Selbstregulative Lernaktivitäten von Studierenden sind notwendig, um erfolgreich Leistungsprüfungen zu bestehen (vgl. z.B. Landmann et al., 2015; Richardson et al., 2012). Dazu müssen Lerngelegenheiten geschaffen werden, die Studierende bestmöglich in ihrem Lernverhalten unterstützen und Prokrastination entgegenwirken (vgl. z.B. Robbins, 2009; Ulrich, 2020). Dieses Symposium möchte experimentell ausgerichtete Studien zu Gestaltungsmerkmalen hochschulischer Lernsettings vorstellen, welche die frühzeitige Aufnahme selbstregulativer Lernaktivitäten von Studierenden begünstigen können. So nehmen die ersten beiden Beiträge den Einfluss hochschuldidaktischer Interventionen in geblendeten Lehrformaten in den Blick: Ausgehend von den Potentialen kollaborativer Lernformen zeigt Beitrag 1 (Koppenborg & Klingsieck) in drei Folgestudien auf, wie die synchrone Zusammenarbeit mit anderen in Lerngruppen (gegenüber Einzelarbeit) Prokrastination reduzieren kann. Beitrag 2 (Ulrich & Wieczorek) erläutert, wie gestufte Hilfen zu Nachbereitungsaufgaben von virtueller Lehre zu frühzeitigeren Lernaktivitäten führen als klassische Lösungsbeispiele. Daran anschließend adressieren die Beiträge 3 und 4 die Spezifika der Ausgestaltung digitaler Lernumgebungen: Beitrag 3 (Ruwe & Mayweg-Paus) befasst sich mit der Frage, wie sich der Provider von Feedback (human vs. non-human) in Zusammenspiel mit personalisierter Sprache auf nicht-kognitive Aspekte des Lernens wirken (wie Motivation und Selbstwirksamkeit). Beitrag 4 (Paulus et al.) ergänzt, wie KI- generiertes Feedback über virtuelle Tools wie Chat GPT und Co von Studierenden angenommen wird und liefert so Hinweise für den gezielten Einsatz zur Unterstützung selbstregulativer Lernaktivtäten. Das Symposium schließt mit einer übergreifenden Zusammenführung und Diskussion der Diskutantin Elke Wild zu allen Beiträgen ab.

Literatur:

Landmann, M., Perels, F., Otto, B., Schnick-Vollmer, K., & Schmitz, B. (2015). Selbstregulation und selbstreguliertes Lernen. In E. Wild & J. Möller (Hrsg.), Pädagogische Psychologie (2., vollst. überarb. und aktualisierte Aufl., S. 45–65). Springer

Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students’ academic performance: A systematic review and meta-analysis. Psychological Bulletin, 138(2), 353–387.

Robbins, S. B., Lauver, K., Le, H., Davis, D., Langley, R., & Carlstrom, A. (2004). Do psychosocial and study skill factors predict college outcomes? A meta-analysis. Psychological Bulletin, 130(2), 261–288.

Ulrich, I. (2020). Gute Lehre in der Hochschule. Praxistipps zur Planung und Gestaltung von Lehrveranstaltungen (2., aktualisierte, korr. u. erw. Aufl.). Springer. https://doi.org/10.1007/978-3-658-31070-7

Gruppenarbeit kann im Vergleich zu Einzelarbeit zu höherer individueller Anstrengung, besserer Leistung und höherem positiven Affekt führen, wenn der eigene Beitrag als unverzichtbar für das Gruppenergebnis wahrgenommen wird. In zwei Vignetten-Studien und einem Feldexperiment werden die Hypothesen geprüft, dass Gruppenarbeit im Vergleich zu Einzelarbeit auch zu verringerter Prokrastination einer Aufgabe führt, dass wahrgenommene Unverzichtbarkeit den Effekt mediiert und dass habituelle Prokrastination diesen Effekt moderiert. Außerdem werden Effekte auf den aufgabenbezogenen Affekt untersucht.

In den zwei Vignetten-Studien wird mit der Erstellung eines Literaturverzeichnisses eine typische Studienaufgabe beschrieben, die entweder in Einzelarbeit oder in Gruppenarbeit durchgeführt wird. Im Feldexperiment wird diese Aufgabe von Studierenden tatsächlich durchgeführt, ebenfalls in Einzel- oder in Gruppenarbeit. Unverzichtbarkeit des eigenen Beitrags wird dabei durch sequenzielle Teilaufgaben operationalisiert (Studien 1 und 2) und durch Kombinationen von Aufgabenstruktur (additiv vs. konjunktiv) und relativer Fähigkeit (niedrig vs. hoch; Studie 3).

