Masterarbeit

Masterarbeit
im Studiengang Wirtschaftspädagogik (Master of Arts)
an der WHL Wissenschaftliche Hochschule Lahr
Einflussfaktoren auf die Bereitschaft von
Lehrpersonen zur Integration digitaler Medien in
Lehrveranstaltungen – eine empirische Studie
Vorgelegt von:
Carmen Müller
Ilsfelder Straße 19
71720 Oberstenfeld
Matrikelnummer: 198108
Erstgutachter:
Prof. Dr. Michael Klebl
Zweitgutachter:
Prof. Dr. Bernd Remmele
Eingereicht am: 12.12.2012

Danksagung II
Danksagung
An dieser Stelle möchte ich mich herzlich bei allen bedanken, die mich bei der
Anfertigung dieser Arbeit unterstützt haben.
Zuerst gebührt mein Dank Herrn Prof. Dr. Michael Klebl von der WHL Wissen-
schaftliche Hochschule Lahr, der mich bei meiner Masterarbeit unterstützt, mir
mit wertvollen Hinweisen und schnellen Rückmeldungen meiner E-Mails zur
Seite gestanden und als Gutachter meiner Arbeit fungiert hat.
Mein Dank geht auch an Peter Fluhrer, ehemaliger wissenschaftlicher Mitarbei-
ter der WHL und Projektkoordinator der WHL im Rahmen des Projekts „Digital
Classroom“, der die wesentlichen Vorarbeiten zur Online-Befragung geleistet
und mich bei der Generierung der einzelnen Fragebogen in LimeSurvey® un-
terstützt hat.
Die Zusammenarbeit in der Projektgruppe „Digital Classroom“ war von großer
Hilfsbereitschaft geprägt. Hier gilt mein spezieller Dank der gesamten Projekt-
gruppe „Digital Classroom“, insbesondere den Projektkoordinatoren der Hoch-
schulen in Schottland, Spanien, Schweden und der Türkei.
Ebenfalls bedanken möchte ich mich bei Prof. Dr. Joachim Weber (Rektor der
DHBW Stuttgart) und bei Georg Pönicke (Cuno-Berufskolleg I, Hagen) für die
Möglichkeit der Teilnahme ihrer Hochschule bzw. ihres Berufskollegs an der
Online-Befragung sowie bei Wera Weintritt (Sekretariat der DHBW Stuttgart),
dem wislearn-Team (Cuno-Berufskolleg I, Hagen) und Hartmut Wick (Mitarbei-
ter der AKAD-Gruppe) für die Verteilung des Online-Fragebogens an den Lehr-
personenkreis der DHBW Stuttgart, Berufskollegs Hagen und der AKAD-
Gruppe.
Besonderer Dank gilt allen Lehrpersonen, Dozenten und Professoren, die sich
an der Online-Umfrage beteiligt und eine Auswertung der empirischen Erhe-
bung erst ermöglicht haben.
Weiterhin danke ich meinen zwei Kolleginnen Silke Wolf und Claudia Cischek,
die sich bereit erklärt haben, meine Masterarbeit gegenzulesen, sich nicht ge-
scheut haben, Kritik zu üben und Verbesserungsvorschläge vorzubringen.

Danksagung III
Ebenfalls bedanken möchte ich mich bei meinen Freunden, insbesondere bei
Manuela, Hami, Miriam und Julian, die mir jederzeit zur Seite standen und wäh-
rend meines Studiums immer ein „offenes“ Ohr für mich hatten.
Nicht zuletzt gilt mein besonderer und tiefer Dank meinen Eltern und meinem
Bruder mit seiner Familie, die mich nicht nur während der Masterarbeit, sondern
während meines gesamten Studiums tatkräftig unterstützt und ermutigt haben.
Auch all denen, die hier nicht namentlich genannt wurden, gilt mein herzlicher
Dank.
Oberstenfeld, im Dezember 2012
Carmen Müller

Inhaltsverzeichnis IV
Inhaltsverzeichnis
Danksagung...................................................................................................... II
Inhaltsverzeichnis ........................................................................................... IV
Abbildungsverzeichnis.................................................................................. VII
Tabellenverzeichnis ...................................................................................... VIII
1. Einleitung ................................................................................................. 1
1.1 Aufgabenstellung ............................................................................ 2
1.2 Erkenntnisziel und Vorgehen im Überblick................................... 3
2. Hintergrundinformationen und theoretischer Bezugsrahmen............. 5
2.1 Forschungsstand zur Integration digitaler Medien ...................... 5
2.1.1 Bedingungsfaktoren der Integration digitaler Medien............ 5
2.1.1.1 Materielle hemmende Faktoren ............................... 6
2.1.1.2 Immaterielle hemmende Faktoren............................ 7
2.1.2 Bedingungsfaktoren für die nachhaltige Integration digitaler
Medien.................................................................................. 9
2.1.3 Pfadmodelle zur Untersuchung der Integration von
Technologie ........................................................................ 12
2.1.3.1 Was sind Pfadmodelle? ......................................... 12
2.1.3.2 Studien mit Pfadmodellen ...................................... 13
2.2 Theoretische Bezugspunkte......................................................... 16
2.2.1 Medienpädagogik ............................................................... 16
2.2.2 Zum Begriff Medium bzw. Medien ...................................... 17
2.2.3 Digitale Medien in Bildungsprozessen................................ 20
2.2.3.1 Digitale Medien und digitale Arbeitsmittel .............. 20
2.2.3.2 Merkmale digitaler Medien..................................... 21
2.2.3.3 Digitale Medien als E-Learning-Werkzeuge........... 23
2.2.3.4 Einsatzformen digitaler Medien für Lehr- und Lern-
Zwecke................................................................... 26
2.2.4 Mehrwert digitaler Medien................................................... 28
2.2.4.1 Pädagogische und lernförderliche Potenziale
digitaler Medien...................................................... 28

Inhaltsverzeichnis V
2.2.4.2 Mehrwert im Bereich der Hochschule .................... 30
2.2.5 Medienkompetenz .............................................................. 31
2.2.5.1 Medienkompetenz nach Baake.............................. 31
2.2.5.2 Medienkompetenz von Lehrpersonen.................... 33
2.3 Fragestellung der empirischen Untersuchung –
konzeptioneller Rahmen............................................................... 35
2.3.1 Variablen im hypothetischen Pfadmodell............................ 35
2.3.2 Hypothetisches Pfadmodell ................................................ 37
2.3.3 Hypothesen......................................................................... 38
2.3.4 Zweck der Untersuchung und Forschungsfragen ............... 41
3. Einsatz digitaler Medien in Lehrveranstaltungen – eine empirische
Untersuchung ........................................................................................ 42
3.1 Forschungsdesign ........................................................................ 42
3.1.1 Forschungsmethode........................................................... 42
3.1.2 Stichprobe........................................................................... 44
3.2 Erhebungsverfahren ..................................................................... 46
3.2.1 Standardisierter Fragebogen .............................................. 46
3.2.1.1 Persönlicher Hintergrund und Lehrstil.................... 47
3.2.1.2 Einschätzung der eigenen Fähigkeiten bezüglich
des Einsatzes digitaler Arbeitsmittel....................... 49
3.2.1.3 Expertenmeinungen zu digitalen Arbeitsmitteln ..... 50
3.2.1.4 Wahrnehmung des (technischen) Supports........... 52
3.2.1.5 Wahrnehmung bezüglich der Häufigkeit der
Einbindung............................................................. 54
3.2.2 Ablauf der Online-Befragung .............................................. 55
3.3 Auswertungsverfahren ................................................................. 57
3.3.1 Datenimport und Datenbereinigung in SPSS...................... 57
3.3.2 Deskriptive Datenanalyse ................................................... 60
3.3.3 Reliabilitätsanalyse zur Skalenbewertung und
Skalenbildung ..................................................................... 62
3.3.4 Faktorenanalyse ................................................................. 65
3.3.5 Korrelationsanalyse zur Prüfung eines Zusammenhangs... 69

Inhaltsverzeichnis VI
3.3.6 Multiple Regressionsanalyse .............................................. 71
3.3.7 Zentrale Tendenz nicht im Pfadmodell abgebildeter
Variablen ............................................................................ 76
3.3.7.1 t-Test für unabhängige Stichproben....................... 77
3.3.7.2 Einfaktorielle Varianzanalyse (ANOVA) ................. 78
3.4 Untersuchungsergebnisse ........................................................... 82
3.4.1 Abgeschlossene Fragebogen ............................................. 82
3.4.2 Deskriptive Datenanalyse ................................................... 84
3.4.3 Reliabilitätsanalyse und Skalenbildung............................... 87
3.4.4 Explorative Faktorenanalyse............................................... 90
3.4.5 Korrelationsanalyse ............................................................ 93
3.4.6 Multiple Regressionsanalyse .............................................. 95
3.4.6.1 Ergebnisse und Hypothesenbewertung Modell
„Proficiency of Digital Tools“ .................................. 95
„Teachers’ Readiness“........................................... 97
„Teachers’ Beliefs“ ............................................... 100
„Process of Integration“........................................ 103
3.4.7 Geschätztes Pfadmodell................................................... 106
3.4.8 Zentrale Tendenz nicht im Pfadmodell abgebildeter
Variablen .......................................................................... 107
3.4.8.1 t-Test für unabhängige Stichproben..................... 107
3.4.8.2 Einfaktorielle Varianzanalyse (ANOVA) ............... 109
4. Diskussion und Interpretation der Ergebnisse ................................. 115
5. Zusammenfassung und Ausblick....................................................... 128
Anhang A ....................................................................................................... VIII
Anhang B ....................................................................................................... LIII
Literaturverzeichnis ......................................................................................LIV
Ehrenwörtliche Erklärung.........................................................................LXVIII

Abbildungsverzeichnis VII
Abbildungsverzeichnis
Abbildung 1: Vorläufiges Modell zur Nachhaltigkeit von Owston (ins
Deutsche übersetzt) ........................................................................................... 9
Abbildung 2: Zentrale Bedingungsfaktoren der nachhaltigen
Implementierung digitaler Medien in Schulen................................................... 10
Abbildung 3: Medienpädagogik und ihre Teilgebiete...................................... 16
Abbildung 4: Kennzeichen digitaler Medien ................................................... 21
Abbildung 5: Medienkompetenz nach Baacke ............................................... 32
Abbildung 6: Hypothetisches Pfadmodell der empirischen Untersuchung ..... 37
Abbildung 7: Anteil der Lehrpersonen aus den einzelnen Hochschulen an
der verwendeten Stichprobe ............................................................................ 45
Abbildung 8: Aufteilung der „teilweise abgeschlossenen Fragebogen“ nach
Abbruch............................................................................................................ 83
Abbildung 9: Geschätztes Pfadmodell.......................................................... 106

Tabellenverzeichnis VIII
Tabellenverzeichnis
Tabelle 1: Mediengruppen............................................................................... 20
Tabelle 2: Beschreibung der Variablen............................................................ 36
Tabelle 3: Verwendete Stichprobe nach demographischen Eigenschaften
(N = 382) .......................................................................................................... 45
Tabelle 4: Abgeschlossene Fragebogen der Hochschulen ............................. 82
Tabelle 5: Lage- und Streuungsparameter intervallskalierter Variablen .......... 85
Tabelle 6: Lage- und Streuungsparameter intervallskalierter Variablen
(nach Skalenbildung)........................................................................................ 86
Tabelle 7: Cronbachs Alpha-Werte aus der Reliabilitätsanalyse ..................... 87
Tabelle 8: Korrelationskoeffizienten für die Variablenpaare im Pfadmodell..... 93
Tabelle 9: Direkte Einflüsse auf die endogenen Variablen im Pfadmodell
(standardisierte Regressionskoeffizienten) ...................................................... 95

1 Einleitung 1
1. Einleitung
Digitale Medien stellen heutzutage einen bedeutenden Entwicklungsmotor
gesellschaftlicher Veränderungen dar und finden im Zuge der Durchdringung
gesellschaftlicher Bereiche wie Wirtschaft, Kultur und Verwaltung mit neuen In-
formations- und Kommunikationstechniken auch in der Bildungspraxis vermehrt
Anwendung. Es ergeben sich mit der Weiterentwicklung der Informationstechnik
veränderte Möglichkeiten der Gestaltung, Bereitstellung und Nutzung von Inhal-
ten für Lehren und Lernen, d.h. es geht bei den Veränderungen nicht nur um die
Frage der Lerninhalte, sondern auch um die Frage der Lernformen. Durch ver-
änderte Kommunikationsmittel entstehen zudem neue Formen von Lehr- und
Lernprozessen.1
Für die Gestaltung zeitgemäßer Lehr- und Lernformen bieten die Medien vielfäl-
tige Möglichkeiten. Im Kontext der Erfahrungsformen stellen sie einen konstituti-
ven Bestandteil von Lehrveranstaltungen dar, der mit anderen Strukturelementen
wie z.B. Zielvorstellungen, Lernvoraussetzungen, Lernaktivitäten, Sozialformen,
Lehrhandlungen, didaktischem Konzept der Lehrperson usw. abzustimmen ist.
Hieraus ergeben sich verschiedene Konsequenzen: Es ist wichtig, Medienange-
bote in lernförderlicher Weise in Lehr-Lernprozesse einzubinden. Für die Lehr-
person bedeutet dies, sich bereits bei der Konzeption der Lehrveranstaltung zu
fragen, welche Rolle Medien in dem Gesamtkonzept spielen sollen und wie eine
entsprechende Passung herbeigeführt werden kann. Zudem richtet sich der
Fokus auch auf die Gestaltung von Medienangeboten und die Lehrperson hat
die Aufgabe bei Planung einer Lehrveranstaltung Medienangebote im Hinblick
auf ihre lerntheoretischen Grundlagen und ihre didaktischen Implikationen zu
analysieren.2
1
Vgl. Klebl, M. (2006), S. 9
2
Vgl. Tulodziecki, G./Herzig, B./Graf, S. (2010), S. 73

1 Einleitung 2
1.1 Aufgabenstellung
Die Möglichkeiten, Medien in Lehrveranstaltungen einzusetzen, haben sich in
den vergangenen Jahren verändert. Die Computertechnik hielt mit dem techno-
logischen Fortschritt Einzug in die Schulen. In den vergangenen Jahren wurden
national und international verschiedene Anstrengungen unternommen, die Nut-
zung digitaler Medien in Lehrveranstaltungen zu intensivieren. Für die Nutzung
im Unterricht gibt es verschiedene Begründungszusammenhänge. Zu nennen
sind hierbei der Lebensweltbezug, die Vermittlung von Medienkompetenz, die
Verbesserung fachlicher und überfachlicher Kompetenzen, Schaffung von Chan-
cengleichheit, motivierendere und interessantere Unterrichtsgestaltung und die
Vorbereitung auf die Berufswelt.1
Die Integration digitaler Medien in Lehrveranstaltungen ist jedoch nicht nur von
technischen Faktoren abhängig, sondern in erster Linie von den Lehrpersonen.
Sie müssen die neuen Medien einsetzen und in die Lehre integrieren.2
Es gibt
zahlreiche Untersuchungen, die ergeben haben, dass die Integration und Einfüh-
rung neuer Technologien in den Unterricht ein langsamer und komplexer Pro-
zess ist und von verschiedenen Faktoren beeinflusst wird. Dazu zählen bei-
spielsweise demographische Eigenschaften der Lehrperson, Eigenschaften der
Bildungseinrichtung, Kenntnisstand sowie die Bereitschaft und Ansichten der
Lehrperson bezüglich des Einsatzes digitaler Medien in Lehrveranstaltungen.3
Im Rahmen des Projekts „Digital Classroom“, das eine von der EU geförderte
Grundtvig-Lernpartnerschaft ist, soll der Einsatz und die Einbindung digitaler
Medien bzw. Arbeitsmittel in Bildungsangeboten für Erwachsene untersucht wer-
den. Die Projektgruppe ist keine wissenschaftliche Gruppe, sondern lediglich
eine länderübergreifende Lernpartnerschaft, an dem die folgenden Bildungsein-
richtungen beteiligt sind:
• Aberdeen College (Aberdeen/Schottland),
• IOC Institut Obert de Catalunya (Barcelona/Spanien),
• Karamürsel 100.Yil Technical and Vocational Highschool (Kacaeli/Türkei),
1
Vgl. Eickelmann, B. (2010), S. 31f.
2
Vgl. Müller, Ch. (2012), o. S.
3
Vgl. Inan, F. A./Lowther, D. L. (2009), S. 138

1 Einleitung 3
• Kungälv Vuxenutbildning (Kungälv/Schweden),
• Zentrum für angewandte Weiterbildungsforschung – Institut für Ökonomi-
sche Bildung e.V., vertreten durch den Lehrstuhl für Wirtschaftspädagogik
an der WHL Wissenschaftliche Hochschule Lahr (Lahr/Deutschland),
• Molde Voksenopplæringssenter (Molde/Norwegen).
Mit der vorliegenden Arbeit soll die Projektgruppe „Digital Classroom“ zur Errei-
chung ihres Projektziels unterstützt werden.
1.2 Erkenntnisziel und Vorgehen im Überblick
Das Erkenntnisziel der vorliegenden Arbeit ist, die Einflussfaktoren auf die Be-
reitschaft zur Integration digitaler Medien in Lehrveranstaltungen zu analysieren
und zu beurteilen. Hierfür wird ein forschungsgestütztes Pfadmodell mit acht Va-
riablen eingesetzt, um die kausalen Zusammenhänge zwischen den Faktoren zu
erklären. Das Pfadmodell wird anhand einer Stichprobe von 382 Lehrpersonen,
Dozenten und Professoren aus Hochschulen in Deutschland, Schottland, Spa-
nien, Schweden und der Türkei untersucht. Darüber hinaus werden vier weitere
nicht im Pfadmodell abgebildete Faktoren hinsichtlich ihres Einflusses auf die
Integration digitaler Medien analysiert und beurteilt.
In Teil 2 dieser Masterarbeit werden zunächst die Hintergrundinformationen und
der theoretische Bezugsrahmen dargelegt. Im ersten Schritt wird der For-
schungsstand zur Integration digitaler Medien in Lehrveranstaltungen beleuchtet.
Hierbei wird zunächst auf die Bedingungsfaktoren der Integration digitaler Me-
dien und auf die Bedingungsfaktoren für die nachhaltige Integration digitaler
Medien eingegangen. Weiter wird das Pfadmodell als eine nützliche statistische
Methode, um Beziehungen zwischen möglichen Indikatoren und der Integration
von Technologie zu untersuchen, vorgestellt und Studien mit Pfadmodellen
aufgezeigt. Im zweiten Schritt werden theoretische Bezugspunkte erläutert. Zu-
nächst wird hierbei die Medienpädagogik als eigenständige Fachrichtung inner-
halb der Pädagogik dargestellt. Weiter wird der Medienbegriff definiert und Digi-
tale Medien in Bildungsprozessen vorgestellt. Darüber hinaus wird der Mehrwert
digitaler Medien hinsichtlich pädagogischer und lernförderlicher Potenziale und
im Bereich der Hochschule dargelegt. Ferner wird die Medienkompetenz nach

1 Einleitung 4
Baake sowie die Medienkompetenz von Lehrpersonen erläutert. Im dritten Schritt
wird die Fragestellung der empirischen Untersuchung dargelegt. Dabei werden
die Variablen im hypothetischen Pfadmodell, das hypothetische Pfadmodell so-
wie die Hypothesen der Untersuchung aufgezeigt. Schließlich werden der Zweck
der Untersuchung und die Forschungsfragen vorgestellt.
In Teil 3 wird der Einsatz digitaler Medien in Lehrveranstaltungen empirisch un-
tersucht. Zuerst wird das Forschungsdesign aufgezeigt. Es befasst sich mit der
Forschungsmethode und der Stichprobe der Untersuchung. Im zweiten Schritt
wird das Erhebungsverfahren beleuchtet. Dabei wird zunächst auf den standar-
disierten Fragebogen und die fünf Fragebogen-Abschnitte eingegangen. Weiter
wird der Ablauf der Online-Befagung beschrieben. Im dritten Schritt werden die
eingesetzten Auswertungsverfahren ausführlich dargestellt. Die Auswertungs-
verfahren umfassen den Datenimport und Datenbereinigung in SPSS, die de-
skriptive Datenanalyse, die Reliabilitätsanalyse zur Skalenbewertung und
Skalenbildung, die Faktorenanalyse, die Korrelationsanalyse zur Prüfung eines
Zusammenhangs, die multiple Regressionsanalyse sowie die Zentrale Tendenz
nicht im Pfadmodell abgebildeter Variablen. Im vierten Schritt werden die Unter-
suchungsergebnisse detailliert aufgezeigt. Hierbei werden die abgeschlossenen
Fragebogen dargestellt sowie die Ergebnisse zur deskriptiven Datenanalye, zur
Reliabilitätsanalyse mit Skalenbildung, zur explorativen Faktorenanalyse, zur
Korrelationsanalyse sowie die Ergebnisse von vier Regressionsmodellen darge-
legt. Neben der Hypothesenbewertung wird mit den Ergebnissen der empiri-
schen Untersuchung ein geschätztes Pfadmodell aufgestellt. Weiter werden die
Ergebnisse des t-Testes für unabhängige Stichproben und die einfaktorielle
Varianzanalye für nicht im Pfadmodell abgebildete Variable aufgezeigt.
Schließlich werden in Teil 4 die Ergebnisse der empirischen Studie ausführlich
diskutiert und interpretiert sowie Grenzen der Studie aufgezeigt, und in Teil 5 ein
Ausblick für zukünftige Forschungen gegeben.

2 Hintergrundinformationen und theoretischer Bezugsrahmen 5
2. Hintergrundinformationen und theoretischer
Bezugsrahmen
2.1 Forschungsstand zur Integration digitaler Medien
Die Untersuchung von Schulentwicklungs- und Integrationsprozessen mit digita-
len Medien in Schulen bzw. Bildungseinrichtungen umfasst die Erforschung der
folgenden Bedingungsfaktoren:1
• Bedingungsfaktoren zur Implementierung von Innovationen in Schulen
• Bedingungsfaktoren der Einführung von digitalen Medien in Schulen
• Unterrichtsbezogene Kooperationsentwicklung mit digitalen Medien
• Bedingungsfaktoren zur nachhaltigen Implementierung von digitalen Me-
dien in den Unterricht
Die Bedingungsfaktoren zur Implementierung von Innovationen in Schulen be-
ziehen sich auf allgemeine schulische Veränderungsprozesse bzw. auf Innovati-
onsprozesse in anderen öffentlichen Institutionen.2
Der Fokus des betrachteten
Forschungsstandes im Rahmen dieser Masterarbeit liegt auf den Bedingungs-
faktoren der Einführung sowie der nachhaltigen Implementierung von digitalen
Medien, die im Folgenden näher beleuchtet werden.
2.1.1 Bedingungsfaktoren der Integration digitaler Medien
Verfolgt man die spezifischen schulischen Innovationen mit digitalen Medien, so
findet man nationale und internationale Befunde zu Bedingungsfaktoren der
Integration von digitalen Medien vorwiegend in der Anfangsphase der Implemen-
tierung. In Deutschland liegt dies darin begründet, dass Multimedia fähige
Computer und die Internetanbindung der Schulen erst Ende der 1990er Jahre
Einzug gehalten haben. Im Kern zielt die Einführung digitaler Medien auf eine
1
Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 4
2
Vgl. Eickelmann, B. (2010), S. 27

Qualitätsverbesserung von Unterricht und Schule und die Entwicklung einer
neuen Lernkultur.1
Bislang wurden verschiedene nationale und internationale Studien durchgeführt,
die Befunde zu den Gelingensbedingungen des Implementationsprozesses von
digitalen Medien ausweisen. Die Erhebung von Bedingungsfaktoren im deutsch-
sprachigen Raum ist erstmals mit der Computerkoordinatorenbefragung im
Rahmen der Evaluation „Schulen ans Netz“ im Jahr 1998 erhoben worden. Die
Literatur weist in Bezug auf die Erforschung der Gelingensbedingungen der Imp-
lementierung digitaler Medien in Schulen verschiedene Ansätze zur Systemati-
sierung der Bedingungsfaktoren aus.2
Betrachtet man die in verschiedenen
Studien ausgewiesenen Begründungen für die geringe Verbreitung der Nutzung
von digitalen Medien im Unterricht, lässt sich feststellen, dass die von Lehrper-
sonen, Schulleitungen und Computerkoordinatoren hauptsächlich angeführten
Barrieren bzw. Hemmnisse in den ersten Phasen der Implementierung materiel-
len und immateriellen Ursprungs sind.3
Im Folgenden werden die wesentlichen
Faktoren aufgezeigt.
2.1.1.1 Materielle hemmende Faktoren
Bei der Integration von Computern im Unterricht sind die Anzahl und die Aktuali-
tät der vorhandenen Computer sowie die Verfügbarkeit von Peripheriegeräten,
Software und Internetanschlüssen oftmals Hindernisse.4
Der Ausstattungs-
schlüssel selbst sagt nichts über die didaktische Einbindung aus, jedoch resul-
tiert aus einer internationalen Benchmarking-Studie „IT in Schulregionen“ die
Empfehlung eines Schüler-Computer-Verhältnisses von mindestens 6:1. Dieses
Ausstattungsmaß ermöglicht erst eine Integration neuer Medien in den täglichen
Unterricht, so dass die Potenziale der Informations- und Kommunikations-
Technologien im Unterricht auch genutzt werden können.5
1
Vgl. Eickelmann, B. (2010), S. 55
2
Vgl. Weinreich, F./Schulz-Zander, R. (2000), S. 577ff.
3
4
Vgl. ebenda, S. 6
5

2.1.1.2 Immaterielle hemmende Faktoren
Unter den immateriellen hemmenden Faktoren lassen sich schulorganisatorische
Gründe und Lehrervariablen einordnen.
Auf der Ebene der schulorganisatorischen Determinanten stellt sich die Unter-
stützung durch die Schulleitung als wesentlicher Prädiktor heraus.1
Als zentralen
Faktor für die erfolgreiche Integration der Computer in den Unterricht identifizie-
ren Scholl und Prasse (2001) die Übernahme einer Promotorenfunktion durch
die Schulleitung.2
Für innovationsbereite Lehrer kann diese unterstützende
Bedingungen schaffen, die die Einbindung des Computers erleichtern. Die mit
dem Computereinsatz verbundenen Ziele und Konzepte sollten dabei mit dem
Kollegium abgestimmt werden.3
Die fehlende professionelle Betreuung der technischen Systeme und die zeitli-
che Belastung IT-kompetenter Lehrpersonen haben sich als bedeutende Hemm-
faktoren herausgestellt.4
Die fehlende technische Unterstützung, die fehlende
Unterstützung bei der Administration der Systeme sowie das Vorhandensein
bzw. Fehlen eines technischen Koordinators sind ebenso anzuführen.5
Vor allem
in der Anfangsphase der Implementierung ist die Zuverlässigkeit der Technik
ausschlaggebend. Computer werden von Lehrpersonen hauptsächlich dann ein-
gesetzt, wenn sie sich in die Unterrichtsroutine der Lehrpersonen integrieren las-
sen. Die Lehrpersonen müssen einen Mehrwert erkennen und fortgeschrittene
Anwendungskenntnisse haben.6
Diese Faktoren fördern positive Einstellungen
und Nutzungsabsichten der Lehrpersonen gegenüber digitalen Medien.7
Ein Mangel an Computerwissen und computerbezogenen Fertigkeiten, fehlende
pädagogische Konzepte und fehlende Zeit zur Vorbereitung sind die wesentli-
chen Hindernisse auf der Ebene von Lehrervariablen wie Untersuchungen von
Weinreich und Schulz-Zander (2000) sowie Hunneshagen (2005) bestätigen. Die
1
2
Vgl. Scholl, W./Prasse, D. (2001), S. 21ff.
3
Vgl. Breiter, A.(2001), o. S.
4
5
6
Vgl. Venezky, R./Davis, C. (2002), o. S.
7
Vgl. Teo, T. (2009), S. 302ff.

