Inhaltsverzeichnis i Inhaltsverzeichnis Vorwort und Anmerkungen 1 Einleitung ....................................................................................................................... 4 2 Stand der Forschung ...................................................................................................... 6 2.1 Multiple Determinanten des Schulerfolgs .............................................................. 6 2.1.1 Aggregation der Determinanten...................................................................... 6 2.1.2 Das Problem inhaltlicher Überlappung der Determinanten ......................... 10 2.2 Kognitive Determinanten des Schulerfolgs ........................................................... 11 2.2.1 Die Allgemeine Intelligenz als bester Prädiktor ............................................. 11 2.2.2 Lernen und Vorwissen ................................................................................... 12 2.2.3 Generalfaktor und Kristalline Intelligenz ....................................................... 13 2.2.4 Schulleistung als Kriterium und Kontributor ................................................. 14 2.3 Affektive und Motivationale Determinanten des Schulerfolgs ............................ 15 2.3.1 Einleitender Überblick ................................................................................... 15 2.3.2 Selbstkonzept ................................................................................................. 17 2.3.3 Interesse ........................................................................................................ 20 2.3.4 Leistungsmotivation und der Zusammenhang mit Hoffnung auf Erfolg und Furcht vor Misserfolg ................................................................................................... 22 2.3.5 2.4 3 Anstrengungsvermeidung.............................................................................. 26 Vorausgehende vergleichbare Studien ................................................................. 27 2.4.1 Sauer und Gattringer (1986) .......................................................................... 28 2.4.2 Helmke (1992)................................................................................................ 29 2.4.3 Gagné und St Père (2001) .............................................................................. 30 2.4.4 Spinath et al. (2006) ....................................................................................... 31 2.4.5 Gegenüberstellung der Studien ..................................................................... 32 Fragestellungen und Erwartungen .............................................................................. 36 3.1 Dimensionalität motivationaler und kognitiver Konstrukte ................................. 36 Inhaltsverzeichnis 3.2 4 Vorhersage des Schulerfolgs ................................................................................. 36 Methode ...................................................................................................................... 38 4.1 Angewandte Untersuchungsverfahren ................................................................. 38 4.1.1 Leistungstests ................................................................................................ 39 4.1.2 Motivationsskalen.......................................................................................... 43 4.2 Aufbau des eingesetzten Testheftes ..................................................................... 48 4.3 Datenerhebung ..................................................................................................... 49 4.3.1 Planung der Datenerhebung.......................................................................... 49 4.3.2 Ablauf der Datenerhebung ............................................................................ 50 4.4 Beschreibung der Stichprobe ................................................................................ 52 4.4.1 Vorläufige Stichprobe .................................................................................... 52 4.4.2 Endgültige Stichprobe .................................................................................... 53 4.5 Auswertungsplan................................................................................................... 53 4.5.1 Vorgehen bei der Datenaufbereitung............................................................ 53 4.5.2 Vorgehen bei der Ergebnisberechnung ......................................................... 57 4.6 Verwendete Verfahren der Datenanalyse ............................................................ 58 4.6.1 Faktorenanalyse ............................................................................................. 58 4.6.2 Parallelanalyse ............................................................................................... 60 4.6.3 Item- und Reliabilitätsanalyse ....................................................................... 60 4.6.4 Produkt-Moment-Korrelation........................................................................ 62 4.6.5 Hierarchische Regressionsanalyse ................................................................. 62 4.6.6 Kommunalitätenanalyse ................................................................................ 63 4.7 5 ii Voraussetzungen zur Anwendung der Verfahren ................................................. 64 Darstellung der Ergebnisse .......................................................................................... 68 5.1 Dimensionsanalysen.............................................................................................. 68 5.1.1 Struktur der Allgemeinen Intelligenz ............................................................. 69 Inhaltsverzeichnis 5.1.2 5.2 Struktur motivationaler Skalen ...................................................................... 70 Item- und Skalenanalysen ..................................................................................... 75 5.2.1 Leistungstests ................................................................................................ 75 5.2.2 Motivationsskalen.......................................................................................... 77 5.3 Regressionsanalysen ............................................................................................. 78 5.3.1 Vorhersageleistung der Schulleistung ........................................................... 78 5.3.2 Vorhersageleistung für das Fach Deutsch ..................................................... 79 5.3.3 Vorhersageleistung für das Fach Physik ........................................................ 80 5.3.4 Vergleich Schulbezogene und Fächerspezifische Betrachtungsweise .......... 80 5.4 6 iii Kommunalitätenanalysen ..................................................................................... 81 Diskussion der Ergebnisse............................................................................................ 83 6.1 Stichprobe und Instrumente ................................................................................. 83 6.2 Dimensionsanalysen.............................................................................................. 83 6.3 Vorhersage des Schulerfolgs ................................................................................. 85 6.4 Anteile spezifischer und konfundierter Varianz.................................................... 86 6.5 Bezug zu vergleichbaren Studien .......................................................................... 90 7 Grenzen und Stärken der Studie .................................................................................. 91 8 Zusammenfassung ....................................................................................................... 94 9 Literaturverzeichnis# ................................................................................................... 96 10 Inhaltsindex#................................................................................................................ 96 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 1 ff Vorwort und Anmerkungen Die vorliegende Diplomarbeit befasst sich mit der Fragestellung, welche eigenständige prädiktive Kraft die Allgemeine Intelligenz und verschiedene motivationale Variablen bei der Vorhersage des Schulerfolgs besitzen. Ferner ist es Ziel herauszufinden, ob sich die Vorhersageleistung bei fächerspezifischer Betrachtungsweise erhöht. Die Arbeit ist in einen theoretischen und einen empirischen Teil aufgegliedert. Nach der Einleitung wird der aktuelle Stand der Forschung und die psychologischen Konstrukte beschrieben, die in der vorliegenden Studie erfasst werden. Im dritten Kapitel stelle ich Hypothesen auf und leite daraus die spezifischen Fragestellungen ab. Das vierte Kapitel beschäftigt sich ausführlich mit Instrumenten und Methoden, die zur Generierung des Datensatzes verwendet wurden. Zunächst beschreibe ich kurz die eingesetzten Leistungstests und Fragebögen, sowie den Aufbau des eingesetzten Testheftes. Es wird über die Erhebung der Daten und die daraus resultierende Stichprobe berichtet. Außerdem erläutere ich das Vorgehen bei der Ergebnisberechnung, sowie die eingesetzten statistischen Analyseverfahren. Die Ergebnisse der Studie werden im fünften Kapitel dargestellt und im sechsten Kapitel inhaltlich diskutiert. Dabei werden die Resultate kritisch diskutiert und im Kontext anderen Studien beleuchtet. Das siebte Kapitel beschäftigt sich mit den Grenzen der vorliegenden Arbeit und gibt einen Ausblick auf aufgeworfene Fragen. Das achte Kapitel schließt mit einer Zusammenfassung der Studie. Um eine größere Stichprobe zu erhalten, arbeitete ich bei der Erstellung des Testheftes und der Erhebung der Daten mit Jens Pfeiffer zusammen. Jeder einzelne von uns beiden stellte mit dem gemeinsamen Datensatz eigenständige Berechnungen an, so dass nicht auszuschließen ist, dass wir aufgrund unterschiedlicher Ausreißerklassifikationen etc. zu geringfügig anderen Werten kommen. An der inhaltlichen Interpretation der Ergebnisse sollte sich dadurch freilich nichts ändern. Da der Umfang der erhobenen Daten den Rahmen einer einzigen Diplomarbeit exzessiv ausgereizt hätte, teilten wir die Fragestellung inhaltlich auf. So führe ich in meiner Diplomarbeit nicht alle psychometrischen Kennwerte auf und beschränke mich bei den Ergebnissen der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 2 you want to appear here. Faktorenanalysen auf meinen Teil. Die andere Hälfte befindet sich in der Diplomarbeit ff von Pfeiffer (2007) mit dem Titel: „Be smart or try hard − Zur Bedeutung von Intelligenz und Motivation bei der Vorhersage von Schulleistungen“. Im Anhang unter T-1 findet sich eine Tabelle in der die Aufteilung, sowie die Abkürzungen der verwendeten Leistungstests und Motivationsskalen aufgeführt sind. Die erhobenen Daten lassen sich in zwei grobe Gruppen aufgliedern. Die Subtests des ersten Blocks dienen der Bestimmung der Allgemeinen Intelligenz und werden um den Leistungsaspekt hervorzuheben als „Leistungstests“ bezeichnet. Der zweite Block erfasst verschiedene schulbezogene motivationale und affektive Aspekte. Diese werden mit verschiedenen Fragebögen untersucht und generalisiert als „Motivationsskalen“ bezeichnet. Dem Leser werden zwei Wörter recht häufig begegnen: „schulbezogen“ und „fächerspezifisch“. Der erste Ausdruck wird immer dann verwendet, wenn sich die Aussage allgemein auf die Schule bezieht, ohne zwischen den verschiedenen Fächern zu differenzieren. Der Begriff „fächerspezifisch“ kommt überall dort zum Einsatz, wo explizit zwischen den verschiedenen Schulfächern differenziert wird. Ebenso finden die Substantive „Schulleistung“ und „Schulerfolg“ vielfache Verwendung. Die beiden Wörter werden synonym benutzt und beziehen sich dabei auf die Leistung von Seiten des Schülers, nicht die der Schule. Noch ein Hinweis zur Nummerierung von Tabellen: Jede Tabellenüberschrift enthält zwei Ziffern, die durch einen Punkt voneinander getrennt sind. Die erste Zahl bezieht sich auf die Kapitelnummer, um das Auffinden im Text zu erleichtern. Die zweite Nummer ist innerhalb eines jeden Kapitels fortlaufend durchnummeriert. Dasselbe Benennungsschema wurde für Abbildungen bzw. Diagramme verwendet. Es sei darauf hingewiesen, dass der Einfachheit halber durchgehend darauf verzichtet wurde, bei Personen zusätzlich zur männlichen die weibliche Wortform zu verwenden. Ist die Rede beispielsweise von „Schülern“, so bezieht sich diese Bezeichnung wenn nicht Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 3 you want to appear here. anderweitig erwähnt, auf die gesamte Stichprobe, bestehend aus männlichen und ff weiblichen Jugendlichen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 4 ff 1 Einleitung „Kognitive und motivationale Determinanten der Schulleistung: Verändert sich die Vorhersage bei fächerspezifischer Betrachtungsweise?“ So lautet der Titel meiner Diplomarbeit und beschreibt die inhaltlichen Schwerpunkte der vorliegenden Untersuchung. Zunächst stellt sich die Frage, was ist Schulleistung? Auch wenn die Schule bzw. die Lehrer einen erheblichen Einfluss ausüben, ist mit dem Begriff „Schulleistung“ die Leistung von Seiten des Schülers gemeint. Köller und Baumert (2002, S. 756) verstehen Schulleistungen als „das auf den Lehrplänen basierende deklarative und prozedurale Wissen in verschiedenen Domänen […], dessen Erwerb zu einem erheblichen Teil an Lerngelegenheiten im jeweiligen Fachunterricht gebunden ist.“ Experten gehen davon aus, dass der Schulerfolg multipel determiniert und in einer komplexen Wechselwirkung mit individuellen, schulinternen und außerschulischen Bedingungsfaktoren steht (vgl. Haertel, Walberg & Weinstein, 1983). Der soziale, familiäre und schulische Kontext ist nicht Untersuchungsgegenstand dieser Studie. Die vorliegende Untersuchung beschränkt sich bei der Vorhersage des Schulerfolgs auf individuumsspezifische psychologische Variablen. Im Titel der Diplomarbeit wird ein Substantiv aus der Wortfamilie des Verbs „determinieren“ verwendet. Das bedeutet nach dem Wörterbuch der deutschen Gegenwartssprache „etwas (im voraus) bestimmen, festlegen“. Ziel meiner Arbeit ist also zu untersuchen, welche Faktoren die Leistung der Schüler in der Schule bedingen. Der Begriff „Vorhersage“ ist dabei nicht als Prognose für die Zukunft zu verstehen (obwohl bei hinreichender Merkmalsstabilität eine Voraussicht durchaus Sinn macht). Vielmehr geht es darum, mit welcher Zuverlässigkeit ich Annahmen über die Schulleistung eines Schülers aufstellen kann, wenn ich über Kenntnisse über die aktuellen psychologisch-relevanten Determinanten verfüge. Hierbei wird zwischen kognitiven und motivationalen Bedingungsfaktoren unterschieden. Der Begriff „kognitiv“ bezieht sich auf dispositionale intellektuelle Fähigkeiten, bzw. die Allgemeine Intelligenz. Helmke und Weinert (1997) führen zwei Gründe an, wieso intellektuelle Fähigkeiten mit schulischen Leistungen zusammenhängen (S. 106): „Intelligentere sind im Vergleich zu weniger intelligenten Menschen besser in der Lage, sich auf neue Aufgaben einzustellen, effektive Problemlösungsstrategien zu entwickeln und lösungsrelevante Regeln zu erkennen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 5 ff Intelligentere haben im Vergleich zu weniger intelligenten Menschen in kumulativen Lernsequenzen unter vergleichbarer Zeit- und Instruktionsbedingungen mit einer gewissen Wahrscheinlichkeit in der Vergangenheit mehr und intelligenter organisiertes (tiefer verstandenes, vernetztes, multiple repräsentiertes und flexibel nutzbares) Wissen erworben. Diese bereichsspezifischen Vorkenntnisse erleichtern die darauf aufbauenden weiteren Lernprozesse.“ Kurz gesagt, Intelligentere greifen bei der Auseinandersetzung mit einer Aufgabe nicht nur auf bessere Lösungsstrategien zurück, sie haben in der Vergangenheit mit einer höheren Wahrscheinlichkeit bereichsspezifische Vorkenntnisse (Expertise) erworben. Dies gilt auch für die Schule, wo intelligentere Schüler mehr vom Unterricht profitieren, da sie neue Lerninhalte besser vernetzten und speichern. Die „motivationalen Determinanten“ beziehen sich auf Persönlichkeitsaspekte, die den Schüler motivieren, sich mit dem Schulstoff auseinanderzusetzen. Dazu gehören alle affektiven, emotionalen und motivationalen, sowie das Fähigkeitsselbstbild betreffende Faktoren. Dabei spielt die Gerichtetheit der Emotionen keine Rolle: Es ist egal, ob der Schüler lernt, weil er Freude an dem Fach findet, oder aus Angst, schlechte Noten zu bekommen. Spinath, Spinath, Harlaar und Plomin (2006) unterscheiden in ihrer Studie bei der Vorhersage des Schulerfolgs zwischen verschiedenen inhaltlichen Bereichen auf Schulfachebene. Diese Idee greife ich auf und gehe der Fragestellung nach, ob sich die Vorhersagekraft kognitiver und motivationaler Variablen durch die fächerspezifische Betrachtungsweise verändert. Die Vorhersage der Schulleistung erfolgt bei der vorliegenden Untersuchung sowohl allgemein schulbezogen, als auch separat für die Fächer Mathematik, Deutsch, Physik und Englisch. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 6 ff 2 Stand der Forschung 2.1 Multiple Determinanten des Schulerfolgs 2.1.1 Aggregation der Determinanten Die Fragestellung, welche Faktoren sich auf die Schulleistung eine Schülers auswirken, ist in der Pädagogischen Psychologie schon seit langem Forschungsgegenstand. Es gibt etliche Studien mit einer unüberschaubaren Anzahl an Determinanten, die jedoch zu instabilen, oder gar widersprüchlichen Ergebnissen kommen (vgl. Helmke & Weinert, 1997). Dies ist auf unterschiedliche Kontextbedingungen, inkongruente Stichproben, unzureichende Kontrolle moderierender Faktoren (z. B. ist der Einfluss der Bedingungsfaktoren altersabhängig), den uneinheitlichen Sprachgebrauch und unterschiedliche Indikatorvariablen des Kriteriums Schulleistung zurückzuführen. In der Untersuchung von Helmke (1992) fallen die Ergebnisse – abhängig davon ob Schulnoten oder Schulleistungstests als Kriterium herangezogen werden – recht unterschiedlich aus. Dies verdeutlicht, dass man Vergleiche mit anderen Studien nur mit Vorsicht anstellen sollte, da für unterschiedliche Konstrukte teilweise ein und dasselbe Wort Verwendung findet. Diese Problematik ist insbesondere bei Metaanalysen zu beachten. Wie bereits in der Einleitung erwähnt, beschränkt sich die vorliegende Untersuchung bei der Vorhersage des Schulerfolgs auf individuumsspezifische Bedingungsfaktoren (bzw. die Schülerkompetenz), während Kontextvariablen keine Berücksichtigung erfahren. Doch ist dies angesichts des breiten Spektrums an Determinanten zu rechtfertigen? Helmke und Weinert (1997, S. 99) halten fest, „dass der Lernende mit seinen dispositionalen Merkmalen und seinem aktuellen Verhalten die wichtigste dynamische Determinante der Schulleistung […] darstellt.“ Für verschiedene Modelle des schulischen Lernens gibt es Schätzwerte, in welcher Größenordnung die unterschiedlichen Faktorgruppen einzustufen sind. Diese Werte weichen teilweise recht stark voneinander ab, eine Tendenz ist dennoch zu erkennen: Für motivationale Bedingungsfaktoren werden zwischen 20 und 25 Prozent (Helmke & Weinert, 1997, S. 111), für intellektuelle Fähigkeiten zwischen 25 und 45 Prozent der Schulleistungsvarianz veranschlagt. Bei der Metaanalyse von Fraser et al. (1987, S. 207) wird die Korrelation zur Schulleistung für Schülermerkmale mit .24 angegeben. Die Autoren schreiben, dass „Ability“ einer der stärksten und beständigsten Prädiktoren Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 7 you want to appear here. darstellt, während sie bei „Motivation“ von einem bedeutenden, unabhängigen Faktor ff sprechen (S. 222). 2.1.1.1 Walbergs Produktivitätsmodell schulischen Lernens Da die theoretischen Modelle bis Anfang der 80er Schwächen aufweisen und nicht ausreichend empirisch gesichert werden konnten, gab es mehrere Versuche die wichtigsten Bedingungsfaktoren schulischer Leistung im Rahmen von Metaanalysen zusammenzufassen (vgl. Haertel, Walberg & Weinstein, 1983). Ein theoriegenerierendes Resultat dieser Bemühungen ist das Produktivitätsmodell von Walberg aus dem Jahre 1981, das in Abbildung 2.1 dargestellt ist. Es teilt neun Produktivitätsfaktoren in drei übergeordnete Gruppen ein, die direkte Auswirkung auf das Lernen in der Schule haben und sich gegenseitig beeinflussen: Aptitude (als Schülerkompetenz), Instruction (als Unterrichtsvariable) und Psychological Environment (als bildungsbegünstigendes, außerschulisches psychologisches Umfeld). Die ersten fünf aufgeführten Produktivitätsfaktoren korrespondieren mit anderen Modellen zur Erklärung der Lernleistung; unter anderem den Modellen Bloom, Carroll und Glaser (vgl. Fraser et al., 1987). Jeder dieser Faktoren ist eine notwendige Voraussetzung für schulisches Lernen und muss zumindest eine Mindestausprägung besitzen. Walberg geht davon aus, dass z. B. ein hohes Fähigkeitsniveau in Kombination mit viel Instruktion nur dann das Potential eines Schülers voll ausschöpft, wenn er motiviert ist und die Instruktion in angemessener Weise erfolgt. Die vier restlichen Faktoren beziehen sich auf die Umwelt. Familie, der außerschulische Freundeskreis und die Klassengemeinschaft wirken sich auf in zweierlei Arten auf das Lernen aus: Schüler lernen direkt von ihrer Umwelt und profitieren indirekt davon, dass der Umgang ihre Fähigkeiten und ihre Lernmotivation (im guten Fall) fördert (vgl. Fraser et al., 1987). Übermäßiger Medienkonsum beansprucht Zeit, die ansonsten in schulbezogene Aktivitäten investiert werden könnte und wirkt sich dadurch negativ auf den Erfolg in der Schule aus. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 8 ff Anmerkung: Der direkte Einfluss auf das Lernen ist durch die doppelt gezeichneten Pfeile dargestellt. Pfeile mit zwei Pfeilspitzen stehen für gegenseitige Beeinflussung. Abbildung 2.1 – Produktivitätsmodell: Schulische Bedingungsfaktoren nach Walberg (aus Fraser et al., 1987, S. 158) Dieses Modell gilt als guter Ansatz und dient als Basis weiterer theoretischer Überlegungen. Es wurde in vielen empirischen Studien untersucht und Borger (1983, zitiert nach Reynolds & Walberg, 1991) konnte im Rahmen einer Metaanalyse (neun Studien mit insgesamt über 15 Tausend Versuchspersonen) zeigen, dass 91 Prozent der Korrelationen die durch das Produktivitätsmodell vorhergesagte Richtung aufwiesen. 2.1.1.2 Atkinsons Modell des kumulativen Lernens Atkinson (1974) entwickelt zur Erklärung des Lernerfolges ein motivationspsychologisches Modell des kumulativen Lernens. Er sieht (schulische) Leistungen als das Resultat kumulativer Lernprozesse, die maßgeblich von der Motivation beeinflusst werden. Und zwar in zweierlei Hinsicht: Zum einen ist von der Motivation abhängig, wie viel Zeit ein Schüler mit einer Handlung verbringt, zum anderen beeinflusst die Motivation das Leistungsniveau, wenn diese Handlung ausgeführt wird (Atkinson, 1975). Die kumulierte Lernleistung resultiert aus dem Niveau der Leistung, sowie der aufgewendeten Arbeitszeit, die negativ von der Motivation beeinflusst wird sich mit Alternativen zu beschäftigen. Dabei ergibt sich das Niveau der Leistung über die Effizienz, bedingt durch Fähigkeit, Art der Aufgabe und Motivationsstärke. Letztere ist abhängig von Motiven, Überzeugungen und den Anreizen, die diese (Lern-)Handlung bietet. Außerdem berücksichtig das Modell den rückwirkenden Effekt der aufgewendeten Arbeitszeit auf die Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 9 you want to appear here. Fähigkeit der Person, den Heckhausen (1989, S. 270) mit dem Sprichwort „Übung macht ff den Meister“ zusammenfasst. Abbildung 2.2 – Modell des kumulativen Lernens in Anlehnung an Atkinson und Lens (1980, aus Helmke, 1992, S. 29) Atkinsons Modell beinhaltet eine zeitliche Komponente und eignet sich somit gut zum Vorhersagen und Erklären von Entwicklungsverläufen. Zum Beispiel erklärt Atkinson mit dem Modell Underachievement über eine niedrige Motivstärke und die dadurch resultierende kurze Arbeitszeit, die für eine niedrige kumulative Steigerung der Fähigkeit verantwortlich ist (Heckhausen, 1989, S. 270). Bei einzelnen kurzfristigen Aufgaben sieht er intellektuelle Fähigkeiten, Vorwissen und Motivation als Leistungsdeterminanten. Bei Aufgaben, die über einen langfristigen Zeitraum ausgeführt werden (wie beispielsweise die Schulleistung), ist die Motivation in Abhängigkeit von Anreizen der Aufgabe die ausschlaggebende Variable, wobei die Stärke der Motivation für konkurrierende Aktivitäten eine wichtige Rolle einnimmt. Somit kommt Interesse als indirekte Einflussgröße ins Spiel und das Modell erhält eine inhaltsspezifische Dimension. Das Fähigkeitsselbstkonzept ist über die Variablen Fähigkeiten, sowie Überzeugungen und Vorstellungen abgedeckt (Helmke, 1992). Während die meisten Modelle der Motivation eine untergeordnete Bedeutung zuschreiben, schätzt Atkinson, dass über das beschriebene Modell drei Viertel Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 10 you want to appear here. kumulierter Lernleistungen über die Motivation erklärt werden können: 50 Prozent ff aufgabenbezogene Motivation, 25 Prozent Vorhandensein oder Fehlen konkurrierender Interessen und 25 Prozent über Fähigkeitsunterschiede (Helmke & Weinert, 1997, S. 82). Diese Schätzwerte konnten empirisch jedoch nicht bestätigt werden. Jedoch gibt es nach Helmke und Weinert (1997) valide Hinweise dafür, dass der (inhaltsspezifischen) Motivation eine enorme Bedeutung beim Erwerb langfristiger Lernleistungen in Form von Expertise, oder beim Erreichen von Höchstleistungen zukommt. Das Modell des kumulativen Lernens erfasst Umgebungsfaktoren nur im Ansatz, ohne differenziert auf soziale Bedingungsfaktoren einzugehen. Korrelationsstudien konnten jedoch niedrige Zusammenhänge mit dem sozioökonomischen Status oder dem Einfluss von Gleichaltrigen auf die Schulleistung nachweisen (vgl. Fraser et al., 1987). Helmke (1992) kritisiert an dem Modell, dass sich die Motivationsstärke nur über die aufgewendete Arbeitszeit auf die kumulierte Schulleistung auswirken soll. Ferner wird der rückwirkende Effekt der Effizienz auf die Arbeitszeit nicht berücksichtigt. 