn des Semesters demografische Daten, Abiturnote und selbstberichtete Lernstrategien (LIST-K, Klingsieck, 2018) erfasst. Während des Semesters konnten die Studierenden ein digitales Lernsystem mit verständnisfördernden MC-Lernfragen und elaborativem Feedback nutzen. Das Lernsystem errechnet einen Lernindex, der ansteigt, wenn MC-Fragen wiederholt richtig beantwortet werden (Retrieval Practice). Der Lernindex wurde am Abend vor der Klausur ausgelesen. Zeitlich etwa in der Mitte des Semesters wurde das Elaborationstraining als 90-minütiges Präsenztraining in Kleingruppen angeboten. Die Teilnahme war freiwillig. Das Training übte Elaborationsstrategien wie Vorwissensaktivierung, Beispiele finden, Fragen stellen / beantworten an Lerninhalten der Vorlesung.

Für die Analysen wurden diejenigen Studierenden einbezogen, die die Klausur zum Ersttermin am Ende des Semesters schrieben (N = 97), das digitale Lernsystem verwendet hatten (Ausschluss N = 16 ohne Nutzung) und die Abiturnote angegeben hatten (Ausschluss weiterer N = 15 ohne Angabe). Die resultierende Stichprobe umfasste N = 66 Teilnehmende (52 w, 14 m) mit einem mittleren Alter von M = 20.08 Jahren (SD = 1.99 Jahren). Hinsichtlich der freiwilligen Teilnahmeergaben sich annährend gleich große Gruppen (N_Teilnehmende = 34; N_Nicht-Teilnehmende = 32) , die sich in der Abiturnote nicht unterschieden, t(64) = 1.56, p = .123. Die ursprüngliche Klausurpunktzahl (theoretisches Maximum = 92) wurde um Fragen zu selbstreguliertem Lernen sowie um Fragen zu Inhalten aus dem Elaborationstraining bereinigt (theoretisches Maximum = 80, empirisches Maximum = 77).

Ergebnisse: Die Studierenden, die am Training teilgenommen hatten, erzielten tendenziell eine höhere Klausurpunktzahl (M = 59.0, SD = 9.0) im Vergleich zu denen, die nicht teilgenommen hatten (M = 55.4, SD = 9.8), t(64) = 1.46, p = .073 (einseitig). Hinsichtlich des Lernindex des digitalen Lernsystems fand sich kein Unterschied zwischen den Gruppen, t(64) = 1.31, p = .196. In einem multiplen Regressionsmodell, in welchem Abiturnote, die Teilnahme am Elaborationsstrategietraining (Intervention) als Prädiktoren sowie der Interaktionsterm zwischen Abiturnote und Teilnahme aufgenommen wurden, zeigten sich beide Haupteffekte signifikant, b_Intervention = 14.95, p = .042, b_Abiturnote = -6.67, p = .003. Darüber hinaus war der negative Interaktionseffekt marginal signifikant, b_Interaktion = -6.25, p = .054. Dieser zeigt einen tendenziell stärken Zusammenhang zwischen Abiturnote und Klausurpunktzahl für die Teilnehmenden am Strategietraining an. Eine Aufnahme des digitalen Lernindex als zusätzlichen Prädiktor in das Modell veränderte das Ergebnismuster nicht.

Diskussion: Die Ergebnisse zeigen, dass das Training unter Berücksichtigung der Abiturnote einen Effekt auf die Klausurleistung hatte. Allerdings trat eine Art „Matthäus“-Effekt auf: Die Abiturnote wirkte sich mit Training tendenziell stärker auf die Klausurleistung aus als ohne Training. Studierende mit besserer Abiturnote konnten also besonders vom Training profitieren. Studierende der Trainingsgruppe unterschieden sich nicht im Lernindex des digitalen Lernsystems von den anderen Studierenden. Sie müssen ihren Vorteil also aus qualitativ unterschiedlichem Lernverhalten gezogen haben, der mit dem Lernindex nicht erfasst wird. Künftige Entwicklungen richten sich auf die Integration von Elaborationstechniken in das digitale Lernsystem, womit auch darauf bezogenes Lernverhalten durch digitale Lernprozessdaten erfasst werden soll.