Grundhaltung der Lehrpersonen stellt kein Hindernis mehr dar; Lehrpersonen
vertreten zunehmend die Auffassung, dass Kenntnisse der digitalen Medien und
deren Einsatz im Unterricht wichtig sind und die es gilt, weiter auszubauen. Laut
UNESCO gibt es zu wenig ausgebildete Lehrpersonen, um Informations- und
Kommunikationstechnologien gewinnbringend in den Unterricht einzubinden.
Dies bedeutet, dass Qualifizierungsmöglichkeiten für Lehrpersonen im Hinblick
auf die didaktisch-pädagogische und medienkompetenzbezogene Professionali-
sierung zur Verfügung gestellt werden müssen.1
Aus Sicht der Organisation spie-
len zudem mangelnde Innovationsbereitwilligkeit bzw. Widerstände gegenüber
Veränderungen eine bedeutende Rolle.2
Auch sind Defizite im Bereich des
„personal change managements“ anzuführen. Ein möglicher Kontroll- und Autori-
tätsverlust wird ebenso befürchtet.3
Die Kooperationsentwicklung mit digitalen Medien für die Schulentwicklung wird
als besonders relevant eingestuft laut Untersuchungen von Lindau-Bank und
Magenheim (1998) und Hunneshagen (2005). Sie wird von Schulz-Zander
(2001) als eigenständige Dimension neben der Organisationsentwicklung,
Personalentwicklung, Unterrichtsentwicklung und Technologieentwicklung aus-
gewiesen.4
Neben der unterstützenden Schulleitung halten Weinreich und
Schulz-Zander (2000) die Existenz eines an der Schule eingesetzten Projekt-
teams für einen bedeutsamen Garant für die Zufriedenheit der Lehrpersonen,
welche die Computer an Schulen betreuen.5
Die Isoliertheit einzelner aktiver
Lehrpersonen und die Konzentration der Computerkompetenz auf einen zentra-
len Promotor erweisen sich als störend für die Verbreitung der Computernutzung
im Unterricht.6
1
2
Vgl. Snoeying, R./Ertmer, P. A. (2001), S. 85ff.
3
Vgl. Hunneshagen, H./Schulz-Zander, R./Weinreich, F. (2000), S. 55ff.
4
Vgl. Schulz-Zander, R. (2001), S. 263ff.
5
6
Vgl. Hunneshagen, H. (2005), o. S.

2.1.2 Bedingungsfaktoren für die nachhaltige Integration digitaler Medien
Die Bedingungsfaktoren für die Anfangsphase der Implementierung digitaler
Medien wurden vielfach empirisch untersucht. Die Frage nach der Nachhaltigkeit
der Implementierung digitaler Medien in Schulen wurde erstmals in der qualitativ
ausgerichteten IEA-Studie (International Association for Evaluation of Educatio-
nal Achievement) SITES M2 (Second Information Technology in Education
Study, Modul 2, 1999-2002) als eigenständige Forschungsfrage formuliert. Der
Beobachtungszeitraum der Innovationen hat allerdings keine abschließende
Formulierung über Bedingungsfaktoren zugelassen; lediglich erste Anhaltspunk-
te konnten zusammengeführt werden. Auf der Grundlage von 59 der insgesamt
174 internationalen Fallstudien wurde ein erstes Determinanten-Modell gebildet,
welches aufgrund des angesetzten Zeitrahmens und der fehlenden Distanz zur
Einführungsphase der untersuchten Innovationen als vorläufig betrachtet wird.1
Es ist in der folgenden Abbildung 1 dargestellt:
Abbildung 1: Vorläufiges Modell zur Nachhaltigkeit von Owston (ins Deutsche übersetzt)
2
Dieses Modell von Owston dient zunächst als Ausgangspunkt für weitere For-
schungen. Es weist notwendige und förderliche Bedingungen für eine nachhalti-
ge Implementierung von digitalen Medien in Schulen aus. Zu den notwendigen
Bedingungen zählt, dass die Lehrperson die Innovation mit Engagement und
Einsatz unterstützt. Für die Lehrperson muss der Mehrwert der Innovation er-
kennbar sein, etwa eine Verbesserung der Motivation, der Lernbereitwilligkeit
1
2
Entnommen aus: Schulz-Zander, R./Eickelmann, B. (2008), S. 10

oder der Leistung der Lernenden. Auch die Professionalisierung der Lehrperson
sowie die administrative Unterstützung durch Schulleitung, Fachleiter, Schulträ-
ger etc. gehören zu den notwendigen Faktoren. Zu den förderlichen Bedingun-
gen zählen sowohl die schulinterne Unterstützung der Lehrperson als auch die
Unterstützung durch externe Partner. Die Promotoren der Innovation in der
Schule („innovation champion“), d.h. die engagierten Lehrpersonen der An-
fangsphase, und die Bereitstellung von Finanzmitteln können die nachhaltige
Implementierung ebenfalls fördern. Eine wichtige Rolle für die nachhaltige Imp-
lementierung der digitalen Medien spielen auch (bildungs-)politische Fürsprecher
der Innovation sowie die Einbettung der Innovation in ein bildungspolitisches
Gesamtkonzept.1
Eickelmann (2010) hat fünf Jahre nach dem Erhebungszeitraum der SITES M2
eine Folgeuntersuchung vorgenommen. Auf der Grundlage der qualitativen und
quantitativen Daten ist ein Determinanten-Modell entwickelt worden, das die
zentralen Bedingungsfaktoren für die nachhaltige Implementierung digitaler
Medien in Schulen abbildet. Diese sind in der folgenden Abbildung 2 dargestellt.
Abbildung 2: Zentrale Bedingungsfaktoren der nachhaltigen Implementierung digitaler Medien in
Schulen
2
1
Vgl. Schulz-Zander, R./Eickelmann, B. (2008), S. 9f.
2
Entnommen aus: Eickelmann, B. (2010), S. 276

Darüber hinaus wird die Bandbreite von Prädiktoren, d.h. hemmende und för-
dernde Bedingungsfaktoren, zusammengefasst. Hierbei werden vier schulische
Ebenen unterschieden: Kontextebene, Inputebene, Prozessebene Schule und
Prozessebene Unterricht. Diese Oberkategorien werden in Subkategorien unter-
gliedert, die in der Anlage A1 ersichtlich sind.
Die identifizierten Hemmfaktoren sind, differenziert nach den schulischen Ebe-
nen, tabellarisch in Anlage A2 dargestellt. Betrachtet man die einzelnen Hinde-
rungsgründe, so ergeben sich aus den Analysen Ebenen übergreifende Zusam-
menhänge, auf die im Detail hier nicht näher eingegangen werden soll. Es soll
lediglich darauf hingewiesen werden, dass es eine Wirkungsrichtung von „links“
nach „rechts“ gibt: Faktoren der Kontextebene wirken auf die Input- und Prozess-
ebenen, Faktoren der Inputebene auf die beiden Prozessebenen und Faktoren
der Prozessebene Schule auf die Prozessebene Unterricht. Anlage A3 stellt die
identifizierten förderlichen Bedingungsfaktoren tabellarisch dar.1
In den vorangegangenen Kapiteln wurde ein Überblick an möglichen Einfluss-
faktoren auf die Implementierung bzw. Integration digitaler Medien gegeben.
Betrachtet man die Ergebnisse von Eickelmann, so sind für den Bereich der
Lehrpersonen und deren Bereitschaft, digitale Medien in Lehrveranstaltungen
einzusetzen, vor allem die Bedingungsfaktoren auf der Inputebene von Bedeu-
tung. Für die Inputebene der hemmenden Faktoren findet man solche, die sich
auf die IT-Ausstattung, fehlende personelle Ausstattungen mit Systemadminist-
ratoren und Lehrervariablen wie technische und (medien-)didaktische Kenntnis-
se und Kompetenzen der Lehrpersonen, Vorbehalte und Hemmungen der Lehr-
personen, fehlende Bereitschaft von Lehrpersonen und Arbeitsbelastung bezie-
hen (vgl. Anlage A2). Wie die hemmenden beziehen sich auch die förderlichen
Faktoren auf die IT-Ausstattung, den First-Level-Support durch Fachkräfte, Leh-
rervariablen, schulformspezifische Bedingungen und zeitliche Aspekte (vgl. An-
lage A3). Ausgehend von der Vielzahl an Einflussfaktoren zur Implementierung
bzw. Integration digitaler Medien stellt sich die Frage, wie diese Faktoren auf
ihren Zusammenhang untersucht werden können. Eine im Rahmen dieser Arbeit
relevante Methode wird nachfolgend vorgestellt.
1
Vgl. Eickelmann, B. (2010), S. 279ff.

2.1.3 Pfadmodelle zur Untersuchung der Integration von Technologie
Betrachtet man die Komplexität von Faktoren, die die Integration von Technolo-
gien in Bildungseinrichtungen beeinflussen, so stellt das Pfadmodell eine nützli-
che statistische Methode dar, um Beziehungen zwischen möglichen Indikatoren
und der Integration von Technologie zu untersuchen.
2.1.3.1 Was sind Pfadmodelle?
Die Pfadanalyse gehört zu den Strukturgleichungsmodellen und ist zurückzufüh-
ren auf den Genetiker Sewell Wright, der versucht hat, die Einflüsse größerer
Variablensysteme mit Hilfe linearer Gleichungssysteme zu untersuchen. Wright
ging es darum, gerichtete Beziehungen zwischen Variablen zu spezifizieren und
die Effektstärke der unabhängigen Variablen (Ursachen) auf die abhängigen
Variablen (Wirkungen) zu ermitteln. Die Analyse dieser gerichteten Modelle be-
zeichnet man als Pfadanalyse. In der Pfadanalyse geht es in erster Linie nicht
darum, Effekte zwischen den Variablen als kausale Einflüsse zu bestimmen,
sondern theoretisch abgeleitete Hypothesen anhand von Zusammenhangsgrö-
ßen (Kovarianzen oder Korrelationen) empirisch zu überprüfen.1
Die Pfadanalyse beginnt mit einem theoriegebundenen Ansatz, der sich aus der
Erstellung eines eindeutig ausgearbeiteten Strukturmodells (Pfad-Diagramm),
das eine bildliche Darstellung der Beziehungen zwischen den Variablen liefert,
ergibt. In Pfadmodellen geben Pfeile die hypothetischen Pfade und die Richtung
der Einflüsse zwischen den zwei Variablentypen – endogene und exogene Vari-
able – an.2
Exogene Variable bezeichnen in der Statistik Faktoren, aus deren
Ausprägung in einem Kausal- oder Strukturgleichungsmodell die Ausprägung
einer endogenen Variable erklärt oder vorhergesagt werden soll.3
Exogene Vari-
able haben keine von anderen Variablen des Pfadmodells zu ihnen bzw. auf sie
gerichtete Pfeile und der Wert der exogenen Variablen wird nicht von den ande-
ren Variablen erklärt, d.h. keine andere Variable wirkt auf sie ein. Im Gegensatz
dazu sind auf eine endogene Variable mehrere Pfeile gerichtet und ihr Wert wird
1
Vgl. Reinecke, J. (2005), S. 45
2
3
Vgl. Wikipedia (2012a), o. S.

von einer oder mehreren der anderen Variablen erklärt.1
Endogene Variable sind
solche Faktoren, deren Ausprägung in einem Kausal- oder Strukturgleichungs-
modell erklärt oder vorhergesagt werden soll.2
Ferner können endogene Variable
sowohl abhängige als auch unabhängige Variable sein.
Die Berechnung von Pfadschätzungen liefert den Grad und die Richtung der
Effekte, die vorausgesetzt werden, um zwischen den Variablen zu bestehen.
Das Verfahren bringt drei Arten von Effekten hervor: direkt, indirekt und total. Ein
direkter Effekt gibt die Beziehung zwischen zwei Variablen ohne Mediations-
variable an. Der direkte kausale Effekt wird durch den standardisierten Regres-
sionskoeffizienten (Beta) wiedergegeben. Ein indirekter Effekt gibt den Effekt
einer unabhängigen Variablen auf eine abhängige Variable durch ein oder
mehrere Mediationsvariable an. Indirekte Effekte werden durch die Summe der
Produkte der direkten Effekte durch die intervenierenden Variablen im Modell
berechnet. Der totale Effekt ist einfach die Summe aus den direkten und indirek-
ten Effekten.3
2.1.3.2 Studien mit Pfadmodellen
Bislang gibt es nur wenige Studien, die Einflussfaktoren auf die Integration von
Technologie mithilfe eines Pfadmodells untersucht haben.4
Vier Studien sollen
hierzu im Folgenden kurz aufgezeigt werden.
Mathews und Guarino (2000) haben ein Pfadmodell entwickelt, in dem sie
versuchten, die Computernutzung als eine Funktion vor dem Hintergrund des
Lehrers und dessen demographischen Eigenschaften zu erklären. Die Eigen-
schaften des Lehrers beinhalteten den akademischen Grad, das Geschlecht, die
Computer-Kenntnisse, die Anzahl Computer im Unterricht, Schulniveau und
langjährige Erfahrung. In der Studie wurden rund 3.000 Lehrer in Idaho, USA,
befragt mit dem Resultat, dass Geschlecht, langjährige Erfahrung, Anzahl Com-
puter im Unterricht und Computer-Kenntnisse einen direkten Einfluss auf die
1
2
Vgl. Wikipedia (2012b), o. S.
3
Vgl. Inan F. A./Lowther, D. L. (2009), S. 139
4
Vgl. ebenda, S. 139

Computernutzung und langjährige Erfahrung einen direkten Einfluss auf die
Computer-Kenntnisse haben.1
Mathews und Guarino (2000) fanden auch her-
aus, dass Lehrer mit langjähriger Erfahrung dazu neigen, Computer weniger
häufig einzusetzen.2
Das Pfadmodell von Van Braak, Tondeur und Valcke (2004) erklärt die unter-
schiedlichen Arten von Computernutzung durch die Untersuchung von demogra-
phischen Eigenschaften, Computer-Erfahrung und Einstellungen von Lehrern. In
dieser Untersuchung wurden 486 Grundschullehrer befragt. Es wurde festge-
stellt, dass einige lehrerbezogene Faktoren wie Einstellungen gegenüber Com-
putern und Computer-Training den stärksten direkten Einfluss auf die Computer-
nutzung im Klassenzimmer haben. Zudem wurde in Erfahrung gebracht, dass
das Alter und vorherige Computer-Erfahrungen einen indirekten Einfluss auf die
Computernutzung im Unterricht haben. Die Studie versuchte erstmals zu erklä-
ren, wie die Faktoren die unterschiedlichen Arten der Computernutzung beein-
flussen. Die Variablen im Pfadmodell waren jedoch zu begrenzt, um hier ein
plausibles Forschungsergebnis zu erzielen.3
Robinson (2003) hat ein Pfadmodell eingesetzt, das die Beziehungen zwischen
demographischen Eigenschaften von Lehrern, Computer-Kenntnissen, externen
Unterstützungsvariablen, Auffassungen von Lehrern gegenüber der Computer-
nutzung und Selbsteinschätzung der Computernutzung an fünf Schulen in Michi-
gan, USA, untersuchte. Die lehrerbezogenen Eigenschaften waren Geschlecht,
Alter, Lehrniveau, Jahre des Lehrens, Unterrichtsfächer, Computer-Erfahrung
und vorheriges Technologie-Training. Zu den schulbezogenen Eigenschaften
gehörten die notwendige Software auf den Computern an der Schule sowie an-
gemessene technische und administrative Unterstützung. Die Studie ergab, dass
die Computernutzung für Verbesserungsaktivitäten und Computer-Kenntnisse
von Lehrern signifikante Einflussgrößen innerhalb des Pfadmodells waren. Das
Modell von Robinson zeigt, dass Computer-Kenntnisse eine Mediationsvariable
darstellen und von den demographischen Eigenschaften und den externen Un-
1
Vgl. Inan F.A./Lowther, D. L. (2009), S. 139
2
Vgl. Mathews, J. G./Guarino, A. (2000), S. 385
3

terstützungsvariabeln wie administrative Unterstützung und der Verfügbarkeit der
Software indirekt auf die Computernutzung vermittelt.1
Schließlich haben Inan und Lowther (2009) ein Pfadmodell entwickelt, das die
direkten und indirekten Einflüsse von lehrerbezogenen Eigenschaften und Um-
feldfaktoren auf die Integration von Technologie in Lehrveranstaltungen prüft.
Die Untersuchung wurde mit 1.382 Lehrern an öffentlichen Schulen in Tennes-
see, USA, vorgenommen. Die Forschungsergebnisse lieferten einen signifikan-
ten Beweis dafür, dass das entwickelte Modell nützlich ist in Bezug auf die Ein-
flussfaktoren auf die Integration von Technologie und den Beziehungen zwi-
schen den Einflussfaktoren.
Die Studie ergab, dass demographische Eigenschaften, wie Alter und Jahre des
Lehrens, einen negativen Einfluss auf Computer-Kenntnisse haben und die In-
tegration von Technologien somit indirekt beeinflussen. Die Eigenschaften der
Bildungseinrichtung, wie technische und administrative Unterstützung sowie die
Verfügbarkeit von Computern, hingegen haben einen positiven Einfluss auf
Computer-Kenntnisse. Sie beeinflussen zudem die Bereitschaft (Teachers’
Readiness) und Ansichten (Teachers’ Beliefs) der Lehrpersonen positiv.
Sowohl „Teachers’ Readiness“ als auch „Teachers’ Beliefs“ wirken sich positiv
auf die Integration von Technologien aus. Beide Faktoren vermitteln als Media-
torvariable zwischen den demographischen Eigenschaften und den Eigenschaf-
ten der Bildungseinrichtung einerseits und der Integration von Technologien an-
dererseits. Das Modell zeigt weiter auf, dass neben „Teachers’ Readiness“ und
„Teachers’ Beliefs“ auch Computer-Kenntnisse eine Mediationsvariable darstel-
len. Diese nimmt allerdings keinen direkten, sondern lediglich einen indirekten
Einfluss über „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf die Integration
von Technologien im Pfadmodell.2
Die Forschungsergebnisse des Pfadmodells von Inan und Lowther (2009) sind in
der Anlage A4 abgebildet; sie bilden den Ausgangspunkt dieser Arbeit.
1
2
Vgl. ebenda, S. 137ff.

2.2 Theoretische Bezugspunkte
2.2.1 Medienpädagogik
Digitale Bildungsangebote haben sich mittlerweile als fester Bestandteil in der
Medienlandschaft der Erwachsenen- und Weiterbildung etabliert. Eine entschei-
dende Rolle kommt hierbei der gezielten Gestaltung und Verwendung von
digitalen Medien zu, um Lernprozesse effektiv und nachhaltig zu fördern.1
Als
wissenschaftliche Disziplin beschäftigt sich die Medienpädagogik mit allen erzie-
herischen Fragen, Problemen und Themen, die mit Medien zusammenhängen.
Im weiteren Sinne versteht man unter Medienpädagogik die sowohl pädagogisch
orientierte praktische als auch theoretische Beschäftigung mit den Medien; sie
wird als eigenständige Fachrichtung innerhalb der Pädagogik aufgefasst.2
Zur
Medienpädagogik zählen die Mediendidaktik, die Medienerziehung sowie die
informationstechnische Bildung:
Abbildung 3: Medienpädagogik und ihre Teilgebiete
3
Die Mediendidaktik befasst sich mit der Erziehung durch Medien, d.h. mit den
Funktionen, der Auswahl, dem Einsatz, der Entwicklung, Herstellung und Gestal-
tung sowie den Wirkungen von Medien in Lehr- und Lernprozessen. Das Ziel der
Mediendidaktik ist die Optimierung dieser Prozesse mithilfe von Medien.4
Typische Fragen, mit denen sich die Mediendidaktik beschäftigt sind: „Welche
Medien eignen sich für die Erreichung bestimmter pädagogisch gerechtfertigter
Zielvorstellungen? Welche Funktionen können konkrete Medien im Bildungs-
1
Vgl. Glaser, M./Weigand, S./Schwan, S. (2009), S. 190
2
Vgl. Wikipedia (2012c), o. S.
3
Entnommen aus: Glaser, M./Weigand, S./Schwan, S. (2009), S. 191
4
Vgl. de Witt, C./Czerwionka, T. (2007), S. 32

prozess übernehmen? Wie können Medien als Werkzeuge in Lehr- und Lern-
situationen von Lernenden genutzt werden?“1
Um diese Fragen beantworten zu
können, ist es notwendig, die Lernwirksamkeit von Medien bzw. Medien-
merkmalen zu erforschen und darüber hinaus Theorien zum Lernen mit Medien
zu entwickeln.2
Die Medienerziehung thematisiert die Hinführung des Lernenden zu einem
kompetenten Umgang mit Medien im Sinne einer kritischen und bewussten
Mediennutzung, d.h. sie zielt auf den reflektierten Medienkonsum und kritischen
Umgang mit Medienangeboten ab.3
Fragen der Medienerziehung sind: Welche
bildungsrelevanten Ziele bezüglich Medien sollen angestrebt werden? Wie
können diese Ziele in erzieherischen Kontexten erreicht werden?4
Die Mediendidaktik und Medienerziehung stehen in engem Bezug zum dritten
Teilgebiet, der informations-, medien- oder kommunikationstechnischen Bildung,
die die Vermittlung von Basisqualifikationen für mediendidaktisches und medien-
erzieherisches Handeln zum Gegenstand hat. Die informationstechnische
Bildung unterstützt den Aufbau von Medienkompetenz und Medienwissen, um
die aktive Teilhabe von Menschen in der Medien- und Wissensgesellschaft zu
ermöglichen.5
2.2.2 Zum Begriff Medium bzw. Medien
Es handelt sich beim Medienbegriff um einen ausgesprochen vielseitig verwen-
deten Begriff, der je nach Zielsetzung und Begründungszusammenhang unter-
schiedlich konkretisiert wird. Eine einheitliche Begriffsbestimmung lässt sich für
den Begriff Medium bzw. Medien nicht finden.6
Mindestens zwei Grundbedeu-
tungen des Begriffs „Medium“ sind jedoch festzuhalten: Zum einen sind Medien
Vermittler, als Dinge, Instrumente oder Symbolsysteme, die zwischen Mensch
und Welt vermitteln. Diese Dinge, Instrumente oder Symbolsysteme haben zum
1
Glaser, M./Weigand, S./Schwan, S. (2009),S. 190f.
2
Vgl. Dörr, G. (2009), S. 208
3
4
Vgl. Dörr, G. (2009), S. 208
5
6
Vgl. Lermen, M. (2008), S. 214

anderen immer den Charakter der Öffentlichkeit, d.h. sie sind Gemeingut und für
alle zugänglich; sie haben somit eine soziale Funktion.
In der ersten Bedeutung werden Medien als Informationsvermittler verstanden.
Sie erfüllen einerseits eine vermittelnde Funktion zwischen Menschen und
Wissen und andererseits können sie als Mittel der Kommunikation zwischen
Menschen verstanden werden. Ein Medium ist in dieser Bedeutung ein Träger
oder Mittler von Information, welcher Kommunikation ermöglicht.1
Im engen
Sinne kann dementsprechend von Medien als Hilfsmittel in organisierten Lehr-
und Lernprozessen gesprochen werden. Für einen pädagogisch sinnvollen
Einsatz von Medien ist es erforderlich, die Medien in der „Doppelfunktion als
Lehr- und Lernmittel“ zu betrachten.2
In der zweiten Bedeutung sind Medien Repräsentationen der Welt für Menschen,
und zwar öffentlich, d.h. allgemein zugänglich und verständlich. Dabei sind
Medien immer von Menschen. Aus der Öffentlichkeit von Medien folgt die
„Objektivierung pädagogischer Handlungen“. Mediale Lern-angebote sind zeitu-
nabhängig und ortsunabhängig. Ebenso ist die Qualität von in Medien repräsen-
tierten objektivierten Lehrhandlungen unabhängig von einzelnen Lehrpersonen
gleichbleibend.3
In der Literatur wird häufig mit mehrfachen Medienbegriffen operiert, die genauer
differenziert werden können:4
• Medien als konventionalisierte Kommunikationsmittel:
Dieser Medienbegriff beschreibt die Symbolsysteme, mit denen Information
vermittelt wird. Das sind im umfassenden Sinn alle Objekte, die als Zeichen
dienen können. Als Beispiele können die Beschilderung im Straßenverkehr
oder grafische Benutzungsoberflächen für technische Systeme genannt
werden.
1
Vgl. Klebl, M. (2006), S. 84
2
Vgl. Lermen, M. (2008), S. 215
3
Vgl. Klebl, M. (2006), S. 84
4
Vgl. ebenda, S. 84f.

• Medien als Medienangebot:
Dieser Medienbegriff beschreibt das einzelne Resultat der Verwendung von
Kommunikationsmitteln, d.h. ein einzelnes, konkretes Produkt innerhalb eines
Symbolsystems. Das kann eine einzelne Fernsehsendung oder ein einzelner
Text sein.
• Medien als Geräte und Technik (Mediensystem):
Dieser Medienbegriff beschreibt Materialien und Werkzeuge, die zur Erstel-
lung und Verbreitung von Medienangeboten eingesetzt werden, einschließlich
der Endgeräte bzw. Trägermedien, die für die Nutzung eines Medienangebots
notwendig sind. Für digitale Medien, die auf Rechnertechnik aufbauen, kann
eine spezifische Kombination aus physischer Rechnertechnik, Betriebssys-
tem, Netzwerktechnik und Programmwerkzeugen als ein komplexes Medien-
system betrachtet werden. Digitale Medien unterliegen immer einer sich ge-
genseitig ergänzenden Funktionalität von Hard- und Software.1
• Medien als Organisation:
Dieser Medienbegriff umfasst alle Unternehmen und Institutionen, die die Er-
stellung und Verbreitung von Medienangeboten zur Aufgabe oder zum Zweck
haben. Dazu zählen z.B. Rundfunkanstalten und Verlagshäuser.
Entscheidend für die vorliegende Masterarbeit ist hauptsächlich das Mediensys-
tem. Das Mediensystem steht in engem Zusammenhang mit Medienangeboten.
Die konzeptionelle wie technische Unterscheidung der Medienangebote vom
Mediensystem, d.h. von einem technischen Lernsystem, das die Medienangebo-
te verwaltet und den Beteiligten am Lehr-/Lernprozess durch ein Lern-
Dialogsystem zugänglich macht, ermöglicht Austausch und Verwendung von
digitalen Bildungsmedien. Medienangebote sind einzelne Lehr-/Lerneinheiten für
mediengestützte Bildungsprozesse, d.h. einzelne konkrete Inhalte zur Verwen-
dung in Lehr-/Lernprozessen. Die Trennung von Mediensystem und Medien-
angebot entspricht letztendlich der Trennung von Lernsystem und Lerninhalt.2
1
Vgl. Schwier, B. (2008), S. 2
2
Vgl. Klebl, M. (2006), S. 85

Hinsichtlich des Technikeinsatzes kann zwischen vier Mediengruppen unter-
schieden werden, die in der folgenden Tabelle 1 aufgeführt sind:
Kategorie Beispiele
Primärmedien (Menschmedien) Theater, Hofnarr, Erzähler, Priester, Spielleute
Sekundärmedien (Druckmedien) Brief, Tafel, Zeitung, Zeitschrift, Flugblatt, Buch,
Plakat, Heft
Tertiärmedien (Elektronische Medien) Hörfunk, Tonträger, Film, Video, Fernsehen, Telefon
Quartärmedien (Digitale Medien) Computer, E-Mail, Intranet, World Wide Web
Tabelle 1: Mediengruppen
1
Die Trennung in die einzelnen Mediengruppen ist nicht immer eindeutig. Die
Gruppierungen sind jedoch weit verbreitet, und es lassen sich einige Gemein-
samkeiten in den einzelnen Gruppen erkennen.2
Im Rahmen dieser Masterarbeit
sind die digitalen Medien von Bedeutung, die in den folgenden Kapiteln näher
betrachtet werden.
2.2.3 Digitale Medien in Bildungsprozessen
2.2.3.1 Digitale Medien und digitale Arbeitsmittel
Die Einführung eines jeden Mediums in den Lehr-Lern-Prozess ist mit einer
technischen Innovation verbunden. Bei der Nutzung eines neuen Kommunikati-
ons- und Interaktionsmediums kann somit immer von einem jeweils „neuen“
Medium gesprochen werden. Mit dem Terminus „Neue Medien“ werden heutzu-
tage die mit Hilfe des Computers und des Internets realisierten digitalen Medien
bezeichnet – in Abgrenzung gegenüber den „alten“ Medien. Zu diesen zählen
neben den Druckmedien in erster Linie die klassischen Massenmedien wie
Fernsehen und Rundfunk. Die Unterschiede zwischen den neuen und alten Me-
dien sind dabei fließend, wobei die bestehenden Medien nicht von den neuen
Medien verdrängt, sondern vielmehr ergänzt werden.3
1
Mit Änderungen entnommen aus: Lermen, M. (2008), S. 217
2
Vgl. Lermen, M. (2008), S. 217f.
3
Vgl. ebenda, S. 218

