Die Sicherstellung von Studienerfolg beispielsweise im Sinne guter Studienleistungen stellt ein zentrales Ziel des Hochschulsystems dar (Neugebauer et al., 2021). Während in der Vergangenheit häufig stabile Persönlichkeitseigenschaften als Prädiktoren von Studienerfolg betrachtet wurden (u.a. Schneider et al., 2019), ist die Entwicklung von Interventionsansätzen von der Identifikation beeinflussbarer Prozessvariablen abhängig. Besonders relevant sind diesbezüglich zeitveränderliche psychologische Merkmale (Studienmotivation; Eccles & Wigfield, 2020; Schneider & Preckel, 2017), Aspekte der Studien- und Lernsituation (Dietrich et al., 2022; Wild & Grassinger, 2023) und selbstreguliertes Lernverhalten (Zimmerman & Schunk, 2011). Im Rahmen des Symposiums werden Forschungsarbeiten zu diesen psychologischen und situativen Faktoren vorgestellt, die im Zeitverlauf in Zusammenhang mit Studienerfolg stehen sollten.

Die ersten beiden Beiträge fokussieren auf Bedingungsfaktoren der Motivationsentwicklung im Semesterverlauf. Der erste Beitrag betrachtet dabei als personelle Faktoren, wie Erwartungen an das Studium im Abgleich mit der erlebten Studienrealität in Beziehung zu der Motivationsentwicklung stehen. Dabei zeigt sich, dass enttäuschte Erwartungen hinsichtlich Studienschwierigkeit und Studiennützlichkeit mit einem (verstärkten) Motivationsverlust einhergehen. Der zweite Beitrag fokussiert auf Aspekte des erlebten Lehr- und Lernkontextes und vergleicht die Motivationsentwicklung in digitalen und Präsenzsemestern. Dabei zeigt sich ein generelles Absinken der Studienmotivation im Semesterverlauf, welches interessanterweise nicht abhängig von dem Ausmaß der Digitalisierung der Lehre ist. Allerdings erzielen Studierenden in digitalen Lernumgebungen geringere Leistungen und brechen früher das Studium ab. Dies legt nahe, dass insbesondere in herausfordernden digitalen Lernumgebungen (Li & Baker, 2018) dem Lernverhalten eine besondere Bedeutung zukommt. Die Bedeutung des (selbstregulierten) Lernverhaltens im Semesterverlauf wird in dem dritten und vierten Beitrag anhand objektiver Lerndaten (Logfile-Daten) genauer betrachtet. Der dritte Beitrag unterstreicht die angenommene Zentralität von strategischem Lernverhalten für Studienerfolg im digitalen Raum. So lässt sich in Bezug auf einen Onlinekurs zeigen, dass die Anwendung von Lernstrategien ein zentrales Bindeglied zwischen Lernvoraussetzungen und Lernerfolg ist. Im vierten Beitrag werden personale (Motivation, Selbstkontrolle) und situative Faktoren (zeitliche Distanz zur Klausur) als mögliche Prädiktoren für solches strategisches Lernverhalten bei der Nutzung von digitaler Lernsoftware genauer betrachtet. Es zeigt sich, dass neben der zeitlichen Nähe zur Klausur auch motivationale Variablen im Zeitverlauf mit zunehmender Lernaktivität assoziiert sind.

Die vorgestellten Beiträge verweisen auf erste praktische Möglichkeiten zur Förderung des Studienerfolgs, beispielhaft durch Sicherstellung einer gut informierten Studienfachwahl (Beitrag 1), bzw. dem Aufbau von Wissen über günstige Lernstrategien (Beiträge 3 und 4). Weitere Implikationen der vorgestellten Beiträge für ein prozessorientiertes Verständnis von Studienerfolg werden diskutiert sowie Empfehlungen für zukünftige Forschungsarbeiten abgeleitet.

Theoretischer Hintergrund

Der Übergang von der Schule an die Hochschule geht mit motivationalen Veränderungen einher (Gorges, 2017; Meier et al., 2013). Hierbei deuten sich differenzielle Trajektorien an (Dresel & Grassinger, 2013; Schnettler et al., 2020). Das Ausmaß dieser sowie Assoziationen damit sind wenig umfassend verstanden. Befunde aufgreifend, wonach die Studienwahlmotivation (Dörrenbächer-Ulrich et al., 2019), nicht erfüllte motivationale Erwartungen (Grassinger, 2018) sowie motivierendes Lehrenden-Feedback (Fyfe et al., 2014) mit Aspekten der Studienmotivation in Zusammenhang stehen, werden diese Faktoren als assoziiert mit der intraindividuellen Veränderung der Lern- und Leistungsmotivation sensu Eccles und Wigfield (2020) angenommen.