Die Hochschule erfordert von Studierenden neue Herangehensweisen, die vor allem die Investition in ihre eigenen Lernfähigkeiten betreffen (Pfost et al., 2020). Studierende neigen jedoch zu kognitiven Illusionen, präferieren ineffektive Lernstrategien und schätzen die Nützlichkeit verschiedener Lernstrategien falsch ein (Cervin-Ellqvist et al., 2021; Blasiman et al., 2017). Im Rahmen einer Pflichtveranstaltung für Lehramtserstsemesterstudierende erheben wir Lernprozessdaten mittels eines digitalen Lernsystems (DLS) und Fähigkeiten zu selbstreguliertem Lernen (SRL) mittels Selbstbericht. Obwohl SRL-Selbstberichte in Frage gestellt wurden (Artelt, 2000), bieten sie auch eine ökologische Möglichkeit, die grundlegenden SRL-Kenntnisse von Studierenden zu bewerten und Einblick in die Wahrnehmung ihres Lernverhaltens zu erhalten (Rovers et al., 2019). Wir untersuchen in der vorliegenden Studie, ob qualitativ unterschiedliche Subgruppen innerhalb von SRL-Selbstberichten (Dörrenbächer & Perels, 2016; Muwonge et al., 2020; Mindrila & Cao, 2022) zu Beginn des Semesters vorzufinden sind und ob diese Subgruppen Studierende mit Schwierigkeiten beim SRL identifizieren helfen.

Diese Studie ist Teil eines Kohorten-Projektes, in dem jährlich seit 2019 Lernprozessdaten und SRL-Selbstberichte erhoben werden. Aufgrund erster explorativer Analysen präregistrierten wir, dass drei distinkte Subgruppen in den Subskalen des LIST-K (Klingsieck, 2018) Unterschiede in der Anzahl der insgesamt bearbeiteten Aufgaben im DLS, der Anzahl der gelernten Tage im DLS, dem Lernindex des DLS und der Klausurleistung, jedoch keine Unterschiede in der Abiturnote als Kontrollvariable zeigen würden. Spezifischer sagten wir vorher, dass sich die Gruppe mit generell hohen Werten im LIST-K (H) von den Gruppen mit generell niedrigeren und generell mittleren Werten im LIST-K (L & M) unterscheiden, jedoch kein Unterschied zwischen der mittleren und niedrigen Gruppe bestehen würde.

Wir erfassten N = 198 Lehramtsstudierende im Herbst-Winter-Semester 2022 innerhalb einer vorlesungsbegleitenden Erhebung, wobei nur Studierende betrachtet wurden, die die Klausur zum Ersttermin geschrieben haben. Zu Beginn des Semesters wurde der LIST-K (Klingsieck, 2018) zusammen mit demographischen Variablen erhoben. Im Verlauf des Semesters loggte das DLS jede Lernhandlung der Studierende in Form digitaler Lernprozessdaten.

In einem ersten Schritt replizierten wir die latente Profilanalyse (LPA) mit drei Profilen (ICL = -15110; BIC = 15033; Entropy = .884, BLRTp =.009). Die drei Gruppen unterscheiden sich hinsichtlich ihrer selbstberichteten SRL-Ausprägungen (niedrig: N = 19, mittel: N = 133, hoch; N = 46). Alle drei Gruppen unterschieden sich nicht be-deutsam hinsichtlich der durchschnittlichen Abiturnote. Mittels des R-Pakets bain (Gu et al., 2023) testeten wir die folgenden informativen Hypothesen innerhalb einer Vari-anzanalyse für diese drei Gruppen für die abhängigen Variablen „Anzahl gelernter Fragen“, „Anzahl an Lerntagen“, „Lernindex des DLS“ und „Klausurerfolg“. (Die Hypothesen- und Ergebnisdarstellung entspricht der Empfehlung von Hoijtink et al., 2019):