Unter digitalen Medien werden „alle Formen der Wissensaufbereitung oder der
Informationsvermittlung verstanden, die in digitalisierter Form über Computer
oder Internet erreichbar sind und die sich durch eine hypermediale Struktur aus-
zeichnen“.1
Die digitalen Medien umfassen neben einzelnen Medienprodukten
auch komplexe medientechnische (Software-) Systeme wie z.B. die verschiede-
nen Arten von Lernplattformen.2
Zu diesen medientechnischen Systemen kann auch der im Rahmen des Projekts
„Digital Classroom“, auf der die empirische Untersuchung dieser Masterarbeit
basiert, verwendete Begriff „digitale Arbeitsmittel“ gezählt werden. Das Projekt-
team setzte nicht den Begriff „neue Medien“ im Projekt ein, sondern entwickelte
folgende Definition für den Begriff „digitale Arbeitsmittel“: „Unter digitalen Ar-
beitsmitteln werden Software-Anwendungen verstanden, die Lehr- und Lernakti-
vitäten unterstützen. Diese Anwendungen bieten mehr interaktive Funktionen als
die üblichen Office-Anwendungen wie Word, Excel oder PowerPoint. Öffentliche
Seiten des World Wide Web sind nicht Teil dieser Definition von Arbeitsmitteln.“
2.2.3.2 Merkmale digitaler Medien
Die (neuen) digitalen Medien lassen sich im Vergleich zu herkömmlichen Medien
durch verschiedene Merkmale abgrenzen, wie die folgende Abbildung 4 darstellt:
Abbildung 4: Kennzeichen digitaler Medien
3
1
Aufenanger, S. (1999), S. 4
2
Vgl. Pfäffli, B. K. (2005), o. S.
3
Entnommen aus: Lermen, M. (2008), S. 222

Die Basis der digitalen Medien bildet die Integration verschiedener (Einzel-)
Medien auf einer Plattform, dem Computer, und den damit verbundenen techni-
schen Möglichkeiten. Dies kann unter dem Begriff „Multimedia“ zusammenge-
fasst werden. Multimedia ist ein Konzept, das technische und anwendungsbezo-
gene Dimensionen integriert. Mit Hilfe des Computers erlaubt es als zentrales
Integrationselement die Kombination von zeitabhängigen (dynamischen) und
zeitunabhängigen (statischen) Informationen. Die Vorteile der Computerbasie-
rung liegen in den Möglichkeiten der Digitalisierung und Speicherung von Daten,
der Vernetzung von Computersystemen und dem Datenaustausch. Weitere zent-
rale Merkmale sind die Möglichkeiten der Vernetzung und der Interaktivität. Mit
Hilfe der digitalen Medien werden Formen der Kooperation zwischen Lernenden
und Lehrenden sowie zwischen Lernenden untereinander realisierbar. Die Ver-
netzung beinhaltet sowohl die technische Verbindung über Intra- oder Internet
als auch die Möglichkeit, Informationen zueinander in Beziehung zu setzen und
Inhalte zu vernetzen. Die Interaktivität ist darin zu sehen, dass die Mediennut-
zenden mit dem medialen System interagieren und eine unmittelbare Rückmel-
dung vom Medium erhalten können; Möglichkeiten der Steuerung und Modifika-
tion von Interaktionen treten dadurch in den Vordergrund. Ein weiteres Merkmal
ist die Hyperstrukturierung. Sie bezeichnet die Möglichkeit der nicht-linearen
Vernetzung von Informationen in Form von Hypertexten. Den Lernenden können
dadurch individuelle Zugänge zu den verschiedensten Themengebieten angebo-
ten werden. Informationen können auch mit Hilfe der digitalen Medien in wesent-
lich komplexerer Art und Weise präsentiert werden (Multifunktionalität). Die Multi-
funktionalität digitaler Medien wird besonders bei Simulationssoftware deutlich.1
Diese sechs Merkmale lassen sich vereinzelt auch bei den Primär-, Sekundär-
und Tertiärmedien finden. Jedoch zeichnen sich die digitalen Medien neben dem
Aspekt der Digitalisierung vor allem dadurch aus, dass die Verteilungswege der
Kommunikation andere sind (Kabelnetze, Satellitentechnik, Internet etc.) und sie
eine Medienkonvergenz aufweisen.2
1
Vgl. Lermen, M. (2008), S. 219ff.
2
Vgl. ebenda, S. 221

2.2.3.3 Digitale Medien als E-Learning-Werkzeuge
Der Einsatz digitaler Medien ist von einer wachsenden Anzahl neuer Begriffsde-
finitionen und Anglizismen begleitet. Als dominierender Begriff im Zusammen-
hang mit der Integration von digitalen Medien in Lehr-Lern-Prozesse hat sich der
Terminus E-Learning durchgesetzt. E-Learning wird als Oberbegriff für alle
Varianten computer- und internetbasierter Lehr- und Lernangebote verstanden,
die auf der Anwendung von Informations- und Kommunikationstechnologien
basieren.1
Hense und Mandl (2009) definieren E-Learning ganz allgemein als
„den Einsatz digitaler Medien und Technologien als Werkzeuge zur Gestaltung
von Lernumgebungen und zur Unterstützung von Lehr- und Lernprozessen“.2
Es
können zwei Klassen von E-Learning-Werkzeugen unterschieden werden, die im
Folgenden näher beleuchtet werden:
• Werkzeuge zur Unterstützung der Präsenzlehre
• Werkzeuge zur Gestaltung netzbasierter Lehr-Lern-Angebote
Werkzeuge zur Unterstützung der Präsenzlehre
Um die klassische Lehr-Lern-Situation in Klassenzimmern, Seminar-/Vorlesungs-
räumen zu unterstützen, werden digitale Technologien in vielen Kontexten ver-
wendet. Zur Standardausstattung dieser digital unterstützen Präsenzlehre zählt
ein mobiler oder fest installierter Beamer zur Projektion von Computer- oder
Videobildern. Ein Präsentationsrechner ist entweder vorhanden oder wird als
mobiles Notebook mitgebracht. Smartboards können zudem die Kombination
aus Präsentationsrechner und Beamer mit der Möglichkeit ergänzen, Eingaben
direkt auf dem projizierten Computerbildschirm vorzunehmen. Spezielle Stifte
ersetzen dabei die Maus und erlauben über die integrierte Schrifterkennung
auch die Eingabe von Texten in das Programm. Auch das direkte Zeichnen auf
der Benutzeroberfläche ist möglich; Zeichnungen können gespeichert und später
weitergegeben bzw. wiederverwendet werden.3
Der große Vorteil technischer
1
Vgl. Lermen, M. (2008), S. 223
2
Hense, J./Mandl, H. (2009), S. 30
3

Hilfsmittel wie Smartboards oder auch Graphiktabletts ist, dass man eine Prä-
sentation direkt und während des Vortrags erweitern und damit ein vertiefendes
Lehren und Lernen ermöglichen kann.1
Zunehmend werden Computeranwendungen nicht nur frontal eingesetzt,
sondern durch alle Lernenden in sogenannten Laptop-Klassen. Diese sind in
jedem konventionellen Lernraum zu realisieren, indem mobile Rechner in einem
speziellen Rollschrank vorrätig gehalten werden, wo sie aufgeladen und je nach
Bedarf zum Einsatz gebracht werden. Laptop-Klassenräume erlauben einen sehr
flexiblen Computereinsatz, bei dem sowohl frontal, individuell als auch koopera-
tiv gelernt werden kann.2
Werkzeuge zur Gestaltung netzbasierter Lehr-Lern-Angebote
Im Rahmen virtueller Lehr-Lern-Angebote werden eine Vielzahl unterschiedlicher
netzbasierter Medien und Technologien verwendet. Dabei wird auf das gesamte
Spektrum an Kommunikations- und Informationswerkzeugen zurückgegriffen, die
auch allgemein im Internet eingesetzt werden. Hierzu zählen z.B. E-Mail, Mai-
linglisten, Diskussionsforen, Newsgroups, Chats oder konventionelle (statische)
Webseiten. Darüber hinaus gibt es noch eine Vielzahl weiterer Anwendungen; im
Folgenden werden die wichtigsten Anwendungen aus den Bereichen „Content
Management Systeme“ und Lernplattformen sowie Anwendungen und Dienste
des „Web 2.0“ kurz aufgezeigt:
• „Content Management Systeme“ und Lernplattformen
Ein „Content Management System“ dient der einfachen webbasierten Erstel-
lung von Auftritten im Internet; es ist eine Software zur gemeinschaftlichen
Erstellung, Bearbeitung und Organisation von Inhalten zumeist in Webseiten,
aber auch in anderen Medienformen.3
Zu den wichtigsten Merkmalen gehö-
ren ein Redaktionssystem mit verschiedenen Rollen und Zuständigkeiten,
Frontend und Backend, Unabhängigkeit von Inhalt und Layout sowie Modula-
1
Vgl. Bartsch, T.-C./Rex. B. F. (2008), S. 27
2
Vgl. Hense, J./Mandl, H. (2009), S. 30f.
3
Vgl. Wikipedia (2012d), o. S.

rität und Erweiterbarkeit. Darüber hinaus gibt es sogenannte „Learning Con-
tent Management Systeme“, die speziell für den Einsatz als Lernplattform
ausgelegt sind. Wichtigste Ergänzungen sind Module zur Verwaltung von
Kursen, Kursgruppen, Teilnehmerdaten sowie ein Autorentool, das zur Erstel-
lung von multimedialen Lerneinheiten und automatisierten Lernerfolgstests
dient. Daneben sind auch Groupware-Funktionen wie ein gemeinsamer Ka-
lender für eine Lerngruppe, interne E-Mail-Funktion und private oder gemein-
same Dateibereiche weitere Elemente.1
Lernplattformen haben den Vorteil,
dass sie zeit- und ortsunabhängigen Zugriff über Web-Browser ermöglichen
und einfach zu bedienen sind. Darüber hinaus verfügen sie über eine Vielzahl
von Funktionen für die online-gestützte Lehre. Für Lernende ergibt sich eine
Vereinfachung des Auffindens, Abrufens und Verwaltens von Kursinhalten,
Dokumenten und formalen Aufgaben. Lehrende können von den Möglichkei-
ten, Lerninhalte über die Software zu gestalten, zu dokumentieren und zu
präsentieren, profitieren.2
Eine der bekanntesten Lernplattformen ist moodle.
• Anwendungen und Dienste des Web 2.0
Zu Beginn des Internetzeitalters standen aufgrund der technischen und
finanziellen Anforderungen bei der Publikation von Webinhalten einige weni-
ge Inhaltsanbieter vielen Inhaltsrezipienten gegenüber. Inzwischen ermögli-
chen die Anwendungen des Web 2.0 auch technisch weniger versierten
Personen, Inhalte im Rahmen häufig kostenloser Dienste einem breiten Pub-
likum mit Hilfe eines Webbrowsers zu präsentieren. Zu den bekanntesten
zählen u.a. Weblogs, Podcasts und Wikis, die technisch gesehen speziali-
sierte Content Management Systeme darstellen.3
Weblogs sind regelmäßig aktualisierte, thematische „Tagebücher“ einer ein-
zelnen Person oder einer Personengruppe, die öffentlich über eine feste
Internetadresse gelesen werden können. Sie werden pädagogisch genutzt
als Portfolios z.B. für Schreibübungen im Sprachunterricht oder bei Projekt-
arbeiten zur einfachen Dokumentation von Lernprozessen und Lernergebnis-
1
2
Vgl. Hörr, A. (2010), o. S.
3
Vgl. Hense, J./Mandl, H. (2009), S. 33

sen. Der Einsatz von Weblogs kann auch als „Sprachrohr“ von Lehrpersonen
erfolgen, über das bei der rein virtuellen Lehre Inhalte, Rückmeldungen oder
Arbeitsaufträge an die gesamte Lerngruppe weitergegeben werden.
Podcasts sind in ihrer Funktionalität Weblogs ähnlich. Die Inhalte werden
jedoch nicht als Text eingestellt, sondern als Audio- oder Videodatei. Diese
Dateien können entweder direkt im Internet angesehen bzw. angehört oder
für den mobilen Einsatz auf entsprechende Endgeräte kopiert werden. Der
Aufwand für die Produktion von Inhalten ist hier sehr hoch, so dass diese in
pädagogischen Kontexten bislang wenig eingesetzt werden.
Wikis ermöglichen den einfachen Aufbau eines multimedialen Hyptertexts,
bei dem die Inhalte jederzeit kommentiert oder verändert werden können. Sie
sind einfach zu bedienen. Das bekannteste Wiki ist die Online-Enzyklopädie
Wikipedia. In Lehr-Lern-Szenarien werden Wikis gerne zur kollaborativen
Erarbeitung eines Themengebiets genutzt. Einzelne Aspekte des Themenge-
biets werden erarbeitet und in das Wiki als Einträge eingestellt. Anschließend
erfolgt die Vernetzung des Wikis zwischen den einzelnen Beiträgen. Wikis
dienen jedoch auch oftmals als einfache Alternative zum umfangreichen
Content Management System. Sie werden eingesetzt, um z.B. die Interaktion
zwischen den Lernenden untereinander und mit der Lehrperson oder den
Dateiaustausch online zu organisieren.1
2.2.3.4 Einsatzformen digitaler Medien für Lehr- und Lern-Zwecke
In der Literatur lassen sich eine Vielzahl von Kategorisierungen und Klassifizie-
rungen für den Einsatz digitaler Medien und Technologien im Bereich des
Lehrens und Lernens finden. Digitale Medien und Technologien können in unter-
schiedlichen Kontexten und Szenarien des E-Learning verwendet werden. Geht
man von der „klassischen“ Gestaltung von Lernangeboten in Präsenzform (face-
to-face) aus, so lassen sich grundsätzlich vier Einsatzformen unterscheiden:2
1
2

• Ein additiver Einsatz liegt vor, wenn klassische Präsenzangebote wie
z.B. ein Seminar um E-Learning-Elemente ergänzt und angereichert wer-
den. Hierunter fallen sowohl die Nutzung von Präsentationsrechner und
Beamer zur Unterstützung eines Lehrvortrags als auch die Einrichtung ei-
ner begleitenden Lernplattform.
• Wenn das Angebot sowohl in klassischer Präsenzform als auch als reines
E-Learning-Angebot bereitsteht, so kann man von einem alternativen
Einsatz sprechen. Ein komplett neues E-Learning-Angebot zu entwickeln
ist meist sehr aufwendig. So werden beispielsweise im universitären Be-
reich Vorlesungen mit besonders großer Zuhörerzahl aufgezeichnet und
zum Download (z.B. per Videocast) oder als Videostream im Internet ver-
fügbar gemacht.
• Das Präsenzlernen wird beim substitutiven Einsatz komplett durch E-
Learning ersetzt. Beispiele sind multimediale Selbstlernprogramme in
Form von Computer-based Trainings bzw. Web-based Trainings. Sie wer-
den zu den unterschiedlichsten Inhaltsgebieten angeboten und kommen
ohne den Kontakt zu einer Lehrperson aus. Verbreitung gefunden haben
Formen der virtuellen Lehre, bei denen im Rahmen einer Lernplattform
nicht gänzlich alleine, sondern im Kontakt mit Lehrpersonen und Mitler-
nenden gearbeitet wird (Bsp.: Virtuelles Klassenzimmer).
• Der integrative Einsatz versucht, die Vorteile von Präsenz- und E-
Learning-Angeboten durch den Wechsel von Face-to-face- und virtuellen
Phasen konzeptionell zu kombinieren. Diese gemischte Einsatzform ist
unter dem Begriff des „Blended Learning“ zu finden. Zu Beginn und am
Ende eines Kurs- bzw. Seminarangebots werden je eine Präsenzveran-
staltung durchgeführt und dazwischen eine oder mehrere virtuelle Lern-
einheiten. In anderen Worten: Die klassischen Lernmethoden werden mit
den Möglichkeiten der digitalen Medien in einem umfassenden Lehr-Lern-
Arrangement kombiniert.1
Ein Modell hybrider Lernarrangements in Hoch-
schulen ist Anlage A5 zu entnehmen.
1
Vgl. Lermen, M. (2008), S. 230

In jüngster Zeit haben sich auch Einsatzformen entwickelt, die sich nicht klar in
eine der vier Einsatzformen einordnen lassen, da sie sowohl additiv als auch
alternativ, substitutiv oder integrativ eingesetzt werden. Hierzu gehören „Mobile
Learning“ und „Game based Learning“. Während beim „Mobile Learning“ der Zu-
griff auf lernrelevante Inhalte über mobile Endgeräte wie Smartphone, PDAs,
Mini-Notebooks oder mobile Audio- und Videoplayer erfolgt, werden beim
„Game-based Learning“ computer- oder netzbasierte Spiele zur gezielten Unter-
stützung von Lehr-Lern-Prozessen eingesetzt.1
2.2.4 Mehrwert digitaler Medien
2.2.4.1 Pädagogische und lernförderliche Potenziale digitaler Medien
Mit der Einführung eines neuen Mediums geht meistens zunächst ein erheblicher
Mehraufwand einher. Damit stellt sich die Frage, ob diesem erhöhten Aufwand
ein tatsächlich vorhandener pädagogisch-didaktischer Mehrwert entgegensteht.2
„Ein Einsatz computerbasierter Medien ist in jedem Fall nur sinnvoll, wenn sich
ein Mehrwert gegenüber konventionellen Medien ergibt“.3
Technologische, inhalt-
liche, ergonomische und didaktische Aspekte vermischen sich dabei bei der Nut-
zung medialer Lernarrangements.4
Häufig ist die Nutzung neuer digitaler Medien mit hohen Erwartungen in Bezug
auf ihre Lernwirksamkeit und ihren Innovationsgehalt verbunden. Diese Erwar-
tungen haben sich im Rückblick oft als naiv und überzogen herausgestellt. In
vielen Fällen wurde die Technik zu stark in den Vordergrund gestellt und päda-
gogische Aspekte vernachlässigt. Neue Technologien werden infolge dieser
Herangehensweise häufig in Verbindung mit ungeeigneten Lehr-Lern-Ansätzen
zum Einsatz gebracht. Der Einsatz neuer digitaler Medien entfaltet nicht per se
große Effekte in Bezug auf ein verbessertes Lernen oder eine nachhaltige Moti-
vierung von Lernenden. Es lassen sich allerdings Ansatzpunkte finden, in denen
1
2
Vgl. Lermen, M. (2008), S. 248
3
Staiger S. (2004), S. 41
4
Vgl. Lermen, M. (2008), S. 248

digitale Medien das Potenzial aufweisen, deren Umsetzung zu erleichtern und zu
unterstützen:1
• Schaffung eines authentischen und realitätsnahen Kontexts:
Fallbasierte Lernszenarien, Planspiele oder Simulationssysteme erlauben am
Einzelplatzrechner oder im Netzwerk mit komplexen Szenarien zu agieren.
Die Interaktivität dieser Systeme ermöglicht es, jederzeit Rückmeldung über
die Handlungen beim Lernen zu erhalten. Weitere Gestaltungsmöglichkeiten
sind durch den unmittelbaren Informationszugriff neuer Medien gegeben.
• Anregen von multiplen Perspektiven und Kontexten:
Das Arbeiten an komplexen Fällen und in simulierten Systemen erlaubt oft-
mals die Variation von Bedingungen, Abläufen und Lösungswegen. Derselbe
Lerngegenstand lässt sich somit aus verschiedenen Perspektiven und Kon-
texten betrachten. Multiple Perspektiven entstehen zum Beispiel durch das
Einnehmen verschiedener Rollen in computermodellierten Simulationen oder
durch das Suchen alternativer Lösungswege. Durch die Informationsfülle und
Multimedialität neuer Medien ergeben sich weitere Zugänge.
• Unterstützung von Kommunikation und Kooperation:
Neben E-Mail, Diskussionsforen und Chats sind hier vor allem auch die neue-
ren „social networks“ wie etwa MySpace, Facebook oder verschiedene
Online-Communities wie YouTube oder Twitter zu nennen. Sie sind leicht
nutzbare Möglichkeiten, in Computernetzen zu kommunizieren und kooperie-
ren. Die Anwendungen und Dienste des Web 2.0 wie Wikis und Weblogs eig-
nen sich vor allem für das gemeinsame Arbeiten an konkreten Produkten wie
Texten. Diese Werkzeuge alleine garantieren jedoch nicht automatisch eine
lernförderliche Kommunikation und Kooperation. Wichtig ist der Einsatz
instruktionaler Unterstützung in Form von Kooperationsskripts, Feedback-
Regeln oder Online-Tutoring.
1

• Bereitstellen von instruktionaler Unterstützung:
Selbstgesteuertes und kooperatives Lernen müssen instruktional begleitet
und unterstützt werden, um Überforderungen zu vermeiden oder einen Ein-
stieg in ein neues Thema zu erleichtern. Für die direkte und individualisierte
Rückmeldung können digitale Medien wie Weblogs und Wikis genutzt
werden.
Der Begriff Mehrwert ist im pädagogischen Kontext nicht eindeutig belegt. Unter-
schiedliche Autoren kommen zu diversen Einschätzungen und Kategorisierun-
gen, worin der Mehrwert digitaler Medien bestehen kann.1
Neben diesen vier
erläuterten Ansatzpunkten können noch weitere lernförderliche Potenziale be-
nannt werden wie Dezentralisierung und Deregulierung von Lernorten, Multi-
codalität und Multimodalität, Information-on-demand und just-in-time, Adaptivität,
Entlastung von Routinetätigkeiten oder sanktionsfreie Räume.2
Einen Überblick
über mögliche Mehrwerte liefert Anlage A6.
Grundsätzlich kann jedoch nicht von einem den Medien selbst innewohnenden
Mehrwert ausgegangen werden, der sich einstellt, sobald ein bestimmtes Medi-
um oder Mediensystem eingeführt wird. Die Generierung des Mehrwerts ist eine
„mediendidaktische Gestaltungsaufgabe“.3
2.2.4.2 Mehrwert im Bereich der Hochschule
Auf den Mehrwert digitaler Medien für das Lehren und Lernen im universitären
Bereich wird von diversen bildungpolitisch orientierten Gremien hingewiesen. So
hat der Wissenschaftsrat in seinen „Empfehlungen zur Hochschulentwicklung
durch Multimedia in Studium und Lehre“ zahlreiche Vorteile genannt, die der
Einsatz virtueller Lehrveranstaltungen in den normalen Lehrbetrieb mit sich
bringt. Mit Hilfe der digitalen Medien sollen neben der systematischen Verbesse-
rung der Qualität der Lehre vor allem flexiblere Angebote, eine kooperative Aus-
stattung von Studiengängen, mehr Selbststudium, die Einbeziehung internatio-
naler Module sowie eine bessere Betreuung in kleineren Studiengruppen
1
Vgl. Stratmann, J. (2007), S. 16
2
Vgl. Herzig, B. (2008), S. 499f.
3
Vgl. Stratmann, J. (2007), S. 22

realisiert werden. Zugleich soll durch die virtuelle Praxis eine Integration von
Forschung ins Studium erzielt werden. Der Programmbeirat der Virtuellen Hoch-
schule Baden-Württemberg formuliert in seinen „Empfehlungen des Programm-
beirats der Virtuellen Hochschule Baden-Württemberg“ folgende vier Aspekte,
die die Entwicklung einer virtuellen Hochschule begleiten:1
• Attraktivere Lehrangebote durch die Integration „moderner“ Studienele-
mente und Vermittlungsformen (Anreicherung)
• Nutzung des didaktischen Mehrwerts multimedialer Lehr- und Lernformen
(Qualitätsverbesserung)
• Ergänzung des hauseigenen Lehrangebots durch den Import von Stu-
dienmodulen bzw. dessen Profilierung durch den Export von hauseigenen
Lehrveranstaltungen (Programmpflege)
• Skalengewinne und Entlastungseffekte z.B. bei hoch standardisierten
Grundveranstaltungen (Effizienzsteigerung)
2.2.5 Medienkompetenz
2.2.5.1 Medienkompetenz nach Baake
Medienkompetenz wird als leitender Begriff und zentrales theoretisches Konzept
der Medienpädagogik seit Anfang der 1990er Jahre verstärkt diskutiert. Im Zuge
der Einführung von Internet und Multimedia wurde ein medienpädagogischer wie
materiell-ausstattungsbezogener Nachholbedarf in nahezu allen Bereichen von
Bildung und Erziehung attestiert.2
Medienkompetenz ist ein vielschichtiger Beg-
riff. Generell bedeutet er die Befähigung, mit Medien aller Art souverän umzuge-
hen.3
Baacke versteht unter Medienkompetenz „eine Schlüsselqualifikation zur
Bewältigung der Aufgabe, insbesondere mit den neuen Möglichkeiten der Infor-
mationsnutzung umgehen zu können“.4
Diese Kompetenz reicht über die techni-
sche Fähigkeit zur Bedienung verschiedener Medien hinaus.
1
Vgl. Lermen, M. (2008), S. 250
2
Vgl. Hugger, K.-U. (2008), S. 93
3
Vgl. Schneider, F. (2011), S. 7
4
Vollbrecht, R. (2000), S. 63

Baacke differenziert den Begriff der Medienkompetenz in vier Dimensionen, die
prinzipiell jeder Mensch entwickelt haben sollte: Medienkritik, Medienkunde,
Mediennutzung und Mediengestaltung.1
Abbildung 5 gibt die vier Dimensionen
der Medienkompetenz nach Baacke wieder, die im Folgenden erläutert werden.
Abbildung 5: Medienkompetenz nach Baacke
2
Medienkritik bedeutet die Fähigkeit, problematische gesellschaftliche Prozesse
(z.B. Medienkonzentration) analytisch angemessen zu erfassen. Jeder Mensch
sollte reflexiv in der Lage sein, dieses analytische Wissen auf sich selbst und
das eigene Handeln anzuwenden. Die ethische Dimension daran ist, das analyti-
sche Denken und reflexiven Rückbezug als sozial verantwortet abzustimmen
und zu definieren. Medienkunde umfasst das Wissen über die heutigen Medien-
systeme. Die informative Dimension der Medienkunde beinhaltet klassische
Wissensbestände, und die instrumentell-qualifikatorische Dimension beinhaltet
die Fähigkeit, neue Geräte auch bedienen zu können. Mediennutzung ist zwei-
fach zu verstehen: Medien sollen rezeptiv angewendet werden (Programm-
Nutzungskompetenz) und interaktive Angebote genutzt werden können. Schließ-
lich stellt Mediengestaltung in Baackes Ausdifferenzierung den vierten Bereich
der Medienkompetenz dar. Hierunter fallen einerseits die innovativen Verände-
rungen und Entwicklungen des Mediensystems und andererseits die kreativen
ästhetischen Varianten, die über die Grenzen der alltäglichen Kommunikations-
1
Vgl. Lermen, M. (2008), S. 261
2
Enthalten in: Lermen, M. (2008), S. 261

routinen hinausgehen.1
Die beiden Aspekte Medienkritik und Medienkunde um-
fassen die Dimension der Vermittlung, während die Dimension der Zielorientie-
rung im Handeln der Menschen, d.h. der Mediennutzung und Mediengestaltung,
liegt.2
Das Modell der Medienkompetenz von Baacke ist mittlerweile zwar von
anderen Autoren weiterentwickelt und modifiziert worden, meistens sind die vier
Dimensionen jedoch übernommen worden.3
Baake hebt den Begriff Medienkompetenz theoretisch auf die überindividuelle,
gesellschaftliche Ebene. Der Begriff wird mit diesem Ausdifferenzierungsziel zum
„Diskurs der Informationsgesellschaft“, der alle wirtschaftlichen, technischen,
sozialen, kulturellen und ästhetischen Probleme mit einbezieht, so dass er stän-
dig aktualisiert werden kann und muss.
Bei dieser Betrachtung des Begriffs Medienkompetenz und den Möglichkeiten
seiner Vermittlung zeigt sich, dass sich durch aktive (Be-)Nutzung der Medien
eine Kritikfähigkeit herausbilden soll, die zum Auswählen diverser Medienange-
bote genutzt werden kann. Mit anderen Worten: Die eigene aktive Arbeit mit ei-
nem Medium ermöglicht dessen kritische Nutzung sowohl im privaten wie auch
beruflichen Alltag. Die Auseinandersetzung mit Medien kann zu einer kritischen
Auseinandersetzung der Person mit sich selbst im Sinne einer Bewusstseinsbil-
dung eingesetzt werden und der Person damit neue Formen autonomen Han-
delns ermöglichen.4
2.2.5.2 Medienkompetenz von Lehrpersonen
Die Entwicklung von Medienkompetenz als Aufgabe der Schule setzt seitens der
Lehrpersonen voraus, dass sie selbst Medienkompetenz erworben haben oder
diese weiterentwickeln und darüber hinaus in der Lage sind, die Medienkompe-
tenz ihrer Schüler/innen zu fördern. Lehrpersonen sollten zu folgenden Punkten
in der Lage bzw. bereit sein:5
1
Vgl. Hugger, K.-U. (2008), S. 94
2
Vgl. Wikipedia (2012e), o. S.
3
Vgl. Lermen, M. (2008), S. 261
4
Vgl. Wikipedia (2012e), o. S.
5
Vgl. Tulodziecki, G./Herzig, B./Grafe, S. (2010), S. 359

