Theoretischer Hintergrund

Die Digitalisierung bietet zahlreiche Möglichkeiten, Lehren und Lernen zu verbessern: Digitale Medien können den Unterricht bereichern (z.B. Weinhandl et al., 2025), Motivation steigern (Hillmayr et al., 2017) und Lernerfolg fördern (Hillmayr et al., 2020). Dennoch bleibt – zumindest in Österreich – der Einsatz digitaler Medien in Schulen begrenzt (z.B. Helm et al., 2024; Rölz & Höller, 2023), was unter anderem auf negative Einstellungen von Lehrkräften zurückgeführt wird. Dies wirft die Frage auf, welche Faktoren die Technologieakzeptanz von Lehrkräften beeinflussen.

Diese Studie basiert auf dem Technology Acceptance Model (TAM; Davis, 1989) und der Unified Theory of Acceptance and Use of Technology (UTAUT; Venkatesh et al., 2003), die Faktoren wie wahrgenommene Nützlichkeit, sozialen Einfluss und unterstützende Bedingungen für die Akzeptanz und Nutzung von Technologien betonen. Zusätzlich wird die Rolle der wahrgenommenen Kompetenz der Lehrkräfte untersucht, die als entscheidend für die erfolgreiche Integration digitaler Medien in den Unterricht gilt.

Fragestellung

Ziel ist es, Zusammenhänge zwischen individuellen und kontextuellen Faktoren zu analysieren, die die Nutzung digitaler Medien durch Lehrkräfte beeinflussen.

Methodik

Die Studie basiert auf einer Befragung von 2.090 Lehrkräften an österreichischen Sekundarschulen (AHS-Unterstufen und Mittelschulen). Die Daten wurden mittels Strukturgleichungsmodellierung analysiert, um Beziehungen zwischen zentralen Konstrukten des UTAUT-Modells zu testen.

Ergebnisse und Schlussfolgerungen

Verhaltensabsicht war ein starker Prädiktor für die tatsächliche Nutzung digitaler Medien im Unterricht (β = 0.441, p < .001), darüber hinaus hatten wahrgenommene unterstützende Bedingungen einen schwächeren, aber dennoch signifikanten direkten Einfluss auf die Nutzung (β = 0.166, p < .001). Die Verhaltensabsicht wurde maßgeblich durch wahrgenommene Nützlichkeit (β = 0.434, p < .001) und wahrgenommene Kompetenz (β = 0.562, p < .001) beeinflusst. Sozialer Einfluss beeinflusste die wahrgenommene Nützlichkeit positiv (β = 0.467, p < .001).

Das Modell erklärt 65.3 % der Varianz in der Verhaltensabsicht, 29.5 % der Varianz in der wahrgenommenen Nützlichkeit und 25.7 % der Varianz in der Nutzung digitaler Medien. Eine Multiple Group-Analyse zeigt, dass diese Ergebnisse weitgehend gleich für AHS-Unterstufen und Mittelschulen gelten.

Die Studie unterstreicht die Rolle persönlicher und sozialer Faktoren bei der Akzeptanz digitaler Medien und liefert empirische Unterstützung für das UTAUT-Modell. Im österreichischen Kontext, in dem digitale Geräte und Infrastruktur mittlerweile weit verbreitet sind, verschiebt sich der Fokus von technischen Barrieren hin zu motivationalen Faktoren, wie der Bereitschaft der Lehrkräfte, Technologie zu nutzen. Die Ergebnisse zeigen, dass zur Realisierung des Potenzials digitaler Medien eine Förderung positiver Einstellungen und unterstützender schulischer Umgebungen essenziell ist. Zukünftige Forschung sollte untersuchen, wie persönliche und kontextuelle Faktoren zusammenwirken, um Strategien für eine nachhaltige Technologieakzeptanz in der Bildung weiterzuentwickeln.

Theoretischer Hintergrund
Die fortschreitende Digitalisierung eröffnet dem Bildungswesen vielfältige Chancen, bringt aber zugleich erhebliche Herausforderungen (Petko et al., 2018; Seufert et al., 2018). Vor diesem Hintergrund stellt sich die Frage, was eine digital-fitte Schule ausmacht. Zur Beantwortung hat die Europäische Kommission das DigCompOrg-Framework entwickelt (Kampylis et al., 2015), das zentrale Handlungsfelder schulischer Digitalisierung beschreibt: Leadership & Governance, Teaching & Learning, Professional Development, Assessment, Content & Curricula, Collaboration & Networking sowie Infrastructure.

Bisherige Analysen im Rahmen von ICILS für Deutschland haben entlang dieser Dimensionen schulische Profile digitaler Fitness identifiziert (Drossel et al., 2020) und teilweise validiert (Gerick et al., 2018). Für Österreich fehlen jedoch entsprechende Untersuchungen, sodass unklar bleibt, inwiefern deutsche Befunde übertragbar sind. Diese Studie adressiert die Forschungslücke.

Fragestellung
Es wird untersucht, ob sich auf Grundlage von Lehrkräfteeinschätzungen unterschiedliche Profile digitaler Fitness identifizieren lassen. Zudem wird geprüft, (a) inwiefern zentrale Prädiktoren diese Profile vorhersagen und (b) ob sie mit relevanten Outcomes zusammenhängen.