H0 : μ_hohesSRL = μ_mittleresSRL = μ_niedrigesSRL

H1 : μ_hohesSRL > μ_mittleresSRL = μ_niedrigesSRL

Hu : μ_hohesSRL, μ_mittleresSRL, μ_niedrigesSRL

Die Auswertung der Daten mittels bayesianischer Statistik zeigt anekdotische bis moderate Evidenz für die aufgestellte Hypothese H1 (gleiche Werte in den Gruppen mit niedrigem und mittlerem SRL und größere Werte in der Gruppe mit hohem SRL) für die abhängigen Variablen „Anzahl der Lerntage“ (BF_10 = 2.49; Bayesian error probabi-lity (BEP) = .32), „Anzahl der gelernten Items“ (BF_10 = 4.63; BEP = .24) und „Lernin-dex des DLS“ (BF_10 = 4.55; BEP = .25). Bezüglich der Klausurleistung (BF_01 = 2.34; BEP = .33) zeigt sich anekdotische Evidenz für die informative Hypothese H0 (keine Unterschiede zwischen allen drei SRL-Gruppen). Explorative Analysen deuten zudem darauf hin, dass selbstberichtete SRL-Fähigkeiten mehr mit dem Lernverhalten zu-sammenhängen, wenn sie zum Ende des Semesters erfasst werden.

Die vorliegende Untersuchung zeigt, dass mittels eines ökonomischen Fragebogens zu Beginn des Semesters, Subgruppen von Studierenden identifiziert werden können, die sich bezüglich ihres Lernverhaltens innerhalb des DLS unterscheiden, jedoch nicht hinsichtlich ihrer Lernleistung.

Effektives Zeitmanagement ist eine wichtige Voraussetzung für einen erfolgreichen Studienverlauf (van der Meer et al., 2010; Wolters & Brady, 2020). Es gilt als integraler Bestandteil selbstregulierten Lernens und zeigt bedeutsame Zusammenhänge mit verschiedenen Studienerfolgsindikatoren (Aeon et al., 2021; Zimmerman & Moylan, 2009). Im Gegensatz dazu stellt Prokrastinationsverhalten, d.h. das bewusste Aufschieben geplanter Aufgaben trotz absehbarer negativer Konsequenzen, ein Merkmal mangelhafter Selbstregulation mit entsprechend negativen Konsequenzen für Studienleistungen dar (Kim & Seo, 2015; Steel, 2007). Prokrastination gilt unter Universitätsstudierenden als besonders verbreitetes Problem. Während in Umfragen 15–20% der Allgemeinbevölkerung regelmäßiges Prokrastinationsverhalten berichten, sind es unter Studierenden 80–95% (Steel, 2007). Ein Großteil der Betroffenen gibt dabei an in problematischem Ausmaß zu prokrastinieren und äußert den Wunsch, das Prokrastinationsverhalten zu reduzieren (Grunschel & Schopenhauer, 2015). Zeitmanagement-Trainings können Studierenden dabei helfen, ihr Prokrastinationsverhalten zu reduzieren (van Eerde, 2015). Die bisherige Befundlage zu Trainingseffekten auf Studienleistungen ist jedoch unklar. Eine mögliche Ursache hierfür ist die häufig inkonsistente Konzeptualisierung von Zeitmanagement in unterschiedlichen Trainingsstudien (Claessens et al., 2007). Diese weisen häufig keinen hinreichenden Bezug zu zugrundeliegenden Prozessmodellen selbstregulierten Lernens auf (Wolters & Brady, 2020). Demnach sollte ein effektives Training neben der Vermittlung von Strategiewissen auch praktische Übung in der Anwendung der Strategien sowie Anregung zur Reflexion der Strategieanwendung enthalten (Foerst et al., 2017; Wolters & Brady, 2020), wobei sich im Zusammenhang mit Studienleistungen insbesondere effektives Planungsverhalten als relevant erwiesen hat (Claessens et al., 2007).