2.1.2 Das Problem inhaltlicher Überlappung der Determinanten Besonders bei den motivationalen Bedingungsfaktoren schulischer Leistungen überlappen sich die Konstrukte inhaltlich. So ist es auch für den Laien augenscheinlich, dass beispielsweise Prüfungsangst und Furcht vor Misserfolg irgendetwas miteinander zu tun haben. Elliot und McGregor (1999, S. 639) untersuchten diese Konstrukte und kamen zu dem Schluss, dass sie sich faktorenanalytisch auf einen Faktor reduzieren lassen. Die einzelnen Determinanten der Schulleistung weisen nicht nur konzeptuelle Überlappungen auf, sondern interagieren miteinander (vgl. Helmke & Schrader, 2006). Das bedeutet, dass bestimmte Defizite durch andere Variablen kompensiert werden können (Kompensationsmodell), solange die Merkmale nicht unter einem bestimmten Schwellenwert liegen (Krug & Rheinberg, 1980). Dabei wird die Kompensation eines Defizits wird umso schwerer, je näher die Ausprägung an der Schwelle liegt. Beispielsweise kann ein Schüler mangelnde Begabung ein Stück weit durch Fleiß ausgleichen. Andererseits geht man davon aus, dass eine Kopplung der Bedingungsfaktoren notwendig ist (Kopllungsmodell), um Hochleistungen zu erbringen. So reicht es weder aus nur hochbegabt, oder nur fleißig zu sein – um herausragende Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 11 you want to appear here. Leistungen in zu erbringen müssen beide Bedingungen gegeben sein. Dadurch ergibt sich ff bei der Prognose von Schulleistung ein methodisches Problem: Die einfachen Korrelationen zwischen den verschiedenen Determinanten und dem Kriterium des Schulerfolgs sind für eine verlässliche Vorhersage nicht ausreichend. Um die wahre prädiktive Kraft der Variablen zu bestimmten, müssen die Interdependenzen zwischen den einzelnen Bedingungsmerkmalen und ihre hierarchische Struktur berücksichtigt werden (vgl. Sauer, 2006). Dies erschwert die Interpretation empirischer Studien, da man nicht ohne Weiteres zwischen Einflussfaktoren, Moderatorvariablen und damit korrelierten irrelevanten Indikatorvariablen unterscheiden kann. Am Anfang des Abschnitts wurde bereits darauf hingewiesen, dass sich die Determinanten des Schulerfolgs inhaltlich überlappen. Das hat zur Folge, dass die prädiktive Kraft einer einzelnen Variable umso stärker überschätzt wird, je geringer die Anzahl der erfassten Konstrukte ist, und je höher ihr gemeinsame Varianzanteil mit nicht erfassten Variablen ausfällt. Eine einfache Lösung für dieses Problem ist die Erfassung eines möglichst breiten Spektrums an Bedingungsfaktoren. Doch das alleine reicht noch nicht aus: Die Korrelation allein sagt nichts über den Anteil der spezifischen Varianz einer Variablen aus. Es gibt nur einige wenige Studien, die den gemeinsamen Varianzanteil korrespondierender Determinanten thematisieren und bei der Ergebnisberechnung beachten. Ein möglicher Ansatz ist die Verwendung von Kommunalitätenanalysen (siehe Abschnitt 4.6.6), mit deren Hilfe die Anteile spezifischer und gemeinsamer Varianz ermittelt werden können. 2.2 Kognitive Determinanten des Schulerfolgs 2.2.1 Die Allgemeine Intelligenz als bester Prädiktor Zur prädiktiven Kraft der Allgemeinen Intelligenz im Bezug zum Schulerfolg gibt es eine Vielzahl von Studien mit einem breiten Spektrum an Befunden. Das liegt vor allem daran, dass sich die erhobenen Indikatorvariablen von Intelligenz und Schulerfolg je nach Studie deutlich voneinander unterscheiden. Die inhaltlichen Differenzen beginnen bereits bei der Auswahl eines Intelligenztests mit dem Schwerpunkt auf verbalen bzw. nonverbalen Aufgaben. Außerdem spielt die Definition des Konstrukts „Schulerfolg“, sowie Alter, Geschlecht und Herkunft der Stichprobe neben weiteren Merkmalen eine wichtige Rolle. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 12 you want to appear here. Die Spannweite der empirisch ermittelten Korrelationen ist dementsprechend hoch und ff reicht von .10 bis .89 (vgl. Sauer & Gamsjäger, 1996). Die Allgemeine Intelligenz stellt nach Ansicht vieler Experten den besten Prädiktor für den Schulerfolg dar, wobei die Korrelation bei etwa .5 liegt (vgl. Helmke & Weinert, 1987). Dieser Befund wurde in vielen Studien repliziert und durch Metaanalysen gesichert (z. B. Fraser, Walberg, Welch & Hattie, 1987). Die Vorhersageleistung lässt sich laut Kleber (1977) durch die linearer Kombination mehrerer Intelligenzwerte auf zirka 50 Prozent der Varianzaufklärung erhöhen. In den meisten Studien liegt der Aufklärungsanteil von Intelligenztests zwischen 25 und 45 Prozent der Schulleistungsvarianz (Sauer & Gattringer, 1986). Gaedike wies bereits 1974 (zitiert nach Sauer & Gattringer, 1986) darauf hin, dass eher die verbale Intelligenz mit dem Schulerfolg zusammenhangt. Messé, Crano, Messé und Rice (1979) untermauerten diese These, da verbale Aufgaben in ihrer Untersuchung höhere Korrelationen zur Schulleistung aufweisen als Nonverbale. Das Hervorheben der Allgemeinen Intelligenz als dominierende Schulleistungsdeterminante führte zum in der Öffentlichkeit viel diskutierten Phänomen der sogenannten Underachiever. Diesen „erwartungswidrig minderleistenden Schülern“ (Sparfeldt & Schilling, 2006, S. 804) wird aufgrund ihrer kognitiven Fähigkeiten unterstellt, sie müssten eine bessere Schulleistung erbringen. Doch was für Gründe lassen sich anführen, dass intelligentere Schüler im Regelfall bessere Schulnoten aufweisen? 2.2.2 Lernen und Vorwissen In der Fachliteratur ist die Meinung weit verbreitet, Intelligenz ist die Fähigkeit zu lernen (Simrall, 1947). Nach dieser Auffassung kann man die prädiktive Kraft der Intelligenz für die Leistungen eines Schülers über den Zusammenhang zwischen Intelligenz und Lernerfolg erklären. Die Korrelationen zwischen Intelligenz und verbalem Lernen liegen in Studien zwischen Null und .7 (Kleber, 1977, S. 72) – woraus Kleber aufgrund der uneinheitlichen Befunde folgert, dass das globale Intelligenzkonzept allein keine brauchbare Erklärung für das Lernverhalten in der Schule liefert. Kleber (1997, S. 73) hebt die Meinung anderer Autoren hervor: „Lernen ist in seiner Lernrate und seinem Lernerfolg teilweise durch Intelligenz determiniert. Die Abhängigkeit ist nicht überwältigend hoch…“ Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 13 you want to appear here. In der Einleitung wurde bereits darauf hingewiesen, dass intelligentere Schüler bei der ff Bearbeitung einer Aufgabe auf effektivere Lösungsstrategien zurückgreifen und sich so besser auf neue Aufgaben einstellen können. Außerdem haben sie in der Vergangenheit mit einer höheren Wahrscheinlichkeit bereichsspezifische Vorkenntnisse (Expertise) erworben und dieses Wissen besser vernetzt und so organisiert, dass es flexibel genutzt werden kann (vgl. Helmke & Weinert, 1997). Stern bringt dies wie folgt auf den Punkt (2004, S. 45): „…hohe Intelligenz [ist] nur von Vorteil, wenn sie zuvor in bereichsspezifisches Wissen umgesetzt wurde.“ Neben der Intelligenz ist also das Vorwissen von zentraler Bedeutung als kognitive Determinante der Schulleistung. Mit zunehmendem Alter der Schüler nimmt die Bedeutung der Intelligenz für die Schulleistung ab, während der Effekt des Vorwissens auf die Schulleistung zunimmt (Köller & Baumert, 2002). Stern (2004) weist darauf hin, dass mangelnde Intelligenz bis zu einem gewissen Grad durch Wissen kompensiert werden kann, während sich fehlendes Wissen nicht durch hohe Intelligenz ausgleichen lässt. 2.2.3 Generalfaktor und Kristalline Intelligenz Spearman (1927) ging davon aus, dass die unterschiedlichen kognitiven Leistungen durch einen einzigen Generalfaktor – den g-Faktor – determiniert sind. Demnach interkorrelieren die verschiedenen Fassetten der Intelligenz und sind faktorenanalytisch auf einen einzigen Faktor zu bündeln. Cattell (1963) ist von einer hierarchischen Struktur der Intelligenz überzeugt und unterschiedet auf oberster Ebene (im Gegensatz zu Spearman) zwischen „Kristalliner“ und „Fluider Intelligenz“. Letztere Verarbeitungsgeschwindigkeit, ist weitgehend schlussfolgerndem angeboren Denken und und basiert auf räumlich-visuelle Fähigkeiten. Zur Kristallinen Intelligenz gehören übungs- und bildungsabhängige Leistungen, die durch Kumulierung von Lernerfahrung erworben werden. Da die Unabhängigkeit der Faktoren in Studien widerlegt wurde, erweiterte Cattell (1971) sein Modell um einen übergeordneten Faktor, der sich – entgegen seiner Auffassung – als gFaktor interpretieren lässt. Aus der Theorie erschließt sich die Problematik, dass Intelligenztests die Kristalline Intelligenz erfassen, Personen mit „fremdem“ kulturellen Hintergrund (aufgrund der Wortschatz- und Wissenskomponente) benachteiligen. Um Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 14 you want to appear here. Intelligenz „culture-fair“ zu messen, sollten Tests ganz auf Sprache verzichtet und lediglich ff fluide Komponenten erfassen. In der Investmenttheorie des Wissenserwerbs von Cattell (1987) „kristallisiert“ sich die geistige Energie im Laufe der Entwicklung zu spezifischeren Fähigkeiten, die wiederum den Erwerb von bereichsspezifischem Wissen steuern (vgl. Stern, 2001). Cattell geht davon aus, dass der Lernerfolg bei komplexen Inhalten vom Niveau der Fluiden Intelligenz abhängig ist: Fluide Intelligenz wird in komplexe Lernaufgaben investiert und führt zum Erwerb kristalliner Fähigkeiten. Nach der Investmenttheorie sollte Fluider der Kristallinen Intelligenz während der Entwicklung (im Schulalter) vorausgehen. Außerdem setzt das Erreichen hoher Kristalliner Intelligenz ein hohes Niveau fluider Fähigkeiten voraus. Stern (2001) weist darauf hin, dass die Ergebnisse verschiedener Studien sich nicht mit den abgeleiteten Hypothesen der Investmenttheorie decken. Nach Cattel (1971, zitiert nach Sauer & Gattringer, 1986, S. 250) kann die Fluide Intelligenz bis zu 30 Prozent der Schulleistungsvarianz aufklären. Liegt die prozentuelle Varianzaufklärung eines Intelligenztests über diesem Wert, so ist dies auf nicht-fluide Faktoren zurückzuführen, die sich mit den Aspekten der Intelligenz und dem Kriterium der Schulleistung überlappen. Als Erstes kommt mir hier die Kristalline Intelligenz in den Sinn, die gemäß der Investmenttheorie für den Aufbau von bereichsspezifischem Wissen – und somit zumindest teilweise für das Vorwissen eines Schülers verantwortlich ist. Nach Schmalt (1976, zitiert nach Sauer & Gattringer, 1986) spielt – besonders bei länger andauernden Intelligenztests – die Motivation der Versuchsperson eine Rolle. Demnach ist ein langer Intelligenztests nicht als reiner Fähigkeits-, sondern gleichzeitig als Leistungs(motivations)test zu interpretieren. 2.2.4 Schulleistung als Kriterium und Kontributor Es gibt auch Stimmen, die die Dominanz der Intelligenz als Schulleistungsdeterminante in Frage stellen. Mercer (1978, zitiert nach Messé et al. 1979, S. 234) kritisiert die inhaltliche Ähnlichkeit von Schulleistungs- und Intelligenztests und die daraus hervorgehende Überschätzung der prognostischen Validität der Allgemeinen Intelligenz. Die auf Lehrerbeurteilungen basierte Schulnote ist demnach ein validerer Indikator der wahren Schulleistung. Die Befunde von Helmke (1992) sprechen für diese These: Er konnte bei Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 15 you want to appear here. Fünftklässlern nachweisen, dass der Anteil spezifischer Varianz motivationaler Variablen ff zur Vorhersage der Mathematiknote größer war, als der spezifische Varianzanteil kognitiver Variablen. Im Gegensatz dazu stellten kognitive Variablen den besseren Prädiktor dar, wenn ein Mathematiktest als Kriteriumsvariable herangezogen wurde. Neben dem Schluss, dass mit zunehmender Intelligenz die Wahrscheinlichkeit für eine gute Lernleistung und somit gute Schulnoten steigt, sollte die Frage nach der Kausalität nicht gänzlich vergessen werden. Köller und Karim (2001, zitiert nach Oerter, 2002) zeigten, dass steigende Schulanforderungen eine besondere Ausschöpfung kognitiver Begabungsreserven zur Folge hat und somit die Entwicklung der Allgemeinen Intelligenz begünstigt. Demnach ist die Auseinandersetzung mit komplexen Aufgaben (beispielsweise im Rahmen der Hausaufgaben oder beim Besuch von optionalen AGs in der Schule) förderlich für die Entfaltung der Allgemeinen Intelligenz. StelzI, Merz, Ehlers und Remer (1995) konnten die intelligenzfördernde Wirkung des Schulbesuchs mit einer quasi-experimentellen Untersuchung nachweisen. Demnach ist die Steigerung intellektueller Fähigkeiten, die 10-jährigen Kinder innerhalb eines Jahres erfahren, hauptsächlich auf den Schulbesuch zurückzuführen. 2.3 Affektive und Motivationale Determinanten des Schulerfolgs 2.3.1 Einleitender Überblick In einer Untersuchung von Pekrun, Hochstadt und Kramer (1996) wurde deutlich, dass in Prüfungssituationen neben Angst ein breites Spektrum an Emotionen – ein Drittel davon positiver Art – empfunden wird. Doch nicht nur während der Prüfung spielen Gefühle eine Rolle. Im Vorfeld können Emotionen Lern- und Prüfungsmotivation auslösen, aufrechterhalten, verstärken oder abschwächen. Doch wie ist der Zusammenhang zwischen Emotion und Motivation zu erklären? „Emotions serve the functions of preparing and sustaining reactions to important events and states by providing motivational and physiological energy, by focusing attention and modulating thinking, and by triggering action-related wishes and intentions“ (Pekrun, Götz, Titz & Perry, 2002, S. 96). Auf die Schule bezogen sorgt die Ankündigung einer Prüfung für emotionale Reaktionen, die den Schüler (im günstigen Fall) aktivieren und sein Denken dahingehend modifizieren, dass er die Motivation und Intention verspürt sich auf die Prüfung Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 16 you want to appear here. vorzubereiten. Pekrun geht davon aus, dass Emotionen einen indirekten Effekt auf Lernen ff und Leistung ausüben, moderiert über kognitive und motivationale Mechanismen. Der Zusammenhang von Emotionen zu Motivation und Schul- bzw. Studienleistung konnte in Korrelationsstudien (Pekrun et al., 2002) klar nachgewiesen werden. Welche Variablen gehören zu dem pädagogisch-psychologischen Konstrukt „motivationale Determinanten der Schulleistung“? Gemeint sind motivationale, affektive und emotionale Bedingungsfaktoren, die Einfluss auf die Leistung eines Schülers ausüben. In meiner Untersuchung wurden die motivationalen Konstrukte Fähigkeitsbezogenes Selbstkonzept (Abschnitt 2.3.2), Interesse (Abschnitt 2.3.3), Hoffnung auf Erfolg und Furcht vor Misserfolg (Abschnitt 2.3.4), sowie Anstrengungsvermeidung (Abschnitt 2.3.5) erfasst. Nach Helmke (1989) ist es wenig sinnvoll zwischen motivationalen und affektiven Konstrukten zu unterscheiden, da sie gemeinsame Varianzanteile besitzen. Stattdessen schlägt er vor inhaltlich ähnliche Konstrukte zu breiteren Faktoren zusammenzufassen. In der Vergangenheit dominierte die Intelligenz klar als primäre individuelle Bedingungsvariable der Schulleistung. Erst Ende der 80er Jahre wurde Studien mehr Beachtung geschenkt, die motivationalen Variablen eine größere Vorhersageleistung einräumten. Mithilfe von Längsschnittstudien und der Verwendung von Kommunalitätenanalysen konnte gezeigt werden, dass die prädiktive Kraft motivationale Variablen lange Zeit unterschätzt wurde (vgl. Sauer & Gattringer, 1986). Eine mögliche Erklärung lautet, dass sich motivationale Faktoren zu einem erheblichen Teil nur indirekt auf die Schulleistung auswirken (vgl. Schiefele, Krapp & Schreyer, 1993) und somit schwieriger zu identifizieren sind. In den meisten Studien dominieren intellektuelle Fähigkeiten bei der Vorhersage von Schulerfolg (z. B. Gagné & St Père, 2001; Spinath et al., 2006). In der Metaanalyse von Fraser et al. (1987, S. 207) wird für kognitive Bedingungsmerkmale ein mittlerer Korrelationskoeffizient zur Schulleistung von .44, gegenüber einem Wert von .12 für affektive Determinanten (basierend auf acht Studien) angegeben. Uguroglu und Walberg (1979, S. 385) kamen dagegen bei einer Analyse von 40 Studien auf eine mittlere Korrelation von .34 nach der sie folgerten, dass 11.4 Prozent der Schulleistungsvarianz über die Motivation aufgeklärt wird. Dabei stiegen die Aufklärungswerte mit zunehmender Klassenstufe an (bis zu einem Aufklärungsanteil von 20 Prozent in Klasse 12). Es sollte nicht vergessen werden, dass ein substantieller Teil der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 17 you want to appear here. Schulleistungsvarianz nur durch kognitive und motivationale Variablen gemeinsam ff aufgeklärt wird (vgl. Helmke & Schrader, 2006). Während viele Experten die Dominanz kognitiver Variablen hervorheben, sind andere von der Bedeutung motivationaler Determinanten überzeugt: „…motivational factors do indeed have a powerful influence on achievements“ (Howe, 1987, S. 134, zitiert nach Helmke, 1989); „motivational factors may exert as much influence on […] school performance as do cognitive skills and abilities“ (Hill & Wigfield, 1984, S. 106, zitiert nach. Helmke, 1989). Helmke (1989) weist darauf hin, dass motivationale Bedingungsfaktoren die Schulleistung hauptsächlich auf indirektem Weg beeinflussen und in einer zyklischen Wechselwirkung stehen (S. 929): „Affective variables influence achievement and are in turn modified and changed by achievement outcomes, forming a basic cycle of school performance“. 2.3.2 Selbstkonzept Nach Moschner und Dickhäuser (2006, S. 685) versteht man unter dem Begriff Selbstkonzept „das mentale Modell einer Person über ihre Fähigkeiten und Eigenschaften“. Dabei beinhaltet das Selbstkonzept deskriptiv-kognitive, sowie affektive evaluative Komponenten, die jedoch schwer voneinander zu trennen sind (Rost & Sparfeldt, 2002). Im Sinne der kognitiven Selbstbeschreibung wird das Selbstkonzept als „deklaratives Konzept der Kognition einer Person über sich selbst verstanden“ (Moschner & Dickhäuser, 2006, S. 685). Dagegen geht die affektive Selbstbewertung auf die Attribution von Merkmalen, Eigenschaften und Fähigkeiten zurück, die die Person sich selbst zuschreibt und beurteilt. Im schulischen Kontext findet man in der Literatur häufig den Begriff „Akademisches Selbstkonzept“ oder „Fähigkeitsbezogenes Selbstkonzept“. Gemeint ist in beiden Fällen die „hochdifferenzierte kognitive Repräsentationen der eigenen Leistungsfähigkeiten“ (Fend & Stöckli, 1997, zitiert nach Schilling, Sparfeldt, Rost & Nickels, 2004, S. 21). Nach Shavelson, Hubner und Stanton (1976) ist das Selbstkonzept ein multidimensionales Konstrukt und in einer hierarchischen Struktur organisiert. Dieses Modell ist in Abbildung 2.3 dargestellt: Miteinander korrelierende Selbstkonzeptfassetten bilden die Basis; aus diesen Fassetten setzen sich übergeordnete Selbstkonzepte auf einer höheren Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 18 you want to appear here. hierarchischen Ebene zusammen. Das globale Selbstkonzept besteht aus dem ff Akademischen Selbstkonzept (das fächerspezifisch aufgegliedert werden kann), sowie dem sozialen, emotionalen und körperlichen Selbstkonzept usw. Es besteht ein Konsens über eine mehrdimensionale Konzeption des Selbstkonzepts (Schilling et al., 2005) und die fächerspezifische Struktur konnte in empirische Studien faktorenanalytisch bestätigt werden (z. B. Marsh, 1990b; Rost & Sparfeldt, 2002). Abbildung 2.3 – Das hierarchisches Selbstkonzeptmodell in Anlehnung an Shavelson et al. (1976, Moschner & Dickhäuser, 2006, S. 687) Im pädagogisch-psychologischen Bereich wird verstärkt der Zusammenhang zwischen Selbstkonzept und Schulleistung untersucht. In der Metaanalyse von Hansford und Hattie (1982) resultierte eine durchschnittliche Korrelation von .20 zwischen dem generellem Selbstkonzept und Leistungsindikatoren. Dieser Zusammenhang stieg auf .42 an, wenn nur Studien in die Analyse eingingen, die das akademische Selbstkonzept erfassten (vgl. Lamsfuß & Rost, 1992, S. 154). Gemäß dem Modell des hierarchischen Selbstkonzepts wächst der Zusammenhang zwischen Selbstkonzept und Leistung, wenn die Indikatorvariablen auf einer niedrigen Hierarchieebene erfasst werden und inhaltlich korrespondieren. Schilling et al. (2004, S. 27) berichten mittlere Korrelationen von .57 zwischen fächerspezifischen Selbstkonzeptskalen und den entsprechenden Zensuren. Helmke (1992) spricht dem Selbstkonzept im Bezug zu anderen nicht-kognitiven Variablen eine Schlüsselrolle bei der Prädiktion der Schulleistung zu. Im Kontext kognitiver Variablen hängt die prädiktive Kraft davon ab, ob man die Schulnote, oder die Ergebnisse von Schulleistungstests als Indikator für die Schulleistung heranzieht. Bei letzterem sind Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 19 you want to appear here. die kognitiven Determinanten vorrangig, während bei der Schulnote als ff Kriteriumsvariable das Selbstkonzept dominiert. Helmkes Begründung lautet, dass sich „für die Beeinflussung der Note wesentlich mehr Möglichkeiten ergeben, die durch das jeweilige Intelligenz- und Vorkenntnisniveau gegebenen Lern- bzw. Leistungsbeschränkung zu kompensieren“. In einer Studie von Marsh und Yeung (1997) wurde deutlich, dass das Fähigkeitsselbstkonzept nicht nur Schulnoten, sondern auch die Kurswahl mitbestimmt: Das Selbstkonzept war ein besserer Prädiktor für die Wahl von Schulfächern als die Schulnote im entsprechenden Fach. Die herausragende prädiktive Bedeutung des Fähigkeitsselbstkonzepts bei der Kurswahl im Fach Mathematik wurde von Köller, Daniels, Schnabel und Baumert (2000) erneut bestätigt. Die Selbstkonzeptforschung beschäftigt sich nicht nur mit der Fragestellung, wie hoch der Zusammenhang zwischen Selbstkonzept und Schulleistung ist, sondern beschäftigt sich mit der Frage der Kausalität. Nach Helmke und van Aken (1995) basiert das Fähigkeitsselbstbild von Schülern gemäß dem Skill-Development-Ansatz zumindest teilweise auf vorhergehenden Erfolgen oder Misserfolgen und die bewertende Rückmeldung anderer Personen. Im schulischen Kontext geschieht dies über Lehrer, die die Leistung des Schülers relativiert an der Klassennorm beurteilen. Eine andere Sichtweise bietet das Self-Enhancement-Modell, das davon ausgeht, dass das Selbstkonzept bedeutend zur Vorhersage späterer Leistungen beiträgt. Demnach ist beispielsweise ein hohes Fähigkeitsselbstkonzept eine begünstigende Voraussetzung für das Aufnehmen und Aufrechterhalten von Lernanstrengungen (Helmke, 1992). Shavelson und Bolus (1982) kommen zu dem Befund, dass die Schulleistung eher das LeistungsSelbstkonzept kausal mitbestimmt als umgekehrt das Leistungs-Selbstkonzept die Schulleistung. Wichtig ist, dass das Selbstkonzept nicht isoliert betrachtet wird, sondern der Effekt weiterer Moderatorvariablen berücksichtigt wird. Ein Beispiel hierfür wäre das Alter: Das Fähigkeitsselbstbild beeinflusst in der Grundschule die Leistung noch nicht entscheidend (Helmke & van Aken, 1995). Dies ändert sich jedoch nach der Grundschule, wo es deutlichen Einfluss auf die Leistung gewinnt (Helmke, 1992). Wie beeinflusst das Selbstkonzept die Schulleistung? Wenn ein Schüler in einem Vokabeltest das Wort nicht kennt, hilft es ihm auch nicht weiter, wenn er meint gut in Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 20 you want to appear here. Sprachen zu sein. Das fähigkeitsbezogene Selbstkonzept hat jedoch Einfluss auf eine ff Reihe von Variablen, die wiederum direkten Einfluss auf die Leistung in der Schule nehmen. Helmke und Weinert (1997) führen Anstrengungsintensität (insbesondere während der Hausaufgabe), Anstrengungsinitiierung und kognitives Engagement (insbesondere während des Unterrichts) auf. Außerdem dient laut Helmke und Weinert (1997, S. 148) ein hohes Selbstkonzept in „…selbstwertrelevanten Unterrichts- und Leistungssituationen als Puffer gegen aufgabenirrelevante, leistungsbehindernde Selbstzweifel.“ 2.3.3 Interesse Die Person-Gegenstands-Theorie sieht Interesse als „herausgehobene, subjektiv bedeutsam erlebte Beziehung zwischen einer Person und einem Gegenstandsbereich“ (Krapp, 1989, S. 235). Dieser Gegenstandsbereich außerhalb der Person spielt dann eine wichtige Rolle im Streben der Person. Die interessenorientierte Auseinandersetzung mit der Umwelt hat dabei nicht nur Auswirkung auf die handelnde Person, sondern auch auf die im Interessenhandeln einbezogenen Umweltgegenstände. Das heißt, es findet eine wechselseitige Beeinflussung im Sinn einer Transaktion statt. Interessengegenstände können in diesem relationalen Konstrukt konkrete Dinge, Tätigkeiten, aber auch abstrakte Wissensbereiche oder Schulfächer sein. Interessen sind bedeutend für die Entwicklung einer Person und ihren Wissenserwerb. Person Interessenorientierte Handlung Gegenstand von Interesse Abbildung 2.4 – Person-Gegenstands-Theorie: Interesse als relationales Konstrukt Nach Edelmann (1993) zeichnet sich Interesse dadurch aus, dass die Neugier sich immer wieder auf bestimmte Bereiche konzentriert, sozusagen kanalisiert wird. Diese Neugierde sieht er als wesentliche Voraussetzung für kognitives Lernen. Auf kognitiver Ebene bildet sich eine komplexe Wissensstruktur. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 21 you want to appear here. Auf affektiver Ebene geht Interesse mit positiven Gefühlen einher. Nach der Cognitive ff Evaluation Theory (Deci & Ryan, 1985) wird die Auseinandersetzung mit dem Gegenstand von Interesse wird als angenehm empfunden, da die eigene Kompetenz dabei zunimmt und das grundlegende psychologische Bedürfnis nach Autonomie und Kompetenz befriedigt wird. Ein weiterer Ansatz ist, dass durch die optimale Passung zwischen Fähigkeits- und Anforderungsniveau eine Art „Flow“ entstehen kann (Krapp, 1992). Nach Meinung vieler Lehrer, spielt auch das Interesse als Bedingungsfaktor der Schulleistung eine Rolle. In diesem Zusammenhang bezeichnen Schiefele et al. (1993, S. 121) das Interesse als „spezifische Präferenz für bestimmte Lerninhalte“ und vermuten eine herausragende Bedeutung innerhalb der Gruppe motivationaler Schülermerkmale. Helmke und Schrader (2006, S. 85) sehen Interesse als „zentrales Element selbstbestimmten Handelns und Bestandteil intrinsischer Motivation“. Helmke und Weinert (1997) weisen darauf hin, dass die Bedeutung des Interesses im Laufe der Schulzeit zunimmt und bei Jungen eine größere Bedeutung hat als bei Mädchen. Schiefele et al. (1993, S. 120) untersuchten 21 Studien im Rahmen einer Metaanalyse und kamen dabei auf eine mittlere Korrelation von .30 zwischen fachspezifischem Interesse und schulischer Leistung. Dabei ergaben sich zwischen den Fächern teilweise signifikante Unterschiede. Das Ausmaß des Einflusses von Interesse auf die Leistung hängt also zumindest teilweise vom untersuchten Fach ab. Naturwissenschaftliche „schwierige“ Fächer sind über das Interesse besser vorherzusagen als Nebenfächer. Die Autoren geben als Begründung an, dass Schüler mit einem geringen Interesse in einem Fach schnell aufgeben wenn es schwierig wird, während fachspezifisch interessierte Schüler Durchhaltevermögen an den Tag legen. Wissenschaftliche Arbeiten haben gezeigt, dass Interesse am behandelten Thema beim Lesen von Texten und der Lernerfolg in positivem Zusammenhang stehen (Schiefele et al., 1993). Dies kann man über eine erhöhte Aufmerksamkeit erklären (Hidi, 1990), die zu einer höheren physiologischen Aktivierung und damit besserer Lernleistung einhergeht. Schiefele (1996) konnte in einer Studie zeigen, dass „quality of experience“ während dem Lesen mit steigendem Interesse am Thema zunimmt. Zu den zentralen Dimensionen dieses Konstrukt gehören Aktivierung (im Sinne einer Energetisierung), Affekte (z.B. gute Laune) und Konzentrationsfähigkeit. Schiefele (2001, S. 185) fand in mehreren Untersuchungen niedrige bis mittlere Korrelationen (zwischen .24 und .57) zwischen Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 22 you want to appear here. Aktivierung und Interesse beim Textelesen. Zur moderierenden Wirkung von Aktivierung ff auf die Behaltensleistung gibt es jedoch keine klare Befundlage. Die positiven Korrelationen zwischen Interesse und potentiellen Moderatorvariablen, sowie die Zusammenhänge zwischen diesen Variablen und dem Lernerfolg lassen jedoch vermuten, dass Interesse indirekten Einfluss auf den Lernerfolg ausübt. Wie ist die prognostische Kraft von Interesse für die Schulleistung zu erklären? Interesse ist ein zentrales Konzept wenn es um die Erklärung des Auftretens intrinsischer Motivation geht (Deci, 1992, zitiert nach Schiefele et al., 1993). Nach Krapp (2006) spielen Interessen eine wichtige Rolle zur Beschreibung und Erklärung von Lernmotivation. Andererseits weist er darauf hin, dass Schüler ihr Lernverhalten eher auf Prüfungs-, anstatt auf Interesseninhalte ausrichten. 2.3.4 Leistungsmotivation und der Zusammenhang mit Hoffnung auf Erfolg und Furcht vor Misserfolg Heckhausen (1965, zitiert nach Rheinberg, 1998, S. 127) definiert Leistungsmotivation als „das Bestreben, die eigene Tüchtigkeit in all jenen Tätigkeiten zu steigern oder möglichst hoch zu halten, in denen man einen Gütemaßstab für verbindlich hält“. Es geht also um den Vergleich der eigenen Leistung mit einem Anspruchsniveau, das man der sich selbst setzt, oder von anderen Personen auferlegt bekommt. „Leistung ist immer bewertete Leistung“ (Edelmann, 1993, S. 389). Deshalb entstehen bei der Auseinandersetzung mit einer Aufgabe und dem Resultat Gefühle, die einen wesentlichen Impuls zum Ausführen einer Handlung darstellen: Zentral erscheint die Empfindung von Stolz bei Erfolg und Scham bei Misserfolg, wobei die Stärke der Empfindung von der Diskrepanz zum gesetzten Anspruchsniveau abhängt, und welchen Ursachen das Ergebnis zugeschrieben wird. 2.3.4.1 Atkinsons Risikowahl-Modell Atkinson (1957) Leistungsmotivation hat mit seinem erheblich Risikowahl-Modell geprägt. Der Ansatz die Diskussion vereint um personen- die und situationsspezifische Variablen und hilft bei der Vorhersage der individuell bevorzugten Aufgabenschwierigkeit bzw. des Anspruchsniveaus. Leistungsmotivation ist laut Atkinson Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 23 you want to appear here. (1957, S. 360) das Ergebnis eines Konflikts zwischen Annäherungs- („The general aim […] ff is to maximize satisfaction of some kind“) und Vermeidungstendenzen („The aim […] is to minimize pain“). Das Annäherungsmotiv sieht er als Disposition Erfolg anzustreben, das Vermeidungsmotiv als Disposition Versagen zu vermeiden bzw. die Fähigkeit Scham als Konsequenz des Versagens zu ertragen. Die Tendenz Erfolg anzustreben besteht gemäß Atkinsons (1957) aus drei multiplikativ verknüpften Variablen: dem Erfolgsmotiv (als dispositionelles Leistungsbedürfnis), der subjektiven Erfolgswahrscheinlichkeit (dass die Handlung positiv abgeschlossen wird) und dem Erfolgsanreiz (als Situationsvariable). Analog dazu besteht die Tendenz Misserfolg zu vermeiden aus dem Misserfolgsmotiv, der subjektiven Misserfolgswahrscheinlichkeit und dem Misserfolgsanreiz (vgl. Edelmann, 1993). Bei der Entscheidung, ob eine Person eine Leistung in Angriff nimmt, werden die beiden Faktoren „Hoffnung auf Erfolg“ (mit dem nachfolgenden Gefühl von Stolz und Zufriedenheit) und „Furcht vor Misserfolg“ (mit dem einhergehenden Gefühl von Scham) gegeneinander abgewogen. Entscheidend ist, dass nach Atkinson (1957) immer das stärkere der beiden Motive bestimmt, ob eine Leistungssituation aufgesucht oder vermieden wird. Demnach sollte Hoffnung auf Erfolg positiv, Furcht vor Misserfolg dagegen negativ mit dem Schulerfolg korrelieren. Diese Hypothese konnte in wissenschaftlichen Untersuchungen bestätigt werden. Gjesme (1971) teilte Schüler fähigkeitsheterogener Klassen entsprechend ihrer Intelligenz in Gruppen ein. Erwartungsgemäß korrelierte nur in der Gruppe der Schüler mittlerer Intelligenz Hoffnung auf Erfolg positiv, Furcht vor Misserfolg dagegen negativen mit der Schulleistung. Elliot und McGregor (1999, zitiert nach Lang & Fries, 2006) sehen Prüfungsangst als fächerspezifische Variante von Furcht vor Misserfolg. Zwischen diesen beiden Konstrukten fanden Lang und Fries (2006) mittlere Korrelationen von .4 (S. 222). Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 24 Motivation ff Subjektive Aufgabenschwierigkeit Abbildung 2.5 – Kurve präferierter Leistungsmotivation nach Atkinson (1957, Modifikation nach Rheinberg, 1995, S.71) Welche praktischen Schlüsse lassen sich aus diesem theoretischen Modell ableiten? Das Modell eignet sich zur Vorhersage der präferierten Aufgabenschwierigkeit bzw. des individuellen Anspruchsniveaus (Abbildung 2.5): Ist die Erfolgswahrscheinlichkeit extrem hoch, oder extrem niedrig, kommt es zu einer geringen Leistungsmotivation. Ist die Aufgabe extrem schwer stehen die Chancen schlecht diese zu bewältigen. Ist eine Aufgabe jedoch zu leicht, ist der Anreiz zu gering, um bei erfolgter Bewältigung Stolz zu empfinden. Rheinberg (1995) weist darauf hin, dass die Aufgabenschwierigkeit keine absolute Variable ist, sondern von der subjektiven Einschätzung der eigenen Fähigkeiten einer Person abhängt. 2.3.4.2 Eccles Model of Achievement-Related Choices Die Expectancy-Value Theory of Achievement Motivation nach Eccles und ihren Kollegen (1983) fasst verschiedene Aspekte zusammen und stellt somit einen Schritt in Richtung der theoretischen Integration verschiedener Modelle dar. Neben individuellen Dispositionen und Prozessen, die innerhalb der Person ablaufen, berücksichtigt das Modell auch Einflüsse der sozialen und kulturellen Umwelt. Im Kern steht ein ErwartungsWert-Modell („Achievement-Related Choices“) zur Erklärung der (Leistungs-) Motivation von Kindern bzw. Jugendlichen. Auf dieses werde ich mich im Folgenden konzentrieren, um die für meine Arbeit relevanten Aspekte darzustellen. Eccles sieht die persönlichen Erfolgserwartungen (Expectation of Success) und den subjektiv beigemessenen Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 25 you want to appear here. Aufgabenwert (Subjective Task Value) als die zentralen Einflussgrößen auf die Stärke der ff in einer Situation wirksamen Motivation. Der Wert einer Aufgabe ist eine Funktion der wahrgenommenen Eigenschaften dieser Aufgabe und der individuellen Bedürfnisse, Ziele und Selbstwahrnehmungen einer Person (Eccles, 1983, S. 90), sowie der Interpretation früherer Ereignisse. Die Erfolgserwartungen ergeben sich aus dem Selbstbild der eigenen Fähigkeiten, sowie der subjektiv wahrgenommenen Aufgabenschwierigkeit. Die Effekte sämtlicher anderer Faktoren (nur die letzten zwei „Ebenen“ der Einflussfaktoren sind in Abbildung 2.6 dargestellt) laufen in den Erinnerungen und den Selbstschemata zusammen. Child's Goals and General Self-Schemata ▪ Self-schemata ▪ Short-term Goals ▪ Long-term Goals ▪ Ideal self ▪ Self-concept of one's abilities ▪ Perceptions of task demands Child's Affective Memories Expectation of Success Achievement-Related Choices Subjektive Task Value ▪ Incentive and Attainment Value ▪ Utility Value ▪ Cost Abbildung 2.6 – Der zentrale Teil des Erwartungs-Wert-Modells der Leistungsmotivation nach Eccles et al. (Ausschnitt aus Wigfield & Eccles, 2000, S. 69) Der Erwartungsaspekt beschreibt die subjektive Erfolgszuversicht eines Schülers bei einer bestimmten Aufgabe – die Wertvariablen den Anreiz, den ein Erfolg in dieser Aufgabe bieten kann. Den Wert, den eine Person einer Aufgabe beimisst, ergibt sich nach Eccles (1983, S. 89) durch die Hauptkomponenten: Erfolgswert („importance of doing well on the task“), intrinsischer Wert („immediate enjoyment one gets from engaging in an activity“), Nützlichkeitswert („importance of the task for some future goal“) minus den Kosten. Dies sind die durch die Ausführung der Aufgabe entstehenden Einschränkungen in anderen Bereichen (z. B. Hausaufgaben machen, anstatt Fußball zu spielen), aber auch die erwarteten negativen Affekte wie Furcht vor Misserfolg, Anstrengung, etc. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 26 you want to appear here. Eccles (1993, zitiert nach Wigfield & Eccles, 2000, S. 74) fand heraus, dass das ff Fähigkeitsselbstkonzept und die damit einhergehenden Erfolgserwartungen von Schülern eine fächerspezifische Struktur aufweisen. Innerhalb dieser Domänen konnten Fähigkeitsselbstbild und die subjektiven Werte faktorenanalytisch getrennt werden: „…children appear to have distinct beliefs about what they are good at and what they value in different achievement domains“ (Wigfield & Eccles, 2000, S. 75). Dies ist eine notwendige Voraussetzung für das Erwartungs-Wert-Modell. In einer Längsschnittstudie von Denissen, Zarrett und Eccles (2007) bedingen sich die Faktoren fachspezifische Leistungsmotivation, Selbstkonzept und Interesse gegenseitig. Kurz gesagt: Schüler fühlen sich kompetent in Gebieten, in denen sie gut abschneiden und interessierten sich für Gebiete, in denen sie ihre persönlichen Stärken sehen. Diese Zusammenhänge nehmen im Laufe der Jahre zu (erste bis zwölfte Klasse). Demnach macht es wenig Sinn motivationale Konstrukte isoliert zu betrachten, sondern erfordert die Berücksichtigung des Bedingungsgeflechts, um ein Verständnis für motivationale Prozesse zu entwickeln. In diesem Sinne stellt die Expectancy-Value Theory of Achievement Motivation von Eccles einen guten Ansatz dar. Ein wichtiger Aspekt des Modells ist die Aufgabenspezifität von Erwartungs- und Wertvariablen. Dies ist auch für die vorliegende Arbeit in Anbetracht der fächerspezifischen Herangehensweise von Relevanz, da sich Leistungsdispositionen von einem Leistungsbereich nicht auf die Person generalisieren lassen. 2.3.5 Anstrengungsvermeidung Rollett hat mir der Entwicklung eines Diagnostikinstruments zur Anstrengungsvermeidung selbigen Forschungsgegenstand entscheidend geprägt. Sie geht davon aus, dass Anstrengungsvermeider sich in einem bestimmten Tätigkeitsgebiet nicht den von ihnen abverlangten Leistungen stellen, sondern darauf bestrebt sind, der Anstrengung durch „den aktiven Einsatz geeigneter Strategien“ (Rollett, 2006, S. 14) zu entgehen. Sirsch und Jirasko (1996) verstehen Anstrengungsvermeidung als ein handlungssteuerndes Motiv, das „Nicht-Leistung“ anstrebt mit dem Ziel, eine von anderen Personen geforderte Leistung nicht zu erreichen. Daneben existiert eine Anstrengungsvermeidungsmotivation, Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 27 you want to appear here. die „den negativen Folgen einer überlastenden Fixierung auf ‚Leistung um jeden Preis‘ ff entgegenwirkt“ (Sirsch & Jirasko, 1996, S. 185) Die Entstehung dieses Phänomens ist nach Rollett auf aversive Gefühle zurückzuführen, die der Anstrengungsvermeider erfährt, wenn er sich mit einer Handlung in dem spezifischen Tätigkeitsfeld auseinandersetzten muss. Bei zunehmender Belastung wird man normalerweise zunächst seine Anstrengung intensivieren, um den Anforderungen in diesem Bereich gerecht zu werden. Übersteigen die aversiven Gefühle dabei ein bestimmtes Ausmaß, so wird man seine Leistungsbemühungen reduzieren, um den Organismus vor Überlastung zu schützen. Die empirischen Befunde von Schönpflug (1983, zitiert nach Rollett, 2006) deckten sich mit diesem theoretischen Ansatz. Übt die soziale Umwelt Druck auf den Anstrengungsvermeider aus und verhindert so, dass er der Konfrontation mit dem als aversiv erlebten Tätigkeitsfeld umgeht, kann sich daraus ein langfristiges Anstrengungsvermeidungsmotiv entwickeln. Auf den schulischen Kontext bezogen könnte dies bei einem Schüler passieren, der schlechte Mathenoten erhält und von den Eltern dazu gezwungen wird, sich mit mathematischen Aufgaben zu beschäftigen. Da es keine Möglichkeit gibt der aversiv belegten Tätigkeit dauerhaft zu entgehen, wird der Schüler die unangenehmen Anstrengungen im mathematischen Bereich reduzieren, indem er sehr schnell und oberflächlich arbeitet (desorganisierter Arbeitsstil), um das geforderte Ziel ohne Qualitätsanspruch zu erreichen. Oder er entwickelt einen apathischen Arbeitsstil, bei dem die langsame Vorgehensweise dazu führt, dass er nur einen Teil des Geforderten erledigt. Anstrengungsvermeidung tritt nach den Beobachtungen von Rollett bereichsspezifisch auf. Eine Studie von Rollett und Bertram (1974, zitiert nach Sirsch & Jirasko, 1996, S. 188) kommt zu einer negativen Korrelation zwischen Anstrengungsvermeidung und Leistungsmotivation von -.33. Zu Furcht vor Misserfolg wird ein niedriger positiver Zusammenhang von .26 (Jopt, 1982, S. 330) berichtet. 2.4 Vorausgehende vergleichbare Studien Auf den vorhergehenden Seiten wurden die für meine Studie relevanten psychologischen Konstrukte erläutert und ihr Bezug zur Schulleistung beleuchtet. Es gibt zwar eine Vielzahl von Studien, die den Zusammenhang zwischen jeweils einem Konstrukts und der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 28 you want to appear here. Schulnote untersuchen – jedoch ohne den Einfluss der anderen Variablen zu ff berücksichtigen. Die daraus resultierende Überschätzung der Vorhersageleistung und eine möglich Lösung dieses methodischen Problems wurde in Abschnitt 2.1.2 angesprochen. Es gibt nur einige wenige Studien die der Fragestellung nachgehen, ob motivatonale Variablen zur Vorhersage von Schulleistung beitragen, wenn der Einfluss der Allgemeinen Intelligenz kontrolliert wird. Hinter diesem Ansatz steht die Vermutung, dass bei Nichtbeachtung der Allgemeinen Intelligenz die konfundierte Varianz von kognitiven und motivationalen Variablen letzteren zugeschrieben wird. Es wäre sogar denkbar, dass motivationalen Konstrukten so eine prädiktive Kraft zugesprochen wird, obwohl sie eigenständig – also ohne einen eigenen spezifischen Varianzanteil – nicht zur Vorhersage von Schulerfolg beitragen. Auf den folgenden Seiten stelle ich vier Studien vor, die bei der Vorhersage des Schulerfolgs sowohl kognitive, als auch motivationale Konstrukte erfassen. 2.4.1 Sauer und Gattringer (1986) Im Rahmen einer Querschnittuntersuchung erhoben Sauer und Gattringer (1986) an 651 Viertklässlern aus Salzburg Daten mit dem Ziel, die Schulleistung vorherzusagen. Dieses Kriterium wurde über die gemittelten Schulnoten der Hauptfächer (Deutsch, Lesen, Rechnen, Sachunterricht), sowie über die Leistung eines standardisierten Schulleistungstests erfasst. Auf Seiten der Prädiktoren trennten Sauer und Gattringer zwischen kognitiven und motivationalen Variablen. Die Intelligenz wurde mit dem PSB (Prüfsystem für Schul- und Bildungsberatung) und dem Zahlen-Verbindungs-Test erfasst. Die motivationalen Faktoren setzten sich aus den Skalen Hoffnung auf Erfolg, Furcht vor Misserfolg und Furcht vor sozialen Konsequenzen bei Misserfolg, sowie der Attributionsvoreingenommenheit zusammen. Nach der Auswertung der Daten liegt der Anteil an aufgeklärter Varianz für das Kriterium Schulnoten mit 49.1 Prozent knapp zehn Prozentpunkte über dem aufgeklärten Varianzanteil (von 39.9 Prozent) der abhängigen Variable Schulleistungstest. Mit dem Schulleistungstest als Kriteriumsvariable werden durch die Intelligenz 24.8 Prozent und durch die Motivation 3.4 Prozent spezifisch aufgeklärt, bei einer Kommunalität von 10.7 Prozent. Bezogen auf die Schulnote erkennt die Kommunalitätenanalyse bei der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 29 you want to appear here. Intelligenz einen spezifischen Varianzanteil von 30.7 Prozent, gegenüber einer Spezifität ff von 5.1 Prozent für die Motivation, bei einer konfundierten Varianz von 13.3 Prozent. Es zeigt sich also, dass die Intelligenz alleine etwa sechsmal soviel Varianz aufklärt wie die spezifische Motivation. Die Kommunalitäten machen etwa ein Viertel der aufgeklärten Varianz aus. Von Besonderem Interesse ist für meine Untersuchung der Einsatz des ZVT. Er korreliert in der Untersuchung von Sauer und Gattringer zu .41 mit den Schulnoten und kann den durch den PSB aufgeklärten Varianzanteil geringfügig inkrementell steigern. Bei den Leistungsmotivationsskalen ist die Skala Furcht vor Misserfolg mit einer Korrelation von .28 zur Schulleistung für die prädiktive Kraft verantwortlich, während bei Hoffnung auf Erfolg kein Zusammenhang zum Schulerfolg zu erkennen ist. 2.4.2 Helmke (1992) Helmke (1992) unterscheidet bei seiner methodisch anspruchsvollen Langzeitstudie bei der Vorhersage des Schulerfolgs in Mathematik über kognitive und motivationale Prädiktorvariablen zwischen Schulleistungstests und Schulnoten als Kriteriumsvariable. Er sammelt in einem Zeitraum von Anfang der 5. bis zum Ende der 6. Klasse an insgesamt vier Zeitpunkten an 813 Hauptschülern Daten. Als Prädiktorvariablen dienen die Allgemeine Intelligenz, erfasst über drei Subtests des Kognitiven Fähigkeitstests, sowie das leistungsbezogene Selbstkonzept in Mathematik, dessen Items auf einer fünfstufigen Skala beantwortet wurden. Neben dem Selbstkonzept erfasst Helmke sechs weitere motivationale Variablen. Die erfassten Prädiktorvariablen klärten zusammen 76.9 Prozent der Mathenote auf, gegenüber 70.4 Prozent im Mathetest. Die Anteile der spezifischen und konfundierten Varianzen sind in Tabelle 2.1 eingetragen. Beim Vergleich der Werte der beiden Kriteriumsvariablen fällt auf, dass die größte Spezifität bei der Mathenote von der Motivation gestellt wird (31.9 Prozent), während beim Mathetest die Intelligenz den größten spezifischen Beitrag leistet (21.0 Prozent). Tabelle 2.1 – Vergleich spezifischer und gemeinsamer Varianzanteile der Helmke-Studie (1992, S. 152) Kriteriumsvariable Aufgeklärte Gesamtvarianz Spezifität der Motivation Konfundierte Varianz Spezifität der Intelligenz Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 30 ff Mathenote Mathetest 76.9 70.4 31.9 16.3 40.8 33.1 4.2 21.0 Anmerkung: Prognose mit Daten Anfang der 5. Klasse für die Mathematikleistung Ende der 5. Klasse. Alle Angaben in Prozent. Der höhere Wert ist beim Vergleich der Kriteriumsvariablen fett gedruckt. Das leistungsbezogene Selbstkonzept ist das mit Abstand vorhersagestärkste der sieben erfassten Motivationsskalen. Dabei ist der prognostische Wert bei der Mathenote (R² = .46) als Kriteriumsvariable höher, als beim Mathetest (R² = .26). Gefolgt von Variablen der fachunspezifischen Kompetenz und des allgemeinen Selbstwertgefühls (Note als Kriterium). Das leistungsbezogene Selbstkonzept teilt mit den anderen motivationalen Variablen eine substantielle Kommunalität (R² = .16 Note, .11 Test), dabei ist seine Spezifität (R² = .29 Note, .19 Test) etwa doppelt so hoch. Daraus folgt, dass das leistungsbezogene Selbstkonzept über die Hälfte der Varianz der motivationalen Variablen abdeckt. 2.4.3 Gagné und St Père (2001) Gagné und St Père (2001) stellten sich die Frage: „When IQ is controlled, does motivation still predict achievement?“ An der Studie nahmen 208 (bei einer Teilnahmequote von 58 Prozent) Schülerinnen zwischen 12 und 14 Jahren der achten Klasse einer privaten Mädchen-High-School bei Montreal teil. Sie absolvierten die Intelligenztests „Raven’s Progressive Matrices“ und „Otis-Lennon Mental Ability Test“ und schnitten größtenteils überdurchschnittlich ab. Außerdem füllten sie zweimal im Semester einen Fragebogen aus, der Intrinsische Motivation, Extrinsische Motivation und Persistenz auf einer siebenstufigen Likertskala erfasste. Ein Elternteil und zwei Lehrer schätzten die drei Motivationsvariablen ihrer Tochter bzw. ihrer Schülerin zum gleichen Zeitpunkt ein. Die Kriteriumsvariable Schulleistung wurde aus dem Durchschnitt der Noten aus Französisch (als Muttersprache), Mathe, Englisch und Geschichte berechnet. Das Ergebnis der Untersuchung sieht die Allgemeine Intelligenz als alleinigen Prädiktor der Schulleistung. Die Raven-Matrizen korrelieren mit .63 zum Schulerfolg, die OtisLennon-Skalen tragen einen sehr geringen Betrag zur Vorhersage des Schulerfolgs bei. Dies führt zu einem Determinationskoeffizienten von .43 für den Effekt beider Tests über beide Erhebungen gebündelt. Die motivationalen Variablen klären bei Selbstbeurteilung Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 31 you want to appear here. keine spezifische Varianz auf und tragen nicht signifikant zur Vorhersage des Schulerfolgs ff bei. Bei der Bündelung der Effekte über die zwei Erhebungen, ergibt sich ein Determinationskoeffizient von .43, dessen Effekt jedoch nur bei den Eltern (adj. R² = .42) signifikant ist. Gagné liefert keine Informationen über die Höhe von spezifischen und konfundierten Varianzanteilen. Gagnés Entscheidung die Daten an einer privaten Mädchenschule zu erheben und so eine hochselektive Stichprobe mit überdurchschnittlicher Intelligenz zu untersuchen erscheint mir fragwürdig. So lassen die Ergebnisse sich nicht generalisieren und man muss sich die Frage stellen, welche motivationale Auswirkungen der Besuch einer reinen Mädchenschule haben könnte. Außerdem stellt sich die Frage, ob die niedrige Teilnahmequote von 58 Prozent und die daraus resultierende kleine Stichprobe von rund 200 Versuchspersonen ausreicht, um die Daten zuverlässig zu analysieren. Es ist anzuzweifeln, dass die Eltern die Schulleistung ihrer Tochter besser einschätzen können, als sie selbst. Dies spricht nicht für die interne Validität der eingesetzten Fragebögen und wirft die Frage auf, was sie inhaltlich erfassen. Auch das Ergebnis, dass motivationale Variablen keine spezifische Vorhersageleistung besitzen, stimmt einen in Anbetracht der empirischen Analysen von Helmke, sowie Sauer und Gattringer, kritisch. 2.4.4 Spinath et al. (2006) Im Jahr 2006 untersuchten Spinath und Kollegen 1678 neunjährige Grundschulkinder im Rahmen der Längsschnittstudie Twins Early Development Study (TEDS) in Großbritannien. Die Eltern fungierten bei der Datenerhebung ihrer eigenen Kinder als Testleiter und schickten die Unterlagen zur Auswertung zurück in die TEDS-Zentrale. Die Allgemeine Intelligenz wurde mit Subtests der „Wechsler Intelligence Scale for Children“ und dem „Cognitive Abilities Test 3“ erfasst und zu einer Skala aggregiert. Die Schulleistung der Kinder wurde von ihren Lehrern auf einer fünfstufigen Skala eingeschätzt, gemessen an Bewertungsschlüsseln nationaler Lernziele. Das Fähigkeitsbezogene Selbstkonzept und die Intrinsische Motivation wurden mit jeweils drei Items erfasst, die sich inhaltlich an den Bewertungskriterien der Lehrer orientierten. Die Schüler gaben dabei auf einer fünfstufigen Antwortskala an, wie gut sie in dem Fach sind, bzw. wie sehr sie sich dafür interessieren. Bei der Schulleistung, dem Selbstkonzept Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 32 you want to appear here. und der Intrinsischen Motivation wurden die Daten spezifisch für die Fächer Mathematik, ff Englisch (als Muttersprache) und dem Sammelfach Naturwissenschaften abgefragt. Die Ergebnisse der Studie lauten wie folgt: Die Prädiktorvariablen klären zusammen etwa 30 Prozent (in Naturwissenschaften etwa 20 Prozent) der Varianz der Schulleistung auf. Intelligenz ist der beste Prädiktor, Selbstkonzept und Intrinsische Motivation tragen inkrementell zur Aufklärung des Schulerfolgs bei. Im Fach Naturwissenschaften ist Intelligenz jedoch der einzig relevante Prädiktor. Die Kommunalitätenanalyse schlüsselt auf, dass das Fähigkeitsbezogenen Selbstkonzept bis zu 31 Prozent spezifisch und bis zu 24 Prozent der Varianz gemeinsam mit der Intelligenz aufklärt (im Fach Englisch). Bei der Intrinsischen Motivation wird hingegen bis zu 14 Prozent spezifisch und bis zu 8 Prozent gemeinsam mit der Intelligenz aufgeklärt. Ohne Zweifel haben Spinath und Kollegen bei ihrer Untersuchung vieles richtig gemacht, dennoch gibt es einige Dinge, die man verbessern könnte. Die größten Schwierigkeiten sehe ich in der Tatsache, dass die Eltern bei der Datenerhebung als Versuchsleiter ihrer eigenen Kinder fungieren. Ungeschulte, voreingenommene Versuchsleiter in einer unstandardisierten Testsituation sind keine guten Bedingungen für die Objektivität. Spinath arbeitet mit den Daten der TEDS und erhält so eine selektive Stichprobe. Man muss sich die Frage stellen, ob das Vorhandensein eines Zwillings Auswirkungen auf Selbstkonzept und Motivation hat. Ferner ist es möglich, dass über die geringe Teilnahmequote von lediglich 60 Prozent die Stichprobe selektiv eingeschränkt ist. Die Testautoren führt bei der Auswertung eine Kommunalitätenanalyse durch, benutzen dabei aber neben der Intelligenz jeweils nur eine Prädiktorvariable. So erhalt man keine Kenntnisse über die Kommunalität von Selbstkonzept und Motivation, bzw. aller drei Prädiktorgruppen. 