Prokrastination der Aufgabe wird mit dem Academic State Procrastination Inventory erfasst (Helmke & Schrader, 2000; 4 Items, mittleres Alpha = .79), habituelle Prokrastination mit der General Procrastination Scale (Klingsieck & Fries, 2012; 12 Items, mittleres Alpha = .91), Affekt mit der Positive and Negative Affect Schedule (Krohne et al., 1996; 20 Items, mittleres Alpha = .83) und wahrgenommene Unverzichtbarkeit mit zwei Items (mittleres r = .63). Im Feldexperiment wird die Anzahl eingereichter Aufgaben als Maß für Leistung erfasst.

In Studie 1 (Vignetten-Studie) wird mithilfe eines Innersubjekt-Designs (N = 193) gezeigt, dass Gruppen- im Vergleich zu Einzelarbeit zu geringerer Prokrastination der Aufgabe führt (d = 0.55) sowie zu höherem positiven Affekt (d = 0.46). Der Effekt auf Prokrastination ist besonders ausgeprägt bei Studierenden mit hoher habitueller Prokrastination (d = 1.08).

Studie 2 (Feldexperiment) bestätigt mithilfe eines Zwischensubjekt-Designs (N = 58) den Befund zu Prokrastination (d = 0.59). Außerdem zeigen die Ergebnisse eine bessere Leistung bei Gruppen- im Vergleich zu Einzelarbeit (d = 0.62), jedoch keine Unterschiede bezüglich des positiven Affekts.

Studie 3 (Vignetten-Studie) bestätigt mithilfe eines Innersubjekt-Designs (N = 443) die Befunde. Prokrastination der Aufgabe ist geringer bei Gruppenarbeit im Vergleich zu Einzelarbeit (mittleres d = 0.7). Dieser Effekt wird mediiert durch wahrgenommene Unverzichtbarkeit (d = 0.52) und ist stärker ausgeprägt bei Studierenden mit hoher habitueller Prokrastination (mittleres d = 0.3). Außerdem ist positiver Affekt stärker ausgeprägt bei Gruppen- im Vergleich zu Einzelarbeit (mittleres d = 0.51).

Die Ergebnisse sind relevant für Theoriebildung zu Prokrastination als Phänomen, das auch von sozialen Faktoren beeinflusst wird, sowie für Maßnahmen zur Prävention von Prokrastination.

Theorie: Gestufte Hilfen bieten Unterstützung zur Anwendung von Problemlösestrategien. Es erfolgen mehrere lernstrategische Hinweise pro Aufgabe, wobei keine Präsentation von Teillösungen erfolgt, sondern in kurzen Teilaufgaben die Anwendung verschiedener Strategien angeregt wird. Die Hilfen bauen aufeinander auf und die Lernenden entscheiden selbst nach individuellem Bedarf über deren Inanspruchnahme. Dadurch sollen Misserfolge trotz komplexer Aufgaben vermieden und Autonomieerleben ermöglicht werden (Hänze et al., 2010).

Methode: In einem experimentellen Design wurden 147 Bachelor-Studierende der Biotechnologie und Medizintechnik des ersten Semesters zu 3 Messzeitpunkten im Semester (Beginn, Mitte, Ende der Vorlesungstermine) befragt. Die Experimentalgruppe erhielt gestufte Hilfen, die Kontrollgruppe die Lösungen zu den Übungsaufgaben. Die Studierenden der Medizintechnik schrieben am Ende des Semesters eine Klausur, deren Note zusätzlich (über anonyme Codes) erhoben wurde. Zur Befragung nutzten wir die Skalen von Berger und Hänze (2004).

Ergebnisse: In einer zweifaktoriellen Varianzanalyse mit Messwiederholung zeigte sich der Interaktionseffekt, dass Studierende, welche gestufte Hilfen nutzen, in der Mitte und am Ende des Semesters weitaus häufiger repetitive Lernstrategien einsetzen als Studierende, welche die Lösungen erhielten (T = 0.07, F[2,97] = 3.35, p < .05, Eta² = .07). Dies ist nach Cohen (1988) ein mittlerer Effekt.