• Medienangebote und nicht-mediale Möglichkeiten im Hinblick auf ange-
strebte Nutzungszusammenhänge erläutern und sachgemäß handhaben,
kriterienbezogen vergleichen und bewerten, begründet auswählen sowie
unter Beachtung gesellschaftlicher bzw. sozialer Verantwortung nutzen.
• Eigene Aussagen unter Verwendung bewusst ausgewählter Gestaltungs-
arten mit sachgemäßer Handhabung der jeweiligen Technik und situati-
onsangemessener Planung sowie unter Beachtung gesellschaftlicher und
sozialer Verantwortung gestalten und Einzelnen bzw. bestimmten Grup-
pen zur Verfügung stellen oder öffentlich verbreiten.
• Gestaltungsmöglichkeiten von Medien erläutern und in ihrer Bedeutung
für mediale Aussagen einschätzen sowie Gestaltungsmittel für eigene
Medienbeiträge begründet auswählen, die eingesetzten Gestaltungsmittel
in vorhandenen Medienangeboten analytisch erfassen und hinsichtlich der
Übereinstimmung von Form, Inhalt oder anderer Kriterien bewerten.
• Medieneinflüsse beschreiben, kriterienbezogen bewerten und problemati-
sche Einflüsse der Mediennutzung in geeigneten Formen aufarbeiten und
ihnen gegebenenfalls entgegenwirken sowie Medieneinflüsse bei der
eigenen Mediengestaltung und Verbreitung berücksichtigen.
• Bedingungen von Medienproduktion und Medienverbreitung erläutern,
Verbindungen zwischen solchen Bedingungen und den Medienprodukten
sowie ihrer Nutzung herstellen, die Bedingungen in Orientierung am
gesellschaftlich Wünschenswerten beurteilen und Einflussmöglichkeiten
beim eigenen Handeln skizzieren und wahrnehmen.
Medienkompetenz ist als ein wichtiger Bestandteil medienpädagogischer
Kompetenz anzusehen. Medienpädagogische Kompetenz erfordert zudem
Bereitschaft sowie Wissen und Können in den Kompetenzfeldern der Medienso-
zialisation, der Medienbildung insgesamt einschließlich medienerzieherischer
Maßnahmen, der Medienverwendung für Lernen und Lehren sowie die Entwick-
lung medienpädagogischer Konzepte.1
Auf diese Kompetenzbereiche soll hier im
Rahmen dieser Masterarbeit nicht weiter eingegangen werden.
1
Vgl. Tulodziecki, G./Herzig, B./Grafe, S. (2010), S. 360

2.3 Fragestellung der empirischen Untersuchung –
konzeptioneller Rahmen
Ausgangspunkt dieser empirischen Untersuchung sind die Forschungsergebnis-
se von Inan und Lowther (2009). In ihrer Studie haben sie ein Pfadmodell entwi-
ckelt, welches die direkten und indirekten Einflüsse von Lehrereigenschaften und
Schulfaktoren auf die Integration von Technologien von Lehrern in deren Lehr-
veranstaltungen prüft; die hypothetischen Kausalzusammenhänge zwischen
Einflussfaktoren, die für die Integration von Technologien von Bedeutung sind,
werden dabei erklärt (vgl. Anlage A4).1
Ein erstes Pfadmodell wurde bereits von
Robinson (2003) in seiner Dissertation „External and internal factors which
predict teachers’ computer usage in K-12 classrooms“ entwickelt, welches Inan
und Lowther weiterentwickelt haben.2
Das erweiterte Pfadmodell von Inan und Lowther (2009) wird im Rahmen dieser
Arbeit in angepasster Form eingesetzt. Es wird hierbei nicht auf die Integration
von Technologie im Allgemeinen eingegangen, sondern speziell der Einsatz von
digitalen Arbeitsmitteln (Digital Tools) in Lehrveranstaltungen untersucht.
Die verwendeten Variablen und deren Beschreibungen, das hypothetische
Pfadmodell, die Annahmen bzw. Hypothesen und deren Begründungen sowie
die Forschungsfragen der Studie werden in den folgenden Kapiteln vorgestellt.
Es wird an dieser Stelle darauf hingewiesen, dass die Variablen im Pfadmodell in
der empirischen Untersuchung in englischer Sprache eingesetzt werden.
2.3.1 Variablen im hypothetischen Pfadmodell
Für das hypothetische Pfadmodell der Studie werden insgesamt acht Variablen
verwendet, die in der folgenden Tabelle 2 beschrieben werden.
1
Vgl. Inan, F. A./Lowther, D. L. (2009), S. 140f.
2
Vgl. Robinson, W. I. (2003), o. S.

Variablen Beschreibung der Variablen
Age (Alter) Angegebenes Alter der befragten Lehrperson
Years of Teaching (Jahre des Lehrens) Angegebene Jahre des Lehrens als Lehrperson
Proficiency of Digital Tools
(Kenntnisstand digitaler Arbeitsmittel)
Wahrnehmung der befragten Lehrperson an eigenen
Fähigkeiten bezüglich des Einsatzes digitaler
Arbeitsmittel
Overall Support
(Allgemeine Unterstützung)
Wahrnehmung der befragten Lehrperson an der
Unterstützung von administrativer Seite, Kollegen,
Interessengruppen etc. hinsichtlich der Integration
digitaler Arbeitsmittel in der Bildungseinrichtung
Technical Support
(Technische Unterstützung)
Wahrnehmung der befragten Lehrperson an der
Eignung der technischen Unterstützung, Verfügbar-
keit an Ressourcen und Unterstützung bei Computer-
Software und Fehlerbehebung
Teachers’ Readiness
(Bereitschaft der Lehrperson)
Auffassung bzw. Wahrnehmung der befragten
Lehrperson seiner Fähigkeiten und Fertigkeiten, die
erforderlich sind, um digitale Arbeitsmittel in seine
Lehrveranstaltung zu integrieren
Teachers’ Beliefs
(Ansichten der Lehrperson)
Auffassung bzw. Wahrnehmung der befragten
Lehrperson an dem Einfluss digitaler Arbeitsmittel auf
den Lernerfolg und die Lernleistung der Studenten/
Studentinnen bzw. Schüler/innen (Impact on
Students) sowie auf den Unterricht (Impact on
Classroom Instruction)
Integration of Digital Tools
(Integration digitaler Arbeitsmittel)
Selbsteinschätzung der befragten Lehrperson an der
Häufigkeit des Einsatzes an digitalen Arbeitsmitteln in
seiner Lehrveranstaltung
Tabelle 2: Beschreibung der Variablen
1
Inan und Lowther (2009) verwendeten in ihrem Pfadmodell eine weitere Variab-
le: „Computer Availability“. Diese Variable wird im Rahmen dieser empirischen
Untersuchung nicht eingesetzt. Die technische Ausstattung und Verfügbarkeit
von Computern in den Bildungseinrichtungen wird vorausgesetzt.
1
Mit Änderungen entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 141

2.3.2 Hypothetisches Pfadmodell
Das hypothetische Pfadmodell dieser Studie zeigt die folgende Abbildung 6:
Block 1 Block 2 Block 3 Block 4
Abbildung 6: Hypothetisches Pfadmodell der empirischen Untersuchung
1
Das Pfadmodell besteht aus vier Variablenblöcke:
Block 1: Block 1 beinhaltet vier exogene (unabhängige) Variable. Hierzu zäh-
len die demographischen Eigenschaften der Lehrperson „Age“ und
„Years of Teaching“ und Eigenschaften der Bildungseinrichtung hin-
sichtlich der Unterstützung beim Einsatz digitaler Arbeitsmittel
„Overall Support“ und „Technical Support“.
Block 2: Block 2 enthält die Variable „Proficiency of Digital Tools“. Diese en-
dogene Variable fungiert sowohl als unabhängige als auch abhängi-
ge Variable im Pfadmodell.
Block 3: Block 3 beinhaltet zwei auf die Lehrperson bezogene, endogene
Variable: zum einen die Variable „Teachers’ Readiness“ und zum
anderen „Teachers’ Beliefs“. Beide Variablen werden als unabhän-
gige und abhängige Variable im Pfadmodell eingesetzt.
Block 4: Block 4 wird von der endogenen Variablen „Integration of Digital
Tools“ gebildet; hierbei handelt es sich um eine abhängige Variable.
1
Mit Änderungen entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 146

2.3.3 Hypothesen
Die Forschungsergebnisse von Inan und Lowther (2009) sind Ausgangspunkt
dieser empirischen Untersuchung; folglich liegen die Hypothesen für die Unter-
suchung dieser Masterarbeit (hauptsächlich) in deren Forschungsergebnisse
begründet. Es werden lediglich direkte Einflüsse der Variablen untersucht, d.h.
indirekte Effekte auf die Integration digitaler Arbeitsmittel bleiben im Rahmen
dieser Masterarbeit unberücksichtigt. Die Hypothesen stellen die Pfeilrichtungen
im hypothetischen Pfadmodell in Kapitel 2.3.2 dar.
Forschungsergebnisse von Inan und Lowther (2009) und Robinson (2003) haben
ergeben, dass die demographischen Eigenschaften von Lehrpersonen einen
negativen direkten Einfluss auf die Computer-Kenntnisse der Lehrperson haben.
Lehrer, die älter sind und länger unterrichten, haben geringere Kenntnisse und
Fähigkeiten im Umgang mit Computern, d.h. die Computer-Kenntnisse verrin-
gern sich mit zunehmendem Alter und Unterrichtserfahrung.1
Hieraus ergeben
sich die folgenden Hypothesen:
H1: „Age“ hat einen negativen direkten Einfluss auf „Proficiency of Digital
Tools“: Je älter die Lehrperson, desto geringer ist der Kenntnisstand digi-
taler Arbeitsmittel.
H2a: „Years of Teaching“ hat einen negativen direkten Einfluss auf
„Proficiency of Digital Tools“: Je länger die Lehrperson bereits unterrich-
tet, desto geringer ist der Kenntnisstand digitaler Arbeitsmittel.
Ein weiteres Forschungsergebnis von Inan und Lowther (2009) ist, dass Lehrer,
die länger unterrichten eine geringere Bereitschaft besitzen, Technologien ein-
zusetzen. Dies führt zu folgender Hypothese:
H2b: „Years of Teaching“ hat einen negativen direkten Einfluss auf
„Teachers’ Readiness“: Je länger die Lehrperson bereits unterrichtet,
desto geringer ist die Bereitschaft der Lehrperson, digitale Arbeitsmittel
einzusetzen.
1
Vgl. Inan, F. A./Lowther, D. L. (2009), S. 145f.

Des Weiteren hat die Studie von Inan und Lowther (2009) ergeben, dass sich
das Vorhandensein von Eigenschaften der Bildungseinrichtung wie allgemeine
Unterstützung, technische Unterstützung und Computer-Verfügbarkeit sowohl
auf die Computer-Kenntnisse von Lehrern als auch auf die Bereitschaft und die
Ansichten der Lehrperson, Technologie einzusetzen, positiv auswirkt bzw. diese
Faktoren erhöht. Die allgemeine Unterstützung hat in deren Pfadmodell den
größten positiven Einfluss auf die Ansichten der Lehrperson, Technologie einzu-
setzen. Auch Mumtaz (2005) sowie Windschitl und Sahl (2002) haben herausge-
funden, dass Eigenschaften der Bildungseinrichtung wesentlich die Ansichten
der Lehrperson beeinflussen, indem die Lehrperson Unterstützung und positive
Vorstellungen von administrativer Seite und Interessengruppen erhält. Lumpe
und Chambers (2001) haben in ihrer Untersuchung eine Liste mit Einflussfakto-
ren auf die Ansichten der Lehrperson erfasst, welche auch die allgemeine und
technische Unterstützung enthält. Für die Untersuchung lassen sich hieraus die
folgenden Hypothesen ableiten:
H3a: „Overall Support“ hat einen positiven direkten Einfluss auf „Proficiency of
Digital Tools“: Je größer die allgemeine Unterstützung in der Bildungsein-
richtung ist, desto größer ist der Kenntnisstand digitaler Arbeitsmittel.
H3b: „Overall Support“ hat einen positiven direkten Einfluss auf „Teachers’
Readiness“: Je größer die allgemeine Unterstützung in der Bildungsein-
richtung ist, desto größer ist die Bereitschaft der Lehrperson, digitale
Arbeitsmittel einzusetzen.
H3c: „Overall Support“ hat einen positiven direkten Einfluss auf „Teachers’
Beliefs“: Je größer die allgemeine Unterstützung in der Bildungseinrich-
tung ist, desto größer sind die Ansichten der Lehrperson, digitale
Arbeitsmittel einzusetzen.
H4a: „Technical Support“ hat einen positiven direkten Einfluss auf „Proficiency
of Digital Tools“: Je größer die technische Unterstützung ist, desto größer
ist der Kenntnisstand digitaler Arbeitsmittel.
H4b: „Technical Support“ hat einen positiven direkten Einfluss auf „Teachers’
Readiness“: Je größer die technische Unterstützung ist, desto größer ist
die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen.

H4c: „Technical Support“ hat einen positiven direkten Einfluss auf „Teachers’
Beliefs“: Je größer die technische Unterstützung ist, desto größer sind die
Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen.
Inan und Lowther (2009) haben zudem herausgefunden, dass Computer-
Kenntnisse sowohl die Bereitschaft als auch die Ansichten der Lehrperson,
Technologien einzusetzen, positiv beeinflussen. Die Computer-Kenntnisse der
Lehrperson haben in deren Pfadmodell den größten Einfluss auf die Bereitschaft,
Technologien einzusetzen. Hieraus ergeben sich folgende Hypothesen:
H5a: „Proficiency of Digital Tools“ hat einen positiven direkten Einfluss auf
„Teachers’ Readiness“: Je größer der Kenntnisstand digitaler Arbeitsmit-
tel ist, desto größer ist die Bereitschaft der Lehrperson, diese einzusetzen
H5b: „Proficiency of Digital Tools“ hat einen positiven direkten Einfluss auf
„Teachers’ Beliefs“: Je größer der Kenntnisstand digitaler Arbeitsmittel ist,
desto größer sind die Ansichten der Lehrperson, diese einzusetzen.
In den Forschungsergebnissen von Inan und Lowther (2009) beeinflussen
sowohl die Bereitschaft als auch die Ansichten der Lehrperson, Technologien
einzusetzen, die Integration von Technologie in positiver Weise. Ansichten der
Lehrperson ist ein wesentlicher Einflussfaktor auf die Integration von Technolo-
gie im Unterricht; dies bestätigen auch zahlreiche vorangegangene Studien (u.a.
Ertmer, 2005 sowie Vannatta und Fordham, 2004). Die Bereitschaft der Lehrper-
son hat in Inan und Lowther’s Studie den größten Einfluss auf die Integration von
Technologie. Vorangegangene Studien belegen dieses Forschungsergebnis:
Kanaya, Light und Culp (2005) als auch Scheffler und Logan (1999) geben an,
dass Lehrer, die bereit und überzeugt sind, Technologie zu integrieren, häufiger
Technologie im Unterricht einsetzen. Folgende Hypothesen lassen sich ableiten:
H6: „Teachers’ Readiness“ hat einen positiven direkten Einfluss auf „Integra-
tion of Digital Tools“: Je größer die Bereitschaft der Lehrperson ist, desto
größer ist die Integration digitaler Arbeitsmittel.
H7: „Teachers’ Beliefs“ hat einen positiven direkten Einfluss auf „Integration
of Digital Tools“: Je größer die Ansichten der Lehrperson sind, desto
größer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen.
.

2.3.4 Zweck der Untersuchung und Forschungsfragen
Zweck dieser Untersuchung ist es, die Einflüsse von individuellen Eigenschaften
und Umweltfaktoren von Lehrpersonen auf die Integration digitaler Arbeitsmittel
in Lehrveranstaltungen der Lehrpersonen zu untersuchen, d.h. was beeinflusst
den Einsatz digitaler Arbeitsmittel in Lehrveranstaltungen und welche positiven
und negativen direkten Zusammenhänge bestehen zwischen den Variablen.
Zudem ist geplant, die Beziehungen zwischen den Einflussgrößen durch ein
entwickeltes Pfadmodell zu erklären, das auf vorangegangenen Studien basiert.
Betrachtet man das Pfadmodell als Forschungsrahmen, so sollen folgende
Forschungsfragen in der Untersuchung beleuchtet werden:
F1: Beeinflussen demographische Eigenschaften von Lehrpersonen die In-
tegration digitaler Arbeitsmittel in Lehrveranstaltungen?
F2: Beeinflussen Eigenschaften der Bildungseinrichtung die Integration digi-
taler Arbeitsmittel in Lehrveranstaltungen?
F3: Beeinflussen der Kenntnisstand digitaler Arbeitsmittel der Lehrperson, die
Bereitschaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzu-
setzen, die Integration digitaler Arbeitsmittel in Lehrveranstaltungen?
Neben diesen speziell auf das hypothetische Pfadmodell bezogenen For-
schungsfragen sollen im Rahmen dieser empirischen Studie auch Mittelwertun-
terschiede nicht im Pfadmodell abgebildeter Eigenschaften untersucht werden:
F4: Unterscheiden sich Frauen und Männer im Mittel bezüglich der Integrati-
on digitaler Arbeitsmittel?
F5: Unterscheidet sich die Integration digitaler Arbeitsmittel im Mittel
zwischen Unterrichtsfächer, Lehrmethoden oder Schulungen der Lehr-
person?
Nicht Gegenstand der Untersuchung sind indirekte und totale Effekte auf die
Integration digitaler Arbeitsmittel. Ebenso werden keine Unterschiede zwischen
den befragten (deutschen) Bildungseinrichtungen untersucht und keine Länder-
vergleiche vorgenommen.

3 Einsatz digitaler Medien in Lehrveranstaltungen – eine empirische Untersuchung 42
3. Einsatz digitaler Medien in Lehrveranstaltungen – eine
empirische Untersuchung
Zur Prüfung bzw. Beantwortung der in den Kapiteln 2.3.3 und 2.3.4 formulierten
Forschungshypothesen und Forschungsfragen wird im Rahmen dieser Master-
arbeit mit Hilfe eines Fragebogens der Zusammenhang zwischen diversen Ein-
flussfaktoren und der Integration digitaler Arbeitsmittel in Lehrveranstaltungen
erforscht. Die empirische Untersuchung wird in den folgenden Kapiteln darge-
stellt.
3.1 Forschungsdesign
3.1.1 Forschungsmethode
Zur Erhebung der Daten im Rahmen dieser Masterarbeit wurde die Methode der
standardisierten Online-Befragung als Forschungsmethode gewählt. Die Befra-
gung stellt eine der in den Sozialwissenschaften am häufigsten verwendeten
Methoden dar und dient der Ermittlung von Fakten, Wissen, Meinungen, Einstel-
lungen oder Bewertungen eines Personenkreises.1
Die Online-Befragung ist eine
der jüngsten Erhebungsarten in der empirischen Forschung. Online-Befragungen
sind Erhebungen, bei denen die Teilnehmer entweder den auf einem Server ab-
gelegten Fragebogen im Internet online ausfüllen oder den Fragebogen von ei-
nem Server herunterladen und per E-Mail zurücksenden oder den Fragebogen
per E-Mail zugeschickt bekommen und zurücksenden. Die Online-Befragung ist
keine modernisierte Form der schriftlichen Befragung, sondern eine völlig neue
Befragungsart mit charakteristischen Stärken und Schwächen und zählt zur
quantitativen Marktforschung. Die quantitative Befragung hat die Aufgabe, exak-
te und für die Grundgesamtheit repräsentative Daten zu beschaffen, damit diese
auf das Universum hochgerechnet werden können. Sie zielt darauf ab, den Un-
tersuchungsgegenstand zu beschreiben oder Zusammenhänge mit statistischen
Rechenverfahren zu untersuchen.2
1
Vgl. Schnell, R./Hill, P./Esser, E. (1999), S. 299
2
Vgl. Hofte-Fankhauser, K./Wälty, H. F. (2009), S. 58ff.

Für die Online-Befragung dieser empirischen Untersuchung wurde ein standar-
disierter Fragebogen eingesetzt, um die Auffassungen von Lehrpersonen in Hin-
blick auf die Integration digitaler Arbeitsmittel zu erheben. Fragen und Antwort-
vorgaben wurden genau festgelegt. Die Online-Befragung erfolgte in Form einer
Querschnittsuntersuchung, d.h. die Daten wurden einmalig innerhalb einer vor-
gegebenen Zeitspanne erhoben. Angelegt wurde der Fragebogen in LimeSur-
vey, einem Programm zur Erstellung von Online-Fragebogen.1
Die Verteilung
des Fragebogens erfolgte über einen Link, der mit einem Begleitschreiben per E-
Mail an den Ansprechpartner der jeweiligen Hochschule versendet wurde.
Die Wahl der standardisierten Online-Befragung als Erhebungsmethode in
dieser Masterarbeit wurde aus verschiedenen Gründen gewählt: Zum einen gibt
es bereits standardisierte Fragebogen aus vorangegangenen Studien zu diesem
Themengebiet. So haben beispielsweise Lowther, Strahl, Inan und Ross (2008)
den Fragebogen „Teacher Technology Questionnaire“ (TTQ) und Wozney,
Venkatesh und Abrami (2001) den Fragebogen „Technology Implementation
Questionnaire“ (TIQ) entwickelt und in ihren Forschungen erfolgreich eingesetzt.
Die Neuentwicklung eines Fragebogens mit all seinen Konstrukten ist sehr zeit-
aufwendig und kostenintensiv, daher wurde im Vorfeld der empirischen Untersu-
chung entschieden, auf bereits bestehende Fragebogen zurückzugreifen. Bereits
existierende Fragebogen können miteinander kombiniert und weiterentwickelt
bzw. für die eigene Untersuchung angepasst werden. Forschungsergebnisse
lassen sich dabei auch einfacher miteinander vergleichen und können aufeinan-
der aufbauen. Zum anderen ist der ausgewählte Personenkreis für die Online-
Befragung online erreichbar. Die Daten lassen sich dadurch rasch erheben; ein
Rücklauf erfolgt meistens schnell, d.h. die Feedback-Zeit ist nur kurz. Hinzu
kommt, dass die Daten für die anschließende Auswertung sofort verfügbar sind,
da sie automatisch direkt in eine Datenbank eingespeist werden. Dadurch wer-
den Eingabefehler, wie sie bei schriftlichen Befragungen vorkommen können,
vermieden.2
Allgemein betrachtet sind Online-Befragungen relativ kostengünstig,
da kein personeller oder materieller Aufwand bei der Durchführung notwendig
ist. Die computergestützte Benutzerführung vermeidet zudem Fehler des Inter-
1
Vgl. http://www.limesurvey.com
2
Vgl. Wikipedia (2012f), o. S.

viewers. Die Beantwortung der Fragen ist zudem zeit- und ortsunabhängig und
kann dadurch breit gestreut werden.1
3.1.2 Stichprobe
Die Probandengruppe der empirischen Untersuchung setzte sich aus Lehrper-
sonen, Dozenten und Professoren aus sieben Bildungseinrichtungen zusammen:
Zum einen wurden Lehrpersonen an den am Projekt „Digital Classroom“ teil-
nehmenden Bildungseinrichtungen befragt und zum anderen Lehrpersonen in
Bildungseinrichtungen in Deutschland, die zwar nicht am Projekt „Digital Class-
room“ beteiligt waren, jedoch das Projekt mit ihrem Beitrag unterstützten. Die
Auswahl der zweiten Probandengruppe erfolgte durch persönliche Kontakte von
Herrn Prof. Dr. Michael Klebl (Lehrstuhl für Wirtschaftspädagogik, WHL) und der
Autorin dieser Masterarbeit. Zur ersten Probandengruppe zählten das Aberdeen
College (Aberdeen/Schottland), das IOC Institut Obert de Catalunya (Barcelo-
na/Spanien), das Karamürsel 100.Yil Technical and Vocational Highschool (Ka-
caeli/Türkei), das Kungälv Vuxenutbildning (Kungälv/Schweden) und die AKAD-
Gruppe, welche die WHL Wissenschaftliche Hochschule Lahr einschließt. Das
Molde Voksenopplæringssenter (Molde/Norwegen) hat sich an der Umfrage
nicht beteiligt. Die zweite Probandengruppe bestand aus Repräsentanten der
Dualen Hochschule Baden-Württemberg Stuttgart (DHBW Stuttgart) und der Be-
rufskollege Hagen. Lernende, Schüler und Studenten wurden nicht befragt. In
der Anlage A7 werden die teilnehmenden Bildungseinrichtungen kurz beschrie-
ben; detailliertere Informationen sind den Webseiten der Hochschulen zu ent-
nehmen.
Bei der Stichprobe dieser empirischen Untersuchung handelt es sich um eine
Klumpen-Stichprobe. Die Grundgesamtheit ist in viele kleine Teilgesamtheiten
zerlegt, die sogenannten Klumpen. Jeder Klumpen entspricht einer einzelnen
Bildungsinstitution. Im Gegensatz zur geschichteten Stichprobe wird bei der
Klumpen-Stichprobe nur ein Teil der Klumpen zufällig ausgewählt und gelangt in
die Stichprobe.2
Die Elemente der Klumpen werden vollständig erfasst; es
1
Vgl. Hofte-Fankhauser, K./Wälty, H. F. (2009), S. 71
2
Vgl. Wikipedia (2010), o. S.