2.4.5 Gegenüberstellung der Studien Die Ergebnisse der vorgestellten Studien lassen sich aufgrund der unterschiedlichen Konzeptionen und der verschiedenen eingesetzten Testverfahren nur bedingt miteinander vergleichen. Obwohl Helmke und Gagné ihre Daten im Rahmen einer Längsschnittstudie erfassten, werde ich mich lediglich auf ihre Querschnittdaten (1. Erhebungszeitpunkt) beziehen, um sie mit den Ergebnissen der beiden anderen Studien Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 33 you want to appear here. vergleichen zu können. Tabelle 2.2 ist die stichwortartige Gegenüberstellung der ff Konzepte der vorgestellten Studien. Tabelle 2.2 – Tabellarische Gegenüberstellung der Konzepte der vorgestellten Studien Merkmal (Schul-) Alter Stichprobe Sauer & Gattringer Ende 4. Klasse 651 Schulart Grundschule Konzept Erhebungen Testdurchführung Beurteilung Motivation Querschnittb 2 Geschulte Testleiter, vormittags Schüler Fassetten der Motivation Hoffnung auf Erfolg, Furcht vor Misserfolg, Kausalattribution Fassetten der Verbal, Reasoning, Intelligenz Space, Speed Betrachtungsebe Schulbezogen ne Kriterium ø Deutscha, Lesen, Note Rechnen, Sachunterricht Kriterium Standardisierter Test Schulleistungstest Analyse Kommunalitäten- Helmke 5. bis Anfang 6. Klasse 813 (große Vielfalt sozialer Bedingungen) Hauptschule Längsschnitt 4 Gagné & St Père 8. Klasse 202 (Mädchen) Spinath 9 Jahre 1678 (Zwillinge) Private Mädchen High School Längsschnitt 2 Grundschule Querschnitt 1 Eltern (Instruktion per Post) Schüler Schüler, Lehrer, Unterrichtsbeobachtun g Leistungsbezogenes Selbstkonzept und 6 weitere Variablen Verbal, Reasoning, Space Mathe Schüler, Eltern, Lehrer Schulbezogen Fächerspezifisch Mathe ø Französischa, Mathe, Englisch, Geschichte Mathe, Englischa, „Science“ Regressions- Kommunalitätenan alyse mit 2 Prädiktoren Standardisierter Mathetest, Speed Kommunalitäten- Intrinsic, Extrinsic, Ability selfPersistence perceptions, Intrinsic Values Verbal, Reasoning Verbal, Reasoning a Dies ist die Muttersprache. b Die Daten stammen aus einer Längsschnittstudie. Sauer und Gattringer sowie Helmke unterscheiden in ihren Studien zwischen Schulleistungstests und Schulnoten als Kriteriumsvariable. Sie berichten, dass die Bedeutung motivationaler Variablen bei Schulnoten größer ist als bei Schulleistungstests und dementsprechend auch der insgesamt aufgeklärte Varianzanteil. Während bei Sauer und Gattringer die Intelligenz bei beiden Kriteriumsvariablen die größte spezifische Varianz aufweist, besitzen bei Helmke die konfundierten motivationalen Variablen die größte Spezifität bei der Vorhersage der Mathenote. Woran könnte das liegen? Zunächst ist festzustellen, dass Helmke mit sieben motivationalen Konstrukten ein ziemlich breites Spektrum abdeckt und es dementsprechend nicht verwunderlich ist, dass die einzelnen Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 34 you want to appear here. motivationalen Aspekte inkrementell den prognostischen Wert steigern. Bei den Studien ff von Helmke und Spinath besitzt das Selbstkonzept den höchsten prognostischen Wert der motivationalen Variablen. Dementsprechend fällt der Einfluss der Motivation bei Sauer und Gattringer erheblich niedriger aus, da sie das Selbstkonzept nicht in ihr Konzept miteinbeziehen. Gagné verwendet Regressionsanalysen, beschränkt sich aber im Gegensatz zu seinen Kollegen bei der Darstellung der Ergebnisse auf die Determinationskoeffizienten. Die Gesamtvarianz, die er in seiner Studie aufklärt liegt verglichen mit den anderen Ergebnissen im Mittelfeld – allerdings mit dem Unterschied, dass motivationale Variablen praktisch keinen eigenen prognostischen Wert besitzen. Da er keine Kommunalitätenanalyse durchführt, erfährt man nichts über den gemeinsamen Varianzanteil von kognitiven und motivationalen Variablen. Persistenz korreliert als einzige motivationale Variable niedrig mit den Schulnoten. Selbst das fehlende Selbstkonzept als Prädiktor reicht nicht als Erklärung aus, wieso motivationale Variablen bei Gagné keinen signifikanten Einfluss ausüben. Zum Vergleich: Bei Spinath beträgt der spezifische Varianzanteil intrinsischer Variablen zur Vorhersage der Mathenote 7 Prozent, bei einer Kommunalität von 14 Prozent. Tabelle 2.3 – Tabellarische Gegenüberstellung der Ergebnisse der vorgestellten Studien Merkmal Sauer & Gattringera Aufgeklärte Gesamtvarianz 49 Spezifität Intelligenz 31 Spezifität Motivationale 5 Variablen Konfundierte Varianz 13 Selbstkonzept Helmkeb 77 4 32 41 R² = .46 Gagné & St Pèrea R² = .40 praktisch Null Spinathbc 32 53 25 22 R² = .15 Hinweis: Soweit nicht anders aufgeführt, sind die Angaben der Tabelle in Prozent angegeben. a Die Angaben beziehen sich auf die Kriteriumsvariable Schulnote bzw. den Schnitt aus mehreren Fächern. b Die Angaben beziehen sich auf die Kriteriumsvariable Mathenote. c Die Angaben beziehen sich auf die Prädiktorvariable Selbstkonzept. Aus den Ergebnissen der Studien lassen sich folgende Schlussfolgerungen ableiten: Hinweis: Hinter einer Aussage ist angegeben, aus welcher/n Studien sich die Schlussfolgerung ableiten lässt. Um zu verdeutlichen, dass dies nicht die Meinung des Autors widerspiegelt, habe ich geschweifter Klammern {} verwendet. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 35 you want to appear here. a) Wenn eine niedrige Korrelation zwischen Prädiktor und Kriteriumsvariable vorliegt ff heißt das nicht unbedingt, dass die sie auch zur Aufklärung des Kriteriums beiträgt. {Gagné} b) Kommunalitätenanalysen bewahren einen davor, den prognostischen Wert eines Prädiktors zu unter- oder überschätzen, indem sie spezifische Varianzanteile sichtbar machen. {Sauer und Gattringer} c) Schulnoten sind bei Verwendung kognitiver und motivationaler Prädiktorvariablen besser zu prognostizieren als Schulleistungstests. {Helmke} d) Das liegt daran, dass bei Schulnoten als Kriterium der prognostische Wert motivationaler Variablen größer ist. {Helmke} Dieser Befund kann mit Atkinsons Modell des kumulativen Lernens erklärt werden, nachdem zum Erreichen langfristiger Leistungen (wie bei Schulnoten) Motivation stärker mitverantwortlich ist, als bei kurzfristigen Leistungen (in diesem Fall ein Schulleistungstest). e) Das Selbstkonzept ist der stärkste Prädiktor in der Gruppe motivationaler Variablen. {Helmke, Spinath} f) Neben dem Selbstkonzept können weitere motivationale Variablen inkrementell zur Vorhersage der Schulnote beitragen. Dabei ergibt sich zwischen den motivationalen Variablen ein beträchtlicher Anteil konfundierter Varianz. {Helmke} Mit der Spinath-Studie haben wir eine Untersuchung kennengelernt, die bei der Vorhersage des Schulerfolgs ein zufriedenstellend weitgefasstes Spektrum kognitiver und motivationaler Variablen miteinbezieht, kommunalitätenanalytisch vorgeht und dabei zwischen verschiedenen Schulfächern differenziert. Eine Untersuchung mit solch einem Versuchsplan ist mir für die gymnasiale Mittelstufe nicht bekannt. Hier setzt die vorliegende wissenschaftliche Arbeit von Pfeiffer und Reinert an. Wir haben den Anspruch, die kleinen Schwächen vorhergehender Studien zu verbessern und so unser Wissen über die Spezifitäten und Kommunalitäten kognitiver und motivationaler Variablen bei der Vorhersage des Schulerfolgs zu vertiefen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 36 ff 3 Fragestellungen und Erwartungen 3.1 Dimensionalität motivationaler und kognitiver Konstrukte 1. Fragestellung: Kann man faktorenanalytisch aus den verschiedenen IntelligenzSubtests einen gemeinsamen g-Faktor extrahieren? Ist es möglich den Generalfaktor zu extrahieren spricht dies für die Validität der Intelligenztests, da der Generalfaktor in vielen Untersuchungen zur Intelligenz ein g-Faktor extrahiert werden konnte. 2. Fragestellung: Welche Struktur hat das allgemeine akademische Selbstkonzept? Gemäß früherer Studien (vgl. Rost & Sparfeldt, 2002) wird erwartet, dass nur eine einzige Generalkomponente bei der Faktorenanalyse über die schulbezogenen Selbstkonzeptitems extrahiert wird. Kann diese Hypothese nicht bestätigt werden, steht dies in Konflikt mit dem Modell des hierarchischen Selbstkonzepts, das nach Marsh und Shavelson (1985) ein konsistentes akademisches Selbstkonzept voraussetzt. 3. Fragestellung: Welche Struktur hat das fächerspezifische Selbstkonzept? Geht man nach den Ergebnissen früherer Studien (vgl. Rost & Sparfeldt, 2002), sollten nach einer Hauptkomponentenanalayse mit Rotation die Selbstkonzept-Fassetten der Schulfächer als Komponenten zu erkennen sein. 4. Fragestellung: Ist die fächerspezifische dimensionale Struktur des Selbstkonzepts auf andere motivationale Konstrukte übertragbar? 3.2 Vorhersage des Schulerfolgs 5. Fragestellung: Besteht ein Zusammenhang zwischen der Schulnote und den verschiedenen kognitiven und motivationalen Variablen? Dies müsste entsprechend vorausgehender Studien der Fall sein. 6. Fragestellung: Die meisten Studien sehen Intelligenz als den stärksten Prädiktor für Schulerfolg. Jetzt will ich wissen, wie viel motivationale Variablen neben der Intelligenz inkrementell zur Aufklärung des Schulerfolgs beitragen. 7. Fragestellung: Wie hoch sind die prozentualen Anteile spezifischer und gemeinsamer Varianz an der aufgeklärten Varianz? Da ich ein relativ breites Spektrum Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 37 you want to appear here. motivationaler Variablen abdecke, ist mit einem hohen Anteil an gemeinsamer ff Varianz zu rechnen (vgl. Helmke, 1992). 8. Fragestellung: Welches Konstrukt der motivationalen Variablen besitzt die beste Vorhersageleistung? Gemäß dem Model of Achievement-Related Choices von Eccles et al. (1983) wird erwartet, dass das Fähigkeitsselbstkonzept der stärkste Prädiktor der motivationalen Variablen ist. Diese Tendez wurde bereits in anderen Studien beobachtet (z. B. Spinath et al., 2006). 9. Fragestellung: Studien zufolge nimmt die Korrelation zwischen Motivation und Schulleistung mit steigender Klassenstufe zu (Uguroglu & Walberg 1979). Demnach müsste die prädiktive Kraft motivationaler Bedingungsfaktoren höher ausfallen als bei Studien, die jedoch auf eine jüngere Stichprobe zurückgreifen. Insbesondere der Vergleich mit der Untersuchung von Spinath et al. (2006) erscheint aufgrund des ähnlichen Untersuchungsaufbaus von Interesse. 10. Fragestellung: Lässt sich die prädiktive Kraft motivationaler Variablen steigern, wenn fächerspezifisch differenziert wird? Es wird erwartet, dass durch fächerspezifische Unterscheidung mehr Varianz aufgeklärt Betrachtungsweise (vgl. Rost & Sparfeldt 2002). wird als bei fachübergreifender Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 38 ff 4 Methode 4.1 Angewandte Untersuchungsverfahren In diesem Abschnitt werden die bei der Untersuchung eingesetzten psychometrischen Tests und Fragebögen namentlich aufgeführt und auf den folgenden Seiten detailliert beschreiben. Der genaue Aufbau des Testheftes ist in Abschnitt 4.2 dargestellt. Um die Intelligenz zu erfassen wurden bestimmte Subtests aus dem „Leistungsprüfsystem“ (LPS) von Horn (1983) und dem „Intelligenz-Struktur-Test“ (IST) von Liepmann, Beauducel, Brocke und Amthauer (2001) gezielt ausgewählt. Außerdem kam der „Zahlenverbindungstest“ (Oswald & Roth, 1987) zum Einsatz. Die verwendeten Subtests der Verfahren sind in Abschnitt 4.1.1 aufgeführt und beschrieben. Neben der Intelligenz wurden motivationale Variablen mit Hilfe von Fragebögen erfasst, deren Anwendung sich in vorhergehenden Studien bewährt hat. Es wurden also keine völlig neuen Fragebögen gebildet oder Items generiert. Um möglichst viele motivationale Variablen in der vorgegebenen Zeit (von zwei Schulstunden) zu erfassen, wurden die Skalen gekürzt und modifiziert. Die Items wurden dahingehend verändert, dass die Aussagen zunächst schulbezogen, sowie separat fächerspezifisch für die Fächer Mathematik, Deutsch, Physik und Englisch auf einer sechsstufigen Antwortskala einzuschätzen waren. Um das schulische Selbstkonzept zu erfassen wurde das „Differentielle Schulische Selbstkonzept-Gitter mit Skala zur Erfassung des Selbstkonzepts schulischer Leistungen und Fähigkeiten“ (DISK-Gitter mit SKSLF-8) von Rost, Sparfeldt und Schilling (2007) herangezogen. Außerdem fand das „Schulfachspezifische Interessengitter“ (SFSPIG) von Sparfeldt, Rost und Schilling (2004) Verwendung. Die motivationalen Konstrukte „Hoffnung auf Erfolg“ und „Furcht vor Misserfolg“ wurden mit einer von Lang und Fries (2006) überarbeiteten deutschen Form der „Achievement Motives Scale” (AMS-R) untersucht. Ferner wurde der „Anstrengungsvermeidungstest“ (AVT) von Rollett und Bartram (1998) in einer gekürzten und modifzierten Version eingesetzt. Die verwendeten Items sowie eine Beschreibung der eingesetzten Motivationsskalen findet man in Abschnitt 4.1.2. Zusätzlich zu den mit psychometrischen Tests gewonnenen Daten wurden die Schulnoten aus dem letzten (Halbjahres-) Zeugnis der Fächer Mathematik, Deutsch, Physik und Englisch, sowie Alter und Geschlecht der Schüler abgefragt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 39 ff 4.1.1 Leistungstests 4.1.1.1 Intelligenz-Struktur-Test Der Intelligenz-Struktur-Test 2000 R von Liepmann, Beauducel, Brocke, und Amthauer (2001) ist ab einem Alter von 15 Jahren anwendbar. Er basiert auf einer theoretisch fundierten und empirisch begründeten Intelligenzstruktur: Die Autoren gehen davon aus, dass die Intelligenz hierarchisch organisiert ist und unterscheiden auf oberster Ebene zwischen kristalliner und fluider Intelligenz, wobei die Generalfaktoren gemeinsame Varianzanteile besitzen. Auf der untersten Ebene befinden sich zwölf verschiedenen Aspekte der Intelligenz, wobei der modulare Aufbau des IST das Herausgreifen einzelner Subtests und somit die gezielte Erfassung spezifischer Intelligenzfassetten begünstigt. Der IST wird zusammen mit einer pseudoparallelen B-Form ausgeliefert. Beide Formen fanden in der vorliegenden Untersuchung Anwendung, da die Benutzung verschiedener Formen das Abschreiben während der Gruppentestung erschwert. In meiner Studie kamen die Aufgabengruppen 2 (Zahlenreihen = ZR) und 5 (Analogien = AN) zum Einsatz. Bei zweiten Subtest des IST müssen Zahlenreihen vervollständigt werden, die mathematischen Operationen unterliegen. Es sind sieben Zahlen vorgegeben, die Achte muss entsprechend der vorliegenden Gesetzmäßigkeit ergänzt werden. Beim fünften Subtest geht es um Analogien. Es sind drei Wörter vorgegeben, wobei zwischen dem ersten und dem zweiten Wort eine Beziehung besteht. Zwischen dem dritten und einem der folgenden fünf Wahlwörter besteht eine ähnliche Beziehung. Die Versuchsperson muss entscheiden, welches der fünf Wahlwörter analog am Besten passt. Zur Veranschaulichung dieses Aufgabentyps ist im IST folgende Beispielaufgabe aufgeführt: Wald : Bäume = Wiese : ? a) Gräser b) Heu c) Futter d) Grün e) Weide Das Handbuch führt einige Validitätsbelege in Form von multivariaten Analysen auf und folgert, dass die im Grundmodul angebotenen Skalen abgesichert werden konnten. Es finden sich Zusammenhänge zu anderen Intelligenztests, die in Abhängigkeit der Skala Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 40 you want to appear here. meist schwach oder mittel ausfallen (z. B. zum HAWIE-R finden sich Korrelationen ff zwischen .3 und .48). Für meine Untersuchung sind die angegebenen Korrelationen zwischen den Skalen des Grundmodels und Schulnoten von Interesse, die allesamt negativ, bis zu einen Maximalwert von -.45 (schlussfolgerndes Denken mit Mathematik) reichen. Im Manual wird für die Aufgabengruppe 2 (Analogien) bei einer gymnasialen Stichprobe (N=1892) Cronbachs Alpha mit .68 angegeben, wobei die Trennschärfe zwischen .1 und .41, der Schwierigkeitsindex zwischen .25 und .97 liegt. Bei der Aufgabengruppe 5 (Zahlenreihen) findet sich für dieselbe Stichprobe ein (Cronbachs) Alpha von .9, für Trennschärfe und Schwierigkeitsindex Werte zwischen .19 und .68 bzw. .29 und .97. 4.1.1.2 Leistungsprüfsystem Das Leistungsprüfsystem (LPS) von Horn (1983) basiert auf Thurstones Primärfaktorenmodell und ist in einem Altersbereich zwischen 9 und 50 Jahren anwendbar. Der Intelligenztest erfasst über insgesamt 14 Subtests 7 – der Theorie nach unabhängige – Primärfaktoren der Intelligenz. In der vorliegenden Studie wurden lediglich die Subtests 1 und 2 (verbal comprehension), 4 (reasoning), sowie 7 und 9 (space) verwendet. Um das Abschreiben zu erschweren, wurden für den LPS 1+2 (Reihenfolge: 1. Item LPS1, 1. Item LPS2, 2. Item LPS1 …), sowie für den LPS 4 (Itemreihenfolge: 1, 3, 2, 4…) eine pseudoparallele B-Form generiert. Beim LPS 1+2 erhält der Proband Wörter vorgegeben, bei denen jeweils genau ein Buchstabe falsch geschrieben ist. Die Aufgabe des Probanden besteht darin, den Rechtschreibfehler zu markieren. Es sei angemerkt, dass die fehlerhaften Buchstaben klangliche Ähnlichkeiten zum „richtigen“ Buchstaben aufweisen. So wurde beispielsweise ein „t“ durch ein „d“, oder ein „w“ durch ein „v“ ersetzt. Auch beim LPS 4 geht es darum den Fehler in einer Zeile zu identifizieren und zu markieren. Damit der Proband dies erfolgreich bewerkstelligen kann, muss er die Gesetzmäßigkeit erkennen, die in der Reihenfolge aus Zahlen und Buchstaben steckt. Der LPS 7 besteht aus Zeilen zu je fünf Buchstaben bzw. Zahlen. Jedes dieser Schriftzeichen ist in einem beliebigen Winkel rotiert, eine einziges wurde zusätzlich gespiegelt. Der Proband soll das gespiegelte Zeichen in jeder Zeile markieren. Beim LPS 9 wird die Versuchsperson mit soliden Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 41 you want to appear here. dreidimensionalen Körpern konfrontiert. Aufgabe ist es, die Anzahl der Oberflächen zu ff zählen und die entsprechende Nummer anzukreuzen. Die Retest-Reliabilität ist beim LPS 1+2 im Handbuch mit .94 (ermittelt mit 91 erwachsenen Männern) angegeben, beim LPS 4 mit .77. Für die Untertests 7 und 9 findet man Werte von .61 bzw. .75. Die nach der Spearman-Brown‘schen Formel korrigierten Halbierungszuverlässigkeiten der Untertests liegen über .88 (nach Tent, 100 Kinder, 4. Klasse). Zwischen dem LPS und dem IST besteht eine Korrelation von .74 (N=37, vorwiegend männliche Studenten; Groffmann & Schneevoigt, 1964). Horn weist darauf hin, dass der LPS „die üblichen Schulleistungen nur begrenzt erfasst“ (1983, S. 21). Insbesondere die Aufgabengruppen 7 bis 10 korrelieren nur niedrig mit der Schulleistung (r = .16 mit Lehrerurteil, N=175, 4. Volksschuljahr). Bei Gymnasiasten (N=74) sind jedoch bei den Untertests 1+2 mittlere Korrelation zu Schulnoten zu verzeichnen: zu Deutsch mit .47, zu Mathematik mit .44 und zu Fremdsprachen mit .36. Laut dem Manual stellte Aurin signifikante (bei Gymnasiasten höhere) Korrelationen zwischen den Noten in Deutsch bzw. Englisch und den Untertests 1+2 und 4 fest. 4.1.1.3 Zahlenverbindungstest Der Zahlenverbindungstest (ZVT) von Oswald und Roth (1987) ist ein spezifischer Intelligenztest und dient der Ermittlung der „kognitiven Leistungsgeschwindigkeit“, sowie der Konzentrationsfähigkeit. Die Messung von Wahlreaktionszeiten erfordert weder eine sprachliche Leistung noch eine dem Alter angepasste Aufgabenstruktur und ist ab einem Alter von 8 Jahren verwendbar. Der ZVT kann als Einzel- oder Gruppentest durchgeführt werden. Bei Letzerem wird ein Zeitlimit (ab 10 Jahren von 30 Sekunden je Matrix) gesetzt und man schaut, wie weit der Proband gekommen ist. Die Aufgabe besteht darin Zahlen nacheinander in numerisch aufsteigender Reihenfolge von 1 bis 90 miteinander zu verbinden. Dabei ist die nächsthöhere Zahl jeweils in unmittelbarer Nachbarschaft der vorherigen Zahl zu finden. Es gibt vier Durchläufe des Tests mit unterschiedlichen Matrizen. Der ZVT zeichnet sich durch eine hohe Zuverlässigkeit aus. Bei der Testwiederholung nach 6 Wochen (N=96, 14-jährige Gymnasiasten) wird eine Retest-Reliabilität von .94, nach 6 Monaten von .85 angegeben. Nach dem Manual liegen die Korrelation des ZVT zu Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 42 you want to appear here. umfassenden Intelligenztests bei mindestens -.69 (ZVT Zeit und IST, N=40; ZVT Zeit und ff PSB, N=90, Durchschnittsalter=14.3). Rindermann und Neubauer (2000) berichten, dass sich bei Hinzunahme der Informationsverarbeitungsgeschwindigkeit zur Intelligenz in schrittweisen Regressionsanalysen die Prognosekraft für den Notenschnitt bedeutsam erhöht. Oswald und Roth (1978, zitiert nach Sauer & Gattringer, 1986, S. 239) ermittelten in einer Untersuchung – unter anderem an Gymnasien – niedrigere Korrelationen von .3 zur Schulleistung. In der Studie von Sauer & Gattringer (1986) trug der ZVT inkrementell zur Vorhersage von Grundschulnoten bei, jedoch war der spezifische Varianzanteil zu gering, um von praktischer Bedeutung zu sein. 4.1.1.4 Konzept bei der Auswahl der Leistungstests Bei der Auswahl der Subskalen der Leistungstests wurde viel Wert darauf gelegt, möglichst viele Aspekte der Allgemeinen Intelligenz möglichst reliabel in der kurzen vorgegebenen Zeit zu erfassen. Da kein „umfassender“ Intelligenztest all diese Kriterien erfüllt, wurden Subtests aus verschiedenen Instrumenten der Intelligenzdiagnostik entnommen. Die verwenden Subtests enthalten verbales, numerisches, sowie figuralräumliches Material. Dabei profitiert die Versuchsperson neben sprachlichen und mathematischen Fähigkeiten von schlussfolgerndem Denken und einer hohen Verarbeitungsgeschwindigkeit. Es bleibt anzumerken, dass durch das Zeitlimit bei den Aufgabengruppen eine schnelle Vorgehensweise nicht nur beim ZVT von Vorteil ist. Personen, die sich nicht an einem Stimulus „festbeißen“, sondern ein schwieriges Item auslassen und zum Nächsten übergehen sparen so Zeit und können dadurch einen höheren Testwert erreichen. Verbal Numerisch Figural-räumlich Verarbeitungsgeschwindigkeit Sprachliche Mathematische Schlussfolgernd Fähigkeiten Fähigkeiten es Denken LPS 1 + 2 IST AN IST ZR LPS 4 ZVT LPS 7, LPS 9 Abbildung 4.1 – Tabellarische Kategorisierung der verwendeten Leistungstests nach Materialart (Zeilen) und Fähigkeitsausrichtung (Spalten) Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 4.1.2 Motivationsskalen Seite 43 ff 4.1.2.1 Differentielles Schulisches Selbstkonzept-Gitter mit Skala zur Erfassung des Selbstkonzepts schulischer Leistungen und Fähigkeiten Zur Erfassung des schulbezogenen Selbstkonzepts wurde eine auf fünf Items gekürzte Fassung der „Skala zur Erfassung des Selbstkonzepts schulischer Leistungen und Fähigkeiten“ (SKSLF) von Rost und Lamsfuß (1992) verwendet. Die Items stammen ursprünglich aus dem Fragebogen „Self-Concept as a Learner“ (SCAL) von Waetjen (1985, zitiert nach Lamsfuß & Rost, 1993) und der SIQ-Subskala „Leistungsselbstkonzept“ von Seiffge-Krenke (1985, zitiert nach Lamsfuß & Rost, 1993). Zur Dimensionierung der entliehenen 54 Selbstkonzept-Items wurde eine Hauptkomponentenanalyse mit anschließender Varimax-Rotation durchgeführt. Mithilfe von Markiervariablen wurden die Items inhaltlich analysiert und so die Anzahl auf zehn Items reduziert. Aus ihnen wurde die SKSLF gebildet, die 2002 von Rost und Sparfeldt weiterentwickelt wurde als ein „Verfahren zur Messung des differentiellen Selbstkonzepts schulischer Leistungen und Fähigkeiten“, um neben dem „allgemeinen akademischen Selbstkonzept“ auch „schulfachspezifische Selbstkonzepte“ zu erfassen. Das Paket wurde unter dem Namen „Differentielles Schulisches Selbstkonzept-Gitter mit Skala zur Erfassung des Selbstkonzepts schulischer Leistungen und Fähigkeiten“ (DISK-GITTER mit SKSLF-8) 2007 von Rost, Sparfeldt und Schilling veröffentlicht. In der aktuellen Fassung besteht die SKSLF aus acht Aussagen, wobei man zwischen Items trennen kann die eher fähigkeitsbezogene (Item 2 bis 5) oder eher leistungsbezogene Aspekte (Item 6 bis 8) erfassen (Item 1 erfasst beide Aspekte). Bei der vorliegenden Studie kamen das erste Item, sowie die Items fünf bis acht zum Einsatz. Die Items der SKSLF bestehen aus Aussagen, die sich eindeutig auf die Schule beziehen („in der Schule“) und auf einer Ratingskala einzustufen sind. Dabei reicht die Skala von einem Zahlenwert von eins („trifft gar nicht zu“) bis sechs („trifft genau zu“). Die Aussagen sind beim Disk-Gitter bis auf eine Ausnahme identisch: Bei der Erfassung schulfachspezifischer Selbstkonzepte wird der Ausdruck „in der Schule“ durchgängig durch einen Freiraum („in …“) ersetzt. Der Schüler setzt dort in Gedanken „in Mathematik“ oder ein beliebiges anderes Fach analog ein. Die Aussagen sind beim DISKGitter tabellarisch angeordnet: jedes Item erhält eine eigene Zeile, jedes Schulfach eine Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 44 you want to appear here. eigene Spalte. Somit kann der Schüler eine große Anzahl von fachspezifischen Aussagen ff sehr platzsparend bewerten. Das Disk-Gitter kann als Einzel-, oder als Gruppentest durchgeführt werden und eignet sich für Gymnasial- und Realschulklassen der siebten bis zehnten Klassenstufe. Die Bearbeitungsdauer wird für beide Verfahren (SKSLF-8 und DISK-Gitter) mit unter 10 Minuten angegeben. Die Retest-Reliabilitäten der verschiedenen Selbstkonzeptfassetten schwanken in Abhängigkeit der Selbstkonzeptfassetten und der vergangener Zeit (vier bis sechs Wochen) zwischen .70 und .90. Cronbachs Alpha liegt für die SKSLF-8 bei .81, für das DISK-Gitter bei .91. Für die Validität des Verfahrens spricht die empirisch belegte fächerspezifische Faktorenstruktur, sowie die hohen Korrelationen (SDQ zu DSIK-Gitter, Mathe .92, Deutsch .85) zu korrespondierenden Verfahren und die mittleren Korrelationen zur Schulnoten (Schilling et al., 2004, S. 25). Verwendete Items des DISK-Gitters 1) Ich weiß in … die Antwort auf eine Frage schneller als die Anderen. 2) Es fällt mir in … leicht, Probleme zu lösen. 3) In … fallen mir gute Noten zu. 4) Ich gehöre in … zu den Guten. 5) Ich habe ein gutes Gefühl, was meine Arbeit in … angeht. Hinweis: In das leere Feld wird das spezifische Schulfach oder „in der Schule“ eingesetzt. 