Zugleich konnte eine multiple Regression aufzeigen, dass sich repetitive Lernstrategien, v.a. am Semesterende, positiv auf den Klausurerfolg der Studierenden auswirken (F = 3.68, p < .01, R² = .37), ein großer Effekt nach Cohen (1988).

Diskussion: Insgesamt sprechen unsere Ergebnisse für den Einsatz gestufter Lernhilfen in der Hochschullehre. Künftige Studien müssen klären, ob unsere Ergebnisse auch bei Lehrveranstaltungen anderer Fächer, Studierenden höherer Semester und/oder bei Leistungsprüfungen, welche weniger repetitive Lernstrategien erfordern, gelten.

Literatur:

Berger, R., & Hänze, M. (2004). Das Gruppenpuzzle im Physikunterricht der Sekundarstufe II – Einfluss auf Motivation, Lernen und Leistung. Zeitschrift für Didaktik der Naturwissenschaften, 10, 205–219.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. Aufl.). Hillsdale: L. Erlbaum Associates.

Hänze, M. Schmidt-Weigand, F. & Stäudel, L. (2010). Gestufte Lernhilfen. In S. Boller & R. Lau (Hrsg.), Innere Differenzierung in der Sekundarstufe II. Ein Praxishandbuch für Lehrer/innen (S. 63-73). Weinheim: Beltz.

In Feedbackprozessen spielen Merkmale der Message, Implementation, Student, Context und Agent eine Rolle (Panadero & Lipnevich, 2022). Ihre Wirksamkeit hängt von kognitiven sowie nicht-kognitiven Aspekte ab (Henderson et al., 2019): Neben Leistung, sind Motivation, Emotionen, Selbstwirksamkeit sowie Wahrnehmungen des Feedbackproviders und Feedbacks von Bedeutung. Insbesondere beim Onlinelernen sollten sowohl soziale als auch nicht-kognitive Aspekte berücksichtigt werden (Evans, 2013). Soziale Cues können personalisierte Sprache (Moreno & Mayer, 2004) oder Feedbackprovider sein. Durch sie entsteht Social Presence, welche Interesse und Engagement erhöht (Seitchik et al., 2017). Neben Lehrenden oder Peers geben mittlerweile auch künstliche Intelligenzen Feedback (Hattie & Timperley, 2007). Schließlich stellt sich die Frage, wie Feedbackprovider und personalisierte Sprache nicht-kognitive Reaktionen der Lernenden (Motivation, Emotionen, Selbstwirksamkeit, Wahrnehmungen) auf schriftliches Online-Feedback zu Argumentationsfähigkeiten beeinflussen. Wir erwarten, dass sowohl Menschen als auch personalisierte Sprache vorteilhaft für die Wirksamkeit des Feedbacks hinsichtlich nicht-kognitiver Aspekte sind.

N = 98 deutsche Lehramtsstudierende (71.4 % weiblich; MAlter = 23.38, SDAlter = 5.47) nahmen an der 3 (Feedbackprovider: Peer, Lehrende, KI) X 2 (Sprache: personalisiert, neutral) between-subject-Studie teil. Zur Erfassung der abhängigen Variablen wurden validierte Fragebögen adaptiert (z.B. Hendriks et al.‘s (2015) Muenster-Epistemic-Trust-Inventory oder Bieleke et al.‘s (2021) Achievement-Emotions-Questionnaire-Short).

Die Ergebnisse zeigten, dass die KI im Vergleich zu Peers und Lehrenden (F(2, 95) = 6.17, R2 = 0.12, p < .01, η2p = 0.12) und Menschen (F(1, 96) = 11.1, R2 = 0.10, p < .01, η2p = 0.10) signifikant vertrauenswürdiger hinsichtlich ihrer Expertise wahrgenommen wurde. Dies deutet eine positive Einstellung gegenüber der KI an (Parasuraman & Manzey, 2010); möglicherweise da KIs angeblich unvoreingenommene Entscheidungen basierend auf großen Datenmengen treffen.

Weitere Effekte des Feedbackproviders (z.B. auf Emotionen und Selbstwirksamkeit) tendierten zur Signifikanz. Dies könnte beispielsweise an methodischen Gründen liegen (z.B. retrospektive Erfassung von Emotionen). Für zukünftige Forschung empfehlen wir Feldstudien sowie die Berücksichtigung weiterer Kontrollvariablen.