Geschlecht Häufigkeit Prozent
Weiblich 161 42,1
Männlich 221 57,9
Alter Häufigkeit Prozent
29 Jahre und jünger 12 3,1
30 - 39 Jahre 73 19,1
40 - 49 Jahre 141 36,9
50 - 59 Jahre 128 33,5
60 Jahre und älter 28 7,3
Jahre des Lehrens Häufigkeit Prozent
0 - 2 Jahre 18 4,7
3 - 5 Jahre 30 7,9
6 - 10 Jahre 76 19,9
11 - 15 Jahre 70 18,3
16 Jahre und mehr 188 49,2
Unterrichtsfach Häufigkeit Prozent
Mathematik, Informatik, Naturwissenschaften oder Technik 103 27,0
Geisteswissenschaften und Sprachen 81 21,2
Sozialwissenschaften (einschließlich BWL / VWL) 67 17,5
Sport 4 1,0
Sonderpädagogik 5 1,3
Sonstige 122 31,9
werden alle Lehrpersonen, Dozenten und Professoren an den einzelnen
Bildungseinrichtungen befragt.
Die Online-Befragung erfolgte einmalig, d.h. es gab nicht mehrere Versuchszeit-
punkte. Die Versuchsbedingungen für die Probanden können als identisch
betrachtet werden. Insgesamt haben sich 443 Lehrpersonen an der Online-
Befragung beteiligt, von denen 382 Fragebogen in der Analyse verwendet wer-
den. Die genaue Anzahl der befragten Lehrpersonen in den einzelnen Bildungs-
einrichtungen ist nicht bekannt, so dass keine Rücklaufquote berechnet werden
kann. Die Stichprobe setzt sich wie folgt zusammen:
Abbildung 7: Anteil der Lehrpersonen aus den einzelnen Hochschulen an der verwendeten
Stichprobe
Tabelle 3: Verwendete Stichprobe nach demographischen Eigenschaften (N = 382)
N = 382

3.2 Erhebungsverfahren
3.2.1 Standardisierter Fragebogen
Der eingesetzte Fragebogen basiert – wie bereits erwähnt – auf zwei Fragebo-
gen vorangegangener Forschungen: dem Fragebogen „Teacher Technology
Questionnaire“ (TTQ) der University of Memphis im Rahmen einer Studie von
Lowther, Strahl, Inan und Ross (2008) und dem Fragebogen „Technology
Implementation Questionnaire“ (TIQ) der Concordia University, Montreal im
Rahmen einer Studie von Wozney, Venkatesh und Abrami (2001). Diese beiden
Fragebogen wurden speziell für das Projekt „Digital Classroom“ von den Projekt-
teilnehmern der WHL Wissenschaftliche Hochschule Lahr zu einem einzigen
Fragebogen zusammengefasst und angepasst.
Der Fragebogen mit dem deutschen Titel „Digitale Arbeitsmittel in der Lehre“ ent-
hält insgesamt 17 Fragen1
, die in fünf Abschnitte eingeteilt sind:
1) Persönlicher Hintergrund und Lehrstil
2) Einschätzung der eigenen Fähigkeiten bezüglich des Einsatzes digitaler
Arbeitsmittel
3) Expertenmeinungen zu digitalen Arbeitsmitteln
4) Wahrnehmung des (technischen) Supports
5) Wahrnehmung bezüglich der Häufigkeit der Einbindung
Die Basis bildete ursprünglich der englische Fragebogen, der von den Projekt-
teilnehmern „Digital Classroom“ in die jeweilige Landessprache übersetzt wurde;
für jedes Land entstand somit ein separater Fragebogen. In Deutschland mach-
ten die unterschiedlichen Arten an beteiligten Bildungseinrichtungen drei separa-
te Fragebogen erforderlich. Im Fragebogen der DHBW Stuttgart und der AKAD-
Gruppe wird von „Studierenden“ gesprochen, während im Fragebogen der
Berufskollegs Hagen „Schüler/-innen“ an den entsprechenden Stellen im Frage-
bogen eingesetzt wird. Lehrveranstaltungen werden im Fragebogen der DHBW
Stuttgart und der Berufskollegs Hagen mit „Lehrveranstaltungen“ beschrieben,
hingegen wird der Begriff „Bildungsangebote“ bei der AKAD-Gruppe verwendet.
1
18 Fragen für die Berufskollegs Hagen

Der Fragebogen wurde vor dem Versand an den Personenkreis der jeweiligen
Hochschulen durch die Teilnehmer am Projekt „Digital Classroom“ getestet (Pre-
test erfolgte Mitte September 2012); Fehler und Unstimmigkeiten wurden hierbei
beseitigt. Zudem wurde die Dauer für das Ausfüllen des Fragebogens getestet.
Der „Teacher Technology Questionnaire“ (TTQ) wurde validiert und bereits häu-
fig in Forschungs- und Evaluationsstudien eingesetzt (u.a. Lowther und Ross,
2000; Sterbinsky und Burke, 2004; Lowther, Strahl, Inan und Ross, 2008). Die
Reliabilität des TTQ wurde vor der Studie von Inan und Lowther (2009) an 4.863
Lehrern getestet, die den Fragebogen als Teil des Forschungsprojekts für das
„Center of Research in Educational Policy“ abgeschlossen haben; die ermittelten
Reliabilitätskoeffizienten lagen für jede Sub-Skala zwischen 0.75 und 0.89. Die
Skalen im vorliegenden Fragebogen werden später im Rahmen der Untersu-
chung einer Reliablitätsanalyse unterzogen.
Im Folgenden werden nun die einzelnen Fragebogen-Abschnitte sowie die Ope-
rationalisierung der eingesetzten Konstrukte bzw. Skalen anhand des Fragebo-
gens der DHBW Stuttgart näher erläutert. Der vollständige Fragebogen der
DHBW Stuttgart ist der Anlage A8 zu entnehmen; die vollständigen Fragebogen
der anderen Hochschulen finden sich im Anhang B (Anlage B1 bis B6).
3.2.1.1 Persönlicher Hintergrund und Lehrstil
Im ersten Fragebogen-Abschnitt wurden demographische und lehrbezogene
Eigenschaften der Lehrpersonen erhoben. Fünf Items sind in diesem Abschnitt
enthalten. Bei den Variablen handelt es sich um manifeste Variable, d.h. sie sind
direkt beobachtbar und können auch als Indikatoren bezeichnet werden. Zur
Beantwortung der Fragen wurden – mit Ausnahme der Auswahlkategorie „Sons-
tige" bei der Erfragung des Unterrichtsfachs – geschlossene Antwortformate ein-
gesetzt, was die Objektivität verbessert.
Frage 1: Geschlecht, erfasst als dichotomes Merkmal (Weiblich bzw. Männ-
lich)
Frage 2: Alter („Age“), gemessen in den Ausprägungen 29 Jahre und jün-
ger, 30 – 39 Jahre, 40 – 49 Jahre, 50 – 59 Jahre, 60 Jahre und älter

Frage 3: Jahre des Lehrens („Years of Teaching), erhoben in den Ausprä-
gungen 0 – 2 Jahre, 3 – 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16
Jahre und mehr1
Frage 4: Unterrichtsfach, erfasst in sechs Kategorien:
• Mathematik, Informatik, Naturwissenschaften oder Technik
• Geisteswissenschaften und Sprachen
• Sozialwissenschaften (einschließlich BWL/VWL)2
• Sport
• Sonderpädagogik
• Sonstiges3
Frage 5: Lehrmethodik, erfasst in fünf Ausprägungen:
• Überwiegend von der Lehrkraft ausgehend (z.B. Vortrag und
Vorlesungen)
• Stärker von der Aktivität der Lehrkraft ausgehend
• Balance zwischen den auf die Lehrkraft und den auf die Lernen-
den ausgerichteten Aktivitäten
• Stärker auf die Aktivitäten der Lernenden ausgerichtet
• Überwiegend auf die Aktivitäten der Lernenden ausgerichtet
(Entdecken-lassendes, experimentelles Lernen)
Der Fragebogen für die Berufskollegs Hagen beinhaltete darüber hinaus eine
zusätzliche Frage, in der die Lehrperson aufgefordert wurde, das Berufskolleg
anzugeben, indem hauptsächlich unterrichtet wird.
Frage 5b: Berufskolleg Hagen, erfasst in sechs Kategorien: Cuno-
Berufskolleg I, Cuno-Berufskolleg II, Kaufmannsschule I Berufskol-
leg, Kaufmannsschule II Berufskolleg, Käthe-Kollwitz-Berufskolleg,
keine Angabe
1
Im schwedischen Fragebogen wurden die Ausprägungen 0 – 2 Jahre und 3 – 5 Jahre zu einer
Ausprägung < 5 Jahre zusammengefasst. Diese Abweichung ergab sich aufgrund des vorzeiti-
gen Beginns der Umfrage in Schweden.
2
Diese Ausprägung wurde im schwedischen Fragebogen nicht erfasst.
3
Die Kategorie „Sonstiges“ wurde im Fragebogen so angelegt, dass das Unterrichtsfach von
dem Probanden näher spezifiziert werden kann; es handelt sich hier um ein offenes Antwort-
format.

3.2.1.2 Einschätzung der eigenen Fähigkeiten bezüglich des Einsatzes
digitaler Arbeitsmittel
Im zweiten Fragebogen-Abschnitt wurde die Einschätzung der Fähigkeiten be-
züglich des Einsatzes digitaler Arbeitsmittel der befragten Lehrperson sowie der
Fähigkeiten und Fertigkeiten, die erforderlich sind, um digitale Arbeitsmittel in die
Lehrveranstaltung zu integrieren, erhoben. Zwei Fragen sind in diesem Abschnitt
enthalten, aus denen sich die Variablen „Proficiency of Digital Tools“ (Frage 6)
und „Teachers’ Readiness“ (Frage 7) im Pfadmodell ergeben.
Frage 6: Leistungsstand digitaler Arbeitsmittel („Proficiency of Digital
Tools“), erhoben in sechs Ausprägungen:
• Ich habe keinerlei Erfahrung mit digitalen Arbeitsmitteln.
• Ich habe versucht, digitale Arbeitsmittel zu nutzen, benötige je-
doch regelmäßig Unterstützung.
• Ich kenne die Grundfunktionen einiger Computer-Anwendungen.
• Ich weise durchschnittliche Kenntnisse in einigen Computer-
Anwendungen auf.
• Ich habe den kompetenten Umgang für ein breites Spektrum an
digitalen Arbeitsmitteln erlernt.
• Ich beherrsche die Anwendung eines großen Spektrums digitaler
Arbeitsmittel sehr gut.
Bei der Variablen „Teachers’ Readiness“ handelt es sich um ein Konstrukt, d.h.
eine nicht direkt beobachtbare (latente) Variable, die über beobachtbare Indika-
toren operationalisiert und messbar gemacht werden musste. Hierfür wurden vier
Items im Fragebogen eingesetzt, die von den Untersuchungsteilnehmern jeweils
anhand einer fünfstufigen Likert-Skala mit den Antwortoptionen (1) „trifft über-
haupt nicht zu“, (2) „trifft eher nicht zu“, (3) „trifft teilweise zu“, (4) „trifft eher zu“,
(5) „trifft vollkommen zu“ beurteilt wurden.
Frage 7: Bereitschaft der Lehrperson („Teachers’ Readiness“), erfasst
durch vier Items:
• Ich weiß, wie ich digitale Arbeitsmittel ideenreich in den Lehrver-
anstaltungen einsetze.

• Ich bin in der Lage, den Einsatz digitaler Arbeitsmittel mit dem
gültigen Lehrplan abzustimmen.
• Ich bin hinreichend geschult worden, damit ich digitale Arbeits-
mittel in meinen Lehrveranstaltungen einsetzen kann.
• Meine Computerkenntnisse reichen aus, um Lehrveranstaltun-
gen angemessen abzuhalten, in denen Studierende digitale Ar-
beitsmittel nutzen.
3.2.1.3 Expertenmeinungen zu digitalen Arbeitsmitteln
Im dritten Abschnitt des Fragebogens wurden die Lehrpersonen aufgefordert, die
Auffassung bzw. Wahrnehmung in Hinblick auf den Einfluss digitaler Arbeitsmit-
tel auf den Lernerfolg und die Lernleistung der Studenten/Studentinnen bzw.
Schüler/innen sowie auf den Unterricht zu beurteilen.
In diesem Fragebogen-Abschnitt wurde das Konstrukt „Teachers’ Beliefs“ opera-
tionalisiert und messbar gemacht. Zur Operationalisierung dieses Konstrukts
wurden für diesen Abschnitt zwei Sub-Konstrukte eingesetzt: „Impact on
Students“ (Frage 8) und „Impact on Classroom Instruction“ (Frage 9); beide zu-
sammen bestimmten die Variable „Teachers’ Beliefs“. Das Sub-Konstrukt
„Impact on Students“ setzte sich aus acht Items, das Sub-Konstrukt „Impact on
Classroom Instruction“ aus vier Items zusammen. Die Untersuchungsteilnehmer
wurden dabei aufgefordert, für jedes Item den Grad ihrer Zustimmung zu beurtei-
len. Hierfür standen ihnen jeweils fünfstufige Likert-Skalen mit den Antwortoptio-
nen (1) „trifft überhaupt nicht zu“, (2) „trifft eher nicht zu“, (3) „trifft teilweise zu“,
(4) „trifft eher zu“, (5) „trifft vollkommen zu“ zur Verfügung.
Frage 8: Auswirkungen auf Studierende/Lernende/Schüler („Impact on
Students“), zusammengesetzt aus acht Items:
• Der Einsatz digitaler Arbeitsmittel hat das Niveau der Interaktion
und/oder der Zusammenarbeit zwischen den Studierenden er-
höht.
• Der Einsatz digitaler Arbeitsmittel hat das Lernen und die Leis-
tung der Studierenden positiv beeinflusst.

• Der Einsatz digitaler Arbeitsmittel hat die Arbeitsqualität der Stu-
dierenden verbessert.
• Der Einsatz digitaler Arbeitsmittel verbessert das problemlösen-
de Lernen.
• Der Einsatz digitaler Arbeitsmittel motiviert die Studierenden da-
zu, sich mehr in die Lernaktivitäten einzubringen.
• Der Einsatz digitaler Arbeitsmittel fördert die Entwicklung der
Sozialkompetenz der Studierenden (z.B. die Fähigkeit, eine per-
sönliche Beziehung zu anderen aufzubauen oder mit ihnen zu-
sammen zu arbeiten).
• Der Einsatz digitaler Arbeitsmittel fördert die Entwicklung der
Kommunikationsfähigkeit (z.B. die Schreib- und Präsentations-
techniken).
Frage 9: Auswirkungen auf Studium/Unterricht („Impact on Classroom
Instruction“), erfasst durch vier Items:
• Das Studium ist stärker auf die Studierenden ausgerichtet, wenn
digitale Arbeitsmittel eingesetzt werden.
• Die Lernaktivitäten haben sich durch die Bemühungen, digitale
Arbeitsmittel in den Unterricht einzubinden, auf sehr positive
Weise verändert.
• Das Studium ist interaktiver, wenn digitale Arbeitsmittel in den
Lehrveranstaltungen eingesetzt werden.
• Der Einsatz digitaler Arbeitsmittel ermöglicht es den Lehrkräften,
Lernmoderatoren anstelle von Informationslieferanten zu sein.
Den dritten Fragebogen-Abschnitt beendeten die folgenden zwei Items, die als
Kontrollvariablen im Fragebogen für Frage 9 eingesetzt wurden1
:
Frage 10: Wie bewerten Sie grundsätzlich den Einsatz digitaler Arbeits-
mittel in Lehrveranstaltungen? (Bewertung), erfasst als dicho-
tomes Merkmal (eher schlecht bzw. eher gut)
1
Hinweis: Beide Kontrollvariable sind nicht Gegenstand der Masterarbeit, d.h. sie bleiben in den
Analysen unberücksichtigt.

Frage 11: Wie bewerten Sie grundsätzlich den Einsatz digitaler Arbeits-
mittel in Lehrveranstaltungen? (Nützlichkeit), erfasst als dicho-
tomes Merkmal (eher nutzlos bzw. eher hilfreich)
3.2.1.4 Wahrnehmung des (technischen) Supports
Im vierten Fragebogen-Abschnitt wurden institutionenbezogene Eigenschaften
bzw. die Unterstützung seitens der Bildungseinrichtung erhoben: die wahrge-
nommene Unterstützung von administrativer Seite, Kollegen, Interessengruppen
etc. hinsichtlich der Integration digitaler Arbeitsmittel in der Bildungseinrichtung
(„Overall Support“) sowie die Wahrnehmung an der Eignung der technischen
Unterstützung, Verfügbarkeit an Ressourcen und Unterstützung bei Computer-
Software und Fehlerbehebung („Technical Support“) (jeweils Frage 12). Darüber
hinaus wurde die Unterstützung hinsichtlich Schulungen (Frage 13) und eines
Technologie-Coaches („Technology Coach Effectiveness“) (Frage 14 und 151
)
erfasst.
Bei den Variablen „Overall Support“, „Technical Support“ und „Technology Co-
ach Effectiveness“ handelt es sich jeweils um Konstrukte, die über beobachtbare
Indikatoren operationalisiert und messbar gemacht werden mussten. Für „Over-
all Support“ und „Technical Support“ wurden hierfür acht Items (für jedes Kon-
strukt vier Items) und für „Technologie-Coach“ vier Items im Fragebogen einge-
setzt, die von den befragten Lehrpersonen jeweils anhand einer fünfstufigen Li-
kert-Skala mit den Antwortoptionen (1) „trifft überhaupt nicht zu“, (2) „trifft eher
nicht zu“, (3) „trifft teilweise zu“, (4) „trifft eher zu“, (5) „trifft vollkommen zu“ beur-
teilt wurden.
Frage 12: Allgemeine Unterstützung („Overall Support“), erfasst durch vier
Items:
• Verschiedene Interessengruppen unterstützen die technologi-
schen Bemühungen unserer Institution.
1
Hinweis: Die Variable „Technology Coach Effectiveness“ ist nicht Gegenstand der Masterarbeit,
d.h. sie bleibt in den Analysen unberücksichtigt.

• Die Lehrkräfte werden ausreichend administrativ unterstützt, um
digitale Arbeitsmittel in Lehrveranstaltungen einzubinden.
• Unsere Institution hat einen gut entwickelten Technologieplan,
der zu allen technologischen Neuerungen instruiert.
• Im Allgemeinen unterstützen die Lehrkräfte unserer Institution
technologische Neuerungen.
Technische Unterstützung („Technical Support“), zusammen-
gesetzt aus vier Items:
• Der überwiegende Teil unserer Computer wird in gutem Arbeits-
zustand gehalten.
• Ich kann ohne Weiteres Auskunft zu technischen Fragen einho-
len.
• Meine Studierenden haben ausreichenden Zugang zu techni-
schen Arbeitsmitteln, die sich auf dem neuesten Stand befinden.
• Der Zugang zu digitalen Arbeitsmitteln in Lehrveranstaltungen ist
an unserer Institution sehr leicht.
Frage 13: Schulung, erhoben in den Ausprägungen keine Schulung, einen
ganzen Tag oder weniger, mehr als einen Tag und weniger als ein
Semester, einen Semester-Lehrgang, mehr als ein Semester.
Frage 14: Gibt es in Ihrer Institution eine Person, die als eine Art „Tech-
nologie-Coach“ zur Verfügung steht? (Technology Coach), er-
fasst als dichotomes Merkmal (ja bzw. nein)
Frage 15: Effektivität eines Technologie-Coach („Technology Coach Ef-
fectiveness“), erfasst durch vier Items:
• Ich habe regelmäßig an Fortbildungen teilgenommen, die von
unserem Technologie-Coach geplant und angeboten wurden.
• Ich setze digitale Arbeitsmittel häufiger in meinen Lehrveranstal-
tungen ein, seitdem ich an einer Fortbildung teilgenommen habe,
die von unserem Technologie-Coach geplant und angeboten
wurde.

• Die Qualität meiner Lehrveranstaltungen, in denen ich techni-
sche Arbeitsmittel einsetze, hat sich verbessert, seitdem ich an
einer Fortbildung teilgenommen habe, die von unserem Techno-
logie-Coach geplant und angeboten wurde.
• Im Großen und Ganzen ist unser Technologie Coach ein wert-
voller Gewinn, was die Implementierung von Technologie in un-
serer Institution angeht.
3.2.1.5 Wahrnehmung bezüglich der Häufigkeit der Einbindung
Im fünften Abschnitt des Fragebogens wurden die Teilnehmer aufgefordert, die
Wahrnehmung bezüglich der Häufigkeit der Einbindung digitaler Arbeitsmittel in
ihre Lehraktivitäten zu beurteilen.
In diesem Fragebogen-Abschnitt wurde das Konstrukt „Integration of Digital
Tools“ operationalisiert und messbar gemacht. Zur Operationalisierung dieses
Konstruktes wurden das Sub-Konstrukt „Process of Integration“ (Frage 16) und
das Sub-Konstrukt „Future Development of Integration“ (Frage 17) eingesetzt.
Das Konstrukt „Process of Integration“ setzte sich aus zehn Items zusammen,
die von den Untersuchungsteilnehmern anhand einer fünfstufigen Likert-Skala
bewertet wurden. Die Antwortoptionen waren (1) „nie“, (2) „selten“, (3) „manch-
mal“, (4) „oft“ und (5) „immer“.
Das Konstrukt „Future Development of Integration“ setzte sich aus drei Items
zusammen. Hier wurden die Lehrpersonen aufgefordert, für jedes Item den Grad
ihrer Zustimmung anhand einer fünfstufigen Likert-Skala mit den Antwortoptio-
nen (1) „trifft überhaupt nicht zu“, (2) „trifft eher nicht zu“, (3) „trifft teilweise zu“,
(4) „trifft eher zu“, (5) „trifft vollkommen zu“ zu beurteilen.
Frage 16: Häufigkeit der Integration („Process of Integration“), zusam-
mengesetzt aus zehn Items:
• Instruierend (z.B. Vortrag, Vorlesung)
• Kommunikativ (z.B. E-Mail, ICQ, Facebook, Skype, Videokonfe-
renz)
• Organisatorisch (z.B. Datenbank, Arbeitsblätter, Aufzeichnun-
gen, Unterrichtspläne)

• Analytisch/programmierend (z.B. Statistiken, Grafiken, Simulati-
onen)
• Entspannend (z.B. Spiele)
• Erweiternd (z.B. Experimente, Erkundungsumgebung, Brain-
storming)
• Kreativ (z.B. audio-visuelle Medien wie Film, Animationen, Bil-
der)
• Veröffentlichend (z.B. Blog, Online-Journal)
• Evaluierend (z.B. Prüfung, Portfolio, Tests)
• Informativ (z.B. Internetrecherche)
Frage 17: Zukünftige Entwicklung der Integration („Future Development
of Integration“), erfasst durch drei Items:
• Ich denke, ich werde digitale Arbeitsmittel viel mehr in meinen
Lehrveranstaltungen einsetzen als ich dies im Augenblick tue.
• Ich kann mir vorstellen, dass meine Lehre in Zukunft viel stärker
technologiebasiert sein wird.
• Ich werde den Einsatz digitaler Arbeitsmittel meinen Kollegen
weter empfehlen.
3.2.2 Ablauf der Online-Befragung
Jeder der sieben Fragebogen wurde in LimeSurvey mit einem Link angelegt, der
direkt zur Einleitungsseite und dem ersten Themenblock des Fragebogens führt.
Dieser Link wurde zunächst per E-Mail an den Ansprechpartner der jeweiligen
Hochschule geschickt, der den Link wiederum an den entsprechenden Perso-
nenkreis an der Hochschule versendet bzw. weitergeleitet hat. Die Ansprech-
partner wurden im Vorfeld festgelegt.1
Der Versand an die Lehrpersonen in den
Hochschulen wurde damit dem Ansprechpartner überlassen; zwar wurde die
Kontrolle über den Versand des Fragebogens „aus der Hand gegeben“, jedoch
kennt der Ansprechpartner den Personenkreis seiner Hochschule besser, so
dass dadurch eine höhere Rücklaufquote zu erwarten ist als bei einem Versand
1
In den teilnehmenden Hochschulen des Projekts „Digital Classroom“ handelte es sich um die
jeweiligen Projektkoordinatoren der Hochschulen.

an die Lehrpersonen von einer unbekannten Person. An den deutschen Hoch-
schulen erfolgte der Versand des Links zusammen mit einem Begleitschreiben.
Das Begleitschreiben enthielt u.a. Hintergrundinformationen zur Umfrage, die
Bearbeitungsdauer der Umfrage sowie eine Frist für die Teilnahme an der Onli-
ne-Befragung, d.h. bis wann an der Umfrage teilgenommen werden kann. Der
Anlage A9 ist beispielhaft das Begleitschreiben an den deutschen Hochschulen
zu entnehmen.
Der Zeitraum, d.h. Start- und Endtermin der Online-Befragung war aufgrund or-
ganisatorischer Gegebenheiten an den einzelnen Hochschulen unterschiedlich.
Ursprünglich war eine Bearbeitungszeit von vier Wochen geplant. In Schweden
wurde die Umfrage jedoch bereits vor dem Pretest Anfang September 2012 ge-
startet und endete zum 31. Oktober 2012. Vorgenommene Änderungen der Pro-
jektgruppe am Fragebogen Mitte September 2012 konnten hier nicht berücksich-
tigt werden. An den Hochschulen in Schottland, der Türkei, Spanien und an der
DHBW Stuttgart erfolgte die Befragung im Zeitraum von Anfang Oktober 2012
bis 31. Oktober 2012, an den Berufskollegs Hagen zwischen Ende Oktober 2012
und 11. November 2012 und an der AKAD-Gruppe zwischen Anfang November
2012 und 25. November 2012.1
Zur Steigerung der Rücklaufquote wurde bei al-
len Untersuchungsteilnehmern kurz vor Ablauf der Frist noch einmal per E-Mail
um Unterstützung geworben. Da die Online-Befragung der AKAD-Gruppe und
der Berufskollegs Hagen zum Auswertungszeitpunkt dieser Masterarbeit noch
nicht abgeschlossen war, wurde für die Analyse der Ergebnisse der Stand der
Daten zum 10. November 2012 eingesetzt.
1
Der genaue Starttermin bzw. der Versand der E-Mails an den teilnehmenden Personenkreis der
einzelnen Hochschulen liegt der Autorin nicht vor.

3.3 Auswertungsverfahren
Die Datenanalyse der empirischen Untersuchung erfolgt in mehreren Schritten
über das Statistikprogramm SPSS® Statistics 17.0. Das schrittweise Vorgehen
wird in diesem Kapitel ausführlich erläutert.
3.3.1 Datenimport und Datenbereinigung in SPSS
Datenimport in SPSS
Das Fragebogen-Tool LimeSurvey enthält für jede Hochschule einen separaten
Fragebogen, der in der jeweiligen Landessprache angelegt ist. Für jede der sie-
ben Hochschulen existieren damit separate Antwort-Datensätze, die aus Lime-
Survey in das Statistikprogramm SPSS importiert werden (müssen). Zunächst
werden aus LimeSurvey alle Antworten je Hochschule, d.h. sowohl die unvoll-
ständigen als auch vollständigen Antworten, über eine Syntax-Datei und eine
Daten-Datei exportiert und anschließend in SPSS importiert und je Hochschule
abgespeichert. Jede Hochschule verfügt nun über einen Antwort-Datensatz in
SPSS.
Überprüfung der Variablen in den einzelnen Datensätzen
Im ersten Schritt der Datenbereinigung werden die Variablen in der Variablenan-
sicht überprüft. Zunächst liegt das Augenmerk auf den Variablentypen. In einer
SPSS Tabelle sollen generell nur Variablen mit dem Typ „Numerisch“ stehen;
„String“ Variable sind nicht für Auswertungen geeignet. Eine Vielzahl der Variab-
len wurde als Variablentyp „String“ importiert, die es nun „umzukodieren“ gilt.1
Hierbei ist darauf zu achten, dass alle Antwortoptionen in den Wertelabels über-
nommen werden; zur Kontrolle werden die Wertelabels mit den Original-
Fragebogen der einzelnen Hochschulen abgeglichen. Zudem wird die Reihenfol-
ge der Werte in den Wertelabels in den einzelnen Datensätzen für jede Hoch-
schule überprüft und – sofern erforderlich – durch Umpolung in allen Datensät-
1
Funktion in SPSS: Transformieren – Automatisch umkodieren; für jede umzukodierende Variab-
le wird ein neuer Name vergeben.

zen vereinheitlicht.1
Dies ist für die spätere Zusammenführung der einzelnen Da-
tensätze der Hochschulen zu einem gesamten Datensatz notwendig. Ebenso ist
darauf zu achten, dass die Namen und das Spaltenformat der einzelnen Variab-
len in jedem Datensatz identisch sind.
Nach Anpassung des Variablentyps und der Wertelabels werden die Messni-
veaus der einzelnen Variablen überprüft und angepasst; die Messniveaus
nominal, ordinal und metrisch werden den einzelnen Variablen entsprechend
zugeordnet. Zu den nominalskalierten Variablen zählen „Geschlecht“, „Unter-
richtsfach“ und „Berufskolleg Hagen“ sowie die dichotomen Variablen „Bewer-
tung“, „Nützlichkeit“ und „Technologie-Coach“. Die Variablen „Lehrmethodik“ und
„Schulung“ werden als ordinalskalierte Variable angelegt. Zu den ordinalskalier-
ten Variablen gehören streng genommen auch die Variablen „Age“, „Years of
Teaching“ sowie „Proficiency of Digital Tools“; aufgrund des zu untersuchenden
hypothetischen Pfadmodells mittels multipler Regressionsanalyse2
werden diese
Variablen aber als intervallskalierte bzw. metrische Variablen in SPSS angelegt
und als solche betrachtet. Ebenfalls zu den metrischen Variablen gehören alle
Items, die mit einer fünfstufigen Likert-Skala im Fragebogen ausgewiesen sind
sowie die Skalen, die aus diesen Items gebildet werden. Ein Auszug der
Variablenansicht mit den zugeordneten Messniveaus ist der Anlage A10 zu ent-
nehmen.
Nun gilt es noch, die Variablenlabels in der Variablenansicht anzupassen. Beim
Datenimport aus LimeSurvey in SPSS wird die Frage bzw. der Text jedes Items
im Variablenlabel in der jeweiligen Sprache der Fragebogen ausgewiesen. Zu-
nächst wird der Datensatz einer Hochschule als „Masterdokument“ ausgewählt,
in dem später die anderen Datensätze zu einer Gesamtdatei zusammengefügt
werden. Für diese empirische Studie wird der Datensatz der DHBW Stuttgart
1
Einige Antwortoptionen in den Fragebogen der Sprachen Englisch, Spanisch, Türkisch und
Schwedisch hatten eine andere Reihenfolge als die deutschen Fragebogen: Wertelabels 5-4-3-
2-1 müssen auf 1-2-3-4-5 umgepolt werden. Dies erfolgte während des Umkodierungsprozes-
ses über die Funktion in SPSS: Transformieren – Automatisch umkodieren. Im Dialogfeld wird
folgende Einstellung vorgenommen: Umkodierung beginnen bei: Größtem Wert.
2
Eine multiple Regressionsanalyse erfordert Intervallskalenniveau der eingesetzten Variablen.
Laut der Studie von Inan und Lowther (2009) wurden die Variablen in ihrem Pfadmodell einer
multiplen Regression unterzogen, daher wird davon ausgegangen, dass auch in ihrer Studie
alle Variablen intervallskaliert waren.