Das Ziel der Studie war es zu untersuchen, ob ein konzeptuell an die Phasen des selbstregulierten Lernprozesses angelehntes Zeitmanagement-Training Studierenden dabei helfen kann, ihr Prokrastinationsverhalten zu reduzieren und dadurch ihre akademischen Leistungen zu verbessern. Zu diesem Zweck sollte den Studierenden zunächst deklaratives und prozedurales Wissen über Zeitmanagementstrategien vermittelt werden, um damit die Voraussetzungen für die Anwendung der Strategien zu schaffen. Daraufhin sollten die Studierenden im Verlauf des Semesters durch praktische Übungen lernen, ihr Lernverhalten selbstständig zu planen und ihr Planungsverhalten zu reflektieren. Dafür nahmen N = 57 Erstsemesterstudierende über den Verlauf eines Semesters an einem Online-Seminar zum Thema multimediale Präsentationen teil. Die Studierenden wurden zu Semesterbeginn zufällig in eine Trainingsgruppe und eine Kontrollgruppe aufgeteilt. Die Trainingsgruppe erhielt eine Einführung zu zentralen Zeitmanagementstrategien, deren Anwendung sie anschließend in wöchentlichen Übungen mit Fokus auf ihr Planungsverhalten übten. Teil der wöchentlichen Übungen waren zudem Leitfragen, die die Studierenden dazu anregen sollten, ihr Planungsverhalten zu reflektieren. Die Kontrollgruppe erhielt eine Einführung in wissenschaftliches Schreiben, welche ebenfalls wöchentliche Übungen von vergleichbarem zeitlichen Umfang enthielt. Alle Interventionsmaßnahmen wurden digital über die Kursoberfläche des Online-Seminars durchgeführt. Das Prokrastinationsverhalten der Studierenden wurde zu Beginn und zum Ende des Semesters mit der deutschen Version der Behavioral and Emotional Academic Procrastination Scale (BEPS; Bobe et al., 2022) erfasst. Der Studienerfolg der Studierenden wurde anhand einer Klausur am Ende des Semesters bestimmt.

Während die Interventionsgruppen sich zu Beginn des Semesters nicht signifikant in ihrem Prokrastinationsverhalten unterschieden, t(55) = 0.38, p = .703, berichtete die Trainingsgruppe (M = 2.78, SD = 0.72) zu Semesterende signifikant weniger Prokrastinationsverhalten als die Kontrollgruppe (M = 3.20, SD = 0.65), t(55) = 2.30, p = .026, d = 0.61. Die Trainingsgruppe zeigte zudem bessere Klausurleistungen am Ende des Semesters, t(55) = 2.82, p = .007, d = 0.77. Die Ergebnisse zeigen insgesamt, dass ein Zeitmanagement-Training Erstsemesterstudierenden dabei helfen kann, Prokrastinationsverhalten einzugrenzen und ihren Studienerfolg zu verbessern.

Die zunehmende Bedeutung von digitalen Lernumgebungen, v.a. in der Hochschulbildung, geht mit vermehrten Anforderungen an das selbstregulierte Lernen (SRL) der Studierenden einher (Kizilcec et al., 2017; Vosniadou, 2020). Jedoch bieten digitale Technologien auch Chancen, da sie es erlauben mit Log-Daten zum Lernverhalten zu arbeiten und somit Prozesse des SRL auf individuelle und adaptive Art zu unterstützen. Dabei gilt es, diese neuen Daten richtig zu interpretieren und gewinnbringend mit bestehenden Konstrukten zu kombinieren (Akbulut et al., 2023; Ellis et al., 2017). Ein für das Lernergebnis einflussreiches Verhalten ist die Prokrastination, deren zentraler Aspekt das Aufschieben einer Aufgabe ist (Schraw et al., 2007; Wolters, 2003). Auch wenn dieses Aufschieben durch Verhaltensdaten erfassbar ist, kann das Aufschieben von Aufgaben auch ein aktives, bewusst erwünschtes Verhalten des Lernenden sein (vgl. aktive Prokrastination, Chun Chu & Choi, 2005), oder mit motivationalen Aspekten zusammenhängen (Bäulke, 2021). Solche zugrundeliegenden Eigenschaften sind wiederum besser mit Selbstberichten abbildbar. In einem multimodalen Ansatz soll das Zusammenspiel und der gegenseitige Erkenntnisgewinn von selbstberichteter akademischer Prokrastination mit den Verhaltensweisen in einer digitalen Lernumgebung analysiert werden.