4.1.2.2 Schulfachspezifisches Interessengitter Sparfeldt, Rost und Schilling veröffentlichten 2004 das schulfachspezifische Interessengitter (SFSPIG) mit der Intention, einen ökonomischen Fragebogen mit moderner Sprachgestaltung zur simultanen Erfassung schulfachspezifischer Interessen bei Jugendlichen zu entwickeln. Die Itemgenerierung erfolgte nach Sparfeldt et al. (2004) „auf dem Hintergrund einschlägiger Studien“ (S. 215), wobei die Items 5, 7 und 8 am „Fragebogen zum Studieninteresse“ (FSI, von Schiefele, Krapp, Wild & Winteler, 1993) angelehnt sind. Das schulfachspezifische Interessengitter berücksichtigt nicht verschiedene theoriebasierte Aspekten von Interesse, da diese in Untersuchungen hoch untereinander korrelieren (Eccles, Barber, Updegraff & O’Brien, 1988, zitiert nach Sparfeldt et al., 2004). Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 45 you want to appear here. Der Aufbau orientiert sich am DISK-Gitter und enthält acht Items, die in tabellarischer ff Form dargeboten werden. Dabei steht in jeder Zeile eine neue Aussage, die separat für jedes der Fächer in den Spalten bewertet werden soll. Die Ratingskala reicht von einem Zahlenwert von eins („trifft gar nicht zu“) bis hin zur sechs („trifft genau zu“). In meiner Studie kam eine leicht modifizierte und auf vier Items (Nummer 1, 4, 5, 6) reduzierte Form der SFSPIG zum Einsatz. In einem weiteren Schritt wurden die Aussagen so umformuliert, dass sie sich nicht mehr auf ein spezifisches Schulfach, sondern allgemein auf die Schule beziehen. Die Bearbeitung des Fragebogens nimmt etwa fünf Minuten in Anspruch und wurde an einer Stichprobe von Gymnasiasten der neunten und zehnten Klasse erprobt (N = 411). Faktorenalysen bestätigen die erwarteten Befunde, dass jedes Fach über einen Faktor verkörper wird. Die Daten der Multitrait-Multimethod-Matrix sprechen für die prognostizierte fächerspezifische Struktur. Die Homogenitäten (berechnet für die unterschiedlichen Fächer) können mit einem Alpha oberhalb .92 als sehr gut bezeichnet werden. Verwendete Items des Interessengitters 1) Das Fach … interessiert mich. 2) Ich beschäftige mich gerne mit Dingen, die mit … zu tun haben. 3) Es macht mir Spaß, Aufgaben in … zu bearbeiten. 4) Für … zu arbeiten ist eine schöne Sache. Hinweis: In das leere Feld wird das spezifische Schulfach oder „in der Schule“ eingesetzt. 4.1.2.3 Achievement Motives Scale Gjesme und Nygard veröffentlichten 1970 die „Achievement Motives Scale“, die 1980 von Göttert und Kuhl ins Deutsche übertragen wurde. Der Fragebogen thematisiert im Original mit jeweils 15 Items affektive Erlebnisinhalte in verschiedenen Leistungssituationen: positive Affekte in der Skala „Hoffnung auf Erfolg“ und negative in der Skala „Furcht vor Misserfolg“. Da bei dem ursprünglichen Itempool das theoretisch prognostizierte zwei-Skalen Modell faktorenanalytisch nicht bestätigt werden konnte, veröffentlichten Lang und Fries (2006) die überarbeitete, auf 10 Items reduzierte AMS-R. In der vorliegenden Studie wurden diese fünf Items der Skala „Hoffnung auf Erfolg“ und Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 46 you want to appear here. die fünf Items der Skala „Furcht vor Misserfolg“ verwendet. Diese Items erhielten eine ff sechsstufige Antwortskala, um die Konsistenz der Motivationsskalen zu gewährleisten. Außerdem wurden sie in eine Gitterform gebracht, um die fächerspezifische Fragestellung zu vereinfachen. Lang und Fries (2006) konnten für die AMS-R die erwartete zweifaktorielle Struktur faktorenanalytisch nachweisen und kreuzvalidieren. Dabei wurden die beiden Faktoren bei Betrachtung der Ladungsmatrix klar als Hoffnung auf Erfolg und Furcht vor Misserfolg identifiziert. Die Korrelationen zu korrespondierenden Konstrukten und zum originalen AMS wiesen die erwartete Richtung auf. Am höchsten war mit .40 der Zusammenhang zwischen Furcht vor Misserfolg und Prüfungsangst (Lang & Fries, 2006, S. 222). Verwendete Items der Skala Hoffnung auf Erfolg 1) Ich mag Situationen, in denen ich feststellen kann, wie gut ich in … bin. 2) Wenn mir in … ein Problem gestellt wird, das ich vielleicht lösen kann, dann reizt es mich, damit sofort anzufangen. 3) Situationen, in denen ich von meinen Fähigkeiten in … Gebrauch machen kann, machen mir Spaß. 4) Mich reizen Situationen, in denen ich meine Fähigkeiten in … testen kann. 5) Ich fühle mich in … zu Arbeiten hingezogen, in denen ich die Möglichkeit habe, meine Fähigkeiten zu prüfen. Hinweis: In das leere Feld wird das spezifische Schulfach oder „in der Schule“ eingesetzt. Verwendete Items der Skala Furcht vor Misserfolg 1) In etwas schwierigen Situationen in …, in denen viel von mir selbst abhängt, habe ich Angst zu versagen. 2) Es beunruhigt mich, etwas in … zu tun, wenn ich nicht sicher bin, dass ich es kann. 3) Arbeiten in …, die ich nicht schaffen kann, machen mir Angst, auch dann, wenn niemand meinen Misserfolg bemerkt. 4) Auch wenn niemand zuguckt, fühle ich mich in neuen Situationen in … ziemlich ängstlich. 5) Wenn ich in … ein Problem nicht sofort verstehe, werde ich ängstlich. Hinweis: In das leere Feld wird das spezifische Schulfach oder „in der Schule“ eingesetzt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 4.1.2.4 Anstrengungsvermeidungstest Seite 47 ff Der Anstrengungsvermeidungstest (AVT) von Rollett und Bartram (1998) dient der Diagnose schulbezogener Anstrengungsvermeidung. Eine ausführliche Erläuterung dieses psychologischen Konstrukts findet sich in Abschnitt 2.3.5. Eine zweite Skala ermittelt den schulischen Pflichteifer. Der AVT kann als Gruppen- oder Einzeltest bei Schülern der fünften bis neunten Klasse (10 bis 15 Jahre) von Haupt- und weiterführenden Schulen durchgeführt werden. Im Original beinhaltet der Fragebogen 41 Items mit den Antwortalternativen „stimmt“ bzw. „stimmt nicht“. Bei der vorliegenden Untersuchung wurden der Skala Anstrengungsvermeidung acht Items entnommen. Zunächst wurden die Fragen schulbezogen gestellt, bevor die Items in eine dem DISK-Gitter ähnelnde Struktur gebracht wurden, um die Fragen auch fächerspezifisch stellen zu können. Im Gegensatz zum originalen Fragebogen, sollten die Schüler die Aussagen auf einer sechsstufigen Antwortskala bewerten, um die Konsistenz mit den anderen Motivationsskalen zu gewährleisten. Der AVT weist signifikante Korrelationen (zwischen .22 und .32) zu Schulnoten auf (Pollmann, 1996, S. 197): Je stärker die Anstrengungsvermeidungstendenz ausgeprägt ist, desto schlechter sind die Schulnoten. Rollet und Bartram (1973, zitiert Pollmann, 1996) erklären dies damit, dass Anstrengungsvermeider weniger genau und gewissenhaft arbeiten. Ferner werden niedrige Korrelationen in erwarteter Richtung zu Leistungsmotivation und Furcht vor Misserfolg berichtet (Sirsch & Jirasko, 1996, S. 188). Dies spricht für die Validität der Skala. Im Handbuch wird die interne Konsistenz der Anstrengungsvermeidungsskala mit .80 (N = 3093 Schüler aller Schultypen) angegeben. Verwendete Items der Skala Anstrengungsvermeidung 1) Ich kann nichts dafür, wenn ich in … das, was ich auswendig lernen soll, nicht behalten kann. 2) Ich habe in … oft Langeweile. 3) In … werde ich oft nicht fertig, weil mein Nachbar mich stört. 4) Warum soll ich am Wochenende für … lernen, wenn die anderen Leute auch nicht arbeiten? 5) Wenn ich für … lange schreiben muss, werde ich ganz müde. 6) Mit meinen Aufgaben in … werde ich oft nicht fertig, weil ich dazwischen zu lange nachdenken muss. 7) Was mich in … nicht interessiert, will ich gar nicht machen. 8) Wenn ich in … keine Hausaufgaben aufbekäme, könnte ich in der Schule viel besser aufpassen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 48 ff Hinweis: In das leere Feld wird das spezifische Schulfach oder „in der Schule“ eingesetzt. 4.2 Aufbau des eingesetzten Testheftes Um ein Abschreiben bei den Leistungstests zu erschweren kamen zwei pseudoparallele Formen des Testheftes zum Einsatz. Wie dies erreicht wurde ist bei der jeweiligen Testbeschreibung aufgeführt. Einen tabellarischen Überblick über den Aufbau des Testheftes mit Angaben zur Durchführungsdauer der eingesetzten Subtests und den Unterschieden zwischen der A- und der B-Form findet man im Anhang unter M-2. Das komplette Testheft ist unter M-3 abgedruckt. Das Testheft besteht aus zwei getrennten Teilen zu je zehn und elf Seiten und ist auf der Rückseite mit einer Nummer bedruckt, um die Hefte eindeutig einer Versuchsperson zuordnen zu können. Bei der Konstruktion des Testheftes wurde Wert darauf gelegt, dass die Leistungstests vor dem Fragebogenteil bearbeitetet werden. Ziel ist die beste Leistung der Schüler zu erfassen, bevor ihre Konzentrationsfähigkeit abfällt. Die Unterteilung des Heftes in zwei Teile ermöglicht das Einschieben einer fünfminütigen Pause. So wird das reguläre Pausenintervall eingehalten, und die Schüler haben die Möglichkeit sich zu erholen. Nach dieser Unterbrechung geht es im zweiten Teil mit Leistungstests weiter, ehe die restlichen Fragen zu beantworten sind. Auf dem Deckblatt des Testheftes wird darauf hingewiesen, dass die Untersuchung anonym ist und keine Informationen an Eltern oder Lehrer weitergegeben werden. Ein deutlich sichtbares [A] bzw. [B] macht deutlich, dass mit unterschiedlichen Formen gearbeitet wird. Es folgt die Instruktion für die erste Aufgabe mit einem Beispiel und der Anweisung, wie die Lösung zu markieren sei. Die Zeile „HALT! Bitte warte jetzt auf das Zeichen zu Beginn. Vorher nicht umblättern!“ am unteren Rand des Blattes macht darauf aufmerksam, dass das Umblättern erst auf Kommando des Versuchsleiters gestattet war. Auf Seite zwei sind die Analogien der Subtests eins und zwei des LPS abgebildet. Seite drei enthält Instruktionen für die auf der folgenden Seite abgedruckten Zahlenreihen aus dem IST. Dieser alternierende Wechsel zwischen Instruktions- und Aufgabenseite wurde bei den Leistungstests eingehalten (beim LPS 7 und LPS 9 wurde aus Gründen der Ökonomie darauf verzichtet), um dem Versuchsleiter eine bessere Kontrolle zu ermöglichen. Auf Seite sechs stehen die Zahlen- und Buchstabenreihen aus Subtest 4 des LPS. Seite sieben Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 49 you want to appear here. enthält den siebten Untertest des LPS, mit einer gespiegelten Ziffer in jeder Zeile. Gefolgt ff vom neunten Aufgabenteil des LPS auf Seite acht, bei dem die Oberflächen geometrischer Körper zu zählen sind. Auf Seite neun stehen fünf schulbezogene Aussagen aus der SKSLF, sowie vier schulbezogene Aussagen aus dem SFSPIG. Die Aussagen sind auf einer sechsstufigen Skala (von 1 = „trifft gar nicht zu“ bis 6 = „trifft genau zu“) zu bewerten. Dieses Antwortschema findet in dieser Form im gesamten Fragebogenteil Verwendung. Auf Seite zehn befinden sich die Aussagen der vorhergehenden Seite, diesmal allerdings in Gitterform und mit einer separaten Bewertung für die Fächer Mathematik, Deutsch, Physik und Englisch. Auf der ersten Seite des zweiten Teils des Testheftes finden sich die Instruktionen für die Analogien aus dem IST, die auf der darauffolgenden Seite zu bearbeiten sind. Auf Seite drei stehen Instruktionen sowie Übungsaufgaben für den Zahlenverbindungstest. Der ZVT nimmt mit vier Durchläufen Seite vier bis sieben in Anspruch. Auf Seite acht stehen zehn schulbezogene Aussagen aus dem AMS, sowie acht schulbezogene Aussagen aus dem AVT. Diese acht Aussagen werden in Gitterform mit einer separaten Bewertung für die Fächer Mathematik, Deutsch, Physik und Englisch auf Seite neun erneut dargeboten. Seite zehn greift die zehn Aussagen des AMS von Seite acht auf und erfordert auch hier die separate Bewertung für die vier Fächer. Auf der letzten Seite wird der Schüler darum gebeten seine Noten des letzten Zeugnisses für die Fächer Mathematik, Deutsch, Physik und Englisch, sowie Alter und Geschlecht anzugeben. 4.3 Datenerhebung 4.3.1 Planung der Datenerhebung Um einen möglichst großen Datensatz zu erhalten arbeiteten Jens Pfeiffer und ich bei der Erstellung des Testheftes und der Erhebung der Daten zusammen. Er sammelte Daten im Großraum Marburg-Biedenkopf und Gießen in Hessen, während ich Schulen im Umkreis von Schwäbisch Gmünd in Baden-Württemberg aufsuchte. Wir untersuchten Klassen an Gymnasien der Jahrgangsstufe neun und zehn. Der Zeitraum der Datenerhebung lag zwischen Februar und April 2007. Für detaillierte Informationen zur Vorgehensweise von Jens Pfeiffer empfiehlt sich ein Blick in seine im Jahr 2007 veröffentlichte Diplomarbeit Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 50 you want to appear here. „Be smart or try hard - Zur Bedeutung von Intelligenz und Motivation bei der Vorhersage ff von Schulleistungen“. In Baden-Württemberg benötigt man für die Erhebung von Daten an Schulen die Genehmigung des Kultusministeriums, die Unterstützung des Schulleiters, sowie die Unterschrift der Eltern teilnehmender Schüler. Nachdem ich vom Kultusministerium in Stuttgart die Genehmigung erhalten hatte, nahm ich telefonischen Kontakt zu den Schulleitern auf und stellte das Projekt unter dem Titel „Wissenschaftliche Befragung zu Motivation und Schulerfolg“ vor. Im ersten Gespräch wurden Sinn und praktische Relevanz der Studie, sowie die wichtigsten Informationen erläutert. Diejenigen Schulleiter, die ihre Bereitschaft zur Teilnahme an der Studie signalisierten, erhielten per Post detaillierte Informationen und eine Kopie des Testheftes zugeschickt. Nachdem die Schulleitung ihr Einverständnis bekundet hatte, nahm ich telefonischen Kontakt zu den Klassenlehrern der Klassen auf, die mir von der Schulleitung zugeteilt worden waren. Ich warb um die Unterstützung des Projektes und bat um die Mithilfe beim Einsammeln der Unterschriften der Eltern. Die entsprechenden Informationsbriefe an die Eltern, sowie Instruktionen für die Klassenlehrer wurden an die Schulen gesendet und dort an die entsprechenden Lehrkräfte weitergeleitet. Bevor ich persönlich zur Schule kam um die Daten zu erheben, erfolgte wiederholt telefonischer Kontakt mit Klassenlehrern und Schulleitung, um den Erhebungstermin zu vereinbaren, Unklarheiten zu beseitigen und die Motivation der Lehrkräfte aufrechtzuerhalten. Die Informationsbriefe an die Schulleitung (M-4), Lehrer (M-5) und Eltern (M-6) können im Anhang eingesehen werden. 4.3.2 Ablauf der Datenerhebung Die Datenerhebung fand vormittags während der regulären Unterrichtszeit statt, um die bestmögliche Konzentration und Motivation der Schüler zu gewährleisten. Für die Untersuchung in der Klasse waren zwei Schulstunden zu je 45 Minuten vorgesehen. Die eigentliche Bearbeitung des Testheftes benötigte inklusive den Instruktionen und einer kurzen Pause 80 Minuten. Wenn ein Schüler keine Teilnahmebestätigung der Eltern abgegeben hatte, erhielt er Aufgaben vom zuständigen Lehrer und durfte nicht an der Befragung teilnehmen. Eine Lehrkraft war stets anwesend um die Aufsichtspflicht zu Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 51 you want to appear here. wahren und wurde so postiert, dass die Schüler sich möglichst wenig beobachtet fühlten. ff Die meisten Lehrer zeigten sich interessiert in der Untersuchung, versuchten sich selbst an den Leistungstests und blieben unauffällig im Hintergrund. Um den Schülern das Abschreiben zu erschweren wurden sie so weit es ging auseinander gesetzt. Außerdem kamen zwei pseudoparallele Versionen des Testhefts zum Einsatz. Diese wurden in alternierender Reihenfolge in der Klasse durch Schüler ausgegeben. Der Versuchsleiter bat die Schüler die Seiten lediglich auf das entsprechende Kommando hin umzublättern und zu kontrollieren, ob die Nummer vom ersten und zweiten Teil des Testheftes miteinander übereinstimmen. Die Testinstruktionen wurden in standardisierter Form vom Versuchsleiter laut vorgelesen (die Durchführungsanweisung befindet sich im Anhang, M-1) und einige Subtests mit Beispielen an der Tafel erläutert. Vor jedem Testblock gab es eine Übungsaufgabe und die Möglichkeit Fragen zu stellen. Auf das Startsignal des Versuchsleiters hin, sollten die Schüler mit der höchsten ihnen möglichen Geschwindigkeit die Aufgaben bearbeiten. Nach Ablauf der vorgegebenen Zeit wurden die Schüler dazu aufgefordert das Arbeiten einzustellen und den Stift hinzulegen. Nach den ersten elf Seiten war der erste Teil des Testheftes abgeschlossen und wurde vom Versuchsleiter eingesammelt. Es folgte eine kurze Pause von wenigen Minuten und die Möglichkeit den Raum zu verlassen. Nach Rückkehr aller Schüler wurde der zweite Teil nach bekanntem Schema bearbeitet. Wer mit dem Fragebogenteil fertig war konnte den zweiten Teil des Testheftes beim Versuchsleiter abgeben und das Zimmer verlassen. Die Datenerhebung an den Schulen verlief recht problemlos. Die meisten Schüler arbeiteten konzentriert und strengten sich an, oder konnten durch einer Aufforderung zur Mitarbeit motiviert werden. Das Bearbeiten der Leistungstests erforderte eine hohe Konzentration und erzeugte einen hohen Redebedarf. Die Schüler nutzten die kurze Unterbrechung zwischen zwei Testblöcken, um sich auszutauschen. Der Großteil der Schüler hielt sich durchgehend an die Instruktionen des Versuchsleiters, aber besonders beim ZVT gab es einige Probanden, die mehrmals ermahnt werden mussten. Sie konnten es nicht erwarten, ihr Blatt erst auf Kommando hin umzublättern. Nach der Bearbeitung des LPS 1 und 2 waren die Schüler meist aufgebracht, da sie die Aufgaben aufgrund der knapp bemessenen Zeit nicht vollständig bearbeiten konnten. Sie ließen sich aber schnell mit der Begründung beruhigen, dass der Test auch für höhere Schulklassen konzipiert wurde. Dagegen schien die Zeit für das Lösen der Analogien beim IST zu großzügig Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 52 you want to appear here. bemessen. Gegen Ende des zweiten Fragebogenblocks hatte ich den Eindruck, dass ff manche Schüler sehr zügig zu Werke gingen und sich bei ihrer Entscheidung nur wenig Zeit ließen. Um die Schüler unvoreingenommen zu testen wurde das Wort „Intelligenztest“ vermieden und stattdessen von „Denksportaufgaben“ gesprochen. Einige Gymnasiasten, die anderweitig mit Intelligenzdiagnostik konfrontiert worden waren, stellten schnell Ähnlichkeiten fest, so dass ich regelmäßig mit entsprechenden Fragen konfrontiert wurde. Fragen dieser Art ließ ich zunächst unbeantwortet und verwies auf die Möglichkeit am Ende der Untersuchung weitere Informationen zu erhalten. 4.4 Beschreibung der Stichprobe 4.4.1 Vorläufige Stichprobe Acht Schulen aus Baden-Württemberg in der Umgebung von Schwäbisch Gmünd nahmen an der Untersuchung teil: vier Klassen des Ernst-Abbe-Gymnasiums in Oberkochen, drei Klassen des Hariolf-Gymnasiums in Ellwangen, drei Klassen des Kopernikus-Gymnasiums in Aalen, zwei Klassen des Michelberg-Gymnasiums in Geislingen a. d. Steige, drei Klassen des Peutinger-Gymnasiums in Ellwangen, zwei Klassen des Rechberg-Gymnasiums in Donzdorf, zwei Klassen des Rosenstein-Gymnasiums in Heubach, sowie eine Klasse des Schenk-von-Limpurg-Gymnasiums in Gaildorf. Die Klassengröße schwankt zwischen 18 und 32 Schülern. Die aufgeführten Gymnasien besitzen zwischen 500 und 900 Schüler und liegen hauptsächlich in ländlichen Gebieten. Der daraus resultierende Datensatz bestehend aus 483 Schülerinnen und Schülern wurde mit dem Datensatz von Jens Pfeiffer zusammengeführt, um eine größere Stichprobe zu erhalten. Alle Angaben beziehen sich ab hier auf diesen gemeinsamen Datensatz. Addiert man die Klassengrößen hatten 1164 Schüler aus 44 unterschiedlichen Schulklassen von insgesamt 16 verschiedenen Gymnasien die Möglichkeit an der Untersuchung teilzunehmen. 16 Probanden hatten nicht die Unterschrift der Eltern dabei und durften dementsprechend nicht teilnehmen (fünf davon hatten den Rücklaufzettel vergessen). 42 Schüler waren zum Zeitpunkt der Datenerhebung krank, 22 weitere durch sonstige Gründe (Schüleraustausch etc.) verhindert. Demnach verbleibt eine Stichprobengröße von 1084 Versuchspersonen, das entspricht einer Teilnahmequote von 93.1 Prozent. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 53 ff 4.4.2 Endgültige Stichprobe Die 1084 Schüler der endgültigen Stichprobe hatten ein durchschnittliches Alter von 15.3 Jahren (SD = .76, bei 22 fehlenden Angaben), wobei die Altersspanne zwischen 13 und 18 Jahren lag. Die genaue Verteilung ist Abbildung 4.2 zu entnehmen. Die Geschlechterverteilung war recht ausgeglichen (51.2 Prozent Mädchen). 22 Schüler hatten keine Angaben zu ihrem Alter gemacht, dies entspricht einem Prozentsatz von exakt zwei Prozent. An der Untersuchung hatten 547 (50.5 Prozent) Schüler der neunten, sowie 537 (49.5 Prozent) Schüler der zehnten Klassenstufe teilgenommen. 477 500 406 400 300 200 133 100 42 2 2 22 18 K.A. 0 13 14 15 16 17 Abbildung 4.2 – Darstellung der Altersverteilung der Stichprobe 4.5 Auswertungsplan 4.5.1 Vorgehen bei der Datenaufbereitung Die erhobenen Daten der Testhefte wurden in den Computer eingegeben, so dass Datenmatrizen entstanden. Jeder zehnte Fragebogen (108 Stück) wurde nach der Übertragung in die digitale Form Korrektur gelesen. Dabei wurden 59 fehlerhafte Zeichen korrigiert, was einer Fehlerrate von .13 Prozent entspricht. Die Datenmatrizen wurden in das Statistikprogramm SPSS importiert und dabei die pseudoparallele Version angeglichen. Ein Großteil der Berechnungen wurde mit SPSS durchgeführt. Für kleinere Rechenaufgaben und um das Datenmaterial ansprechender zu veranschaulichen habe ich auf Microsoft Excel zurückgegriffen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 54 you want to appear here. Zunächst wurden die Skalenwerte berechnet. Dazu wurden bei den Motivationsskalen die ff Mittelwerte aus den Rohwerten gebildet. Dieses Vorgehen erfolgte separat für jedes Schulfach für jede Skala. Dabei wurden die Rohwerte einer Versuchsperson nicht in die Berechnung einer Skala miteinbezogen, wenn der Proband mindestens eine Antwort in dieser spezifischen Skala nicht angekreuzt hatte. Bei den Leistungstests wurde die Summe der richtigen Antworten für jede Skala separat aufaddiert. Hierbei wurde nicht unterschieden, ob die Schüler eine falsche, oder gar keine Lösung angegeben hatten. Ausnahme bildete der ZVT, für den ein Durchschnittswert aus den vier Durchläufen berechnet wurde. Aus den Schulnoten der vier Fächer Mathematik, Deutsch, Physik und Englisch wurde eine Durchschnittsnote gebildet, die die allgemeine Schulleistung der Schüler repräsentiert. Es sei angemerkt, dass in Baden-Württemberg im Halbjahreszeugnis Leistungen mit einem Intervall von einer viertel Schulnote beurteilt werden. Die Verteilungsform der Schulnoten wird in Tabelle 4.1 behandelt, die klassenweise z-standardisierte Häufigkeitsverteilung für die Fächer Deutsch und Physik ist in Abbildung 4.4 bzw. Abbildung 4.3 dargestellt. Tabelle 4.1 – Verteilungsform der Schulnoten Fach Mathe Deutsch Physik Englisch Schnitt vVpn 1084 1084 1081 1082 1079 K.A. 0 0 3 2 5 Min 1 1 1 1 1 Max 5.5 5.0 5.5 5.5 4.8 MW 2.89 2.69 2.82 2.81 2.81 SD 1.0 .77 .97 .87 .65 Schiefe .15 .16 .12 .01 -.03 Exzess -.67 -.30 -.53 -.51 -.29 Spaltenüberschriften: vVpn: verbleibende Versuchspersonen; Min: niedrigste Note; Max: höchste Note. Als nächstes stand die z-Transformation der Skalenwerte an. Schulnoten und Motivationsskalen wurden auf Klassenebene z-standardisiert um den Effekt der Klassenzugehörigkeit auszuschalten, da Schulnoten vom klasseninternen Bezugsrahmen abhängig sind (Tent, 2001, zitiert nach Rost & Sparfeldt, 2002). Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 55 ff Abbildung 4.4 - Häufigkeitsverteilung der klassenweise z-standardisierten Deutschnoten Abbildung 4.3 - Häufigkeitsverteilung der klassenweise z-standardisierten Physiknoten Die Leistungstests wurden auf Ebene der Klassenstufe z-standardisiert da es keinen Grund zur Annahme gibt, dass Intelligenz klassenspezifisch beeinflusst wird. Außerdem wurde ein Wert für die Allgemeine Intelligenzleistung gebildet, indem der Durchschnitt aus den z-standardisierten Werten aller Subtests der Leistungstests berechnet wurde. Es sei angemerkt, dass wir nicht daran interessiert sind, wie die kognitive Leistung der Schüler auf der IQ-Skala einzustufen ist, da das für den linearen Zusammenhang zur Schulnote keinerlei Bedeutung hat. Abbildung 4.5 - Häufigkeitsverteilung der z-standardisierten Intelligenzleistung Aus der im Abschnitt 3 erläuterten Fragestellung ergibt sich eine grobe rechnerische Vorgehensweise. Im Folgenden wird der chronologische Ablauf der Berechnungen beschrieben und kurz begründet, wieso diese statistischen Analysemethoden angewendet wurden. Eine detaillierte Beschreibung der eingesetzten Rechenverfahren Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 56 you want to appear here. findet sich unter Abschnitt 4.6, die Ergebnisse der Berechnungen sind im Abschnitt 5 ff aufgeführt. Um die umfassenderen Hypothesen regressionsanalytisch überprüfen zu können, müssen verschiedene Voraussetzungen gegeben sein. Deshalb soll zunächst die dimensionale Struktur des akademischen, sowie des fächerspezifischen Selbstkonzepts kontrolliert werden. Ferner interessiert mich, ob die angenommene hierarchische Struktur auf die anderen motivationalen Skalen übertragbar ist. Aus den verschiedenen Subtests aus dem Block der Leistungstests sollte ein einziger Faktor, der Generalfaktor extrahiert werden. Um die faktorielle Struktur der Skalen zu analysieren, eignet sich die Hauptkomponentenanalyse, wobei die extrahierten Komponenten nach dem VarimaxVerfahren rotiert werden, um die Interpretation zu vereinfachen. Ein Problem der Faktorenanalyse besteht darin, dass es keine festen Kriterien gibt, nach denen Komponenten extrahiert werden. Deshalb wurden zusätzlich Parallelanalysen durchgeführt, die Eigenwerte aus normalverteilten Zufallsvariablen bilden. Liegen die tatsächlichen Eigenwerte der Faktoren über den Eigenwerten der Zufallsvariablen, so ist dies ein Hinweis für die berechtigte Extraktion dieser Faktoren. Die Kernfrage meiner Studie beschäftigt sich mit dem linearen Zusammenhang zwischen Schulnoten und verschiedenen kognitiven und motivationalen Variablen. Die rechnerischen Analysemethoden reagieren empfindlich auf Ausreißer, was zur Verfälschung der Ergebnisse führen kann. Dem will ich vorbeugen, indem ich die Ausreißer identifiziere und für die anstehenden Berechnungen aus dem Datensatz herausfiltere. In Abschnitt werden die zur Ausreißerklassifikation angelegten Kriterien erläutert und die aus den Berechnungen resultierenden psychometrischen Kennwerte tabellarisch dargestellt. Trotz sorgfältiger Auswahl der verwendeten Subtests ist nicht auszuschließen, dass einzelne Items Artefakte messen (es wäre beispielsweise möglich, dass ein Item einen zu hohen Schwierigkeitsgrad besitzt und nur von Schülern „gelöst“ wird, die zufälliges Ankreuzen präferieren, anstatt es auszulassen und zum Nächsten weiterzugehen) und dadurch die Validität der Skala mindern. Die Kontrolle über Item-Skala-Analysen bietet die Möglichkeit solche Items zu identifizieren und aus den anstehenden Berechnungen auszuschließen. Dazu wurden die psychometrischen Kennwerte auf Itemebene wie Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 57 you want to appear here. Itemschwierigkeit und Trennschärfe, sowie Interne Konsistenzen auf Skalenebene ff berechnet. Beim LPS 1 und 2 fiel Item 83 raus, da es keine Antwortvarianz erzeugte. Beim LPS 4 wurden bis auf zwei Ausnahmen die ersten 14 Items gestrichen, da sie geringe Trennschärfen aufwiesen. Diese Items waren zu leicht und halfen nicht ausreichend bei der Differenzierung zwischen den Schülern. Alle Items der übrigen Skalen (auch aus dem motivationalen Bereich) behielten ihre Gültigkeit. Die internen Konsistenzen sämtlicher Skalen waren in Ordnung (Cronbachs Alpha zwischen .55 und .96) und können im Detail Tabelle 5.10 entnommen werden. Ein weiteres Augenmerk lag auf der Verteilung der Skalen um zu überprüfen, ob die Voraussetzungen für die weiterführenden Analysemethoden zufriedenstellend erfüllt sind. 4.5.2 Vorgehen bei der Ergebnisberechnung Mein primäres Interesse gilt der Vorhersageleistung der erhobenen kognitiven und motivationalen Skalen auf die Schulleistung in Form der Schulnoten des letzten Halbjahrs. Ich berechnete eine lineare Regression mit den Skalen als Prädiktorvariablen und der Schulnote als Kriteriumsvariable. Um die für die anstehende Kommunalitätenanalyse benötigten Daten zu erhalten, wurden mehrere hierarchische Regressionsanalysen gerechnet. Dabei werden die Prädiktorvariablen zu Blöcken zusammengefasst und diese Blöcke in einer vorher festgelegten Reihenfolge als Prädiktoren hinzugefügt. Dadurch lässt sich nicht nur der prognostische Wert der Variablen ermitteln: Man kann die inkrementelle Varianzaufklärung der Variablen beobachten und bei mehreren Durchläufen mit variierter Reihenfolge der Blöcke den Anteil ihrer spezifischen Varianz herausbekommen. So erhalten wir über die Kommunalitätenanalyse die Anteile der spezifischen Varianz, sowie den Anteil der gemeinsamen Varianz an der aufgeklärten Varianz. Dieses Vorgehen wurde getrennt für schulbezogene Variablen, sowie jeweils fächerspezifisch für Mathematik, Deutsch, Physik und Englisch durchgeführt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 58 ff 4.6 Verwendete Verfahren der Datenanalyse 4.6.1 Faktorenanalyse Die Faktorenanalyse ist ein statistisches Verfahren, mit dem man für die wechselseitige Beziehung vieler Variablen ein einfaches Erklärungsmodell sucht (Bortz, 2005). Sie stellt Zusammenhänge zwischen mehreren Variablen dar, indem sie diese anhand ihrer Korrelationen in möglichst wenige, nicht überlappende Gruppen (Faktoren) aufteilt. Dabei soll die Zusammenfassung so erfolgen, dass ein möglichst großer Teil der gemeinsamen Varianz der Variablen erklärt und berücksichtigt wird. Es bleibt hinzuzufügen, dass ich bei meiner Datenanalyse explorative – keine konfirmatorischen Faktorenanalysen gerechnet habe. Dies macht deshalb Sinn, weil die Befundlage insbesondere bei den motivationalen Variablen keine einheitlichen Ergebnisse liefert und es somit schwierig ist, das Ladungsmuster zu schätzen. Explorative Faktorenanalysen sind als das „konservativere“ Verfahren anzusehen und sind überdies nicht so anfällig für Manipulation. Die Faktorlösung einer explorativen Faktorenanalyse sollte sich auch über eine konfirmatorische Faktorenanalyse finden lassen – umgekehrt ist das hingegen nicht immer der Fall. 4.6.1.1 Hauptkomponentenanalyse Die Hauptkomponentenanalyse (PCA von Principal Components Analysis) dient wie die Faktorenanalyse dazu, umfangreiche Datensätze zu vereinfachen, indem eine Mehrzahl statistischer Variablen durch eine geringere Zahl möglichst aussagekräftiger Linearkombinationen genähert wird. Es liegt die Annahme zugrunde, dass die Varianz jeder Ausgangsvariablen vollständig durch die Faktoren erklärt werden kann, die Kommunalität also bei Eins liegt. Da jeder Test Messfehler enthält, ist dieser Ansatz mit einer funktionalen Interpretation von vornherein nicht vereinbar. Ziel ist hier lediglich, die Vielzahl von Testvariablen auf einige wenige Faktoren zu reduzieren, die die in den Testvariablen enthaltene Information möglichst gut repräsentieren. Zunächst wird der erste Faktor (Hauptkomponente) so bestimmt, dass durch ihn ein möglichst großer Teil der Gesamtvarianz erklärt wird. Der zweite Faktor wird dann so bestimmt, dass er orthogonal zum ersten Faktor steht (also unkorreliert ist) und gleichzeitig einen möglichst großen Teil der verbliebenen Restvarianz erklärt. Auf diese Weise lassen sich theoretisch Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 59 you want to appear here. so lange Faktoren ziehen, bis ein Faktor auf jede beobachtete Variable kommt, wobei in ff diesem Fall auch die Gesamtvarianz vollständig erklärt wäre. Es muss also ein Kompromiss gefunden werden zwischen dem Grad der Dimensionsreduktion und der Genauigkeit des Modells. Es existieren keine allgemeingültigen Kriterien zur Bestimmung der Anzahl bedeutsamer Komponenten, so dass zwei Personen bei gleicher Fragestellung zu unterschiedlichen Ergebnissen gelangen können. Ich habe mich bei den durchgeführten Hauptkomponentenanalysen zunächst an das Kaiser-Guttman-Kriterium (Kaiser & Dickmann, 1959, zitiert nach Bortz, 2005) gehalten: Dabei werden nur Faktoren mit einem Eigenwert größer als Eins extrahiert, da die Faktoren nur in diesem Fall mehr Varianz als die ursprünglichen, z-standardisierten Variablen binden. Dieses Kriterium neigt dazu – insbesondere bei großen Variablenzahlen – die Anzahl der Faktoren zu überschätzen. (Bortz, 2005, S. 544) Bei diesem Datensatz lieferte es aber eine recht gute Passung zu theoriegeleiteten Überlegungen. Zur Validierung der Befunde habe ich die Anzahl der extrahierten Faktoren mit den Ergebnissen der Parallelanalyse (siehe Abschnitt 4.6.2) verglichen. Die inhaltliche Plausibilität sollte die letzte Instanz bei der Auswahl der Faktorenlösung darstellen, um eine inhaltliche Begründung gemäß der Theorie und eine sinnvolle Interpretation zu ermöglichen. 4.6.1.2 Rotationstechniken Wenn eine Faktorenlösung vorliegt, lassen sich durch Rotation weitere Lösungen herstellen, die die Korrelationsmatrix genauso gut reproduzieren. Die Rotation hat zum Ziel eine möglichst einfache, gut interpretierbare Lösung zu finden. Dazu werden die Faktoren in eine Lage mit Einfachstruktur gebracht, so dass für jede Variable gilt: eine möglichst hohe Korrelation mit einem Faktor und möglichst niedrige Korrelationen mit den übrigen Faktoren. Dabei bleibt die Gesamtvarianz der Variablen erhalten, die Transformation führt jedoch zu einer anderen Verteilung der Varianz auf die anderen Achsen. Man unterscheidet grundsätzlich zwischen obliquen und orthogonalen Rotationstechniken. Letztere führen zu voneinander unabhängigen Faktoren, während oblique Rotationsmethoden zulassen, dass die Faktoren interkorrelieren. In letzterem Fall lässt sich die Faktorenstrukturen zwar besser interpretieren, aufgrund der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 60 you want to appear here. Interkorrelationen weisen die Faktoren jedoch „zum Teil redundante Informationen [auf], ff womit eine entscheidende Funktion der Faktorenanalyse, die Datenreduktion, wieder aufgegeben wird“ (Bortz, 2005, S. 547). Die mir vorliegenden Skalen weisen Intrakorrelationen auf, dennoch verwendete ich bei meinen Dimensionsanalysen die Varimax-Rotationstechnik. Er ist der am Häufigsten verwendete orthogonale Rotationsalgorithmus und maximiert die Varianz der quadrierten Faktorladungen innerhalb der Faktoren. Um den Effekt dieser methodischen Verletzung zu kontrollieren, berechnete ich zusätzlich eine oblique Direct-Oblimin-Rotation, die aber nur unwesentliche Änderungen der Ergebnisse erbrachte. Dies entspricht der Erfahrungen von Gorsuch (1970, zitiert nach Bortz, 2005, S. 548), der in einer Vergleichsstudie berichtet, „dass die Varimax-Rotation zu ähnlich interpretierbaren Ergebnissen führt wie die am häufigsten eingesetzten obliquen Rotationstechniken.“ Und Rost (2005, S. 168) meint, „im Zweifelsfall ist eine orthogonale Lösung, da sie sparsamer ist und ihre Resultate weniger stichprobenspezifisch sind, einer korrelierten vorzuziehen.“ 4.6.2 Parallelanalyse Bei der Parallelanalyse nach Horn (1965) vergleicht man den tatsächlich ermittelten Eigenwertverlauf mit dem Eigenwertverlauf der Korrelationen zwischen zufällig generierter normalverteilter Variablen. Grafisch lässt sich das mit einem Screeplotähnlichen Diagramm veranschaulichen, in das man die beiden Eigenwertverläufe einzeichnet. Die Interpretation spricht denjenigen Eigenwerten Bedeutung zu, die vor dem Schnittpunkt der beiden Eigenwertverläufe liegen. Zur Berechnung der Parallelanalyse verwendete ich eine vorgefertigte Syntax für SPSS von O’Connor (2000). 4.6.3 Item- und Reliabilitätsanalyse 4.6.3.1 Item- und Skalenkennwerte Im Rahmen der Item- und Skalenanalyse wurden folgende psychometrische Kennwerte berechnet: korrigierte Trennschärfe, Itemschwierigkeit, Mittelwert (MW), kleinster Skalenwert (Min), größter Skalenwert (Max), Standardabweichung (SD), Schiefe und Exzess. Die Trennschärfe gibt die korrigierte Korrelation eines Items mit der Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 61 you want to appear here. entsprechenden Skala wieder und ist ein Maß für die skalenbezogene Validität des Items. ff Hohe Trennschärfen stellen sicher, dass alle Items einer Skala dasselbe Merkmal erfassen. Die Itemschwierigkeit (oder auch Schwierigkeitsindex) gibt bei dichotomen Merkmalen den Prozentsatz an Personen wieder, die dieses Item richtig beantwortet haben. Um das gesamte Leistungsspektrum eines Merkmals zu erfassen, sollte ein Test hauptsächlich Items mittlerer Schwierigkeit beinhalten, aber auch einige Items mit „extremen“ Lösungswahrscheinlichkeiten einschließen. Sehr schwierige oder sehr leichte Items klären Varianz im oberen bzw. unteren Leistungsbereich auf und differenzieren zwischen sehr guten bzw. sehr schlechten Versuchspersonen. 4.6.3.2 Interne Konsistenz Die Interne Konsistenz wurde durch die Berechnung von Cronbachs Alpha (Cronbach, 1951) geschätzt. Dabei wird Alpha (α) von der Zahl der Items und allen bivariaten Korrelationen zwischen den Items beeinflusst. Alpha kann – bei perfekter Konsistenz – ein Maximum von Eins erreichen, je kleiner der Wert, desto geringer ist die Konsistenz der Skala. Interne Konsistenz bedeutet, dass die einzelnen Items mit der Gesamtheit der übrigen Items zusammenhängen, und gilt als Maß der Homogenität der Skala. Cronbachs Alpha schätzt die untere Grenze der wahren Reliabilität. 4.6.3.3 Klassifikation Eine generelle Beurteilung der Höhe von Testkennwerten ist schwierig, da diese in den meisten Fällen kontextabhängig sind. Wie zum Beispiel der Art des verwendeten Tests, oder die Größe der Stichprobe. Dennoch ist eine Einigung auf sprachlicher Ebene erforderlich, um ein Verständnis zwischen verschiedenen Lesern zu gewährleisten. Die Richtlinien bezüglich der Höhe von Testkennwerten sind Fisseni (2004) entnommen und sind in Tabelle 4.2 niedergeschrieben. Tabelle 4.2 – Beurteilung der Höhe von Testkennwerten Kennwert Schwierigkeit Trennschärfe (korrigiert) Reliabilität: Retest Cronbachs Alpha Kürzel p ritc rtt α Niedrig > .8 < .3 < .8 < .8 Mittel .8 – .2 .3 – .5 .8 – .9 .8 – .9 Hoch < .2 > .5 > .9 >.9 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 62 ff nach Weise (1975, zitiert nach Fisseni, 2004, S. 80) 4.6.4 Produkt-Moment-Korrelation Der Korrelationskoeffizient nach Pearson spiegelt den linearen Zusammenhang zwischen zwei intervallskalierten Variablen wieder, unabhängig davon in welcher Einheit die Werte angegeben sind. Der Wertebereich erstreckt sich von minus bis plus Eins, wobei bei plus eins ein perfekter positiver, bei minus eins ein perfekter negativer Zusammenhang vorliegt. Je näher der Korrelationskoeffizient an Null liegt, desto geringer ist der lineare Zusammenhang. Die Produkt-Moment-Korrelation stellt die Basis für eine Vielzahl psychometrischer Werte und multivariater Analysemethoden dar, wie beispielsweise der Trennschärfe, dem Determinationskoeffizienten oder bei der Faktorenanalyse. Arbeitet man mit Korrelationen, sollte die Betrachtung von Ausreißerwerten nicht außer Acht gelassen werden, da Korrelationen davon stark beeinträchtigt sein können, so Bühner (2006). Das heißt, je nach Lage der Ausreißer, kann sie überhöht oder zu gering ausfallen. Nach Brosius (2002, S. 501) spricht man ab .2 von schwachen, ab .4 von mittleren, ab .6 von starken und ab .8 von sehr starken Korrelationen. Abhängig von der Fragestellung, können auch schon geringe Korrelationen von Bedeutung sein. 4.6.5 Hierarchische Regressionsanalyse Die hierarchische Regressionsanalyse ist eine spezielle multiple lineare Regression und ermöglicht Untersuchungen über den Erklärungsbeitrag inhaltlich strukturierter Merkmalsmengen. Es wird untersucht, inwieweit sich die verschiedenen Merkmalsblöcke (Gruppen von Unabhängigen Variablen) auf das Kriterium auswirken. Dabei werden die Prädiktorvariablen auf Grundlage von theoriebasierten Überlegungen a-priori zu Blöcken zusammengefasst und diese Blöcke in einer festgelegten Reihenfolge nacheinander in die Regressionsrechnung aufgenommen. Man beobachtet, wie hoch der Anstieg des Determinationskoeffizienten (R²) ausfällt und erhält so Aufschluss über die inkrementelle Varianz des spezifischen Merkmalsblocks. Voraussetzung für die multiple Regression sind intervallskalierte und normalverteilte Variablen. Es muss ein linearer Zusammenhang zwischen Prädiktorvariablen und Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 63 you want to appear here. Kriteriumsvariable bestehen. Ferner darf die Abhängigkeit der Prädiktorvariablen ff untereinander nicht zu groß sein („moderate to high intercorrelations“, Stevens, 2002, S. 76), um Multikollinearität zu vermeiden. Dies hat nach Stevens (2002) zur Folge, dass die Höhe des Determinationskoeffizienten stark limitiert ist, da die Prädiktoren beim Kriterium denselben Anteil an Varianz aufklären. Ferner erschwert Multikollinearität die Diagnose der Bedeutung eines einzelnen Prädiktors, da die Effekte der Variablen aufgrund der Interkorrelationen konfundiert sind. Und schließlich erhöht Multikollinearität die Varianz der Regressionskoeffizienten, was in einer instabilen Regressionsgleichung resultiert. Die Gefahr von Multikollinearität wächst mit zunehmender Höhe der Korrelationen zwischen den Prädiktorvariablen. Die entsprechenden Korrelationsmatrizen sind Tabelle 5.1 zu entnehmen. 4.6.6 Kommunalitätenanalyse Die inkrementelle Varianzaufklärung unterschätzt die wahre Vorhersagekraft eines Prädiktors, wenn die Prädiktorvariablen untereinander korrelieren und somit gemeinsame Varianz besitzen. Diese Kommunalität wird bei der Regressionsanalyse derjenigen Prädiktorvariablen zugeschrieben, die als erstes in die Regressionsgleichung aufgenommen wird (Spinath et al., 2006). Bei der hierarchischen Regressionsanalyse lässt sich über den Determinationskoeffizienten (R²) erkennen, wie hoch der spezifische Anteil eines Prädiktors an der aufgeklärten Varianz ist. Dazu wird die Prädiktorvariable als letzter Block in die Regression aufgenommen. Die inkrementelle Varianzaufklärung des letzten Blocks (∆R²) entspricht dann dem Anteil der spezifischen Varianz dieses Prädiktors. Führt man mehrere hierarchische Regressionsanalysen in Folge aus und variiert dabei die Prädiktorvariable im letzten Block, so erhält man sämtliche spezifische Varianzanteile. Um den Anteil der gemeinsamen Varianz aller Prädiktoren zu erhalten, bildet man die Summe der Spezifitäten der Prädiktorvariablen und subtrahiert diese von Eins. Bei mehr als zwei Prädiktoren, lassen sich die „spezifischen“ Kommunalitäten zwischen zwei Variablen, sowie der gemeinsame Varianzanteil aller Variablen gesondert berechnen (Capraro, 2001). Auf diese aufwendige Analyse habe ich in meiner Untersuchung verzichtet, und Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 64 you want to appear here. beschränke mich darauf, die einzelnen Spezifitäten der Prädiktoren, sowie den ff gemeinsamen Varianzanteil aller Variablen anzugeben. 4.7 Voraussetzungen zur Anwendung der Verfahren Die im vorhergehenden Abschnitt beschriebenen statistischen Analysemethoden sind an eine Reihe von Voraussetzungen gebunden, ohne die eine sinnvolle Interpretation der Ergebnisse nicht möglich ist. Eine Verletzung kann eine Verfälschung der Ergebnisse zur Folge haben. Die verwendeten multivariaten Verfahren haben gemeinsam, dass sie intervallskalierte und normalverteilte Daten voraussetzen. In der üblichen Forschungspraxis verzichtet man auf die empirische Kontrolle des Skalenniveaus da man davon ausgeht, dass die eingesetzten Verfahren das jeweilige Merkmal metrisch messen. Dahinter steht nach Bortz (2005, S. 26) die Überzeugung, „dass die Bestätigung einer Forschungshypothese durch die Annahme eines falschen Skalenniveaus eher erschwert wird“. Dieser Praxis folgend habe ich die Daten der Motivationsskalen z-transformiert und bin davon ausgegangen, dass die sechsstufige Antwortskala nicht nur Rang- sondern Intervallskalenniveau besitzt. Die zweite notwendige Voraussetzung der in dieser Arbeit eingesetzten Verfahren betrifft die Verteilungsform: Aussagen über Varianz bzw. Standardabweichung sind nur bei normalverteilten Stichproben aussagekräftig. Die Produkt-Moment-Korrelation erfordert, dass die Grundgesamtheit bivariat normalverteilt ist. In der Praxis stößt diese Überprüfung auf Schwierigkeiten, weshalb man sich nach Bortz (2005, S. 213) darauf beschränkt, die Normalität der beiden Merkmale nachzuweisen. Stevens (1996) schlägt eine Überprüfung der Normalverteilung der einzelnen Variablen in den unterschiedlichen Gruppen vor. Zur Überprüfung der Normalverteilung führte ich den Kolmogorov-SmirnovAnpassungstest für die verschiedenen Skalen durch. Bei einem Signifikanz-Niveau von .01 stellte dieser Test bei 12 von 31 (39 Prozent der) untersuchten Skalen signifikante Unterschiede zu einer Normalverteilung fest. Allerdings muss berücksichtigt werden, dass bei einer großen Stichprobe auch schon ein sehr kleiner Unterschied zwischen den beobachteten Werten und der Normalverteilungsform zu einem signifikanten Ergebnis führt. Hier empfiehlt es sich, Schiefe und Exzess der Verteilung zu betrachten, um so Erkenntnis über Art und Ausmaß der Abweichung von der Normalverteilung zu gewinnen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 65 you want to appear here. Nach Kline (2005, S. 50) gibt es dazu wenig klare Richtlinien, doch konnten ff Computersimulationsstudien zeigen, dass Werte kleiner als 3 für die Schiefe und unterhalb von 8 für den Exzess akzeptabel sind. Von diesen Richtwerten sind die Verteilungen mit einem Maximalwert der Schiefe von -.71 (bei dem Subtest „Zahlenreihen“, IST_ZR) in vorliegender Studie weit entfernt. Beim Exzess bildet die Skala „Interesse für Physik“ (INT_P) mit einem Wert von -1.17 den Maximalwert, alle übrigen Exzesswerte der Skalen liegen noch näher an Null. Die genauen Skalenwerte der Leistungstests sind Tabelle 5.10, die Werte der Motivationsskalen Tabelle 5.11 zu entnehmen. Bei großen Stichproben hat sich gezeigt, dass sich parametrische uni- und multivariate Analysen recht robust gegenüber Verletzungen der Voraussetzungen erwiesen haben. So zeigten Havlicek und Peterson (1977), dass der Pearson-Produkt-Moment- Korrelationskoeffizient sehr robust gegenüber Verteilungsform und Skalenniveau ist. Bei der Hauptkomponentenanalyse sollte man vorher die Korrelationsmatrix auf Tauglichkeit überprüfen: Wenn die erhobenen Variablen nur schwach untereinander korrelieren, so ist es unwahrscheinlich, dass sich Faktoren finden lassen, die die Variablen auf eine geringere Zahl von Faktoren reduzieren. Der Bartlett-Test auf Sphärizität prüft, ob die Daten aus einer Grundgesamtheit stammen, in der die Variablen unabhängig voneinander sind. Da dieser Test bei großen Stichproben sehr leicht zu einem positiven Ergebnis führt, gilt er nur bei kleinen Stichproben als sinnvoll (Schendera, 2004). Auch bei meiner Studie waren alle Ergebnisse signifikant. Besser ist die Betrachtung der diagonalen Werte der Anti-Image-Korrelationsmatrix. Diese geben an, wie groß der Anteil der Varianz der einzelnen Variablen ist, der sich nicht durch die anderen Variablen erklären lässt. Hieraus leitet sich das Kaiser-Meyer-Olkin-Kriterium (KMO) ab, das möglichst hohe Werte bis hin zur Eins annehmen sollte. Nach Bühner (2006, S. 207) ist ein Wert von über .7 als mittel, von über .8 als gut zu bezeichnen. Dementsprechend waren bei der vorliegenden Studie alle KMO-Werte zufriedenstellend, mit dem niedrigsten Wert von .76 bis hin zu Werten von .89. Die Stabilität der Faktorenlösung nimmt mit steigender Reliabilität der Items und mit wachsender Stichprobengröße zu, wobei eine Stichprobengröße von 1000 als „exzellent“ (Bühner, 2006, S. 193) bezeichnet wird. Als Fazit kann man festhalten, dass die Ergebnisse statistischer Analysen zuverlässiger interpretiert werden können, wenn ihre Voraussetzungen erfüllt sind. Verschiedene Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 66 you want to appear here. Untersuchungen kamen jedoch zum Ergebnis, dass die in dieser Arbeit verwendeten ff Verfahren robust gegenüber Verletzungen ihrer Voraussetzungen reagieren. So schreibt Rost (2000, S. 62), dass die „Voraussetzungen zur Durchführung uni- und multivariater Tests […] zwar theoretisch als sehr begründet, in ihren Auswertungen aber in vielen Fällen als praktisch weniger bedeutsam angesehen werden […]“. Insbesondere trifft dies auf große Stichproben zu, eine Bezeichnung, die auch auf die vorliegende Studie zutrifft. Bühner (2006, S. 196) schreibt, dass Normalverteilung und Intervallskalenniveau keine zwingenden Voraussetzungen für die Durchführung einer Hauptkomponentenanalyse darstellen, beides jedoch für optimale Bedingungen gegeben sein muss. Nachdem im Abschnitt 4.7 die Voraussetzungen für die Faktorenanalyse abgeklärt wurden, wenden wir uns jetzt den Dimensionsanalysen des Itempools zu. Hierzu wurden Hauptkomponentenanalysen (PCA) mit anschließender Varimax-Rotation gerechnet. Die zum Vergleich angestellten Hauptkomponentenanalysen unter Verwendung der Direct Oblimin-Rotationstechnik sind aus Gründen der Übersichtlichkeit nicht aufgeführt. Bei allen PCAs wurden zunächst Faktoren mit Eigenwerten größer Eins extrahiert und zur Validierung dieser Befunde eine Parallelanalyse gerechnet. Bei den Leistungstests ist es sinnvoll den Extremwerten Beachtung zu schenken. Es besteht die Möglichkeit, dass der betreffende Schüler die Aufgabenstellung nicht verstanden hat, was sehr schlechte Werte zu Folge hätte. Andererseits sind Probanden mit einer sehr hohen Punktezahl zu berücksichtigen, da diese sich möglicherweise nicht an die Testanweisung gehalten und früher als die anderen Schüler mit der Bearbeitung der Aufgaben begonnen haben. Für die erhobenen Schulnoten wurden keine Skalen- bzw. Ausreißeranalysen gerechnet. Besonders gute bzw. schlechte Schüler gehören zum Schulalltag dazu und es erscheint nicht sinnvoll diese selektiv auszusortieren und somit künstlich die Varianz einzuschränken. Die Verteilungsform der Schulnoten wurde bereits in Tabelle 4.1 behandelt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 67 you want to appear here. Die Kommunalitätenanalyse schlüsselt die prozentualen Anteile der spezifischen ff Varianzen der verschiedenen Prädiktoren auf und gibt Auskunft über den Anteil, den sie gemeinsam zur Vorhersage des Schulerfolgs heranziehen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 68 ff 5 Darstellung der Ergebnisse Hinweis: Gemäß der inhaltlichen Aufteilung (siehe Anhang, T-1) führe ich für die Subtests LPS 4, LPS 9 und IST AN nur in begrenztem Umfang psychometrische Kennwerte auf. Dies gilt ebenso für die Skalen Interesse (INT), Hoffnung auf Erfolg (HE) und Anstrengungsvermeidung (AVT). Außerdem beschränke ich mich bei der Darstellung der fächerspezifischen Faktoren-, Regressions- und Kommunalitätenanalysen auf die Fächer Deutsch und Physik. Die fehlenden Daten sind der Diplomarbeit von Pfeiffer (2007) zu entnehmen. 5.1 Dimensionsanalysen Die in Tabelle 5.1 dargestellte Korrelationsmatrix gibt einen ersten Überblick über die Beziehungen zwischen den erfassten Variablen. Gemäß den Erwartungen weisen die Leistungstests (LT), Selbstkonzept (SK), Interesse (INT) und Hoffnung auf Erfolg (HE) positive Korrelationen zu den Schulnoten auf, während das Vorzeichen bei Anstrengungsvermeidung (AVT) und Furcht vor Misserfolg (FM) negativ ausfällt. Entgegen meinen Erwartungen weisen nicht Leistungstests, sondern das Selbstkonzept die höchsten Korrelationen zu den Schulnoten auf. Physik Deutsch Schule Tabelle 5.1 – Korrelationsmatrix: Prädiktoren und ihre Kriteriumsvariable Variablen Notenschnitt LT SK Int AVT HE Schulnote LT SK Int AVT HE Schulnote LT SK Int AVT HE LT -.32** SK -.67** .24** INT -.26** .06** .42** AVT .23** .02** -.27** -.38** HE -.21** .11** .31** .28** -.10** -.19** -.61** .08** -.40** < .01** .73** .26** .07** -.37** -.46** -.28** -.02** .52** .55** -.34** -.25** -.70** .19** -.51** .14** .80** .32** -.04** -.44** -.48** -.38** .07** .58** .62** -.40** FM .05** -.08** -.13** .02** .11** -.09** .13** -.10** -.14** -.05** .20** -.01** .20** -.12** -.34** -.26** .30** -.21** Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 69 ff Verwendete Abkürzungen: LT = Leistungstests, SK = Selbstkonzept, INT = Interesse, AVT = Anstrengungsvermeidung, HE = Hoffnung auf Erfolg, FM = Furcht vor Misserfolg. * signifikant auf dem Niveau von .05 (zweiseitig). ** signifikant auf dem Niveau von .01 (zweiseitig). 