(Sprache: Deutsch) als Masterdokument verwendet; hier werden nun die Vari-
ablenlabels umbenannt.1
Zusammenführung der einzelnen Datensätze zu einer Gesamtdatei
Vor dem Zusammenfügen der einzelnen Datensätze zu einer Gesamtdatei wird
in jedem Datensatz eine zusätzliche, neue „numerische“ Variable eingefügt,
welche die jeweilige Hochschule identifizieren soll; das Messniveau ist normal-
skaliert. Den Fällen wird die entsprechende Hochschule zugewiesen. Darüber
hinaus wird in den einzelnen Datensätzen nach „leeren“ Fällen sortiert, d.h. Fäl-
le, die bereits zu Beginn abgebrochen wurden und keine Daten für die Daten-
analyse bereitstellen. Diese werden aus den Datensätzen entfernt; es handelt
sich hier um insgesamt 20 Fälle.
Nachdem nun alle Datensätze dieselbe Variablenstruktur aufweisen, können die
einzelnen Datensätze je Hochschule im letzten Schritt der Datenbereinigung zu
einer Gesamtdatei zusammengefügt werden.
Anmerkungen zur Datenbereinigung
Bei der Datenbereinigung sind einige Probleme aufgetreten, deren Lösungen
bzw. Umsetzungen im Folgenden kurz beschrieben werden:
Datensatz Schweden:
Die Online-Umfrage der Hochschule Schweden wurde vorzeitig gestartet, so
dass Änderungen im Fragebogen, die im Projekt „Digital Classroom“ nachträg-
lich gemacht wurden, nicht berücksichtigt werden konnten:
• Frage 3 des schwedischen Fragebogens beinhaltete lediglich vier
Antwortoptionen (< 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16 Jahre und
mehr), während die Fragebogen der anderen Hochschulen aus fünf Ant-
wortoptionen (0 – 2 Jahre, 3 – 5 Jahre, 6 – 10 Jahre, 11 – 15 Jahre, 16
Jahre und mehr) bestanden. Die zusätzliche Antwortoption, die den
Bereich < 5 Jahre nochmals unterteilt, ist im Projekt „Digital Classroom“
nochmals geändert worden. Bei der Datenbereinigung wurde festgestellt,
dass es zwei Fälle gab, bei denen die Antwortoption < 5 Jahre von den
1
Die Variablenlabels der anderen Datensätze können vernachlässigt werden, da beim Zusam-
menfügen der Datensätze lediglich die Fälle übernommen werden.

Lehrpersonen ausgewählt wurde. Diese beiden Fälle wurden aus der
Gesamtdatei für die Analyse ausgeschlossen, da nicht bekannt ist, ob es
sich bei der Antwortoption um 0 – 2 Jahre oder 3 – 5 Jahre handelt.1
• Frage 4 des schwedischen Fragebogens beinhaltete nur fünf Unterrichts-
fächer. Das Unterrichtsfach „Sozialwissenschaften (einschließlich BWL/
VWL)“ wurde nicht erfragt. Zudem wurde der Fragebogen in LimeSurvey
mit der Option Mehrfachantworten angelegt; zwei Fälle sind hiervon be-
troffen, die für die Analyse aus der Gesamtdatei ausgeschlossen wurden.
• Die Fragenreihenfolge des schwedischen Fragebogens wurde anders an-
gelegt. Die Fragenreihenfolge 6, 7, 8, 9, 10 und 11 im schwedischen Fra-
gebogen entsprachen der Fragenreihenfolge 8, 9, 10, 11, 6 und 7 in den
anderen Fragebogen; die Reihenfolge des schwedischen Fragebogens
wurde an die Reihenfolge der anderen Fragebogen angepasst.
Datensatz Türkei:
Trotz der Antwort „Nein“ bei Frage 14 wurde Frage 15 von allen Lehrpersonen
ausgefüllt; Der Grund war eine fehlerhafte Einstellung dieser Frage in LimeSur-
vey. In der Hochschule Türkei steht keine Person als eine Art „Technologie-
Coach“ zur Verfügung, deswegen wurden die Angaben in Frage 15 aus dem
Datensatz der Türkei und letztendlich auch aus der Gesamtdatei für die Hoch-
schule Türkei entfernt.
3.3.2 Deskriptive Datenanalyse
Die deskriptive Statistik beschäftigt sich mit der Darstellung der gesammelten
Daten, um einen schnellen Überblick der Ergebnisse zu gewinnen. Sie ist not-
wendig, um die Eignung der Daten für bestimmte bi- und multivariate Analyse-
verfahren einzuschätzen. Im Rahmen der deskriptiven, univariaten Analyse wer-
den in der Regel Häufigkeitsverteilungen, Lage- und Streuungsparameter be-
trachtet, aber auch die Normalverteilung sowie Schiefe und Steilheit einer (Häu-
figkeits-)Verteilung sind von Bedeutung.
1
Einer der beiden Fälle wurde zusätzlich nur „teilweise abgeschlossen“.

Häufigkeitsverteilungen beschreiben, wie oft die verschiedenen Merkmalsaus-
prägungen einer Variablen im Datensatz vorkommen. Es wird zwischen absolu-
ten und relativen Häufigkeiten unterschieden. Die sogenannte zentrale Tendenz
der Daten wird durch Lageparameter dargestellt. Sie charakterisieren die Häu-
figkeitsverteilung durch einen einzigen Wert, der die gesamte Verteilung so gut
wie möglich repräsentieren soll. Zu den wichtigsten zählen das arithmetische
Mittel, der Median und der Modus. Die Streuungsparameter hingegen beschrei-
ben die Variabilität eines Merkmals in einem Datensatz. Dabei wird gemessen,
wie dicht die Werte einer Häufigkeitsverteilung um den Mittelwert streuen. Die
Varianz und die Standardabweichung sind hierbei die am häufigsten verwende-
ten Größen.1
Die annähernde Normalverteilung der Daten gilt für die Durchfüh-
rung vieler statistischer Verfahren als wichtigste Voraussetzung. Es gibt unend-
lich viele Normalverteilungen; allen gemeinsam ist die Symmetrie um den Mittel-
wert. Bei einer Normalverteilung sind Schiefe und Steilheit immer Null.2
Die deskriptive Analyse dieser Arbeit erfolgt mit der Gesamtdatei nach der Ent-
fernung der Fälle mit „fehlenden Werten“.3
Für den Gesamtdatensatz werden
Häufigkeitstabellen für alle Variablen bzw. Items ermittelt. Zudem wird für nomi-
nalskalierte Variablen der Modalwert (Modus) berechnet und als Diagrammtyp
ein Balkendiagramm ausgewiesen, welches die Häufigkeiten in den Diagramm-
werten angibt. Ordinalskalierte Variablen werden mit dem Median und Modalwert
ausgewiesen und erhalten als Diagrammtyp ebenfalls ein Balkendiagramm, das
die Häufigkeiten in den Diagrammwerten angibt. Die Lageparameter Modalwert,
Median und Mittelwert sowie die Streuungsparameter Standardabweichung und
Varianz und die Verteilung der Normalverteilung (Schiefe, Kurtosis) werden für
die intervallskalierten Variablen berechnet. Darüber hinaus wird als Diagrammtyp
ein Histogramm mit Normalverteilungskurve je intervallskalierte Variable erstellt.4
1
Hinweis: Nicht alle Lage- und Streuungsparameter sind für jedes Skalenniveau geeignet bzw.
einsetzbar.
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010a), o. S.
3
Aufgrund des großen Datensatzes der Umfrage wird im Rahmen dieser Masterarbeit die Ge-
samtdatei vor Entfernung der Fälle mit „fehlenden Werten“ nicht betrachtet. Die deskriptive
Analyse findet lediglich mit dem Gesamtdatensatz ohne „fehlende Werte“ statt; N = 382.
4
Die Prüfung auf Normalverteilung erfolgt im Rahmen der deskriptiven Datenalyse lediglich an-
hand eines grafischen Tests; ein Chi² Test sowie eine explorative Datenanalyse werden mit den
Variablen im Pfadmodell vor der bzw. parallel zur multiplen Regressionsanalyse vorgenommen.

Die deskriptiven Statistiken erfolgen in SPSS über den Befehl Analysieren – De-
skriptive Statistiken – Häufigkeiten1
.
Um eine Übersicht der Häufigkeitsverteilung für jede Variable je Hochschule, die
in die Fallauswahl bzw. den folgenden Analysen einbezogen werden, zu be-
kommen, werden für jede Variable zudem „einfache“ Kreuztabellen erstellt.
Die Kreuztabelle wird in SPSS über den Befehl Analysieren – Deskriptive Statis-
tiken – Kreuztabellen2
vorgenommen.
3.3.3 Reliabilitätsanalyse zur Skalenbewertung und Skalenbildung
Items im Fragebogen, die ein Konstrukt bilden, werden zunächst auf Reliabilität
überprüft. Erfüllen die Items die Kriterien, werden sie zu einer Skala zusammen-
gefügt. Um in SPSS eine Reliabilitätsanalyse zur Bewertung einer zusammen-
gesetzten Skala durchzuführen, ist es nicht notwendig, dass diese Skala tatsäch-
lich konstruiert und ihre Ausprägungen berechnet wurden. Die einzelnen Items,
die zu einer Skala zusammengefasst werden sollen, bilden die Grundlage der
Prozedur, und SPSS berechnet im Hintergrund die zusammengefasste Skala,
auf die sich die Aussagen der Reliabilitätsanalyse beziehen. Eine Skala wird als
Summe der einzelnen Items gebildet. SPSS addiert die Werte der ausgewählten
Items, so dass die Summe der Testergebnisse als Skala zur Messung des Kon-
strukts dient. Die Reliabilitätsanalyse wird anhand dieser Skala durchgeführt, die
Ergebnisse der Analyse sind allerdings allgemeiner Natur und geben Aufschluss
darüber, wie gut die einzelnen Items geeignet sind, in einer gemeinsamen Skala
zusammengefasst zu werden. Die einzelnen Items bzw. Variablen müssen fol-
1
Folgende Einstellungen werden im Dialogfeld vorgenommen: In das Feld Variable(n) werden
die Variablen bzw. Items eingefügt. Im Dialogfeld der Schaltfläche Statistiken werden in der
Gruppe Lagemaße – je nach Skalenniveau – Modalwert, Median und Mittelwert, in der Gruppe
Streuung Standardabweichung, Varianz sowie Minimum und Maximumg und in der Gruppe
Verteilung Schiefe und Kurtosis angekreuzt. Im Dialogfeld der Schaltfläche Diagramme werden
als Diagrammtyp Balkendiagramme für nominal- und ordinalskalierte Variable und Histogram-
me Mit Normalverteilungskurve für intervallskalierte Variable sowie als Diagrammwerte Häufig-
keiten ausgewählt.
2
Im Dialogfeld warden die folgenden Einstellungen vorgenommen: In das Feld Spalten wird die
Variable Hochschule bzw. Land eingetragen, in das Feld Zeile(n) alle anderen Variablen. Zu-
dem wird das Feld Gruppierte Balkendiagramme anzeigen ausgewählt; für alle weiteren Dialog-
felder werden die Voreinstellungen von SPSS übernommen.

gende Anforderungen erfüllen, damit sich die Ergebnisse der Reliabiltätsanalyse
sinnvoll interpretieren lassen:1
• Skalenniveau: dichotom, ordinalskaliert oder intervallskaliert; für alle müs-
sen numerische Kodierungen verwendet werden.
• Einheitliche Orientierung: Notwendige Voraussetzung ist eine einheitliche
Orientierung der Items, d.h. bei allen Items sollten die inhaltliche Bedeu-
tung der großen/kleinen Werte übereinstimmen. Kennzeichnen bei einem
Item große Werte ein positives und kleine Werte ein negatives Testergeb-
nis, sollte dies bei allen übrigen Items auch der Fall sein. Andernfalls
müssen die Werte umkodiert werden.
• Einheitlicher Wertebereich: Items sollten sich sinnvoll additiv zu einer Ge-
samtskala zusammenfassen lassen. Dies erfordert einen einheitlichen
Wertebereich der Items. Ist dies nicht der Fall, so sollten die Items ggf.
umkodiert und auf einen einheitlichen Wertebereich normiert werden.
Der Wert Cronbachs Alpha ist ein zentrales Ergebnis der Reliabilitätsanalyse.
„Cronbachs Alpha ist ein Maß für die Reliabilität (die Zuverlässigkeit) der Ge-
samtskala und wird häufig auch als ein Maß der internen Konsistenz bezeich-
net.“2
Je größer Cronbachs Alpha, desto höher ist die Validität der Gesamtskala;
d.h. der Wert von Cronbachs Alpha ist umso höher, je stärker die einzelnen
Items miteinander korrelieren. In der Literatur wird ein Wert von mindestens 0.8
gefordert, damit eine zusammengesetzte Skala als hinreichend zuverlässig an-
gesehen werden kann. Im Output von SPSS gibt die Reliabilitätsanalyse ferner
Auskunft darüber, welchen Beitrag die einzelnen Items zur Gesamtskala leisten.3
Es wird für die folgenden Fragen bzw. deren Items im Fragebogen eine Reliabili-
tätsanalyse durchgeführt:
• Frage 7: Zusammenfassung der 4 Items zur Skala „Teachers’ Readiness“
• Frage 8: Zusammenfassung der 8 Items zur Skala „Impact on Students“
1
Vgl. Brosius, F. (2006), S. 797f.
2
Brosius, F. (2006), S. 798
3
Vgl. ebenda, S. 800

• Frage 9: Zusammenfassung der 4 Items zur Skala „Impact on Classroom
Instruction“
• Frage 12/1: Zusammenfassung der Items 1, 2, 3, 4 zur Skala „Overall
Support“
• Frage 12/2: Zusammenfassung der Items 5, 6, 7, 8 zur Skala „Technical
Support“
• Frage 15: Zusammenfassung der 4 Items zur Skala „Technology Coach“
• Frage 16: Zusammenfassung der 10 Items zur Skala „Process of
Integration“
• Frage 17: Zusammenfassung der 3 Items zur Skala „Future Development
of Integration“
Alle Items erfüllen die oben genannten Anforderungen: sie sind intervallskaliert
und haben durch die vorgegebene fünfstufige Likert-Skala sowohl eine einheitli-
che Orientierung als auch einheitliche Wertelabels in SPSS.
Die Reliabilitätsanalyse wird in SPSS über den Befehl Analysieren – Skalierung
– Reliabilitätsanalyse1
vorgenommen.
Der Wert von Cronbachs Alpha wird häufig auch als Maß für die Eindimensiona-
lität der Items aufgefasst. Es wird versucht, aus Cronbachs Alpha Erkenntnisse
darüber zu gewinnen, ob die Items tatsächlich dieselbe Größe messen und in
einer gemeinsamen Skala aufgehen sollten: sind alle Items stark miteinander
korreliert, scheint ihnen dieselbe Größe bzw. Hintergrundvariable zugrunde zu
liegen. Umgekehrt bilden Items mit geringer Korrelation unterschiedliche Dimen-
sionen ab, und es ist möglicherweise nicht sinnvoll, sie zu einer Skala zusam-
menzufassen. Diese Zusammenhänge treffen zwischen der Korrelation der
Items und ihrer Eindimensionalität grundsätzlich zu, jedoch gibt Cronbachs Al-
pha nur bedingt Aufschluss darüber, inwieweit alle Items dieselbe Dimension
abbilden. So kann sich auch für eine Gruppe von Items, die zwei oder mehr Di-
1
Folgende Einstellungen werden im Dialogfeld vorgenommen: In das Feld Items werden die
Items eingefügt, die zu einer Skala zusammengefasst werden sollen. In der Dropdown-Liste
Modell wird der Eintrag Alpha gewählt. Im Dialogfeld der Schaltfläche Statistiken werden in der
Gruppe Deskriptive für alle drei Optionen Item, Skala und Skala wenn Item gelöscht, in der
Gruppe Zwischen Items Korrelationen, in der Gruppe ANOVA-Tabelle der F-Test angekreuzt.

mensionen abbilden, ein hoher Alpha-Wert ergeben. Um solche Zusammenhän-
ge zu identifizieren, eignet sich eine Faktorenanalyse.1
Letztendlich bedeutet
dies, dass Items vor einer Skalenbildung vorsichtshalber einer Faktorenanalyse
unterzogen werden sollten.
Neben den oben genannten Skalen werden zwei weitere Skalen gebildet, die
sich jeweils aus zwei Fragen mit verschiedenen Items zusammensetzen:
• Frage 8 und Frage 9: Zusammenfassung der 12 Items zur Skala
„Teachers’ Beliefs“
• Frage 16 und Frage 17: Zusammenfassung der 13 Items zur Skala
„Integration of Digital Tools“
Da sich diese Skalen aus mehr als einer Frage zusammensetzen, sollen diese
Items neben einer Reliabilitätsanalyse zusätzlich einer Faktorenanalyse unterzo-
gen werden, auf die im folgenden Kapitel näher eingegangen wird. Damit soll
geprüft werden, ob sie jeweils dieselbe Dimension abbilden. Auf eine Faktoren-
analyse weiterer (oben) gebildeter Skalen wird verzichtet.
Nachdem die Skala auf Reliabilität überprüft wurde, werden die Items in SPSS
zu der entsprechenden Skala zusammengefügt. Dies erfolgt über den Befehl
Transformieren – Variable berechnen2
.
3.3.4 Faktorenanalyse
Die Faktorenanalyse zählt zu den Interdependenzanalysen. Ausgangspunkt der
Faktorenanalyse bildet eine große Anzahl von Variablen, von denen a priori nicht
bekannt ist, ob und in welcher Weise sie miteinander zusammenhängen, für die
jedoch vermutet wird, dass sie bestimmte komplexe Sachverhalte repräsentie-
ren. Es lässt sich mit der Faktorenanalyse untersuchen, ob sich unter den be-
trachteten Variablen solche Gruppen von Variablen befinden, denen jeweils eine
1
Vgl. Brosius, F. (2006), S. 801
2
Im Dialogfeld werden folgende Einstellungen vorgenommen: Unter Zielvariable wird der Name
der neugebildeten Variablen eingegeben. Zur Bildung des Mittelwerts gibt man unter numeri-
scher Ausdruck MEAN ein und fügt die einzelnen Items, die die Skala abbilden sollen, durch
Kommata getrennt in einer Klammer ein.

komplexe Hintergrundvariable, ein sogenannter Faktor, zugrunde liegt.1
Ziel ei-
ner Faktorenanalyse ist die Zusammenfassung und Reduktion von vielen Variab-
len zu wenigen Faktoren. Bei einer explorativen Analyse wird keine Struktur der
Daten vorausgesagt, bei einer konfirmatorischen Analyse hingegen soll eine an-
genommene Struktur bestätigt werden.2
Im Rahmen dieser Untersuchung werden die gebildeten Skalen „Teachers’
Beliefs“ und „Integration of Digital Tools“ einer explorativen Faktorenanalyse
unterzogen. Das schrittweise Vorgehen der Faktorenanalyse wird im Folgenden
beschrieben:3
Variablenauswahl
Zunächst werden die ausgewählten Variablen bzw. Items in einem Modell
mit entsprechenden Fragestellungen dargestellt. Es wird davon ausgegangen,
dass die Struktur anfangs unbekannt ist; d.h. es kann ein Faktor oder mehr als
ein Faktor bei der Analyse entdeckt werden.
Modell 1: Skala „Teachers’ Beliefs“
Können die 12 Items der Fragen 8 und 9 zu einem Faktor, der Ska-
la „Teachers’ Beliefs“ zusammengefasst werden oder bilden sich
mehrere Faktoren heraus?
1
Vgl. Brosius, F. (2006), S. 763
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010b), o. S.
3
Vgl. ebenda, o. S.
Item 12
…
Item 1
Item 2
Item 3
Faktor
(Skala „Teachers’ Beliefs)
?
Item 12
…
Item 1
Item 2
Item 3
Faktor
(Skala „Teachers’ Beliefs)
?

Modell 2: Skala „Integration of Digital Tools“
Können die 13 Items der Fragen 16 und 17 zu einem Faktor, der
Skala „Integration of Digital Tools“ zusammengefasst werden oder
bilden sich mehrere Faktoren heraus?
Berechnung und Eignung der Korrelationsmatrix
Durch die Berechnung einer Korrelationsmatrix in SPSS erhält man einen ersten
Überblick über die Variablen; in ihr werden die bivariaten Korrelationen zwischen
den einzelnen Variablen aufgetragen. Sie gibt jedoch noch keine Auskunft über
einen gemeinsamen Faktor. Im nächsten Schritt muss geprüft werden, ob die
Korrelationsmatrix bzw. die Daten für eine Faktorenanalyse geeignet sind. Dies
erfolgt mit dem „Maß der Stichprobeneignung“. Es zeigt an, wie stark die Variab-
len zusammengehören und ob eine Faktorenanalyse sinnvoll ist oder nicht. Das
Maß kann Werte zwischen 0 und 1 annehmen – je höher, desto besser. Über
SPSS wird eine Anti-Image-Matrix erstellt, die als Entscheidungshilfe dient, ob
einzelne Variablen aus der Analyse entfernt werden sollten.
Bestimmung der Kommunalitäten
In den oben gezeigten Modellen wird davon ausgegangen, dass die komplette
Varianz der Variablen durch den Faktor bzw. die Faktoren erklärt werden kann.
Es gibt allerdings meistens noch merkmalsspezifische Einflüsse, die nicht durch
die Faktoren bewirkt werden und auf die Variablen einwirken, die sogenannten
Einzelrestfaktoren. Unter Kommunalität eines Merkmals wird nun der Varianzan-
teil eines Merkmals verstanden, der durch die gemeinsamen Faktoren erklärt
wird. Gibt es Einzelrestfaktoren im Modell, so stellt sich die Frage, welche
Item 13
…
Item 1
Item 2
Item 3
Faktor
(Skala „Integration of
Digital Tools“)?
Item 13
…
Item 1
Item 2
Item 3
Faktor
(Skala „Integration of
Digital Tools“)?

Größenordnung für die Kommunalitäten angenommen werden soll. Dies wird als
Kommunalitäten-Problem bezeichnet. Zwei Lösungen sind möglich:
• Hauptkomponentenanalyse: Es wird davon ausgegangen, dass es keine
Einzelrestfaktoren gibt und die Varianz nur durch die Faktoren erklärt
wird. Für jede Kommunalität wird der Wert 1 angenommen.
• Hauptachsenmethode: Kleinere Kommunalitäten werden vorgegeben.
Für die zwei Modelle der Untersuchung wird die Hauptkomponentenanalyse
gewählt; die Frage lautet: Wie lassen sich die auf einen Faktor hoch ladenden
Variablen durch einen Sammelbegriff (Komponente) zusammenfassen?
Extraktion und Zahl der Faktoren
Nachdem die Daten überprüft und die Methode gewählt wurde, beginnt die ei-
gentliche Faktorenanalyse. Die mathematische Berechnung beruht auf der
Rechnung mit Matrizen und Vektoren. Das Ziel ist es, ein neues Bezugssystem
(Koordinatensystem) mit möglichst wenigen Dimensionen (Achsen) zu finden,
das möglichst gut in die Daten eingepasst werden kann. Die Achsen stellen die
Faktoren dar. Die Größe der Winkel von Vektoren und Achsen spiegeln die Kor-
relationen der Variablen und der Faktoren wider. Je kleiner der Winkel, desto
stärker laden die Variablen auf den Faktor und desto größer ist die Korrelation
mit dem Faktor; diese Korrelationen nennt man Faktorladungen.
Für die Bestimmung der Anzahl der Faktoren wird das Kaiser-Kriterium in SPSS
eingesetzt. Es sollen alle die Faktoren extrahiert werden, deren Eigenwert grö-
ßer 1 ist. Anhand der Eigenwerte lässt sich der Varianzanteil bestimmen, der
durch den Faktor erklärt wird. Die Eigenwerte der Faktoren lassen sich aus der
SPSS Ausgabe ablesen.
Bestimmung der Faktorwerte
Im nächsten Schritt muss bestimmt werden, welche Variablen auf welchen Fak-
tor hochladen. SPSS gibt hierzu eine Komponentenmatrix mit Faktorladungen
an, die die Korrelation zwischen Variable und Faktor darstellen. In der Fußnote
dieser Matrix wird angegeben, wie viele Faktoren über SPSS extrahiert wurden.
In der jeweiligen Spalte der Komponenten sind die Faktorladungen enthalten. Ab
einem Wert von 0.5 kann von einer hohen Korrelation gesprochen werden.

Damit eine Variable nur auf einen Faktor hochlädt, wird zusätzlich über SPSS
eine Rotation der Achsen vorgenommen, so dass sich die Faktorladungen
ändern und eine eindeutigere Einfachstruktur erreicht wird. Die Achsen werden
dabei orthogonal zueinander belassen.
Interpretation der Faktoren
Im letzten Schritt der Faktorenanalyse wird nun ein Sammelbegriff für die Variab-
len gefunden, die auf den jeweiligen Faktor hochladen. Da die Faktorenanalyse
nicht im Mittelpunkt dieser Arbeit steht, wird in den zwei Modellen lediglich über-
prüft, ob die Items sich zu einem Sammelbegriff und damit der jeweils gebildeten
Skala zusammenfassen lassen oder ob sich mehrere Sammelbegriffe ergeben.
Die Faktorenanalyse erfolgt in SPSS über den Befehl Analysieren – Dimensions-
reduzierung – Faktorenanalyse1
.
3.3.5 Korrelationsanalyse zur Prüfung eines Zusammenhangs
Bevor eine multiple Regressionsanalyse vorgenommen wird, soll zunächst der
Zusammenhang zwischen den einzelnen Variablen untersucht werden. Hierfür
gibt es je nach Skalenniveau der Variablen unterschiedliche Verfahren. Relevant
für die Variablen im zu untersuchenden Pfadmodell ist die Korrelation. Sie wird
verwendet, wenn der lineare Zusammenhang zweier intervallskalierter Variablen
identifiziert werden soll; sie findet hauptsächlich Anwendung, wenn der lineare
Zusammenhang ungerichtet ist. Zur Bestimmung der Stärke dieses Zusammen-
hangs wird der Produkt-Moment-Korrelationskoeffizient nach Pearson und Brav-
ais (Pearsons Korrelationskoeffizient) berechnet.2
Der ermittelte Korrelationskoeffizient ist ein Maß für die Stärke und die Richtung
des Zusammenhangs zweier Variablen. Der Korrelationskoeffizient drückt die
1
Im Dialogfeld werden folgende Einstellungen vorgenommen: Die im Modell zu untersuchenden
Items bzw. Variablen werden unter Variablen eingegeben. In dem Dialogfeld der Schaltfläche
Deskriptive Statistik werden in der Gruppe Statistiken die Anfangslösung und in der Gruppe
Korrelationsmatrix die Koeffizienten ausgewählt. Zudem wird für die Berechnung des Maßes
der Stichprobeneignung KMO und Bartlett-Test auf Sphärizität sowie Anti-Image angekreuzt. In
dem Dialogfeld der Schaltfläche Extraktion wird in der Dropdown-Liste Methode die Hauptkom-
ponenten ausgewählt. In der Gruppe Analysieren Korrelationsmatrix und in der Gruppe Extra-
hieren Basierend auf dem Eigenwert Eigenwerte größer als: 1 angekreuzt. In dem Dialogfeld
der Schaltfläche Rotation wird die Methode Varimax ausgewählt.
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010c), o. S.