Hypothesen

Die intraindividuelle Veränderung im Fähigkeitsselbstkonzept und den motivationalen Werten (studiengangspezifisch) im Zuge des Übertritts an die Hochschule ist mit der Studieneingangsmotivation (H1), nicht erfüllten motivationalen Erwartungen (H2) und motivierendem Lehrendenfeedback (H3) assoziiert.

Methode

Lehramts-Studienanfänger:innen (N = 187; Alter = 19,97, SDAlter = 3,06; 82,5% weiblich) wurden eine Woche vor (T1) sowie vier (T2) und acht (T3) Wochen nach Studienbeginn befragt. Die Operationalisierung der Konstrukte erfolgte in Anlehnung an bewährte Instrumente (α =.69 – .91). Zur Prüfung der Hypothesen wurden die intraindividuellen Veränderungen der motivationalen Größen auf die angenommenen assoziierten Faktoren regressiert.

Ergebnisse

Das Fähigkeitsselbstkonzept und die motivationalen Werte sanken sowohl in den ersten 4 Wochen als auch von Woche 5 bis 8 jeweils signifikant. Der intraindividuelle Rückgang des Fähigkeitsselbstkonzepts in den ersten vier Wochen war umso ausgeprägter, je stärker das Studium aufgrund angenommener geringer Schwierigkeit oder fachlichem Interesse gewählt wurde, sowie je schwieriger und je weniger Freude bereitend als erwartet das Studium erlebt wurde. Das Zusammenhangsmuster zeigte sich für die weiteren vier Wochen nicht. Der intraindividuelle Rückgang der motivationalen Werte in den ersten vier Wochen war umso ausgeprägter, je stärker das Studium aufgrund pädagogischen Interesses und je geringer aufgrund fachlichem Interesse gewählt wurde, sowie je schwieriger und je weniger Freude bereitend und nützlich als erwartet das Studium erlebt wurde. Die Relevanz des pädagogischen Interesses und der wider Erwarten erhöhten Schwierigkeit zeigte sich auch für Veränderung in den weiteren vier Wochen.

Diskussion und Implikationen für Theorie und Praxis

Die Befunde replizierten Befunde einer ungünstigen Studienmotivationsentwicklung und verweisen darauf, dass diese bereits nach wenigen Erfahrungen mit der Hochschullehre zu beobachten ist. Zugleich waren hierbei bedeutende interindividuelle Unterschiede in den intraindividuellen Veränderungen zu beobachten. Die Relevanz der Studienwahlmotivation und nicht erfüllter Erwartungen hierfür unterstreichen mitunter die Bedeutung, die Online-Self-Assessments zur Studienwahlentscheidung auch für das Lehramtsstudium haben können, so dass Studienanfänger:innen besser über Inhalte und Aufbau des Studiums informiert sind.

Theoretischer Hintergrund

Auf der Grundlage der Expectancy-Value-Theory der Motivation (EVT; Eccles & Wigfield, 2020) wurden die Erwartungen und die Wertkomponenten der Motivation bei Studierenden erhoben und differenziert betrachtet. In Anlehnung an bisherige empirische Befunde zur Motivationsveränderung im Hochschulkontext wurde erwartet, dass bei Studierenden in Präsenzsemestern sowie in Onlinesemestern die Motivation über das Semester absinkt (z.B. Kosovich et al., 2017). Basierend auf der Self-Determination Theory (Ryan & Deci, 2000) und vorauslaufenden Befunden (z.B. Garris & Fleck, 2022) wurde aufgrund erschwerter Rahmenbedingungen und fehlender sozialer Interaktions- und Feedbackmöglichkeiten eine Verstärkung dieses negativen Trends in Pandemiesemestern angenommen. Analog sollten sich diese negativen Effekte auch in der Wissensleistung und der Dropoutrate niederschlagen (Benden & Lauermann, 2022; Pasion et al., 2021).

Fragestellung

Im Rahmen der ersten Forschungsfrage wurde untersucht, wie sich die Motivation zwischen Studierenden in Präsenzsemestern und Onlinesemestern unterscheidet. Die zweite Forschungsfrage zielte darauf ab, ob sich Unterschiede im Wissenserwerb und in der Dropoutrate zwischen den Gruppen zeigen.

Methode

Die Stichprobe bestand aus N = 690 Lehramtsstudierenden, die an fünf Messzeitpunkten an freiwilligen, semesterbegleitenden Selbsttests teilnahmen. Diese beinhalteten jeweils einen Wissenstest zu den Vorlesungsinhalten sowie die motivationalen Komponenten nach EVT. Zur Analyse der Motivationsentwicklung wurden latente Wachstumskurvenmodelle zweiter Ordnung in Mplus verwendet. Um Unterschiede in der Testleitung und der Dropoutrate zu untersuchen, wurden Mittelwertvergleiche in SPSS berechnet. Abschließend erfolgte eine Untersuchung des Dropouts unter Verwendung der Kaplan-Meier Survivalanalyse.