5.1.1 Struktur der Allgemeinen Intelligenz Die gerechnete Hauptkomponentenanalyse über die verwendeten z-standardisierten Intelligenz-Subtests resultiert gemäß dem Kaiser-Guttman-Kriterium in einer zweifaktoriellen Lösung, die 51.6 Prozent der Gesamtvarianz aufklärt. Auch die Parallelanalyse präferiert eine zweifaktorielle Lösung, da die tatsächlich ermittelten empirischen Eigenwerte beim dritten Faktor geringer sind als die Mittelwerte randomisierter Rohdaten (siehe Tabelle 5.2). Die in Tabelle 5.3 aufgeführte rotierte Komponentenmatrix lässt erkennen, dass auf dem ersten Faktor Subtests laden, die hauptsächlich Fluide Intelligenz erfordern, während auf den zweiten Faktor Subtests laden, die auf Kristalliner Intelligenz basieren. Eigenwerte randomisierter Rohdaten Empirisch ermittelte Eigenwerte Abbildung 5.1 – Intelligenzsubtests: Eigenwertverläufe bei der Parallelanalyse Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 70 ff Tabelle 5.3 – Leistungssubtests: Rotierte Komponentenmatrix der zweifaktoriellen Lösung Subtests IST ZR Faktor 1 Faktor 2 .75 -.01 Tabelle 5.2 – Leistungssubtests: Vergleich der Eigenwerte bei der Parallelanalyse Faktor 1 Empirisch PA MW PA 95 2.53 1.12 1.16 .22 2 1.08 1.07 1.10 .10 3 .84 1.03 1.06 LPS 4 .68 ZVT .63 LPS 7 .62 .01 LPS 9 .60 .20 IST An .04 .86 LPS 1+2 .23 .74 Spaltenüberschriften: Empirisch = empirische Eigenwerte; PA MW = Mittelwerte randomisierter Rohdaten; PA 95 = 95-prozentige Perzentile der Zufallsvariablen. Beim genauen Studieren der Eigenwertverläufen fällt auf, dass beim zweiten Faktor die tatsächlich ermittelten empirischen Eigenwerte mit einem Wert von 1.08 zwar größer sind als die Eigenwerte randomisierter Rohdaten (1.07), jedoch kleiner als die Eigenwerte 95-prozentiger Perzentile der Zufallsvariablen (1.10). Demnach kann man nur mit einer geringen Wahrscheinlichkeit davon ausgehen, dass der zweite Faktor eine empirische Bedeutung hat. Ich berechne also erneut eine Hauptkomponentenanalyse, erzwinge diesmal aber eine einfaktorielle Lösung. Diese klärt 36.1 Prozent der Gesamtvarianz auf und entspricht inhaltlich der Extraktion des Generalfaktors der Allgemeinen Intelligenz. Tabelle 5.4 – Leistungssubtests: Komponentenmatrix der einfaktoriellen Lösung Subtest Faktorladung LPS 4 .71 ZVT .66 IST ZR .62 LPS 7 .61 LPS 9 .59 LPS 1+2 .55 IST AN .43 5.1.2 Struktur motivationaler Skalen Im späteren Verlauf der Datenanalyse werde ich eine hierarchische Regressionsanalyse durchführen. Um zu bestimmen, wie die Motivationsskalen (SK, INT, HE, FM, AVT) bei dieser Operation in Blöcke aufgeteilt werden, rechnete ich eine Hauptkomponentenanalyse über die Motivationsskalen, separat für jedes Schulfach. Es stellt sich heraus, dass nach dem Kaiser-Guttman-Kriterium für die auf das Fach Deutsch und für die auf die Schule bezogenen Motivationsskalen eine zweifaktorielle Lösung vorzuziehen ist. Die anderen Fächer und die Parallelanalyse präferieren jedoch nur einen einzigen Faktor zu extrahieren. #Tabelle Eigenwerte Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 71 ff Empirisch ermittelte Eigenwerte Empirisch ermittelte Eigenwerte Eigenwerte randomisierter Rohdaten Eigenwerte randomisierter Rohdaten Abbildung 5.3 – Motivationsvariablen für Deutsch: Eigenwertverläufe der Parallelanalyse Abbildung 5.2 – Motivationsvariablen für Physik: Eigenwertverläufe bei der Parallelanalyse Da es keine eindeutige Befundlage gibt und ein weiterer Faktor die Möglichkeit einer differenzierteren Betrachtung der Variablen ermöglicht, entschied ich mich für die zweifaktorielle Lösung. Demnach bilden Interesse, Selbstkonzept und Hoffnung auf Erfolg den ersten Faktor, während die Skala Furcht vor Misserfolg den zweiten Faktor darstellt. Die Komponentenmatrizen dieser Lösung sind Tabelle 5.5 zu entnehmen. Tabelle 5.5 – Motivationsskalen: Rotierte Komponentenmatrix der zweifaktoriellen Lösung Fach Schule Mathe Deutsch Physik Englisch Faktor Interesse Selbstkonzept 1 2 1 2 1 2 1 2 1 2 .79 .20 .90 -.19 .90 -.02 .91 -.14 .91 -.07 .78 -.15 .86 -.02 .87 -.17 .87 -.25 .87 -.21 Hoffnung auf Erfolg .66 -.15 .86 -.32 .80 .09 .83 -.05 .84 -.02 Furcht vor Misserfolg -.06 .97 -.16 .98 -.03 .99 -.15 .99 -.10 .99 kumulierter %Anteil Varianz 41.6 67.4 57.4 84.7 54.8 80.3 57.6 84.0 57.6 83.3 5.1.2.1 Selbstkonzept Zunächst soll überprüft werden, ob ein konsistentes akademisches (bzw. allgemein schulbezogenes) Selbstkonzept gefunden werden kann. Dazu rechne ich eine Faktorenanalyse über die schulbezogenen Selbstkonzeptitems. Es wird gemäß dem Kaiser-Guttmann-Kriterium ein Faktor extrahiert, der Ladungswerte zwischen .69 und .87 aufweist und (mit einem Eigenwert von 3.09) 61.9 Prozent der Gesamtvarianz aufdeckt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 72 ff Tabelle 5.6 – Schulbezogenes Selbstkonzept: einfaktorielle Lösung Anfängliche Eigenwerte unr. EW % Varianz % kum 3.09 61.9 61.9 .68 13.7 75.5 .53 10.6 86.2 .43 8.7 94.8 .26 5.1 100 Faktor 1 2 3 4 5 Summe quadrierte Faktorladungen unr. EW % Varianz % kum 3.09 61.9 61.9 Hinweis: Als Variablen werden fünf schulbezogene Items zum Selbstkonzept herangezogen. Spaltenüberschriften: PA MW = Mittelwerte randomisierter Rohdaten; unr. EW = unrotierte Eigenwerte; % Varianz = Prozent der Varianz; % kum = Prozent der kumulierten Varianz; rot. EW = rotierte Eigenwerte. Es soll überprüft werden, ob das Selbstkonzept bei fächerspezifischer Betrachtungsweise seine Eindimensionalität behält. Dazu wird eine Faktorenanalyse über alle Items der fächerspezifischen Selbstkonzeptskalen gerechnet. Die Eigenwertverläufe der Parallelanalyse (Abbildung 5.4) sprechen für eine Lösung mit vier Faktoren. Denn gemäß den Daten in Tabelle 5.7 sind beim fünften Faktor die Eigenwerte randomisierter Variablen (1.12) größer, als die empirischen Eigenwerte mit (.57). Eigenwerte randomisierter Rohdaten Empirisch ermittelte Eigenwerte Abbildung 5.4 – Fächerspezifisches Selbstkonzept: Eigenwertverläufe bei der Parallelanalyse Tabelle 5.7 – Selbstkonzept: unrotierte und rotierte vierfaktorielle Lösung Faktor 1 2 3 4 5 6 7 8 PA MW 1.25 1.21 1.72 1.14 1.12 1.10 1.07 1.05 unr. EW 6.66 5.23 2.35 2.05 .57 .46 .34 .32 % Varianz 33.29 26.17 11.74 10.27 2.88 2.33 1.68 1.62 % kum 33.29 59.46 71.20 81.47 84.38 86.71 88.38 90.01 rot. EW 4.24 4.23 4.10 3.72 % Varianz 21.22 21.16 20.48 18.61 %kum 21.22 42.38 62.86 81.47 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 73 ff …20 … … … … Anmerkung: Auszug aus der vollständigen Tabelle. Die Variablenzahl beläuft sich auf 4 Fächer x 5 Items zum Selbstkonzept = 20 Variablen. Spaltenüberschriften: PA MW = Mittelwerte randomisierter Rohdaten; unr. EW = unrotierte Eigenwerte; % Varianz = Prozent der Varianz; % kum = Prozent der kumulierten Varianz; rot. EW = rotierte Eigenwerte. Die Analyse der rotierten Komponentenmatrix in Tabelle 5.8 lässt erkennen, dass jedes der vier Schulfächer genau auf einen Faktor lädt. Dies deckt sich mit den Befunden vorhergehender Studien und entspricht unseren Erwartungen. Tabelle 5.8 - Selbstkonzept: rotierte Komponentenmatrix der vierfaktoriellen Lösung Items Faktor1 Faktor2 Faktor3 Faktor4 skm_01 .25 .88 -.09 -.06 skm_02 .25 .88 -.08 -.06 skm_03 .23 .87 .01 -.03 skm_04 .26 .91 -.02 -.03 skm_05 .22 .87 -.04 -.02 skd_01 .01 -.08 .16 .84 skd_02 -.04 -.08 .19 .84 skd_03 .00 .03 .20 .80 skd_04 .03 -.01 .18 .89 skd_05 .00 -.02 .14 .84 skp_01 .89 .24 -.04 -.03 skp_02 .90 .22 -.05 .00 skp_03 .86 .25 .01 -.01 skp_04 .90 .28 -.02 .03 skp_05 .89 .21 -.01 .02 ske_01 -.02 -.09 .88 .19 ske_02 -.06 -.08 .88 .18 ske_03 .00 -.01 .89 .16 ske_04 .01 .00 .91 .19 ske_05 -.04 -.04 .87 .20 Anmerkung: Je dunkler die „Färbung“, desto höher die Faktorladung. Kodierung: skm_01 bedeutet Skala Selbstkonzept, Fach Mathematik, erstes Item. 5.1.2.2 Furcht vor Misserfolg Analog zum Selbstkonzept wird überprüft, ob es ein konsistentes Konstrukt allgemeine schulbezogene Furcht vor Misserfolg gibt. Die Faktorenanalyse über die fünf zugehörigen Items befürwortet eine einfaktorielle Lösung, die (mit einem Eigenwert von 2.89) 58 Prozent der Gesamtvarianz aufklärt. Die Ladungswerte der Items liegen zwischen .73 und .79. Die Faktorenanalyse über die insgesamt 20 fächerspezifischen Items zur Skala Furcht vor Misserfolg ergibt ein unstimmiges Bild. Das Kaiser-Guttman-Kriterium schlägt eine Extraktion von fünf Faktoren vor, die Zahlen der Parallelanalyse deuten auf eine Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 74 you want to appear here. dreifaktorielle Lösung hin. Die grafische Darstellung des Eigenwertverlaufs der ff Parallelanalyse in Abbildung 5.5 lässt erkennen, dass die Kurve der empirischen Eigenwerte nach dem vierten Faktor einen Knick macht. Gemäß der Screeplot-Analyse wäre hier eine vierfaktorielle Lösung denkbar. Nach J. Sparfeldt (persönliche Mitteilung, Dezember 2007) lässt sich die vierfaktorielle Lösung über eine konfirmatorische Faktorenanalyse bestätigen. Demnach gehe ich davon aus, dass es sinnvoll ist die Skala Furcht vor Misserfolg über vier Faktoren zu erklären, die den einzelnen Schulfächern entsprechen. Eigenwerte randomisierter Rohdaten Empirisch ermittelte Eigenwerte Abbildung 5.5 – Fächerspezifische Furcht vor Misserfolg: Eigenwertverläufe bei der Parallelanalyse Tabelle 5.9 – Furcht vor Misserfolg: unrotierte und rotierte vierfaktorielle Lösung Faktor 1 2 3 4 5 6 7 8 …20 PA MW 1.25 1.21 1.18 1.15 1.12 1.10 1.07 1.05 … unr. EW 9.62 1.75 1.44 1.08 1.00 .93 .88 .78 … % Varianz 48.11 8.77 7.22 5.41 5.02 4.62 4.39 3.89 … % kum 48.11 56.88 64.10 69.51 74.23 78.85 83.24 87.13 … rot. EW 4.04 3.94 3.23 2.63 % Varianz 20.21 19.68 16.16 13.16 %kum 20.21 39.90 56.05 69.21 Anmerkung: Auszug aus der vollständigen Tabelle. Die Variablenzahl beläuft sich auf 4 Fächer mal 5 Items zu Furcht vor Misserfolg = 20 Variablen. Spaltenüberschriften: PA MW = Mittelwerte randomisierter Rohdaten; unr. EW = unrotierte Eigenwerte; % Varianz = Prozent der Varianz; % kum = Prozent der kumulierten Varianz; rot. EW = rotierte Eigenwerte. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 5.1.2.3 Interesse, Hoffnung auf Erfolg, Anstrengungsvermeidung Seite 75 ff Pfeiffer (2007) stellte bei den Motivationsskalen Interesse und Hoffnung auf Erfolg über Faktorenanalysen eine fächerspezifische Struktur fest. Die Eindimensionalität ließ sich beim Anstrengungs-Vermeidungs-Test weder allgemein schulbezogen, noch fächerspezifisch über Faktorenanalysen nachweisen (vgl. Pfeiffer, 2007). Da die Konsistenz eine notwendige Voraussetzung für die angenommene hierarchische Struktur darstellt, gingen die Daten dieses Fragebogens nicht die die folgenden Regressions- und Kommunalitätenanalysen ein. 5.2 Item- und Skalenanalysen 5.2.1 Leistungstests Das Kriterium, ab wann ein Proband als Ausreißer klassifiziert und aus dem Datensatz ausgefiltert wird, lautet wie folgt: Hat ein Schüler einen Skalenwert, der einer z-WertDifferenz größer oder gleich 3 zum Stufenmittelwert entspricht, gilt er in dem entsprechenden Subtest als Ausreißer. Beim ZVT gab es das Problem, dass einige Schüler sich augenscheinlich nicht an die Zeitvorgabe gehalten hatten. Sie stellten zunächst eine Matrize komplett fertig, bevor sie zur nächsten übergingen und dort dann zunehmend unter Zeitnot gerieten. Deshalb wurden hier zusätzliche Kriterien angelegt: Schüler, die mindestens einen Durchgang komplett abgeschlossen hatten (dies war bei zehn Versuchspersonen der Fall), oder bei denen nach vier Durchgängen eine Varianz größer gleich 193 vorlag, wurden nicht in weitere Berechnungen aufgenommen. Dieser Wert wurde nach Betrachtung der Rohwerte der einzelnen Durchgänge willkürlich festgelegt. Betroffen waren elf Versuchspersonen, die in einem der vier Durchläufe – verglichen mit ihrer sonstigen Leistung – „aus dem Rahmen“ fielen. (Ich kann mich z. B. an einen Schüler erinnern, dem während der Testung die Bleistiftmine abgebrochen war.) Zusammen wurden bei den verschiedenen Leistungstests 73 Versuchspersonen als Ausreißer klassifiziert. Beim LPS 4 wurden die Daten einer kompletten Klasse fallengelassen, da 12 von 24 Schülern die Ausreißerkriterien erfüllten. Während der Testung waren mir keine Besonderheiten aufgefallen, so dass sich über die Gründe nur Spekulationen anstellen lassen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 76 ff Tabelle 5.10 – Skalenanalyse und Informationen zu den Leistungstests Subtest LPS 1+2 LPS 4 LPS 7 LPS 9 IST AN IST ZR ZVT vVpn 1082 1047 1081 1077 1084 1084 1048 Ausr. 2 *37 3 7 0 0 36 Min 20 8 3 14 1 0 30 Max 64 27 40 41 18 20 77 MW 37.77 16.51 21.10 28.56 9.95 13.64 51.07 SD 7.48 3.26 6.52 4.42 2.82 4.70 7.52 α .85 .66 .90 .77 .55 .87 .89 ø rit .22 .19 .38 .23 .45 .18 .77 Schiefe .51 .16 .11 -.22 -.12 -.71 .21 Exzess .21 -.30 -.12 .16 -.12 -.08 -.07 Spaltenüberschriften: vVpn = verbleibende Versuchspersonen; Ausr. = Ausreißer; Min = minimaler Skalenwert; Max = maximaler Skalenwert; α = Cronbachs Alpha; ø rit = mittlere Trennschärfe. * die Daten einer kompletten Klasse wurden fallengelassen, da 12 von 24 Schülern als Ausreißer klassifiziert wurden. Die Interne Konsistenz der Skalen wird als Cronbachs Alpha angegeben. Bei den verschiedenen Aufgabenkategorien der Leistungstests liegt Alpha zwischen .55 (IST AN) und .90 (LPS 7). Wie durch die Alpha-Koeffizienten in Tabelle 5.10 ersichtlich, kann die Interne Konsistenz bei vier der sieben Subtests als gut bezeichnet werden. Demnach besitzen die verwendeten Subtests bis auf die Analogien (IST AN) und den LPS 4 eine zufriedenstellende Homogenität. Eine mögliche Erklärung bietet der Ansatz, dass zum Lösen der Analogien nicht nur schlussfolgerndes Denken, sondern auch ein gut organisierten deutscher Wortschatz gegeben sein muss. Nach Bühner (2004) werden korrigierte Trennschärfen unter einem Wert von .3 als niedrig und oberhalb von .5 als hoch bezeichnet. Die Mittelwerte der korrigierten Trennschärfen der einzelnen Leistungstests sind somit bis auf zwei Ausnahmen als niedrig zu klassifizieren. Den geringsten Wert hat der LPS 4, der nach der Entfernung von zwölf Items (mit einer Trennschärfe kleiner als .06) auf einen neuen Skalenmittelwert von .19 kommt. Die Skala Analogien des IST besitzt eine mittlere (.45), der ZVT (.77) eine hohe gemittelte Trennschärfe. Die Testanalyse auf Itemebene kam zu folgendem Ergebnis: Beim LPS 1 + 2 wird ein Item nicht weiter berücksichtigt, da es eine Nullvarianz aufweist (keiner konnte das Item richtig lösen). Das gleiche Schicksal wiederfährt zwölf Items des LPS 4. Auch hier ist eine Differenzierung praktisch nicht gegeben. Die entfernten Items besitzen eine Itemschwierigkeit größer gleich .98 und einer Trennschärfe kleiner als .07. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 5.2.2 Motivationsskalen Seite 77 ff Bei den Motivationsskalen wurden die Varianzen über die Subskalen für jede Versuchsperson berechnet mit dem Ziel, ein ungewöhnliches Ankreuzverhalten aufzudecken. Drei Probanden fielen bei Betrachtung der Häufigkeitsverteilung der Varianzen ins Auge. Ihre Subskalen mit einer Varianz von Null wurden nicht gewertet. Ein größerer Datenverlust ergab sich dadurch, dass einige Probanden den Fragebogen nicht vollständig zu Ende bearbeiteten. Tabelle 5.11 ist zu entnehmen, wie viele Versuchspersonen in den einzelnen Tests keine Angaben machten, bzw. als Ausreißer klassifiziert wurden. Insgesamt verringerte sich durch fehlende Angaben bei den Motivationsskalen der Datensatz um 29 Versuchspersonen. Tabelle 5.11 – Skalenanalyse für die Motivationsskalen Skala SK_S SK_M SK_D SK_P SK_E FM_S FM_M FM_D FM_P FM_E Int_S Int_M Int_D Int_P Int_E HE_S HE_M HE_D HE_P vVpn 1082 1084 1084 1083 1084 1084 1081 1080 1081 1081 1081 1084 1081 1083 1083 1084 1081 1080 1078 K.A. 2 0 0 1 0 0 3 4 3 3 3 0 3 1 1 0 3 4 6 MW 3.63 3.52 3.89 3.20 3.85 3.21 2.91 2.56 2.88 2.68 2.93 3.35 3.39 3.07 3.87 4.58 4.14 3.90 3.69 SD 0.96 1.44 1.06 1.42 1.22 1.06 1.28 1.05 1.25 1.16 1.06 1.52 1.33 1.58 1.34 0.89 1.30 1.21 1.34 α .85 .95 .91 .96 .95 .82 .87 .84 .87 .87 .87 .95 .93 .95 .93 .82 .90 .89 .90 ø rit .66 .87 .77 .88 .85 .61 .70 .65 .70 .69 .72 .87 .83 .88 .84 .61 .74 .74 .75 Schiefe .09 -.02 -.08 .23 -.14 .13 .42 .51 .49 .53 .27 .07 .05 .26 -.26 -.70 -.43 -.26 -.09 Exzess -.40 -1.14 -.52 -.95 -.62 -.45 -.57 .04 -.42 -.28 -.34 -.13 -.79 -1.17 -.70 .38 -.63 -.47 -.84 Hinweis: Alle Aussagen der Motivationsskalen wurden auf einer sechsstufigen Antwortskala bewertet. Dementsprechend reichen die Rohwerte von Eins bis Sechs. Spaltenüberschriften: vVpn = verbleibende Versuchspersonen; K.A. = Anzahl der Schüler ohne Angaben; Min = minimaler Skalenwert; Max = maximaler Skalenwert; α = Cronbachs Alpha; ø rit = mittlere Trennschärfe. Cronbachs Alpha liegt wie in Tabelle 5.11 aufgeführt, zwischen .82 (HE Schule) und .96 (SK Physik). Die Interne Konsistenz der Motivationsskalen ist somit als gut bis sehr gut zu bezeichnen. Nach Bühner (2004) werden korrigierte Trennschärfen über einem Wert von Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 78 you want to appear here. .5 als gut klassifiziert. Die Mittelwerte, gebildet aus den korrigierten Trennschärfen der ff spezifischen Motivationsskalen, liegen oberhalb dieses Werts (zwischen .61 und .88). 5.3 Regressionsanalysen 5.3.1 Vorhersageleistung der Schulleistung In diesem Rechenschritt wird die Schulleistung, verkörpert durch den Notenschnitt der vier Fächer Mathe, Deutsch, Physik und Englisch über verschiedene Prädiktorvariablen vorhergesagt. Als erster Block wird in die hierarchische Regressionsanalyse der Mittelwert der verschiedenen Leistungs- bzw. Intelligenztests (LT) eingegeben. Den zweiten Block bilden die separaten Skalen Selbstkonzept, Interesse und Hoffnung auf Erfolg (im fortlaufenden Text als SIHE bezeichnet). Entsprechend der faktorenanalytisch ermittelten Struktur des Selbstkonzepts wird die Skala Furcht vor Misserfolg (FM) als dritter Block in die hierarchische Regressionsanalyse eingegeben. Insgesamt 106 Schüler werden aus dem Datensatz ausgefiltert, weil sie in den verschiedenen Skalen als Ausreißer klassifiziert wurden, oder nicht alle Fragen beantwortet haben. Mit den verbleibenden 978 Schülern werden nach dem eben beschriebenen Schema hierarchische Regressionsanalysen gerechnet. Tabelle 5.12 – Hierarchische Regressionsanalysen: Modellzusammenfassung für Schule Block 1-1 1-2 1-3 2-1 2-2 2-3 3-1 3-2 3-3 Prädiktorena SIHE FM LT LT SIHE FM FM LT SIHE R .672 .673 .692 .318 .690 .692 .054 .319 .692 R² .451 .453 .479 .101 .476 .479 .003 .102 .479 ∆R² .451 .002 .026 .101 .375 .002 .003 .099 .377 ∆F 267 3.1 48 109.8 232.4 4.4 2.8 107 234 ∆p <.001 .077 <.001 <.001 <.001 .037 .093 <.001 <.001 Hinweis: Regressand ist die Durchschnittsnote aus Mathe, Deutsch, Physik und Englisch. N = 978. Spaltenüberschriften: R² = Bestimmtheitsmaß; ∆R² = Zuwachs des Bestimmtheitsmaßes; ∆F = Zuwachs in F; ∆p = Änderung in Signifikanz von F. a LT = Leistungstests; SIHE = Selbstkonzept, Interesse, Hoffnung auf Erfolg; FM = Furcht vor Misserfolg. In Tabelle 5.12 sind die Ergebnisse der hierarchischen Regressionsanalysen mit der Kriteriumsvariable Schulnoten aufgeführt. Aufgelistet sind drei Modellzusammenfassungen, bei denen ich die Reihenfolge, mit der die Prädiktorvariablen Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 79 you want to appear here. in die Regressionsgleichung aufgenommen wurden, verändert habe. Das ff Bestimmtheitsmaß lässt auf der letzten Stufe (bei Eingabe aller drei Prädiktorblöcke) erkennen, dass die drei Blöcke zusammen 47.9 Prozent der Varianz des Regressanden aufklären. Bei Eingabe von LT als dritte Prädiktorvariable, ist ein Zuwachs des Bestimmtheitsmaßes von .026 gegenüber der vorhergehenden Stufe zu verzeichnet. Das bedeutet, dass 2.6 Prozent der Schulnoten spezifisch über die kumulierten Leistungstests erklärt wird. FM trägt auf dritter Stufe nur geringfügig zur Vorhersage des Schulerfolgs bei und besitzt eine marginale inkrementelle Varianzaufklärung von .2 Prozentpunkten. Den größten Zuwachs des Bestimmtheitsmaßes ist bei Eingabe von Block SIHE auf dritter Stufe zu verzeichnen, der einem spezifischen Varianzanteil von 37.7 Prozent entspricht. 5.3.2 Vorhersageleistung für das Fach Deutsch Die Deutschnote, als Indikator des Schulerfolgs im Fach Deutsch, stellt den Regressanden dar. Sie wird über drei Blöcke von Prädiktorvariablen vorhergesagt. Den ersten Block bildet der Durchschnittswert der Leistungstests, bzw. die Allgemeine Intelligenz. Der zweite Block besteht aus den über Fragebögen ermittelten Skalenwerten zu Selbstkonzept, Interesse und Hoffnung auf Erfolg im Fach Deutsch. Zu guter Letzt wird der Wert der Skala Furcht vor Misserfolg im Fach Deutsch als eigenständiger Block in die Regressionsgleichung aufgenommen. Nach den Ergebnissen aus Tabelle 5.13 liegt die kumulierte Vorhersageleistung der Prädiktoren bei 38.8 Prozent. Wie schon bei der auf die Schule bezogenen Regressionsanalyse klärt der Block SIHE am meisten Varianz auf. Die Kategorie LT trägt signifikant zur Vorhersage der Deutschnote bei, während der inkrementelle Beitrag der Skala FM zu gering ist, um von einer statistischen Bedeutung zu sprechen. Tabelle 5.13 – Hierarchische Regressionsanalyse: Modellzusammenfassung für Deutsch Block 1 2 3 Prädiktorena LT SIHE FM R .192 .622 .623 R² .037 .387 .388 ∆R² .037 .351 <.001 ∆F 37.4 185.2 .6 ∆p <.001 <.001 .421 Hinweis: Regressand ist die Deutschnote. N = 976. Spaltenüberschriften: R² = Bestimmtheitsmaß; ∆R² = Zuwachs des Bestimmtheitsmaßes; ∆F = Zuwachs in F; ∆p = Änderung in Signifikanz von F. a LT = Leistungstests; SIHE = Selbstkonzept, Interesse, Hoffnung auf Erfolg; FM = Furcht vor Misserfolg. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 80 ff 5.3.3 Vorhersageleistung für das Fach Physik Analog zum Fach Deutsch wird dieselbe Prozedur mit Physik wiederholt. Die Zahlen aus Tabelle 5.14 lassen erkennen, dass 50.8 Prozent der Varianz der Physiknote aufgeklärt wird. Wie auch bei den anderen Fächern, hat der Block SIHE die beste Vorhersageleistung, gefolgt von der Allgemeinen Intelligenz. Die Skala FM trägt nur in sehr geringem Ausmaß inkrementell zur Varianzaufklärung bei. Tabelle 5.14 – Hierarchische Regressionsanalyse: Modellzusammenfassung für Physik Block 1 2 3 Prädiktorena LT SIHE FM R .259 .711 .713 R² .067 .506 .508 ∆R² .067 .439 .002 ∆F 69.6 287.4 4.2 ∆p <.001 <.001 .040 Hinweis: Regressand ist die Physiknote. N = 974. Spaltenüberschriften: R² = Bestimmtheitsmaß; ∆R² = Zuwachs des Bestimmtheitsmaßes; ∆F = Zuwachs in F; ∆p = Änderung in Signifikanz von F. a LT = Leistungstests; SIHE = Selbstkonzept, Interesse, Hoffnung auf Erfolg; FM = Furcht vor Misserfolg. 5.3.4 Vergleich Schulbezogene und Fächerspezifische Betrachtungsweise Ein weiteres Ziel der Untersuchung ist es herauszufinden, ob sich die Vorhersageleistung des Schulerfolgs durch die Differenzierung auf Schulfachebene erhöht. Diese Frage lässt sich mit einem klaren „jein“ beantworten. Drei der vier in dieser Untersuchung erfassten Fächer profitieren von der Differenzierung und lassen sich über einen höheren Varianzanteil aufklären. Der größte Varianzzuwachs ist mit einem Aufklärungsanteil der Gesamtvarianz von 53.4 Prozent im Schulfach Mathematik zu beobachten. Dies entspricht einem Zuwachs von 11.5 Prozentpunkten gegenüber der schulbezogenen Betrachtungsweise mit einem Aufklärungsanteil der Gesamtvarianz von 47.9 Prozent. Dagegen liegt die Vorhersageleistung im Fach Deutsch mit einem Aufklärungsanteil von 38.8 Prozent 9.1 Prozentpunkte unter dem Aufklärungsanteil bei allgemein schulbezogenen Fragestellung. In Abbildung 5.6 sind die Anteile aufgeklärter Gesamtvarianz der untersuchten Fächer gegenübergestellt. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 81 Prozent ff 50 40 53.4 47.9 50.8 52.0 Physik Englisch 38.8 30 20 10 0 Schule Mathe Deutsch Abbildung 5.6 – Gegenüberstellung der prozentualen Anteile aufgeklärter Gesamtvarianz 5.4 Kommunalitätenanalysen Tabelle 5.15 – Prozentuale Anteile spezifischer und gemeinsamer Varianz an der aufgeklärten Varianz Konstrukt Aufgeklärte Varianza Block SIHEbc Allgemeine Intelligenzc Furcht vor Misserfolgc Gemeinsame Varianz Schule 47.9 78.8 5.4 .4 15.4 Mathe 53.4 71.9 2.6 .2 25.3 Deutsch 38.8 87.6 4.9 0 7.5 Physik 50.8 81.5 2.8 .4 15.4 Englisch 52.0 87.7 2.5 .4 9.8 Hinweis: Alle Angaben der Tabelle in Prozent. a Prozentualer Anteil der kumulierten aufgeklärten Varianz der Schulnote. b Der Block SIHE besteht aus den Motivationsskalen Selbstkonzept, Interesse und Hoffnung auf Erfolg. c Prozentuale Anteile spezifischer Varianz. Tabelle 5.15 listet separat für jedes Fach (und allgemein schulbezogen) die prozentualen Anteile spezifischer und gemeinsamer Varianz auf. Der Block Selbstkonzept macht in allen Bereichen – sowohl bei schulbezogener, als auch bei fächerspezifischer Betrachtungsweise – den mit Abstand größten spezifischen Varianzanteil aus. Dabei liegt der Prozentsatz zwischen 71.9 und 87.7 Prozent. Die Allgemeine Intelligenz trägt inkrementell zur Vorhersage des Schulerfolgs bei, der prozentuale Anteil der spezifischen Varianz liegt dabei zwischen 2.5 und 5.4 Prozent. Die Skala „Furcht vor Misserfolg“ hat eine sehr geringe spezifische Vorhersageleistung. Der prozentuale Anteil der spezifischen Varianz macht bis zu .4 Prozent aus, beim Fach Deutsch gab es keine signifikante Steigerung über die inkrementelle Varianzaufklärung. Der Anteil der gemeinsamen Varianz schwankte von 7.5 Prozent im Fach Deutsch, bis zu 25.3 Prozentpunkten im Fach Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 82 you want to appear here. Mathematik. Die nachfolgenden Diagramme dienen der grafischen Darstellung dieser ff Zahlen für die Fächer Deutsch und Physik. 