Stärke des linearen Zusammenhangs in einer zwischen –1 und +1 liegenden
Maßzahl aus, wobei ein positiver Wert auf einen positiven Zusammenhang und
ein negativer Wert auf einen negativen Zusammenhang hinweist. Bei einem
Wert von 0 besteht kein Zusammenhang zwischen den Variablen.1
Die folgenden Variablenpaare werden einer Korrelationsanalyse unterzogen:
Mit den ausgegebenen Korrelationskoeffizienten lässt sich noch keine Aussage
darüber machen, ob ein statistischer Zusammenhang besteht oder nicht. Es
muss ein Signifikanztest vorgenommen werden, der überprüft, ob ein signifikan-
1
Vgl. Brosius, F. (2006), S. 513
Technical Support Teachers’ Beliefs
Technical Support Integration of Digital Tools
Technical Support Teachers’ Readiness
Technical Support Proficiency of Digital Tools
Overall Support Integration of Digital Tools
Proficiency of Digital Tools Teachers’ Readiness
Proficiency of Digital Tools Teachers’ Beliefs
Proficiency of Digital Tools Integration of Digital Tools
Teachers’ Readiness Integration of Digital Tools
Overall Support Teachers’ Beliefs
Teachers’ Beliefs Integration of Digital Tools
Technical Support Teachers’ Beliefs
Technical Support Integration of Digital Tools
Technical Support Teachers’ Readiness
Technical Support Proficiency of Digital Tools
Overall Support Integration of Digital Tools
Proficiency of Digital Tools Teachers’ Readiness
Proficiency of Digital Tools Teachers’ Beliefs
Proficiency of Digital Tools Integration of Digital Tools
Teachers’ Readiness Integration of Digital Tools
Overall Support Teachers’ Beliefs
Teachers’ Beliefs Integration of Digital Tools
Years of Teaching Proficiency of Digital Tools
Years of Teaching Teachers’ Readiness
Age Integration of Digital Tools
Age Teachers’ Beliefs
Age Teachers’ Readiness
Years of Teaching Teachers’ Beliefs
Years of Teaching Integration of Digital Tools
Overall Support Proficiency of Digital Tools
Overall Support Teachers’ Readiness
Age Proficiency of Digital Tools
Years of Teaching Proficiency of Digital Tools
Years of Teaching Teachers’ Readiness
Age Integration of Digital Tools
Age Teachers’ Beliefs
Age Teachers’ Readiness
Years of Teaching Teachers’ Beliefs
Years of Teaching Integration of Digital Tools
Overall Support Proficiency of Digital Tools
Overall Support Teachers’ Readiness
Age Proficiency of Digital Tools

ter Zusammenhang zwischen den betrachteten Variablen überhaupt vorliegt, d.h.
ob aus den Stichprobenbeobachtungen geschlossen werden kann, dass in der
Grundgesamtheit ein solcher linearer Zusammenhang besteht.
In SPSS werden die Korrelationskoeffizienten für jedes Variablenpaar mit dem
Befehl Analysieren – Korrelation – Bivariat1
bestimmt. Bei der Berechnung der
Korrelation gibt SPSS den p-Wert automatisch aus; die Korrelation wird zweisei-
tig auf Signifikanz getestet.
3.3.6 Multiple Regressionsanalyse
Nachdem mit der Korrelation die Stärke und Richtung des Zusammenhangs
zwischen den Variablenpaaren untersucht wurde, werden nun mit multiplen Reg-
ressionsanalysen (linear) gerichtete Zusammenhänge geprüft. An dieser Stelle
sei angemerkt, dass unabhängig von den Ergebnissen der Korrelationsanalyse
alle im hypothetischen Pfadmodell abgebildeten Variablen in die entsprechenden
multiplen Regressionsanalysen eingesetzt werden.
Die multiple Regressionsanalyse wird angewendet, um die Abhängigkeit einer
intervallskalierten abhängigen Variablen von mehreren intervallskalierten unab-
hängigen Variablen zu untersuchen. Die Zusammenhänge lassen sich quantita-
tiv beschreiben und erklären. Anders als bei einer reinen Korrelationsanalyse
wird bei einer Regressionsanalyse eine eindeutige Richtung der Zusammenhän-
ge angenommen; diese basieren in dieser Untersuchung auf vorangegangenen
Studien. Eine Kausalität lässt sich mit einer Regression jedoch nicht beweisen.
Eine multiple Regressionsanalyse erfolgt in mehreren Schritten, die im Folgen-
den beschrieben werden:2
1
Im Dialogfeld werden die im Modell zu untersuchenden Variablen unter Variablen eingegeben.
Unter Korrelationskoeffizienten wird Pearson ausgewählt, da es sich um intervallskalierte Vari-
able handelt, und der Test auf Signifikanz wird auf Zweiseitig eingestellt. Ebenso wird das Feld
Signifikante Korrelationen markieren angeklickt.
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010d), o. S

Modellformulierung
Die Variablen „Proficiency of Digital Tools“, „Teachers’ Beliefs“, “Teachers’
Readiness” und “Integration of Digital Tools” sind endogene Variablen des hypo-
thetischen Pfadmodells (vgl. Kapitel 2.3.2). Außer der Variablen “Integration of
Digital Tools” dienen die endogenen Variablen sowohl als abhängige als auch
unabhängige Variablen. Für jede exogene Variable („Age“, „Years of Teaching“,
„Overall Support“ und „Technical Support”) soll mit der multiplen Regressions-
analyse der Einfluss auf die endogene Variablen berechnet werden. Fungiert die
endogene Variable nicht als abhängige Variable im Modell, so wird sie als unab-
hängige Variable betrachtet und fließt ebenfalls in das multiple Regressions-
modell ein.
Hieraus ergeben sich für die acht Variablen im Pfadmodell vier Abhängigkeiten
abhängiger Variablen von mehreren unabhängigen Variablen, die jeweils mit
Hilfe einer multiplen Regressionsanalyse untersucht bzw. überprüft werden.
Nachfolgend werden die einzelnen Modelle sowie deren Fragestellung darge-
stellt:
Modell 1: Welchen Einfluss haben die Variablen „Age“, „Years of Teaching“,
„Overall Support“ und „Technical Support“ auf „Proficiency of
Digital Tools“?
„Overall Support“, „Technical Support“ und „Proficiency of Digital
Tools“ auf “Teachers’ Readiness”?
Technical Support
Years of Teaching
Age
Overall Support
Technical Support
Years of Teaching
Age
Overall Support
Technical Support
Overall Support
Years of Teaching
Age
Technical Support
Overall Support
Years of Teaching
Age

„Overall Support“, „Technical Support“ und „Proficiency of Digital
Tools“ auf “Teachers’ Beliefs”?
„Overall Support“, „Technical Support“, „Proficiency of Digital
Tools“, „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf
“Integration of Digital Tools“?
Schätzung der Regressionsfunktion
Im nächsten Schritt wird die Regressionsfunktion geschätzt. Mit Hilfe von SPSS
lässt sich die Regressionsgerade berechnen; die Regressionskoeffizienten der
Regressionsgeraden und der standardisierten Regressionsgleichung können in
der Tabellenausgabe Koeffizienten abgelesen werden. Die standardisierte Gera-
de läuft durch den Ursprung; mit ihr lässt sich feststellen, wie stark der Zusam-
menhang ist und ob dieser signifikant ist. Zudem kann festgestellt werden, wel-
che unabhängige Variable den stärksten Einfluss auf die abhängige Variable hat.
Teachers’ Beliefs
Technical Support
Overall Support
Years of Teaching
Age
Teachers’ Beliefs
Technical Support
Overall Support
Years of Teaching
Age
Technical Support
Overall Support
Years of Teaching
Age
Teachers’ Beliefs
Technical Support
Overall Support
Years of Teaching
Age
Teachers’ Beliefs

Prüfung der Regressionsfunktion
Es werden zwei Gütemaße berechnet, um zu prüfen, wie gut die Regressions-
funktion das Modell beschreibt: das Bestimmtheitsmaß R² und die F-Statistik.
Wie gut die Regressionsgerade zu den empirischen Daten passt, wird durch das
Bestimmtheitsmass R² angegeben. R² kann Werte zwischen 0 und 1 annehmen;
bei einem Wert von 0 wird keine Varianz der Daten durch das Modell erklärt,
wobei bei einem Wert von 1 die gesamte Varianz erklärt wird. Da das Bestimmt-
heitsmaß die Eigenschaft hat, dass es umso größer wird, je größer die Zahl der
unabhängigen Variablen ist, wird der von SPSS ausgegebene korrigierte R²-
Wert in der Analyse verwendet.
Durch die F-Statistik wird überprüft, ob das Bestimmtheitsmass nur zufällig oder
durch den Zusammenhang der Daten entstanden ist. Die berechnete F-Statistik
muss mit dem theoretischen Wert aus der Wahrscheinlichkeitsverteilung vergli-
chen werden; er sollte höher sein als der theoretisch angenommene.
Prüfung der Regressionskoeffizienten
Die Überprüfung der Regressionskoeffizienten erfolgt mit der t-Statistik. Der be-
rechnete Wert wird mit dem theoretischen Wert einer Wahrscheinlichkeitsfunkti-
on verglichen und zwar mit dem der t-Verteilung. Bei der multiplen Regression
lässt sich somit feststellen, welche unabhängige Variable den größten Einfluss
hat und welche Variable(n) gegebenenfalls aus dem Modell entfernt werden
muss bzw. müssen.1
Werden Variablen aus dem Modell entfernt, ändern sich die Werte für das Modell
und auch die Regressionskoeffizienten der anderen Variablen. Wird festgestellt,
dass Variablen aus dem einen oder anderen Modell entfernt werden sollten, so
wird für das entsprechende Modell eine Modellanpassung vorgenommen.
Prüfung der Modellprämissen
Neben der Prüfung der Regressionsgleichung und der Regressionskoeffizienten
werden die Annahmen geprüft, die der Berechnung einer linearen multiplen Reg-
ressionsanalyse zugrunde liegen. Die Annahmen können durch folgende Punkte
verletzt werden:
1

• Nicht-Linearität: Die Daten einer multiplen Regressionsanalyse lassen
sich nicht mehr in einem Koordinatensystem darstellen. Eine Prüfung
mittels eines Diagramms ist daher nicht möglich. Für die zu prüfenden
Modelle wird von Linearität der Daten ausgegangen.
• Keine Normalverteilung der Residuen: Die Residuen einer Regressions-
schätzung sollten nicht nur zufällig auftreten, sondern zudem normalver-
teilt sein.1
In SPSS wird zur Prüfung auf Normalverteilung ein grafischer
Test bzw. ein Histogramm der Residuen mit einer Normalverteilungs-
kurve angefordert.
• Hetereoskedastizität: Residuen der gemessenen Daten sollten die glei-
che Varianz haben. Mit SPSS lässt sich die Homoskedastizität durch
Betrachten der Residuen in einem Diagramm überprüfen. Auf der x-
Achse werden die standardisierten Werte für y aufgetragen, auf der y-
Achse die standardisierten Residuen. Bei Heteroskedastizität lässt sich
ein Zusammenhang zwischen beiden Variablen erkennen.
• Autokorrelation: Die Residuen dürfen nicht korreliert sein, ansonsten
spricht man von Autokorrelation. In SPSS erfolgt die Überprüfung mit
Hilfe des Durbin-Watson-Tests. Diese Durbon-Watson-Statistik kann
Werte zwischen 0 und 4 annehmen: Bei einem Wert von 0 liegt eine
vollständig positive Autokorrelation, bei einem Wert von 2 liegt keine Au-
tokorrelation, bei einem Wert von 4 eine vollständige negative Autokor-
relation vor.
• Multikollinearität: Bei einer multiplen Regression darf keine Multikolli-
nearität vorliegen. Multikollinearität liegt dann vor, wenn sich eine unab-
hängige Variable als lineare Funktion einer anderen unabhängigen Va-
riable darstellen lässt. SPSS gibt zwei Statistiken aus, mit der die Vari-
ablen auf Multikollinearität überprüft werden kann: Der Toleranzwert und
der VIF (Variance Inflation Factor). Der Toleranzwert sollte nicht unter
0.25 und der VIF nicht über 5 liegen.2
1
Vgl. Brosius, F. (2006), S. 571ff.
2

Auswahl des Regressionsmodells
Es gibt nicht nur eine mögliche Regressionsgleichung, die mit den vorhandenen
Variablen berechnet werden kann. Mit SPSS ist es möglich, verschiedene Mo-
delle zu berechnen. Für diese empirische Untersuchung wird die Standardein-
stellung „Einschluss“ gewählt, d.h. alle unabhängigen Variablen werden in die
Regressionsgleichung einbezogen.
Die multiplen Regressionsanalysen der vier Modelle erfolgt in SPSS über den
Befehl Analysieren – Regression – Linear1
.
Anmerkung
Parallel zur Durchführung der multiplen Regressionsanalysen der vier Modelle
werden alle Variablen im Pfadmodell einem Chi²-Test sowie einer explorativen
Datenanalyse unterzogen. In der explorativen Datenanalyse können die zu un-
tersuchenden Daten zudem auf Normalverteilung (Kolmogorov-Smirnov-Test
und Shapiro-Wilk-Test) und Homogenität der Varianz (Levene-Test) geprüft wer-
den. Sowohl der Chi²-Test als auch die explorative Datenanalyse zählen nicht
zur Auswertung dieser Arbeit; ihre Ergebnisse dienen lediglich als Zusatz für
weitergehende Untersuchungen bzw. Analysen.2
3.3.7 Zentrale Tendenz nicht im Pfadmodell abgebildeter Variablen
Der Fragebogen bzw. die Daten in SPSS enthalten neben den Variablen im
Pfadmodell auch Variablen, die im Pfadmodell nicht eingesetzt werden. Das
Pfadmodell soll in dieser Masterarbeit nicht erweitert werden, jedoch soll der Ein-
fluss der nicht abgebildeten Variablen auf die Variablen „Proficiency of Digital
1
Im Dialogfeld werden folgende Einstellungen vorgenommen: die im Modell zu untersuchende
Abhängige Variable und Unabhängige Variablen werden eingegeben. In der Dropdown-Liste
Methode wird der Eintrag Einschluss gewählt. In dem Dialogfeld der Schaltfläche Statistiken
werden in der Gruppe Regressionskoeffizien Schätzer, Anpassungsgüte des Modells und Kolli-
nearitätsdiagnose sowie in der Gruppe Residuen Durbin-Watson angekreuzt. In dem Dialogfeld
der Schaltfläche Diagramme wird *ZRESID auf die Y-Achse, *ZPRED auf die X-Achse für das
Diagramm Heteroskedastizität als auch Diagramme der standardisiert Histogramm und Nor-
malverteilungsdiagramm ausgewählt.
2
Der Chi²-Test erfolgt in SPSS über den Befehl Analysieren – Nichtparametrische Tests – Chi-
Quadrat-Test und die explorative Datenanalyse über den Befehl Analysieren – Deskriptive Sta-
tistiken – Explorative Datenanalyse. Die entsprechenden Einstellungen in SPSS sind Anlage
B28 und Anlage B29 – zusammen mit deren Ergebnissen – zu entnehmen.

Proficiency of
Digital Tools
Frauen Männer
Proficiency of
Digital Tools
Frauen Männer
Tools“, „Teachers’ Beliefs“, „Teachers’ Readiness“ sowie „Integration of Digital
Tools“ hinsichtlich ihrer Mittelwertunterschiede untersucht werden.
Es gibt eine große Anzahl Verfahren, mit denen Stichproben hinsichtlich ihrer
Mittelwertunterschiede untersucht werden können.1
Bei den vorliegenden Stich-
proben handelt es sich um unabhängige Stichproben; die Variablen werden ein-
malig erhoben. Mit den nicht abgebildeten Variablen im Pfadmodell werden zwei
Verfahren eingesetzt: t-Test für unabhängige Stichprobe sowie einfaktorielle
Varianzanalyse.
3.3.7.1 t-Test für unabhängige Stichproben
Die Mittelwertunterschiede einer normalverteilten, intervallskalierten Variablen
können mit einem t-Test zwischen zwei unabhängigen Stichproben untersucht
werden. Im Rahmen dieser Studie werden Mittelwertunterschiede der nominal-
skalierten Variable „Geschlecht“ mit den Ausprägungen Weiblich und Männlich
hinsichtlich der endogenen Variablen im Pfadmodell analysiert; die Ausprägun-
gen werden hierbei als zwei unterschiedliche Stichproben angesehen.
Modellformulierung
Unterscheiden sich Frauen und Männer im Mittel in „Proficiency of Digital Tools“,
„Teachers’ Readiness, „Teachers’ Beliefs“ und „Integration of Digital Tools“?
Modell 1:
Modell 2:
Modell 3:
Modell 4:
1
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010e), o. S
Teachers’
Readiness
Frauen Männer
Teachers’
Readiness
Frauen Männer
Teachers’
Beliefs
Frauen Männer
Teachers’
Beliefs
Frauen Männer
Integration of
Digital Tools
Frauen Männer
Integration of
Digital Tools
Frauen Männer

Berechnung der Teststatistik, Test auf Varianzhomogenität und Prüfung
auf Signifikanz
Zur Überprüfung der Modelle wird zunächst je Modell eine Teststatistik in SPSS
erstellt, die dann mit dem kritischen Wert auf der durch die Freiheitsgrade
bestimmten Testverteilung verglichen wird. Es ist darauf zu achten, ob die Vari-
anzen der beiden Stichproben gleich oder unterschiedlich sind. Die Freiheitsgra-
de des t-Wertes müssen angepasst werden, wenn keine Varianzhomogenität
vorliegt. SPSS führt automatisch einen F-Test bzw. Levene-Test auf
Varianzhomogenität durch und gibt damit bei der Durchführung eines t-Tests
automatisch zwei unterschiedliche Freiheitsgrade sowie die dazugehörigen Sig-
nifikanzwerte aus. Bei Varianzhomogenität sollte der F-Wert nicht signifikant
werden, d.h. die Signifikanz sollte größer als das festgelegte Signifikanzniveau1
sein.
Im letzten Schritt wird die berechnete Teststatistik auf Signifikanz überprüft. Der
berechnete t-Wert wird mit dem kritischen Wert auf der theoretischen t-Verteilung
verglichen; dieser Vergleich lässt sich in SPSS an der ausgegebenen Signifikanz
ablesen.2
Der t-Test für unabhängige Stichproben erfolgt in SPSS über den Befehl
Analysieren – Mittelwerte vergleichen – t-Test bei unabhängigen Stichproben3
.
3.3.7.2 Einfaktorielle Varianzanalyse (ANOVA)
Die einfaktorielle Varianzanalyse (ANOVA) wird eingesetzt, um eine unabhängi-
ge Variable und eine abhängige Variable zu untersuchen; vorausgesetzt wird
eine Intervallskalierung und Normalverteilung der abhängigen Variablen sowie
Varianzgleichheit der Daten.4
In dieser Arbeit wird die ANOVA eingesetzt, um die
1
Bei einem Test auf Varianzhomogenität: p = 0.1 oder sogar noch höher. (vgl. Universität Zü-
rich/Schwarz, J. (Hrsg.) (2010f), o. S.
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010f), o. S.
3
Im Dialogfeld werden folgende Einstellungen vorgenommen: Die zu testenden Variablen wer-
den unter Testvariable(n) und die zwei unterschiedlichen Stichproben, d.h. die Variable „Ge-
schlecht“ als Gruppenvariable eingegeben. In dem Dialogfeld der Schaltfläche Gruppen definie-
ren wird Angegebene Werte verwenden angeklickt und in Gruppe 1 der Wert des Wertelabels
für Weiblich (1) und in Gruppe 2 der Wert des Wertelabels für Männlich (2) eingetragen.
4
Vgl. Brosius, F. (2005), S. 496

die Mittelwertunterschiede der nicht im Pfadmodell abgebildeten nominal- bzw.
ordinalskalierten Variablen „Unterrichtsfach“, „Lehrmethodik“ und „Schulung“ im
Hinblick auf die endogenen Variablen im Pfadmodell zu untersuchen.
Modellformulierung
Modell 1
(a – d):
Unterscheiden sich Lehrpersonen mit unterschiedlichen Unter-
richtsfächern bezüglich ihrer „Proficiency of Digital Tools“ (1a),
„Teachers’ Readiness“ (1b), „Teachers’ Beliefs“ (1c) und
„Integration of Digital Tools“ (1d)?1
Modell 2
(a – d):
Unterscheiden sich Lehrpersonen mit unterschiedlichen Lehrme-
thodiken bezüglich ihrer „Proficiency of Digital Tools“ (2a),
„Teachers’ Readiness“ (2b), „Teachers’ Beliefs“ (2c) und
„Integration of Digital Tools“ (2d)?2
1
UF1: Mathematik, Informatik, Naturwissenschaften oder Technik; UF2: Geisteswissenschaften
und Sprachen; UF3: Sozialwissenschaften (einschließlich BWL/VWL); UF4: Sport; UF5: Son-
derpädagogik; UF6: Sonstige
2
LM1: Überwiegend von der Lehrkraft ausgehend; LM2: Stärker von der Aktivität der Lehrkraft
ausgehend; LM3: Balance zwischen den auf die Lehrkraft und den auf die Lernenden ausge-
richteten Aktivitäten; LM4: Stärker auf die Aktivitäten der Lernenden ausgerichtet; LM5: Über-
wiegend auf die Aktivitäten der Lernenden ausgerichtet
Für Modell 1a: Proficiency of Digital Tools
Für Modell 1b: Teachers’ Readiness
Für Modell 1c: Teachers’ Beliefs
Für Modell 1d: Integration of Digital Tools
UF1 UF2 UF3 UF5UF4 UF6
UF1 UF2 UF3 UF5UF4 UF6
LM1 LM2 LM3 LM5LM4
LM1 LM2 LM3 LM5LM4

Modell 3
(a – d):
Unterscheiden sich Lehrpersonen mit unterschiedlichen Schulun-
gen zu digitalen Arbeitsmitteln bezüglich ihrer „Proficiency of Digital
Tools“ (3a), „Teachers’ Readiness“ (3b), „Teachers’ Beliefs“ (3c)
und „Integration of Digital Tools“ (3d)?1
Test auf Varianzhomogenität, Berechnung der Teststatistik und Prüfung
auf Signifikanz
Voraussetzung für die Durchführung einer einfaktoriellen Varianzanalyse ist die
Varianzhomogenität, daher wird zunächst ein Levene-Test auf Varianzgleichheit
vorgenommen. Bei Varianzhomogenität sollte der Test nicht signifikant sein, d.h.
die Signifikanz sollte größer als ein Signifikanzniveau von 0.1 sein.
An dieser Stelle sei darauf hingewiesen, dass die einfaktorielle Varianzanalyse
bei sehr großen Stichprobenumfängen robust gegen die Verletzung der Annah-
me der Varianzhomogenität ist, so dass sie für die vorliegende Untersuchung
trotzdem durchgeführt werden kann.2
Die Mittelwerte der Variablen lassen sich mithilfe eines Diagramms darstellen.
Anhand des Diagramms lässt sich erkennen, ob es einen Unterschied der Mit-
telwerte zwischen den Unterrichtsfächern, zwischen den Lehrmethodiken und
zwischen dem Schulungen zu digitalen Arbeitsmitteln gibt. Die Varianzanalyse
prüft diesen Unterschied auf statistische Signifikanz. Die Grundidee der Varianz-
analyse ist die Zerlegung und der Vergleich der gesamten Stichprobenvarianz,
d.h. die gesamte Streuung der betrachteten Variablen in der vorliegenden Stich-
1
S1: Keine Schulung; S2: Einen ganzen Tag oder weniger; S3: Mehr als einen ganzen Tag und
weniger als ein Semester; S4: Einen Semester-Lehrgang; S5: Mehr als ein Semester
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010g), o. S.
S1 S2 S3 S5S4 S6
S1 S2 S3 S5S4 S6

probe lässt sich einerseits gedanklich in die Streuung der einzelnen Fallgruppen
und andererseits in die Streuung zwischen den Gruppen aufteilen.1
Zunächst werden die Streuung der Stichprobenmittelwerte um den Gesamtmit-
telwert (zwischen den Gruppen bzw. Treatmentvariation), die Streuung der
Merkmalsausprägungen um den Stichprobenmittelpunkt (innerhalb der Gruppen
bzw. Binnenvariation) sowie die Gesamtstreuung der Teilstreuungen (Gesamt)
berechnet. Darüber hinaus werden durch Normierung (anhand der Freiheitsgra-
de) die Binnen- und Treatmentvarianz berechnet, d.h. die Mittel der Quadrate.
Sind Binnen- und Treatmentvarianz gleich gross oder ist die Binnenvarianz grö-
ßer als die Treatmentvarianz, so gibt es keine Unterschiede der Mitten zwischen
den Stichproben. Ist jedoch die Treatmentvarianz größer als die Binnenvarianz,
dann deutet dies darauf hin, dass es Unterschiede gibt. Aus dem Verhältnis der
Binnenvarianz zur Treatmentvarianz wird die Teststatistik, d.h. der F-Wert, ermit-
telt. Diesen gilt es auf Signifikanz zu prüfen. Der berechnete F-Wert wird hierfür
mit dem kritischen Wert auf der theoretischen F-Verteilung verglichen; dieser
Vergleich lässt sich in SPSS an der ausgegebenen Signifikanz ablesen.2
Post-Hoc-Test
Die Varianzanalyse untersucht nur, ob Unterschiede vorliegen. Um zu überprü-
fen, welcher der Mittelwerte signifikant von den anderen abweicht wird ein soge-
nannter Post-Hoc-Test nach der Durchführung der Varianzanalyse vorgenom-
men. Im Prinzip handelt es sich dabei um t-Tests für unabhängige Stichproben
für alle möglichen Paarvergleiche.
Die einfaktorielle ANOVA erfolgt in SPSS über den Befehl Analysieren – Mittel-
werte vergleichen – Einfaktorielle ANOVA3
.
1
Vgl. Brosius, F. (2006), S. 499
2
Vgl. Universität Zürich/Schwarz, J. (Hrsg.) (2010g), o. S.
3
Im Dialogfeld werden folgende Einstellungen vorgenommen: Die zu testende abhängige Variab-
le wird unter Abhängige Variablen und die unabhängige Variable unter Faktor eingegeben. In
dem Dialogfeld der Schaltfläche Post Hoc wird in der Gruppe Varianz-Gleichheit angenommen
Turkey-B und in der Gruppe Keine Varianz-Gleichheit angenommen Games-Howell ausgewählt
und bei Signifikanzniveau: 0,05 eingetragen. Im Dialogfeld der Schaltfläche Optionen wird in
der Gruppe Statistiken Deskriptive Statistik und Test auf Homogenität der Varianzen angeklickt
und Diagramm der Mittelwerte ausgewählt.

3.4 Untersuchungsergebnisse
3.4.1 Abgeschlossene Fragebogen
An der Online-Befragung haben insgesamt 443 Lehrpersonen teilgenommen;
davon wurden 385 Fragebogen vollständig und 58 teilweise abgeschlossen. Dies
ergibt eine Abbruchquote (teilweise abgeschlossene Fragebogen/Fragebogen
Gesamt) von 13,1 Prozent. Eine Übersicht an abgeschlossenen Fragebogen aus
den einzelnen Hochschulen zeigt die folgende Tabelle 4:
Hochschule Vollständig
abgeschlossene
Fragebogen*
Teilweise
abgeschlossene
Fragebogen*
Fragebogen
Gesamt*
Abbruchquote
der Fragebogen
Ausgeschlossene
Fälle für Analyse
Verwendete Fälle
für Analyse
DHBW Stuttgart 30 1 31 3,2% 1 30
AKAD Gruppe 80 20 100 20,0% 20 80
Berufskollegs Hagen 34 1 35 2,9% 1 34
Hochschule Schottland 32 5 37 13,5% 5 32
Hochschule Spanien 123 18 141 12,8% 18 123
Hochschule Schweden 42 13 55 23,6% 16 39
Hochschule Türkei 44 0 44 0,0% 0 44
Hochschulen Gesamt 385 58 443 13,1% 61 382
*Datenstand der Online-Umfrage: 10.11.2012
Tabelle 4: Abgeschlossene Fragebogen der Hochschulen
Die meisten Fragebogen mit insgesamt 141 kommen aus Spanien; hiervon wur-
den 123 Fragebogen vollständig und 18 teilweise abgeschlossen. Die Abbruch-
quote liegt mit 12,8 Prozent unter der gesamten Abbruchquote von 13,1 Prozent.
Die AKAD-Gruppe folgt an zweiter Stelle mit insgesamt 100 Fragebogen. Es
wurden 80 Fragebogen vollständig und 20 teilweise abgeschlossen, die
Abbruchquote liegt bei 20 Prozent, d.h. jeder fünfte hat den Fragebogen ab-
gebrochen. Die höchste Abbruchquote ist von der Hochschule Schweden mit
23,6 Prozent zu verzeichnen; mit 55 Fragebogen insgesamt liegt die Hochschule
Schweden an der dritten Stelle hinsichtlich abgeschlossener Fragebogen, davon
wurden 42 vollständig und 13 unvollständig abgeschlossen. An vierter Stelle folgt
die Hochschule in der Türkei. Sie hat als einzige Hochschule alle ihrer 44
Fragebogen vollständig abgeschlossen. Die fünfte Position abgeschlossener
Fragebogen nimmt die Hochschule Schottland mit insgesamt 37 Fragebogen
und einer Abbruchquote von 13,5 Prozent ein. Die Berufskollegs Hagen folgen
an vorletzter Stelle mit insgesamt 35 Fragebogen; hiervon wurde nur ein Frage-
bogen teilweise abgeschlossen. Die geringste Anzahl an Fragebogen kommt von
der DHBW Stuttgart mit 31. Auch hier wurde nur ein Fragebogen teilweise abge-
schlossen.