Ergebnisse

Längsschnittlich zeigten sich in der Gesamtstichprobe eine negative Veränderung der Motivation über das Semester (M(Linear slope) = -.15 - -.29, p ≤ .001), aber die erwarteten motivationalen Unterschiede zuungunsten der Studierenden in Pandemiesemestern wurden nicht bestätigt. Markant war die schlechtere Leistung im Wissenstest (t(632.94) = 2.90, p = .004) sowie die höhere Dropoutrate (χ²(1, N = 1546) = 50.64, p <.001) in Onlinesemestern. Die Survivalfunktionen unterschieden sich signifikant zwischen den Gruppen (χ²(1, N = 1546) = 50.50, p <.001).

Diskussion

Gründe für die überraschenden Befunde bezüglich der Motivationsentwicklung bestehen in einer Stichprobenselektion, Besonderheiten des Veranstaltungsformats oder einer an die Pandemiesituation angepassten Erwartungshaltung. Ebenso werden Grenzen und Stärken des Designs diskutiert.

Implikation für Theorie und Praxis

Die Stichprobe aus mehreren Studierendenkohorten, das längsschnittliche Design und die Verwendung von latenten Wachstumskurvenmodellen ermöglicht einen systematischen Vergleich von Motivation und Lernerfolg in Präsenz- und Onlinesemestern. Die Ergebnisse betonen die hohe Relevanz der Motivationsförderung und Prävention von Dropout, insbesondere bei digitalen Lehrformaten. Insbesondere das Phänomen des Dropouts sollte näher beleuchtet werden, um Faktoren zu identifizieren, die Dropout verlässlich vorhersagen können.

Selbstreguliertes Lernen gilt als Schlüsselkompetenz, die über den gesamten Bildungsweg hinweg von hoher Relevanz ist (Schneider & Preckel, 2017; Zimmerman & Schunk, 2011). Diese Relevanz zeigt sich besonders im Hochschulkontext, wo die geforderte Autonomie bei der Bearbeitung immer komplexerer Aufgaben eine besondere Herausforderung an die Selbstregulation von Studierenden darstellen kann (Händel et al., 2013). In diesem Zusammenhang erwiesen sich Ressourcenmanagementstrategien als besonders förderlich für den Lernerfolg (Richardson et al., 2012; Schneider & Preckel, 2017).

Theorien zum Prozess des selbstregulierten Lernens postulieren eine zyklische Abfolge von Wissens- und Verhaltenskomponenten, die sich, erfolgreich angewandt, positiv auf die Lernleistung auswirken können (Schmitz & Wiese, 2006; Zimmerman & Moylan, 2009). Der aktuelle Forschungsstand bietet jedoch kaum Evidenz zu den konkreten Zusammenhängen zwischen diesen Komponenten und dem Lernerfolg von Studierenden. Ohne die Berücksichtigung dieser Zusammenhänge besteht die Gefahr, den Einfluss einzelner Komponenten auf den Lernerfolg von Studierenden zu über- oder unterschätzen, wodurch praktische Implikationen, beispielsweise für die Konzeption von Lernstrategietrainings, verzerrt würden (Donker et al., 2014; Jansen et al., 2019).

In seiner Theorie zum selbstregulierten Lernen betrachtet Pintrich (2004) das Lernverhalten von Studierenden als Mediator zwischen ihren persönlichen Lernvoraussetzungen und ihrem Lernerfolg. Das Ziel unserer Studie war es, diese Mediationshypothese für verschiedene Ressourcenmanagementstrategien empirisch zu überprüfen. Zur Überprüfung des angenommenen Mediationsmodells wurde ein universitäres Seminar als Online-Kurs konzipiert, an dem 106 Erstsemesterstudierende über den Verlauf eines Semesters teilnahmen. Die Untersuchung fokussierte auf die Ressourcenmanagementstrategien Zeitmanagement, Anstrengungsregulation und Hilfesuchen, da diese sich in der einschlägigen Literatur als besonders relevant für Studienleistungen herausgestellt haben (Richardson et al., 2012; Schneider & Preckel, 2017). Das Lernstrategiewissen der Studierenden wurde mit Hilfe des Ressourcenmanagement-Inventars (ReMI; Waldeyer et al., 2020) getestet. Das Lernverhalten der Studierenden wurde im Rahmen des Online-Kurses beobachtet, der via Logdaten das Erfassen von Verhaltensindikatoren für die Anwendung der ausgewählten Lernstrategien ermöglichte. Der Lernerfolg der Studierenden wurde schließlich durch eine Klausur am Ende des Semesters erfasst.