1% Selbstkonzept + Interesse + Hoffnung auf Erfolg 15% 5% Allgemeine Intelligenz Furcht vor Misserfolg 79% Gemeinsame Varianz Abbildung 5.7 - Schulfachübergreifend: Anteile spezifischer und gemeinsamer Varianz Selbstkonzept + Interesse + Hoffnung auf Erfolg 5% 7% Allgemeine Intelligenz Furcht vor Misserfolg 88% Gemeinsame Varianz Abbildung 5.8 - Deutsch: Anteile spezifischer und gemeinsamer Varianz 0% Selbstkonzept + Interesse + Hoffnung auf Erfolg 15% Allgemeine Intelligenz 3% Furcht vor Misserfolg 82% Gemeinsame Varianz Abbildung 5.9 - Physik: Anteile spezifischer und gemeinsamer Varianz Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 83 ff 6 Diskussion der Ergebnisse 6.1 Stichprobe und Instrumente Die Stichprobe weist eine sehr ausgeglichene Geschlechterverteilung auf. Die meisten Neunt- und Zehntklässler sind 15 bzw. 16 Jahre alt und besuchen Gymnasien in Städten in überwiegend ländlichen Gegenden. Die nach den Ausreißeranalysen verbleibende Stichprobengröße schwankt (je nach Fragestellung) um die 980 Versuchspersonen. Dieser Datensatz besitzt eine ausreichende Größe, um als solide Basis der Analysen zu dienen. Die Ergebnisse der Studie sollten sich auf andere Klassen entsprechender Jahrgangsstufe deutscher Gymnasien übertragen lassen. Allerdings mit der Einschränkung, dass sich die Größe der besuchten Schulen auf Verhalten, Einstellungen und Zufriedenheit der Schüler und damit auch auf die Leistungen der Schüler auswirken kann (vgl. Hemke & Weinert, 1997). Die Aufgabengruppe Zahlenreihen des IST, der ZVT, sowie die Aufgabengruppen 1+2 des LPS besitzen eine gute, der LPS 7 eine sehr gute interne Konsistenz. Beim LPS 1+2 und dem LPS 4 wurden einige Items bei der Auswertung nicht berücksichtigt, da sie praktisch keine Varianz aufklären. Wie ist dies zu erklären? Der Zeitrahmen ist beim LPS 1+2 sehr knapp bemessen, so dass die meisten Schüler nur einen Teil der Items bearbeiteten. Allein dadurch besitzen einige Items eine sehr niedrige Itemschwierigkeit. Beim LPS 4 hingegen ist die Itemschwierigkeit zu hoch, so dass beinahe alle Versuchspersonen das erste Drittel der Aufgaben lösen konnten. Die Skala Furcht vor Misserfolg besitzt eine gute, die Skala Selbstkonzept eine sehr gute interne Konsistenz. 6.2 Dimensionsanalysen Aus den verschiedenen Aufgabengruppen zur Intelligenzdiagnostik lässt sich ein gemeinsamer Generalfaktor extrahieren. Die Eindimensionalität ist nicht die einzig sinnvolle Interpretationsmöglichkeit, rechtfertigt aber die Verwendung der Allgemeinen Intelligenz zur Vorhersage des fächerspezifischen Schulerfolgs. Wäre es nicht möglich gewesen den Generalfaktor zu extrahieren hätte man untersuchen müssen, ob sich die Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 84 you want to appear here. verschiedenen Bereiche der Intelligenz unterschiedlich stark auf die einzelnen Fächer ff auswirken. Als Alternative kommt eine zweifaktorielle Lösung in Betracht. In diesem Fall laden auf den ersten Faktor Subtests, die aufgrund des zeitlichen Limits von einer hohen Verarbeitungsgeschwindigkeit der Versuchsperson profitieren und die Erkennung von Gesetzmäßigkeiten, sowie mentale Rotation voraussetzen. Dagegen enthält der zweite Faktor Wortschatz-relevante Aufgaben und beinhaltet durch die Analogien eine Wissenskomponente. Diese Struktur entspricht der Differenzierung zwischen Fluider und Kristalliner Intelligenz: In einer Studie von Horn und Cattell (1967, zitiert nach Stelzl et al., 1995) luden die Subtests „vocabulary and verbal analogies“ am Höchsten auf den Faktor Fluide Intelligenz. Dass meine Analysen diese Befunde bestätigen spricht für die Validität und die Zusammenstellung der Intelligenzskalen. Der eingesetzte Fragebogen AVT hat nicht die erwartete Struktur. Bei zwei der vier Fächern kann die Eindimensionalität auf Schulfachebene faktorenanalytisch nicht bestätigt werden. Auch die eingesetzte Gitterversion des AVTs weist nicht die erwartete vierfaktorielle Struktur auf, die Fächer bilden hier keine separaten Faktoren. Somit erfasst die verwendete AVT-Skala keine fächerspezifische Anstrengungsvermeidung und wird nicht zur Vorhersage des Schulerfolgs herangezogen. Die übrigen Motivationsskalen lassen sich einzeln analysiert, sowohl bei schulbezogener, als auch bei fächerspezifischer Betrachtungsweise jeweils über einen einzigen Faktor aufklären. Die Eindimensionalität der Skalen belegt nicht das Vorliegen eines übergeordneten allgemeinen Selbstkonzepts, (eines globalen Interesses, usw.) ist allerdings eine notwendige Voraussetzung hierfür. In anderen Studien wurde insbesondere das Selbstkonzept hinreichend untersucht, so dass die hierarchische Struktur als gesichert gilt. Die separate Analyse der einzelnen Motivationsskalen auf Schulfachebene lässt eine vierfaktorielle Lösung erkennen, wobei ein Schulfach je einen Faktor bildet. Bei der Skala Furcht vor Misserfolg lässt sich die eben beschriebene Struktur nicht mit einer explorativen Faktorenanalyse finden, wohl aber durch eine konfirmatorische Faktorenanalyse bestätigen. Somit konnte für jede Skala (außer beim AVT) die Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 85 you want to appear here. fächerspezifische Struktur belegt werden. Dies ist eine notwendige Grundvoraussetzung, ff um eine Vorhersage des Schulerfolgs auf Fachebene zu legitimieren. Die Motivationsskalen lassen sich faktorenanalytisch in zwei inhaltliche Bereiche aufteilen: Interesse, Selbstkonzept und Hoffnung auf Erfolg bilden den ersten Faktor, während die Skala Furcht vor Misserfolg den zweiten Faktor darstellt. Dieser Befund gilt für allgemein auf die Schule bezogene Skalen, hat aber auch bei fächerspezifischer Betrachtungsweise seine Gültigkeit. Der erste Faktor beschreibt die intrinsische Motivation und die positive Einstellung und Erwartungshaltung dem Fach gegenüber. Man beschäftigt sich mit dem Fach, weil man Spaß an der Thematik hat und in dem Fach ein positives Selbstbild unterhält. Furcht vor Misserfolg hingegen beinhaltet die negativen Emotionen die einen dazu bringen, sich mit dem Schulstoff auseinanderzusetzen. Man arbeitet, um der Bestrafung in Form einer schlechten Note zu entgehen. 6.3 Vorhersage des Schulerfolgs Die Schulnote als Regressand Das Hauptziel der Studie liegt in der Vorhersage des Schulerfolgs über verschiedene kognitive und motivationale Variablen. Dabei werden die Schulnoten des letzten Schul(halb)jahres als Indikatoren für den Schulerfolg genutzt. Natürlich stellt sich die Frage, inwiefern diese Lehrerbeurteilung ein valides Maß für die Schulleistung darstellt. Kritisch kann man argumentieren, dass Lehrer ihre Schüler nicht objektiv beurteilen, und dass Schulleistungstests besser differenzieren und eine höhere Reliabilität besitzen. All das ändert jedoch nichts an der praktischen Relevanz von Schulnoten. Sie sind das Maß, nach denen die Leistung der Schüler beurteilt wird und mit denen sie sich nach Beendigung der Schulzeit bewerben. Ein weiterer spezifischer Vorteil der Schulnoten für diese Untersuchung ist neben der hohen Ökonomie die Abhängigkeit vom klasseninternen Bezugsrahmen (zitiert nach Rost & Sparfeldt, 2002, S. 132). Dies ist hochgradig relevant, da die motivationalen Variablen ebenfalls vom Klassenverband beeinflusst werden, und die Klasse somit als Moderatorvariable fungiert. Gemäß den Dimensionsanalysen werden die erhobenen Daten in drei Blöcke aufgeteilt und zur Vorhersage der Schulleistung verwendet: Die verschiedenen Leistungs- bzw. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 86 you want to appear here. Intelligenztests (LT) werden zu einem Generalfaktor zusammengefasst. Die Konstrukte ff Selbstkonzept, Interesse und Hoffnung auf Erfolg (SIHE) werden als weiterer Block in Regressionanalysen aufgenommen, die Skala Furcht vor Misserfolg bildet (FM) eine eigene Prädiktorvariable. Fächerspezifische Fragestellung Über die differenzierte Betrachtung der verschiedenen Schulfächer erhoffte ich mir eine bessere Vorhersageleistung, als bei einer allgemein Schulbezogenen Fragestellung. Geht man von einer hierarchischen Struktur der motivationalen Skalen aus erscheint es logisch, dass man auf einer niedrigen Hierarchieebene bei spezifischer Fragestellung präzisere Antworten erhält, als bei global formulierten Fragen. Bei drei der vier Schulfächer ließ sich die erwartete Verbesserung der Vorhersageleistung beobachten. Im Fach Deutsch ist die Vorhersageleistung der Prädiktorvariablen hingegen geringer als bei Schulbezogener Fragestellung. Das liegt hauptsächlich daran, dass der wichtige Block SIHE weniger Varianz aufklärt, als in den anderen Fächern. Eine mögliche Erklärung für dieses Phänomen wäre, dass die inhaltlichen Bereiche des Deutschunterrichts mit verschiedenen Lektüren und Themenschwerpunkten eine hohe Varianz aufweisen. So ist es vorstellbar, dass es kein Konstrukt „globale Motivation im Fach Deutsch“ gibt, sondern dass die Motivation der Schüler themenabhängig variiert. Jemand, der zum Beispiel Interesse an einer bestimmten Lektüre zeigt, muss nicht unbedingt Gefallen an Gedichtinterpretationen finden. 6.4 Anteile spezifischer und konfundierter Varianz Im Vorfeld der Untersuchung bin ich davon ausgegangen, dass die Allgemeine Intelligenz die höchste prädiktive Kraft besitzt, während das Selbstkonzept und die anderen motivationalen Variablen inkrementell zur Varianzaufklärung beitragen. Diese Erwartung wird weder bei schulbezogener, noch bei fächerspezifischer Betrachtungsweise erfüllt. Der Block SIHE leistet durchgehend den mit Abstand größten Beitrag zur Vorhersage des Schulerfolgs, während die Intelligenz inkrementell zur Varianzaufklärung beiträgt. Die prädiktive Kraft der Skala Furcht vor Misserfolg lässt sich (außer im Fach Deutsch) Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 87 you want to appear here. statistisch signifikant nachweisen, ist jedoch so gering, dass sie praktisch keine Bedeutung ff hat. Analyse des Blocks SIHE Als größte prädiktive Kraft verdient der Block SIHE besondere Aufmerksamkeit. Um herauszufinden, welche der drei enthaltenen Motivationsskalen am meisten spezifische Varianz aufklärt, rechnete ich erneut hierarchische Regressionsanalysen nach dem bekannten Schema. Diesmal fungierten die Motivationsskalen Selbstkonzept, Interesse und Hoffnung auf Erfolg als eigenständige Prädiktorvariablen für den Schulerfolg. Das Ergebnis war in allen Fächern eindeutig: Die aufgeführten motivationalen Skalen überlappen sich inhaltlich und ziehen etwa 50 Prozent der Vorhersagekraft aus ihre gemeinsamen Varianz. Die zweite Hälfte stammt aus der spezifischen Varianz der Skala Selbstkonzept, während die spezifische Varianz von Interesse und Hoffnung auf Erfolg praktisch keine Bedeutung hat. Bei Schulbezogener Betrachtungsweise verändert sich das Verhältnis von spezifischer zu gemeinsamer Varianz auf Vier zu Eins. Diese Daten zeigen, dass die entsprechende Faktorenanalyse Recht mit dem Vorschlag hatte, die drei Skalen zu einem einzigen Block zusammenzufassen. Interesse und Hoffnung auf Erfolg tragen in den meisten Fächern inkrementell zur Varianzaufklärung bei. Ihre spezifische Varianzaufklärung ist jedoch so gering, dass praktisch kein Nutzen daraus gezogen wird. Wir können also festhalten, dass die Skala Selbstkonzept die mit Abstand beste Vorhersage der Schulleistung ermöglicht, weit vor den anderen motivationalen Skalen oder der Allgemeinen Intelligenz. Analyse der Skala Selbstkonzept Dieser Befund ist umso erstaunlicher wenn man bedenkt, dass die verwendete Version des Disk-Gitters auf fünf Items reduziert wurde. Wie kann man diese Gegebenheit erklären? Ein Blick auf die Formulierung der Items zeigt, dass sich zwei Items direkt auf die Leistung in der Schule beziehen. Die Aussage „In [der Schule] fallen mir gute Noten zu“ beinhaltet implizit die Einschätzung der eigenen Schulnote, während das Item „Ich gehöre in [der Schule] zu den Guten“ die eigene (Schul-)Leistung mit denen der Klassenkameraden in Beziehung setzt. Einerseits lässt sich argumentieren, dass diese Items den Schüler dazu bringen seine Leistung im Klassenverbund einzuschätzen, und so Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 88 you want to appear here. über den sozialen Vergleich ein realistisches Selbstbild (bzw. Fächerspezifisches ff Selbstkonzept) erhält, das mit dem Fragebogen erfasst wird. Bei kritischer Betrachtung lässt sich feststellen, dass diese zwei Aussagen in inhaltlichem Zusammenhang zur Schulnote stehen. Demnach fragt man mit diesen beiden Items indirekt nach dem Regressanden, was die hohe Korrelation (r < -.6) als einen banalen Zusammenhang erscheinen lässt. Um dieser Vermutung nachzugehen rechnete ich abermals eine hierarchische Regressionsanalyse. Dabei bildeten die auf Klassenebene z-standardisierten Werte der beiden kritischen Items (Nummer 3 und 4) einen eigenständigen Block, während die restlichen Items (Nummer 1, 2 und 5) zu einer Gruppe zusammengefasst wurden. Die anschließende Kommunalitätenanalyse der beiden Blöcke deckt auf, dass die beiden leistungsbezogenen Items 3 und 4 zusammen etwa ein Drittel (bis zu 35 Prozent) der aufgeklärten Varianz spezifisch vorhersagen. Der spezifische Varianzanteil der anderen Items ist so gering, dass er zu vernachlässigen ist, während der gemeinsame Varianzanteil der Prädiktorblöcke zwei Drittel (über 64 Prozent) der aufgeklärten Varianz ausmacht. Die Ergebnisse der Regressionsanalysen sind im Anhang aufgelistet, die Aufschlüsselung der Kommunalitäten befindet sich unter. Zusammenfassend lässt sich festhalten, dass die leistungsbezogenen Items den größten Anteil der spezfischen Varianz auf sich vereinen, der Anteil der gemeinsamen Varianz aber etwa doppelt so hoch liegt. Damit wäre bewiesen, dass die Vorhersagekraft der Skala Selbstkonzept inkrementell über die leistungsbezogenen Items gesteigert wird und die hohe prädiktive Kraft der Skala zum Teil von diesen Items herrührt. Aber selbst ohne diese Items bleibt die Skala Selbstkonzept die beste Prädiktorvariable der in dieser Studie erfassten kognitiven und motivationalen Komponenten. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 89 ff Aufgeklärte Varianz 47.9 Spezifitäten Prädiktoren gemeinsam 15 SIHE 79 LT 5 Spezifitäten Block SIHE gemeinsam ~50 SK 50 IHE ~0 Spezifitäten Selbstkonzept gemeinsam 64 Leistungsbezogen 35 Rest 1 FM 1 Abbildung 6.1 - Schulbezogen: Hierarchische Aufschlüsselung von Spezifitäten und Kommunalitäten Allgemeine Intelligenz Die Enge des Zusammenhangs zwischen Schulleistung und Intelligenz variiert in verschiedenen Studien sehr stark, abhängig von der Auswahl der Verfahren, sowie Alter, Geschlecht und internierenden Persönlichkeitsvariablen der Versuchspersonen (Sauer & Gamsjäger, 1996). In der Literatur (Sauer, 2006) wird beschrieben, dass Intelligenztests zwischen 25 und 45 Prozent der Schulleistungsvarianz aufklären, wobei die Korrelation zu sprachlichen und naturwissenschaftlichen Fächern in der Sekundarstufe bei .3 liegt. In der vorliegenden Studie fallen die Zusammenhänge für die Fächer Deutsch und Physik deutlich kleiner aus. Wie lässt sich erklären, dass der Zusammenhang zwischen Schulerfolg und Allgemeiner Intelligenz in dieser Studie so gering ist? Die Schulleistung wird stärker von der Kristallinen, als der Fluiden Intelligenz beeinflusst. Die Kristalline Intelligenz beschreibt Leistungen, die auf Sprachverständnis und erfahrungsgeleitetem Sachwissen beruhen. Bei der vorliegenden Studie konnte ich faktorenanalytisch zeigen, dass nur zwei der sieben Aufgabengruppen auf dem Faktor Kristalline Intelligenz laden. Diese beiden Subtests beinhalten verbales Material, während mit den restlichen Aufgabengruppen sprachfreie Aspekte der Intelligenz erfasst werden (über numerisches und räumliches Material). Gaedike weist (1974, zitiert nach Sauer & Gattringer, 1986) darauf hin, „…dass längst nicht alle kognitiven Faktoren für Erfolg in der Schule garantieren. Es kommt also nicht darauf an, intelligent oder gar kreativ zu sein, Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 90 you want to appear here. sondern bevorzugt werden Schüler, die in ganz bestimmter Weise intelligent sind ff (vorwiegend verbal).“ Durch eine andere Zusammenstellung der Subtests mit dem Schwerpunkt auf verbalen Komponenten könnte sich demnach die Vorhersageleistung der Intelligenz verbessern. Die Erhebung wurde an Gymnasien und somit an einer selektiven Stichprobe durchgeführt. Es ist davon auszugehen, dass die durchschnittliche Intelligenz der Gymnasialschüler über dem Populationsmittelwert liegt und somit die Varianz eingeschränkt ist. Hätte die Untersuchung an Schülern einer Gesamtschule stattgefunden, wäre mit einer höheren Vorhersageleistung der Allgemeinen Intelligenz zu rechnen. 6.5 Bezug zu vergleichbaren Studien ### Der positive Zusammenhang zwischen Selbstkonzept und dem Schulerfolg konnte auch in anderen Studien nachgewiesen werden. Helmke und Weinert schreiben zu diesem Zusammenhang (1997, S. 113): „Er ist umso stärker, je älter die Schüler sind und je höher das Fähigkeitsniveau ist.“ Die Korrelationen fallen besonders hoch aus, wenn die Daten bereichsspezifischer erhoben werden, und wenn anstelle von Tests Schulnoten und Lehrerurteile herangezogen werden (Helmke & van Aken, 1995). Nach diesen Informationen ist mit einer hohen Vorhersageleistung des Selbstkonzepts in der vorliegenden Studie zu rechnen. Vergleich mit der Spinath-Studie? Wie ist die prädiktive Kraft der genutzten Variablen zu bewerten? Nach dem Modell von Quelle wirken zur Vorhersage des Schulerfolgs Wenn man bedenkt, dass zur Vorhersage der Schulleistung lediglich individuumsspezifische Faktoren genutzt wurden, Die aufgeklärte Gesamtvarianz (von etwa 50 Prozent) für das Kriterium Schulnoten entspricht bei meiner Studie den Ergebnissen der Untersuchung von Sauer & Gattringer (1986). Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 91 ff 7 Grenzen und Stärken der Studie Bei der Stichprobengewinnung lässt sich kritisieren, dass die teilnehmenden Klassen nicht zufällig ausgewählt, sondern von der Schulleitung zugewiesen wurden. Dies geschah auf Basis von praktischen und organisatorischen Überlegungen. Ausschlaggebend war beispielsweise, welche Klasse an dem angefragten Termin eine Doppelstunde hatte, oder gerade nicht an einem Schüleraustausch beteiligt war. Obwohl durch diese Faktoren eine gewisse Randomisierung gegeben ist kann man nicht ausschließen, dass die Schulleiter mir „Musterklassen“ zuwiesen, um im Vergleich mit den anderen Gymnasien gut dazustehen. Diese Problematik lässt sich umgehen, indem man die gesamte Population einer Jahrgangsstufe der teilnehmenden Gymnasien testet. Dies war mir leider nicht flächendeckend möglich, da die meisten Schulen aufgrund des Unterrichtsausfalls nur wenige Klassen zur Verfügung stellten. Die allgemeine Schulleistung wurde aus den Noten von vier (Haupt-) Fächern berechnet. Es wurde versucht, je ein Fach der wichtigsten akademischen Bereiche in die Studie einzubeziehen, um auch mit einer geringen Anzahl an Fächern eine gute Validität zu erreichen: Die Leistungen aus Mathematik, Deutsch (als Muttersprache), Physik (als ein naturwissenschaftliches Fach) und Englisch (als die erste Fremdsprache) wurden in der Studie berücksichtigt. Man kann davon ausgehen, dass Schüler mit einer sprachlichen oder naturwissenschaftlichen Begabung gleichermaßen gut abschneiden. Dagegen nimmt die Untersuchung keine Notiz von Nebenfächern, so dass gute Leistungen in den Geisteswissenschaften oder im musikalisch-künstlerischen Bereich keine Beachtung finden. Man muss davon ausgehen, dass diese Fächer dennoch eine Rolle bei der Ausbildung des fächerübergreifenden „akademischen“ Selbstkonzepts spielen. Die Folge daraus ist, dass die wahre Vorhersageleistung des schulbezogenen Selbstkonzepts in dieser Studie unterschätzt wird. Im Hinblick auf weiterführende Untersuchungen bietet sich zunächst ein Vergleich mit Schülern aus Real- und Hauptschule an. Eine entsprechende Studie kann Auskunft darüber geben, ob sich die Ergebnisse auf andere Schulformen übertragen lassen. Es wäre Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 92 you want to appear here. interessant zu beobachten, ob mit der Verschiebung der Intelligenzverteilung eine ff Veränderung der prädiktiven Kraft der Allgemeinen Intelligenz einhergeht. Ein interessantes Projekt wäre zu untersuchen, inwiefern man die Vorhersageleistung der Intelligenz verbessern kann. Dabei bietet sich die faktorenanalytische Zerlegung der Allgemeinen Intelligenz in verschiedene Bereiche auf Grundlage des zu bearbeitenden Materials an. Diese Unterteilung ist insofern sinnvoll da man erwartet, dass die Schüler in naturwissenschaftlichen Fächern mehr von mathematischen und räumlichen kognitiven Fähigkeiten profitieren. Dagegen sollte der Erfolg in lernlastigen Fächern stärker auf verbalen kognitiven Fähigkeiten, bzw. Kristalliner Intelligenz basieren. Ich kann mir vorstellen, dass eine weitergehende Strukturanalyse und die daraus resultierende Zerlegung der Intelligenz in „fächerspezifische“ Bereiche einen zusätzlichen Gewinn bringt. Das Berliner Intelligenzstrukturmodell würde sich aufgrund der Unterteilung in Materialarten und „Leistungsklassen“ gut eignen. Allerdings setzt dies voraus, dass man Kenntnis darüber besitzt, welche Fächer von welchen spezifischen Bereichen der Intelligenz profitieren. Im vorherigen Abschnitt wurde diskutiert, inwiefern die Formulierung der Items für die prädiktive Kraft des Selbstkonzepts verantwortlich ist. Man kann an der Studie kritisieren, dass zumindest zwei der fünf Aussagen inhaltlich in direkter Beziehung zur Schulnote stehen und somit ein ganz banaler Zusammenhang gemessen wurde. Dieser Kritikpunkt ist nicht unberechtigt, könnte aber in einer weiteren Studie überprüft werden. Dazu müsste man erneut die in dieser Studie verwendeten Verfahren durchführen, anstelle der Schulnote aber das Ergebnis eines Schulleistungstests als Regressanden verwenden. Meine Untersuchung beschäftigt sich lediglich mit den linearen Zusammenhängen der Variablen, lässt jedoch keinen Rückschluss auf ihre Kausalität zu. Dabei wäre in Anbetracht der großen Vorhersageleistung des Selbstkonzepts die Frage wichtig, wie sich Schulerfolg und Fähigkeitsselbstkonzept gegenseitig bedingen. Hat das Selbstkonzept der Schüler primär Einfluss auf ihre Schulleistung, oder entwickelt sich aus der Rückmeldung der Lehrer in Form von Schulnoten ein fächerspezifisches Selbstkonzept? Eine Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 93 you want to appear here. Längsschnittuntersuchung ist enorm aufwendig, könnte diese Fragestellung aber ff beantworten. Mit einer Längsschnittstudie ließe sich ebenfalls untersuchen, wie sich die Anteile kognitiver und motivationaler Determinanten im Verlauf der Schulzeit verschieben. Es existieren bereits Studien, die unterschiedliche Bereiche einzeln untersuchen, jedoch auf Basis von Querschnittdaten. Will man aber den kontextuellen Zusammenhang erkennen und sehen, wie sich die Variablen gegenseitig beeinflussen, ist eine individuumsspezifische Betrachtungsweise erforderlich. Studien haben gezeigt, dass sich das Geschlecht auf Selbstkonzept und Interesse auswirkt, sowie deren Einfluss auf die Schulleistung moderiert (Denissen et al., 2007). Köller et al. (2001) führten das unterschiedliche Kurswahlverhalten von Mädchen und Jungen hauptsächlich auf das Selbstkonzept zurück und unterstreichen damit den prognostischen Wert dieses Konstrukts. Auch in meiner Studie konnte die besondere Stellung des Selbstkonzepts als Prädiktorvariable bestätigt werden. Mir ging es in der vorliegenden Untersuchung nicht darum, geschlechtsspezifischen Gruppenvergleiche anzustellen. In Anbetracht der Befundlage erscheint es jedoch sinnvoll, der Rolle des Geschlechts im Bezug zum Selbstkonzept bei der Vorhersage des Schulerfolgs mehr Beachtung zu schenken. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. Seite 94 ff 8 Zusammenfassung Ziel der Studie war die Vorhersage des Schulerfolgs in Form von Schulnoten über verschiedene kognitive und motivationale Variablen. Dabei wurde auf Schulfachebene differenziert und die Anteile spezifischer und gemeinsamer Vorhersagekraft ermittelt. Die Allgemeine Leistungsprüfsystem Intelligenz (LPS), wurde dem mit ausgewählten Intelligenz-Struktur-Test Subtests (IST), aus dem sowie dem Zahlenverbindungstest (ZVT) erfasst. Die Fragebögen der Motivationsskalen wurden jeweils auf wenige Items gekürzt, auf ein sechsstufiges Antwortformat und in eine Gitterform gebracht. Die Aussagen waren auf die Fächer Mathematik, Deutsch, Physik und Englisch, sowie allgemein auf die Schule bezogen. Zur Erfassung des Selbstkonzepts wurde das DISK-Gitter herangezogen. Ferner wurden das Interessengitter und der Anstrengungsvermeidungstest (AVT) eingesetzt. Die Konstrukte Hoffnung auf Erfolg und Furcht vor Misserfolg wurden mit einer deutschen Form der Achievement Motives Scale (AMS) untersucht. Die Stichprobe bestand aus 1084 Schülern der Jahrgangsstufe 9 und 10 mit einem durchschnittlichen Alter von 15.3 Jahren an Gymnasien in Hessen und BadenWürttemberg. Aus den Subtests zur Bestimmung der Intelligenzleistung lässt sich erwartungsgemäß der g-Faktor extrahieren. Bei den Motivationsskalen wurde die vorausgesetzte hierarchische fächerspezifische Struktur faktorenanalytisch bestätigt. Außer beim AVT, der aus diesem Grund nicht in die Regressionsanalysen einbezogen wurde, sind die SelbstkonzeptFassetten der Schulfächer als einzelne Faktoren zu erkennen. Die Prädiktorvariablen klären bei schulbezogener 48, bei fächerspezifischer Betrachtungsweise zwischen 39 und 53 Prozent der Varianz der Schulnoten auf. Das Selbstkonzept ist in allen Bereichen der mit Abstand beste Prädiktor. Etwa die Hälfte der Varianzaufklärung erfolgt allein über seinen spezifischen Anteil. Zusammen mit den kumulierten Varianzanteilen von Interesse und Hoffnung auf Erfolg wird je nach Fach zwischen 72 und 88 Prozent der Varianz aufgeklärt. Der spezifische Varianzanteil der Allgemeinen Intelligenz liegt zwischen 2.6 und 5.4 Prozent. Die Motivationsskalen überlappen sich inhaltlich, was in einem großen Anteil an gemeinsamer Varianz zum Ausdruck kommt. Sie tragen inkrementell zur Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that Seite 95 you want to appear here. Varianzaufklärung bei, ihr spezifischer Anteil ist neben dem Selbstkonzept jedoch so ff gering, dass er keine praktische Bedeutung hat. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here.. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. ff 9 Literaturverzeichnis# 10 Inhaltsindex# Seite 96