Die Anwendbarkeit dieses multimodalen Ansatzes wird zusätzlich bei der Untersuchung der Effektivität eines individuellen Feedbacks überprüft. In den beiden Kursen wurde jeweils ein der Rahmen der beiden Kurse. Hier wurde jeweils digitales Feedback eingeführt, das selbstreguliertes Lernen unterstützt und dabei auch die Effekte von Prokrastination mindern soll. Auf Basis von maschinellen Lernen und kontrafaktischer Erklärungen werden den Lernenden Vorschläge gemacht (Haag et al., 2023), wie sie sich in der Lernumgebung verhalten sollten (bspw. welche Videos sie anschauen oder welche Frageblöcke wiederholt bearbeitet werden sollten, um das bisherige Lernverhalten zu optimieren). Das Feedback soll Prokrastinationsverhalten beeinflussen, indem es einen Lerndruck erzeugt (McCloskey, 2011), sowie Anhaltspunkte zur Bearbeitung liefert.

Daher ist es Ziel unserer Studie die Effektivität des Feedbacks zu untersuchen und dessen Einfluss auf den Zusammenhang von Prokrastination mit Klausurnote. Darüber hinaus sollen multimodale Aspekte der Prokrastination (Selbstberichtet: akademische Prokrastination, Log-Daten: regelmäßiges Lernen, aufgeschobenes Lernen) in Zusammenhang gebracht werden um die jeweiligen Stärken bei der Vorhersage des Lernerfolgs herauszuarbeiten. Dies wird zusätzlich in einer Intervention zum SRL, welche auch einen Einfluss auf Prokrastination haben sollte, untersucht. Dabei nehmen wir an, dass die selbstberichtete Prokrastination sowie das Aufschieben negativ mit der Klausurnote zusammenhängt, das regelmäßige Lernen jedoch positiv. Dabei kann letzteres auch die Effekte der selbstberichteten Prokrastination ausgleichen.

Das Feedback wurde in einem Wirtschaftsinformatik Kurs im Bachelor (84 Studierende), sowie einem im Master (85 Studierende) implementiert. Nach einer sechswöchigen Baseline-Phase wurden in der Experimentalgruppe wöchentlich drei adaptive Handlungsvorschläge präsentiert, welche auf kontrafaktischer Erklärungen basieren (Bachelor: 41 Studierende; Master: 41 Studierende). Die Kontrollgruppe hat den Kurs ohne Feedback bearbeitet. Zu Beginn der Kurse wurden metakognitive Strategien (MSLQ; Pintrich et al., 1991) und Prokrastination erhoben (APS-S: McCloskey, 2011; Yockey, 2016). Aus dem wöchentlichen Lernverhalten (i.e., investierte Lernzeit pro Woche) wird ein Index für das Aufschieben von Lernaktivitäten erstellt. Die Anzahl der Wochen in denen der digitale Kurs bearbeitet wurde, wird als Maß für die Regelmäßigkeit hergenommen.

Vorläufige Ergebnisse der Bachelorstudierenden mit Regressionsanalysen zeigen zwar einen positiven Effekt der Komponente auf die Note (β = -.17, sig.; unter der Kontrolle der Regelmäßigkeit) – diesen Effekt beobachten wir jedoch nicht für Masterstudierende. Ob Lernende das Feedback umsetzen, hängt in beiden Kursen mit akademischer Prokrastination zusammen (multiple linearen Regression: β = -.39, sig.). Allerdings zeigt sich kein statistisch signifikanter moderierender Einfluss des Feedbacks für den Effekt der Prokrastination auf die Note. Wobei es in einer linearen Regression vor allem die Verhaltensdaten zur Regelmäßigkeit und zum Aufschieben sind, die statistisch signifikant zur Varianzaufklärung der Note beitragen (R² = .14). Im Beitrag wird des Weiteren auf das Zusammenspiel von berichteter Prokrastination und Regelmäßigkeit eingegangen.