Methode
Die Latente Profilanalyse in Mplus basiert auf einer österreichweiten Befragung von 2.090 Lehrkräften und rund 22.000 Schüler:innen an 120 Sekundarschulen zu den Dimensionen des DigCompOrg-Frameworks. Ergänzend wurden Prädiktoren (z.B. Berufserfahrung der Lehrkräfte oder Bildungshintergrund der Schüler:innen) sowie Outcomes (z.B. die digitale Fitness der Schule aus Sicht von Lehrkräften und Schüler:innen) erhoben. Alle Daten wurden auf Schulebene aggregiert.

Ergebnisse und Bedeutung
Die Latente Profilanalyse identifizierte drei Schulprofile:

• Basis-Schulen (36 %): Niedrigste Werte in allen Dimensionen, v. a. Infrastruktur und Nutzung
• Fitte Schulen (34 %): Solide Infrastruktur und Offenheit, aber noch kein konsequenter Einsatz digitaler Potenziale
• Vorreiter-Schulen (30 %): Überall höchste Werte, z.B. exzellente Ausstattung und hohe Digitalkompetenz

Multinomiale logistische Regressionen zeigen, dass ein höherer Anteil an Schüler:innen mit akademisch gebildeten Eltern (Est. = 7.375, p = .039) und bessere MS-Office-Kenntnisse (Est. = 3.94, p = .018) die Zugehörigkeit zu Vorreiter-Schulen begünstigen, während höheres Kollegiumsalter (Est. = –0.124, p = .044), höherer Frauenanteil (Est. = –3.381, p = .033) sowie bessere Durchschnittsnoten der Schüler:innen (Est. = –5.591, p = .004) sie verringern.

Bei den Outcomes berichten Lehrkräfte fitter und vorreitender Schulen eine höhere digitale Fitness (p < .001). Schüler:innen geben an, mehr digitale Kompetenzen erworben zu haben (p < .001), Tools häufiger fächerübergreifend zu nutzen (p < .001) und deren Einsatz stärker als lernförderlich wahrzunehmen (p < .001).

Die Ergebnisse zeigen, dass digital-fitte Schulen im Sinne des DigCompOrg-Modells eher nach Niveau als nach Mustern unterscheidbar sind. Prädiktoren und Outcomes stützen die Validität des Modells.

Die erfolgreiche Integration von Künstlicher Intelligenz (KI) in Bildungsumgebungen hängt entscheidend von der AI Readiness der Lehrenden ab, diese Technologien effektiv zu nutzen. Jedoch weisen internationale Studien auf die geringe AI Readiness der Lehrpersonen bezüglich des Einsatzes von KI hin, was eine sinnvolle Integration von KI im Unterricht behindern kann (Zhang et al., 2023). Dabei umfasst AI Readiness bezogen auf den Bildungsbereich nach Karaca et al. (2021): das theoretische Wissen zu KI, die Fähigkeit zur praktischen Nutzung von KI, die Vision zum Potenzial von KI in der Bildung und ethische Überlegungen. Zur Messung der AI Readiness liegt im deutschsprachigen Bildungsraum derweil noch kein validiertes Messinstrument vor. Daher befasst sich die vorliegende Studie mit der Validierung der deutschen Version der AI Readiness-Skala für Lehrpersonen. Zudem wird der Zusammenhang zwischen AI Readiness und wichtigen Merkmalen von Lehrpersonen, darunter digitale Kompetenzen, Alter, Geschlecht und Unterrichtserfahrung, untersucht.

Insgesamt nahmen 153 Lehrpersonen aus der deutschsprachigen Schweiz an dieser Studie teil. Zur Validierung der Vier-Faktoren-Struktur der AI Readiness-Skala, die die Subskalen Kognition, Fähigkeit, Vision und Ethik mit 18 Items umfasst, wurde eine konfirmatorische Faktorenanalyse durchgeführt. Die Ergebnisse bestätigten die Validität und Reliabilität der Skala (CFI = 0,92, TLI = 0,903, RMSEA = 0,088) mit einer starken internen Konsistenz der Subskalen (Cronbachs Alpha > 0,79). Korrelationsanalysen zeigen signifikante Beziehungen zwischen der AI Readiness und den digitalen Kompetenzen, wobei Lehrpersonen mit höheren digitalen Fähigkeiten eine grössere AI Readiness aufwiesen. So korrelieren digitale Kompetenzen (digitale Handlungskompetenz und wahrgenommene Nützlichkeit digitaler Medien) über alle vier Subskalen der AI Readiness sowie auf der Gesamtskala signifikant positiv.

Es wurden auch anfängliche geschlechts- und altersbedingte Unterschiede bezüglich der AI Readiness beobachtet. Männliche Lehrpersonen zeigen höhere AI Readiness als weibliche Lehrpersonen, besonders im Bereich der praktischen Anwendung von KI sowie der Vision zum Potenzial von KI in der Bildung. Ältere Lehrpersonen und solche mit mehr Unterrichtserfahrung zeigen eine geringere AI Readiness in Bezug auf das theoretische Wissen zu KI. Diese Effekte wurden jedoch bei statistischer Kontrolle für die digitalen Kompetenzen insignifikant, was die zentrale Rolle digitaler Kompetenzen für die AI Readiness von Lehrpersonen unterstreicht. Zur Förderung von AI Readiness sollten spezifische Fortbildungen entwickelt werden, die Lehrpersonen mit geringeren digitalen Kompetenzen gezielt unterstützen. Darüber hinaus ist die Vermittlung eines innovativen Mindsets entscheidend, um die erfolgreiche Integration von KI zu gewährleisten. Anwendung findet die deutsche AI Readiness-Skala bereits im Rahmen einer KI-Weiterbildung für Hochschuldozierende, die mittels Design-Based Research entwickelt wird (Schallert-Vallaster et al., 2025).