Im Ergebnis stellte sich das strategische Lernverhalten der Studierenden erwartungskonform als statistisch bedeutsamer Mediator für den Zusammenhang zwischen Lernstrategiewissen und Studienleistung heraus (indirekte Effekte: β(a x b) = .09 – .11, alle p < .05; aufgeklärte Varianz des Lernerfolgs: R² = .16 – .25). Die Ergebnisse unterstützen das vorgeschlagene Mediationsmodell und zeigen insgesamt, dass das strategische Lernverhalten von Studierenden ein elementares Bindeglied zwischen ihrem Strategiewissen und ihrer akademischen Leistung ist. Dies spricht für die Berücksichtigung verschiedener Komponenten des selbstregulierten Lernens sowohl bei der Vorhersage von Studienleistung als auch bei der Konzeption entsprechender Interventionsmaßnahmen.

Während frühere Forschungsarbeiten die Bedeutung persönlicher Erwartungs- und Wertzuschreibungen für motiviertes Lernverhalten hervorgehoben haben (Erwartung-Wert-Theorien, EVT; Eccles et al., 1983; Wigfield & Eccles, 2000), fehlt die Integration zeitlicher Einflussfaktoren, die ebenfalls als wichtige Treibkräfte diskutiert werden (Capelle et al., 2022). Die Temporal Motivation Theory (TMT; Steel, 2007; Steel & König, 2006) kombiniert beide Ansätze in einer formalisierten Form, die Leistungsmotivation als Funktion von Erwartung, Wert, Anfälligkeit für Prokrastinationsverhalten und zeitlichen Abstand zu einer Frist zusammenfasst. Im Kontext der hohen Bedeutsamkeit selbstregulatorischer Herausforderungen bei eigenständigen (digitalen) Lernaktivitäten (Azevedo et al., 2011; Cheng & Xie, 2021; Winters et al., 2008) und der bisher unzureichenden Validierung der TMT mittels echter Lernverhaltensdaten (Roe, 2014; Steel et al., 2018) überprüften wir a) die prädiktive Validität der TMT-Formel für motiviertes Lernverhalten innerhalb eines digitalen Lernsystems und b) die Vorhersage des beobachteten Lernverhaltens durch die separaten Komponenten.

In der vorliegenden Studie untersuchten wir die Vorhersagekraft der TMT an N = 2351 Lerntagen von 127 Psychologiestudierenden bei der selbstregulierten Prüfungsvorbereitung für eine Statistikklausur im Laufe eines Semesters anhand von Logfile-Daten eines digitalen Lernsystems. Dies wurde von den Studierenden insgesamt im Schnitt 27.94 Stunden (SD = 14.42) für die Bearbeitung von Übungsaufgaben auf Basis des Testing-Prinzips (Roediger & Karpicke, 2006) genutzt. Wir erfassten die Erfolgserwartung (α = .85) sowie die Wert-Komponenten (α = .95) mittels des MoVE-Fragebogen (Schnettler et al., 2020) und die Selbstkontrollfähigkeiten (α = .83) mittels SCS-KD (Bertrams & Dickhäuser, 2009) als invertierte Messung der Anfälligkeit für Prokrastinationsverhalten.

In Mehrebenen-Regressionen (L1: Lerntage; L2: Personen) sagte der TMT-Score die Lernzeit der Studierenden bedeutsam voraus, β = 0.327, p < .001. Die separate Analyse der prädiktiven Validität der Subkomponenten zeigte, dass insbesondere die abnehmende zeitliche Distanz zur Statistikprüfung die Lernaktivitäten prädizierte, β = -0.276, p < .001, die anderen Facetten, sowie deren Interaktion mit der Zeit, jedoch keine signifikante Varianzaufklärung leisteten. Diese Ergebnisse konnten bei alleiniger Betrachtung der Lernaktivitäten nach der Probeklausur (N = 1,753) repliziert werden. Zusätzlich zeigte sich für diese Daten eine mit der EVT konforme Interaktion von Erwartungshaltung und Wertüberzeugungen, β = 0.065, p = .046.

Angesichts der laufenden Diskussion über eine eher situative Perspektive auf Leistungsmotivation und motiviertes Lernverhalten sollte die TMT um eine zusätzliche Variabilität der motivationalen Variablen erweitert werden (Dietrich et al., 2022; Eccles & Wigfield, 2023; Moeller et al., 2022). Damit können Lernende bei der Nutzung im Allgemeinen äußerst effektiver digitaler Lernumgebungen (Mousavinasab et al., 2021; VanLehn, 2011) besser unterstützt werden.