Die Implementierung von KI in Feedbackprozessen unter sorgfältiger Berücksichtigung der mit ihr interagierenden Personen (z.B. hinsichtlich ihrer Skepsis) scheint möglich. Allerdings sollte die Vertrauenswürdigkeit menschlicher Feedbackprovider ebenso berücksichtigt werden. Die Ergebnisse, zusammen mit bisheriger empirischer Forschung, bestätigen die Annahmen des MISCA-Modells, dass nicht-kognitiven Reaktionen der Lernenden, d.h. Wahrnehmungen des Feedbackproviders, auf schriftliches Online-Feedback zum argumentativen Schreiben durch den Feedbackprovider beeinflusst werden. Sowohl Theorie als auch Praxis sollten sich auf die Interaktion zwischen Feedbackprovidern und -rezipienten konzentrieren.

ChatGPT hat an den Hochschulen viele rechtliche, organisatorische und fachliche Fragen aufgeworfen. Textgenerierende Systeme und Chatbots bringen Herausforderungen, aber auch Chancen für die Hochschullehre mit sich. Wir fokussieren mit unserer Studie auf die Möglichkeiten einer KI-Unterstützung für Studierende. Dabei sind neben der Qualität der Unterstützung, zum Beispiel in Form eines Feedbacks zu schriftlichen Ausarbeitungen, auch die Einstellungen von Studierenden zu einer solchen KI-Unterstützung relevant. Wie bewerten Studierende die Mächtigkeit und Wirkungsbreite von KI-Systemen als Feedbackgeber im Studium?

Studien zu Computersystemen als Lernbegleiter zeigen ein vielfältiges Bild: Oft werden Menschen gegenüber Computersystemen als Interaktionspartner präferiert (Linnemann & Jucks, 2016). Systeme, welche z.B. mit elaborierter Sprache oder Berücksichtigung von Politeness-Kommunikationsstrategien (Brown & Levinson, 1987) aufwarten, werden hingegen ähnlich gut akzeptiert wie Menschen und beispielsweise als wohlwollender wahrgenommen als eingeschränkter und direkter kommunizierende Systeme (Jucks et al., 2018; Krämer et al., 2017). Diese Ergebnisse sprechen dafür, dass bei der Kommunikation mit KI-Systemen soziale Kognition in ähnlicher Weise eine Rolle spielt wie in der Kommunikation mit Menschen. Grundlegende Dimensionen sozialer Kognition sind die Wahrnehmung von agency (Handlungsorientierung) und communion (Gemeinschaftsorientierung).

In einer experimentellen Studie sind wir der Frage nachgegangen, wie eine KI als Feedbackgeber wahrgenommen wird und inwiefern Politeness diese Einschätzungen beeinflusst. 284 Studierende bekamen einen fiktiven Chat-Dialog vorgelegt, in dem ein Student Feedback zu einer schriftlichen Ausarbeitung erhielt. In einem 2x2 between-subjects Design wurde einerseits variiert, wer als Feedbackgeber benannt wurde (Lehrender vs. KI-System), andererseits die Ausgestaltung des Feedbacks (wertschätzend/höflich vs. direkt/ungeschönt). Als abhängige Maße wurden Skalen zur Erfassung von epistemischer Vertrauenswürdigkeit (mit den Subskalen Wohlwollen, Expertise und Integrität; Hendriks et al., 2017) sowie von agency und communion (Abele & Bruckmüller, 2013) eingesetzt.

Die Ergebnisse zeigen, dass dem KI-System weniger Wohlwollen zugesprochen wurde als dem Lehrenden. Darüber hinaus löste höflich formuliertes Feedbacks stärkere Wahrnehmungen von Wohlwollen und communion aus als direktes bzw. ungeschöntes. Ein direktes Feedback führte wiederum dazu, dass beim Feedbackgeber höhere agency wahrgenommen wurde. Insgesamt wurde in jeder Bedingung das Feedback eher positiv wahrgenommen.

Die Ergebnisse werden unter Bezug auf eine derzeit laufende Studie diskutiert und betreffen sowohl die Ausgestaltung einer Feedback-KI als auch die Frage, für welche Anlässe im Studium Studierende eine Feedback-KI als hilfreich bewerten. Insgesamt deutet sich an, dass Studierende eine KI, welche beispielsweise Politeness-Kommunikationsstrategien berücksichtigt, z.B. als Feedbackgeber in der Hochschullehre als vertrauenswürdige Informationsquelle akzeptieren würden.