Für jede Hochschule sollen die 58 teilweise abgeschlossenen Fragebogen kurz
näher beleuchtet werden, indem untersucht wird, wo bzw. an welcher Stelle die-
se von den befragten Lehrpersonen abgebrochen wurden. Anlage A11 enthält
eine Auflistung je Hochschule nach Abbruch im Fragebogen. Näher betrachtet
werden soll jedoch die Anzahl der Hochschulen im Gesamten nach Abbruch im
Fragebogen; dies wird in der folgenden Abbildung 8 dargestellt.
Aufteilung der "teilweise abgeschlossenen Fragebogen"
nach Abbruch im Fragebogen
0 5 10 15 20 25
zu Beginn
nach Frage 4
nach Frage 5
nach Frage 5b**
nach Frage 7/Item 1
nach Frage 7/Item 2
nach Frage 7/Item 4
nach Frage 8/Item 8
nach Frage 10
nach Frage 11
nach Frage 12/Item 2
nach Frage 13
nach Frage 14
nach Frage 15/Item 4
AbbruchdesFragebogens...
Anzahl der Abbrüche der Hochschulen Gesamt
Abbildung 8: Aufteilung der „teilweise abgeschlossenen Fragebogen“ nach Abbruch
Wie schon in Kapitel 3.3.1 erwähnt, haben bereits 20 befragte Lehrpersonen den
Fragebogen zu Beginn der Umfrage abgebrochen. Die größte Anzahl an Abbrü-
chen verzeichnet Frage 7/Item 4 mit elf Abbrüchen, gefolgt von Frage 5 mit neun
und Frage 11 mit sieben Abbrüchen. Zwei Abbrüche erfolgten nach Frage 14
und jeweils einmalig wurde nach den Fragen 4, 5b, 7/Item1, 7/Item 2, 8/Item 8,
10, 12/Item 2, 13 und 15/Item 4 abgebrochen.
In der folgenden Datenanalyse werden nur die Fälle betrachtet, die vollständig
abgeschlossen wurden, d.h. teilweise abgeschlossene Fragebogen bzw. Fälle
mit „fehlenden Werten“ werden nicht betrachtet. Wie aus der Tabelle 4 ersichtlich
ist, werden 61 Fälle1
aus der Gesamtdatei ausgeschlossen. Damit ergeben sich
insgesamt 382 Fälle, die für die Auswertung der Analyse verwendet werden.
1
Teilweise abgeschlossene Fragebogen sowie 3 Fälle aus Schweden
**Fragebogen der Berufskollegs Hagen enthält im 1. Fragebogenteil nicht 5, sondern 6 Fragen

3.4.2 Deskriptive Datenanalyse
Die Ergebnisse der deskriptiven Datenanalyse werden im Folgenden hinsichtlich
des Skalenniveaus der einzelnen Variablen dargestellt.1
Variablen mit Nominalskalenniveau
Die Lageparameter (Modus), Häufigkeitstabellen sowie die Balkendiagramme
der nominalskalierten Variablen „Geschlecht“, „Unterrichtsfach“, „Berufskolleg
Hagen“, „Beurteilung“, „Nützlichkeit“, „Technologie-Coach“ sowie die Zusatzvari-
able „Hochschule bzw. Land“ sind in Anlage B7 zu finden.
Der häufigste Wert (Modus) der Verteilung für die Variable „Geschlecht“ ist die
Ausprägung Männlich (2) mit einer Häufigkeit von 221 und einem Anteil von 57,9
Prozent. Für die Variable „Unterrichtsfach“ wird der Modus 6 angegeben mit ei-
ner Häufigkeit von 122 bzw. 31,9 Prozent; dieser Wert entspricht der Ausprä-
gung Sonstige. Da die Angaben im Fragebogen zur Ausprägung Sonstige in den
jeweiligen Landessprachen erfolgte und die Ergebnisse sich nicht bzw. nur
schlecht zusammenfassen lassen, soll hier noch der zweithäufigste Wert der
Verteilung genannt werden: die Ausprägung Mathematik, Informatik, Naturwis-
senschaften oder Technik hat eine Häufigkeit von 103 und einen Anteil von 27
Prozent. Mit einer Häufigkeit von 23 und einem Anteil von 6 Prozent (bezogen
auf die Gesamtdatei) hat die Ausprägung Kaufmannsschule II Berufskolleg (4)
innerhalb der Variablen „Berufskolleg Hagen“ den häufigsten Wert der Vertei-
lung. Für die Variable „Beurteilung“ ist die Ausprägung eher gut (2) mit einer
Häufigkeit von 360 und einem Anteil von 94,2 Prozent und für die Variable „Nütz-
lichkeit“ die Ausprägung eher hilfreich (2) mit einer Häufigket von 363 und 95
Prozent Anteil der häufigste Wert der Verteilung. Der Modus der Verteilung für
die Variable „Technologie Coach“ ist die Ausprägung Nein (2) mit einer Häufig-
keit von 271 und einem Anteil von 70,9 Prozent. Schließlich ist der häufigste
Wert der Verteilung für die Variable „Hochschule bzw. Land“ die Ausprägung
Spanien (5) mit einer Häufigkeit von 123 und 32,2 Prozent.
1
Aufgrund des Umfangs der deskriptiven Datenanalyse erfolgen lediglich die wichtigsten Anga-
ben im Text; weitere Informationen liefern die entsprechenden Anlagen zu den Variablen. Des
Weiteren wird lediglich die Gesamtdatei betrachtet; es wird hier nicht je Hochschule spezifiziert.
Eine Übersicht zur Häufigkeitsaufteilung je Hochschule liefern die Kreuztabellen in Anlage B11.

Variablen mit Ordinalskalenniveau
Für die ordinalskalierten Variablen „Lehrmethodik“ und „Schulung“ sind die La-
geparameter (Modus, Median), Häufigkeitstabellen und Balkendiagramme der
Anlage B8 zu entnehmen.
Für die Variable „Lehrmethodik“ wird ein Modalwert von 3 bei einer Häufigkeit
von 167 und 43,7 Prozent Anteil angegeben; dieser Wert entspricht der Ausprä-
gung Balance zwischen den auf die Lehrkraft und den auf die Lernenden ausge-
richteten Aktivitäten. Zusätzlich wird ein Median von 3 ausgewiesen, d.h. die el-
be Ausprägung 3 (Balance zwischen den auf die Lehrkraft und den auf die Ler-
nenden ausgerichteten Aktivitäten) ist das 50 Prozent Quantil der Verteilung der
Variablen „Lehrmethodik“.
Der Modalwert und der Wert für den Median sind bei der Variablen „Schulung“
mit dem Wert 3 ebenfalls identisch; es handelt sich hier um die Ausprägung
Mehr als einen Tag und weniger als ein Semester. Die Häufigkeit Ausprägung
Mehr als einen Tag und weniger als ein Semester beträgt 141 bei einem Anteil
von 36,9 Prozent.
Variablen mit Intervallskalenniveau
Die Lageparameter (Modus, Median, Mittelwert), Streuungsparameter (Varianz
und Standardabweichung), Angaben zu Schiefe und Steilheit, Häufigkeitstabel-
len sowie Histogramme mit Normalverteilungskurve sind für die Variablen „Age“,
„Years of Teaching“ und „Proficiency of Digital Tools“ sowie alle Items mit einer
fünfstufigen Likert-Skala in der Anlage B9 zu finden.
Die Lage- und Streuungsparameter für die drei Variablen werden im Folgenden
tabellarisch zusammengefasst:
Variable Modus Häufigkeit
Modus
Anteil Modus Median Mittelwert Standard-
abweichung
Varianz
Age 3 = Ausprägung
40 - 49 Jahre
141 36,9% 3 3.23 0.946 0.896
Years of Teaching 5 = Ausprägung
16 Jahre und mehr
188 49,2% 4 3.99 1.197 1.433
Proficiency of Digital
Tools
4 = Ausprägung
Ich weise
durchschnittliche
Kenntnisse in
einigen Computer-
Anwendungen auf.
130 34,0% 4 4.32 1.131 1.280
Tabelle 5: Lage- und Streuungsparameter intervallskalierter Variablen

Betrachtet man die Histogramme mit der Normalverteilungskurve der drei Variab-
len sowie die Schiefe und die Kurtosis, so scheinen die Variablen lediglich
„annähernd“ normalverteilt. Kein Wert der Schiefe bzw. Kurtosis liegt bei Null,
was einer Normalverteilung entspricht. Die Schiefe liegt bei der Variablen „Age“
bei –0.170 und die Kurtosis bei –0.419, damit ist die Verteilung linksschief und
flach; für die Variable „Years of Teaching“ wird die Schiefe mit –0.931 und die
Kurtosis mit –0.181 und für die Variable „Proficiency of Digital Tools“ wird die
Schiefe mit –0.510 und die Kurtosis mit 0.105 angegeben. Die Verteilung der
Variablen „Years of Teaching“ ist linksschief und flach, die Verteilung der Variab-
len „Proficiency of Digital Tools“ ist stark linksschief und steil.
Auf die Ergebnisse der einzelnen Items soll hier nicht eingegangen werden;
allerdings werden die Variablen im Pfadmodell nach Skalenbildung betrachtet.
Variablen mit Intervallskalenniveau nach Skalenbildung
Für die Variablen „Overall Support“, “Technical Support”, “Teachers’ Readiness”,
“Teachers’ Beliefs” und “Process of Integration” sind die Lageparameter (Modus,
Median, Mittelwert), Streuungsparameter (Varianz und Standardabweichung),
Angaben zu Schiefe und Steilheit, Häufigkeitstabellen sowie Histogramme mit
Normalverteilungskurve der Anlage B10 zu entnehmen.
Die Lage- und Streuungsparameter der fünf Variablen werden in Tabelle xx zu-
sammengefasst.1
Variable Modus Häufigkeit
Modus
Anteil Modus Median Mittelwert Standard-
abweichung
Varianz
Overall Support 3 und 4 43 11,3% 3.25 3.28 0.84 0.71
Technical Support 4 60 15,7% 3.75 3.56 0.89 0.79
Teachers' Readiness 4 56 14,7% 4.00 3.87 0.80 0.65
Teachers' Beliefs 4 25 6,5% 3.67 3.60 0.74 0.55
Process of Integration 3.2 25 6,5% 3.20 3.23 0.79 0.62
Tabelle 6: Lage- und Streuungsparameter intervallskalierter Variablen (nach Skalenbildung)
Alle fünf Variablen scheinen nach den Histogrammen mit der Normalverteilungs-
kurve sowie deren Schiefe und Kurtosis nur „annähernd“ normalverteilt zu sein.
Auch hier liegt kein Wert der Schiefe bzw. Kurtosis bei Null. Bei der Variablen
1
Die Antwortoptionen der Items, aus denen die Skalen gebildet wurden, erfolgten anhand einer
fünfstufigen Likert-Skala: (1) trifft überhaupt nicht zu, (2) trifft eher nicht zu, (3) trifft teilweise zu,
(4) trifft eher zu, (5) trifft vollkommen zu bzw. für die Variable „Process of Integration“ (1) nie, (2)
selten, (3) manchmal, (4) oft, (5) immer.

„Overall Support“ liegt die Schiefe bei 0.055 und die Kurtosis bei –0.517, damit
ist die Verteilung rechtsschief und flach. Die Variable „Technical Support“ ist mit
einer Schiefe von –0.474 und einer Kurtosis von –0.159 linksschief und flach, die
Variable „Teachers’ Readiness“ ist ebenfalls linksschief und flach (Schiefe:
–0.530; Kurtosis: –0.110) und die Variable „Teachers’ Beliefs“ ist mit einer Schie-
fe von –0.383 und einer Kurtosis von 0.118 linksschief und steil. Bei der Variab-
len „Process of Integration“ liegt der Wert der Schiefe bei –0.097 und der Wert
der Kurtosis bei –0.192, d.h. die Verteilung ist linksschief und flach.
Anmerkung
Die Variablen im Pfadmodell sind nicht zu hundert Prozent normalverteilt, ledig-
lich „annähernd“. Die nachfolgenden Analysen bzw. Auswertungen erfolgen
dennoch ohne Transformation der Daten.
3.4.3 Reliabilitätsanalyse und Skalenbildung
Die Ergebnisse der Reliabilitätsanalyse für jede Skala sind in den Anlagen B12
bis B21 dargestellt. Für die einzelnen Skalen ergeben sich folgende Werte für
Cronbachs Alpha:
Frage und Skala Itemanzahl Cronbachs Alpha
7: Teachers' Readiness 4 0.815
8: Impacts on Students 8 0.912
9: Impacts on Classroom Instruction 4 0.850
8+9: Teachers' Beliefs 12 0.933
12/1: Overall Support 4 0.811
12/2: Technical Support 4 0.843
15: Technology Coach 4 0.834
16: Process of Integration 10 0.861
17: Future Development of Integration 3 0.885
16+17: Integration of Digital Tools 13 0.875
Tabelle 7: Cronbachs Alpha-Werte aus der Reliabilitätsanalyse
Alle Skalen weisen einen hohen Cronbachs Alpha-Wert von über 0.8 aus, d.h.
die interne Konsistenz der Skalen ist hoch und die einzelnen Items können sinn-
voll zu einer Gesamtskala addiert werden. Die zusammengesetzten Skalen kön-
nen somit als zuverlässig angesehen werden. Den höchsten Wert der internen

Konsistenz liefert die Skala „Teachers’ Beliefs“ mit einem Wert von 0.933; dieser
kann als exzellent interpretiert werden.1
Die Reliabilitätsanalyse ist Ausgangspunkt für die Skalenbildung und die multip-
len Regressionsanalysen dieser empirischen Untersuchung. Im Folgenden wird
lediglich auf Hauptauffälligkeiten in Bezug auf Trennschärfe, Mittelwerte und/
oder Standardabweichungen in den Ergebnissen der Skalen eingegangen.
Die Skala „Teachers’ Readiness“ weist einen Cronbachs Alpha-Wert von 0.815
auf. Betrachtet man die Trennschärfe, d.h. die Korrelation zwischen dem jeweili-
gen Item und der Gesamtskala, die sich unter Ausschluss des jeweiligen Items
ergäbe, so zeigt sich, das Item 3 mit 0.535 in der Item-Skala-Statistik nur eine
schwache Korrelation mit der Gesamtskala der übrigen Items aufweist. Das Item
deutet darauf hin, dass es möglicherweise nicht dieselbe Größe misst wie die
übrigen Items und möglicherweise aus der gemeinsamen Skala ausgeschlossen
werden sollte. Ohne dieses Item würde der Cronbachs Alpha-Wert bei 0.846
liegen. Die anderen Trennschärfen der Skala liegen zwischen 0.637 (Item 4) und
0.732 (Item 2). Ebenso weichen der Mittelwert mit 3.24 und die Standardabwei-
chung mit 1.259 des Items 3 deutlich von den anderen Werten ab.
Für die Skala „Impact on Students“ wird ein Cronbachs Alpha-Wert von 0.912
ermittelt. Die Mittelwerte der Items liegen zwischen 3.19 und 3.76 nahe beiein-
ander. Die Werte für die Trennschärfe sind hoch; für Item 8 ergibt sich der
geringste Wert mit 0.648. Würde irgendein Item der acht Items weggelassen
werden, so würde der Cronbachs Alpha-Wert unter dem angegebenen Wert lie-
gen. Dies deutet darauf hin, dass die einzelnen Items für die Gesamtskala gut
geeignet sind.
Ähnlich verhält es sich für die Skala „Impact on Classroom Instruction“. Der
Cronbachs Alpha-Wert liegt bei 0.850. Würde irgendein Item entfernt werden, so
würde der Cronbachs Alpha-Wert geringer ausfallen. Die Mittelwerte der Items
liegen zwischen 3.52 (Item 1) und 3.89 (Item 4); ebenso verhält es sich für die
Werte der Trennschärfe. Die Korrelation zwischen dem jeweiligen Item und der
Gesamtskala liegt zwischen 0.672 (Item 4) und 0.721 (Item 2). Die Items sind für
die Gesamtskala gut geeignet.
1
Vgl. Wikipedia (2012g), o. S.

Für die Skala „Teachers’ Beliefs“ ermittelt sich ein Cronbachs Alpha-Wert von
0.933. Auch hier würde der Cronbachs Alpha-Wert geringer sein, wenn irgendein
Item weggelassen werden würde. Die Mittelwerte der Items bewegen sich von
3.19 (Item 6) bis 3.89 (Item 12). Die Korrelationen sind mittlerer (0.654 für Item
12) bis höherer Stärke (0.768 für Item 3). Auch hier sind die Items für die Ge-
samtskala gut geeignet.
Die Items der Skalen „Overall Support“ und „Technical Support“ sind ebenfalls
gut für die jeweilige Gesamtskala geeignet. Die Skala „Overall Support“ weist
einen Cronbachs Alpha-Wert von 0.811, die Skala „Technical Support“ einen
Wert von 0.843 auf. Beim Weglassen irgendeines Items, würde für beide Skalen
der Cronbachs Alpha-Wert geringer ausfallen. In der Skala „Overall Support“ hat
Item 1 die geringste Stärke der Korrelation mit der Gesamtskala von 0.565. Die
anderen Items bewegen sich bis zu einer Korrelation von 0.694 (Item 3). Ihre
Mittelwerte liegen nahe beieinander. Ähnlich verhält es sich für die Skala
„Technical Support“. Den geringsten Wert der Trennschärfe liefert Item 2 mit
0.627; die anderen korrelieren mit höheren Werten mit der Gesamtskala.
Die Skala „Technology Coach“ ergibt einen Cronbachs Alpha-Wert von 0.834. In
der Reliabilitätsanalyse weist Item 4 mit 0.447 eine schwache Korrelation zur
Gesamtskala auf; die Standardabweichung liegt mit 0.844 deutlich unter den
Werten der anderen Items, während der Mittelwert mit 3.92 deutlich über den
Werten der anderen Items liegt. Bei Entnahme des Items würde sich ein höherer
Cronbachs Alpha-Wert von 0.872 ergeben. Item 4 deutet darauf hin, dass es
möglicherweise nicht dieselbe Größe misst wie die übrigen Items und daher aus
der gemeinsamen Skala ausgeschlossen werden sollte.
Die Hauptauffälligkeit in Skala „Process of Integration“ ist Item 5 mit einer Trenn-
schärfe von lediglich 0.390 und einem Mittelwert von 1.96. Die gesamte Skala
hat einen Cronbachs Alpha von 0.861; dieser würde sich jedoch durch Weglas-
sen von Item 5 nicht verändern. Die Mittelwerte und Trennschärfen der anderen
Items liegen nahe beieinander.
Für die Skala „Future Development of Integration“ wird ein Cronbachs Alpha-
Wert von 0.885 ermittelt. Die Trennschärfen der drei Items liegen zwischen
0.712 (Item 3) und 0.811 (Item 2), auch die Mittelwerte und Standardabweichun-

gen der Items liegen nahe beieinander. Der Cronbachs Alpha-Wert wäre ledig-
lich höher (0.891), wenn Item 3 weggelassen würde.
Die Skala „Integration of Digital Tools“ weist einen Cronbachs Alpha-Wert von
0.875 auf. Drei der 13 Items weisen in der Trennschärfe einen Wert unter 0.5
und somit eine schwache Korrelation auf: Item 5 (0.375), Item 11 (0.492) und
Item 12 (0.469). Bei Weglassen dieser Items würden sich höhere Cronbachs
Alpha-Werte ergeben.
3.4.4 Explorative Faktorenanalyse
Die Ergebnisse der Faktorenanalyse in SPSS für die zwei zu untersuchenden
Modelle Skala „Teachers’ Beliefs“ und Skala „Integration of Digital Tools“ sind in
den Anlagen B22 und B23 zusammengefasst. Beide Faktorenanalysen erfolgten
auf der Basis einer Extraktion nach dem Eigenwert größer 1. Im Folgenden wer-
den die Ergebnisse aus der Faktorenanalyse für die Modelle erläutert.1
Modell 1: Skala „Teachers’ Beliefs“
Die Korrelationsmatrix gibt einen ersten Überblick, welche Variablen stark und
welche nur schwach miteinander korrelieren. Eine hohe Korrelation ist zwischen
Item 1–2 und Item 2–3 mit einem Wert von jeweils 0.686 zu erkennen, die
schwächsten Korrelationen liegen zwischen Item 5–12 mit 0.398 und Item 5–9
mit 0.457. Die anderen Korrelationen liegen nahe beieinander, so dass mehrere
Hintergrundvariablen mit der Korrelationsmatrix auf den ersten Blick nicht aufzu-
decken sind.
Der Bartlett-Test auf Sphärizität ist mit 2743.028 außerordentlich hoch bei einem
Signifikanzwert von p = 0.000; d.h. zwischen einigen der 12 Items besteht auch
in der Grundgesamtheit eine Korrelation. Das Kaiser-Mayer-Olkin-Maß (KMO)
der Stichprobeneignung im KMO- und Bartlett-Test wird mit 0.95 angegeben.
Dieser Wert kann als „fabelhaft“ gut angesehen werden, so dass die Zusam-
menstellung der Items für ein faktoranalytisches Modell durchaus geeignet zu
1
Da die Faktorenanalyse nicht im Mittelpunkt der Masterarbeit steht, wird auf eine ausführliche
Analyse der Ergebnisse bzw. Werte verzichtet.

sein scheint.1
Die 12 MSA-Werte (Measure of Sampling Adequacy) in der Haupt-
diagonalen der Anti-Image-Korrelationsmatrix liegen zwischen 0.928 für Item 2
und 0.961 für Item 7. Der kleinste in der Matrix ausgewiesen MSA-Wert mit
0.928 ist noch immer „fabelhaft“, d.h. auch die MSA-Werte bieten keinen Anlass,
eine oder mehrere Variablen aus dem Modell auszuschließen.
Im nächsten Schritt werden die Eigenwerte und Kommunalitäten näher betrach-
tet. Während der Eigenwert angibt, welcher Teil der Gesamtstreuung aller
Variablen durch einen bestimmten Faktor erklärt wird, gibt die Kommunalität an,
welcher Teil der Streuung einer Variablen durch alle Faktoren erklärt wird.2
Der
erste Faktor in der Tabelle „Erklärte Gesamtvarianz“ und der Spalte „Anfängliche
Eigenwerte“ erklärt absolut 6.947 und damit bereits 57,8 Prozent der Gesamt-
streuung (Varianz). Der zweite Faktor erklärt absolut 0.823 und damit 6,9 Pro-
zent der Gesamtstreuung. Nach dem Kaiser-Kriterium ist nur ein Faktor zu
extrahieren, da nur der erste Faktor einen Eigenwert von größer als 1 aufweist.
Somit kann bereits an dieser Stelle die Faktorenanalyse für dieses Modell
beendet werden. Es wird nur ein Faktor bestimmt, d.h. die 12 Items des
Ausgangsmodells können zu einem Faktor, der Skala „Teachers’ Beliefs“, zu-
sammengefasst werden.
Modell 2: Skala „Integration of Digital Tools“
In der Korrelationsmatrix erkennt man, dass einige Items sehr stark (z.B. Item
11–12, Item 11–13 und Item 12–13 mit Werten zwischen 0.673 und 0.805) und
einige sehr schwach (z.B. Item 3–5, Item 5–11 und Item 5–12 mit Werten zwi-
schen 0.135 und 0.147) miteinander korrelieren; ein Großteil der Korrelationen
bewegt sich im mittleren Korrelationsbereich. Dies deutet darauf hin, dass es
mindestens zwei bis drei Faktoren geben wird.
Der Bartlett-Test auf Sphärizität ist mit 2121.553 außerordentlich hoch bei einem
Signifikanzwert von p = 0.000. Somit besteht zwischen einigen der 13 Items
auch in der Grundgesamtheit eine Korrelation. Das Kaiser-Mayer-Olkin-Maß der
Stichprobeneignung im KMO- und Bartlett-Test wird mit 0.872 angegeben, d.h.
der Wert ist „recht gut“, und die Zusammenstellung der Items scheint für ein fak-
1
Vgl. Brosius, F. (2006), S. 771f.
2
Vgl. Brosius, F. (2006), S. 775

toranalytisches Modell durchaus geeignet zu sein. Die 13 MSA-Werte in der
Hauptdiagonalen der Anti-Image-Korrelationsmatrix bewegen sich zwischen
0.763 für Item 12 und 0.947 für Item 2. Der kleinste Wert in der Matrix ist noch
„mittelprächtig“, so dass alle Items im Modell bleiben können.
Der anfängliche Eigenwert des ersten Faktors erklärt absolut 5.257 und 40,4
Prozent der Gesamtstreuung. Der zweite Faktor absolut 1.759 und 13,5 Prozent
der Gesamtstreuung und der dritte Faktor 1.076 und 8,3 Prozent der Gesamt-
streuung. Die ersten drei Faktoren weisen einen Eigenwert von größer als 1 auf;
somit sind nach dem Kaiser-Kriterium drei Faktoren zu extrahieren.
Neben der Komponentenmatrix wird auch die rotierte Komponentenmatrix im
Ergebnis der Anlage B23 angegeben, welche die Faktorladungen der Items auf
die Faktoren angeben. Betrachtet man für jedes Item die Faktorladungen mit
dem stärksten Koeffizienten in der rotierten Komponentenmatrix, so lassen sich
die Items wie folgt zu den Faktoren zuordnen:
• Faktor 1: Item 1, 2, 3, 4, 9, 10
• Faktor 2: Item 11, 12, 13
• Faktor 3: Item 5, 6, 7, 8
Dies ist nur eine erste Interpretation der Faktorenanalyse, die hier nicht weiter
untersucht werden soll; sie basiert auf der Extraktion nach dem Eigenwert größer
als 1. Man kann jedoch feststellen, dass sich die Faktoren 1 und 2 aus der Skala
„Process of Integration“ (Frage 16) und Faktor 3 ausschließlich aus der Skala
„Future Development of Integration“ (Frage 17) ergeben.
Anmerkung
Wie die Faktorenanalyse der Skala „Integration of Digital Tools“ zeigt, werden
drei Faktoren herausgebildet, d.h. die Items lassen sich trotz eines hohen Cron-
bachs Alpha von 0.875 aus der Reliabilitätsanalyse nicht zu nur einem Faktor
bzw. einer Skala zusammenfassen. Für die weitere Untersuchung dieser Mas-
terarbeit werden nun die Skalenwerte der Skalen „Process of Integration“ und
„Future Development of Integration“ hinsichtlich Varianz, Normalverteilung,
Schiefe etc. näher betrachtet, um auf dieser Grundlage eine Entscheidung zu
treffen, welche Skala für die weiteren Untersuchungen als „Integrationsvariable“

eingesetzt werden soll. Die Skalenwerte sind in Anlage A12 abgebildet. Die
Streuung der Skala „Process of Integration“ liegt bei 0.62 gegenüber einer
Streuung der Skala „Future Development of Integration“ bei 0.807. Die Schiefe
und die Standardabweichung sind bei der Skala „Future Development of Integra-
tion“ mit –0.686 bzw. 0.898 deutlich ausgeprägter bzw. größer als bei der Skala
„Process of Integration“ mit –0.097 Schiefe und einer Standardabweichung von
0.787.
Betrachtet man die Normalverteilungskurve mit den Balken des Histogramms der
Werte, so ist die Annahme normalverteiler Variablenwerte in der Skala „Process
of Integration“ plausibler. Aus diesem Grund wird für alle weiteren Untersuchun-
gen die Skala „Process of Integration“ als „Integrationsvariable“ eingesetzt.
3.4.5 Korrelationsanalyse
Die Ergebnisse der Korrelationsanalyse für alle Variablenpaare im Pfadmodell
sind in der folgenden Tabelle 8 zusammengefasst. Der Output aus SPSS für die
Variablenpaare sind den Anlagen A13 bis A18 zu entnehmen.
Variable Proficiency of Digital
Tools
Teachers' Readiness Teachers' Beliefs Process of Integration
Age -0.010 -0.049 0.020 -0.146**
Years of Teaching 0.036 0.048 0.164** 0.046
Overall Support 0.075 0.453** 0.426** 0.440**
Technical Support 0.071 0.287** 0.163** 0.207**
Proficiency of Digital Tools - 0.550** 0.229** 0.401**
Teachers' Readiness - - - 0.520**
Teachers' Beliefs - - - 0.482**
** Die Korrelation ist auf dem Niveau von 0.01 (2-seitig) signifikant.
* Die Korrelation ist auf dem Niveau von 0.05 (2-seitig) signifikant.
Tabelle 8: Korrelationskoeffizienten für die Variablenpaare im Pfadmodell
Wie der Tabelle 8 zu entnehmen ist, sind die Werte der Korrelationskoeffizienten
zwischen den exogenen Variablen „Age“, „Years of Teaching“, „Overall Support“
und „Technical Support“ und der Variablen „Proficiency of Digital Tools“ sehr ge-
ring und weisen zudem keinen signifikanten Zusammenhang auf (p > 0.05).
Die Beträge der Korrelationskoeffizienten zwischen „Age“ und „Teachers’
Readiness“ als auch zwischen „Years of Teaching“ und „Teachers’ Readiness“
sind ebenfalls sehr gering und nicht signifikant (p > 0.05). Anders verhält es sich
mit den Variablen „Overall Support“, „Technical Support“ und „Proficiency of

Digital Tools“ und der Variablen „Teachers’ Readiness“, deren Werte mit p <
0.01 positiv (zweiseitig) signifikant sind. „Technical Support“ weist mit r = 0.287
eine schwache positive Korrelation, „Overall Support“ (r = 0.453) und „Proficien-
cy of Digital Tools“ (r = 0.550) eine mittlere positive Korrelation mit „Teachers’
Readiness“ aus.
Der Zusammenhang zwischen „Age“ und „Teachers’ Beliefs“ ist mit 0.020 sehr
schwach und bei einem Signifikanzniveau (zweiseitig) von p > 0.05 nicht signifi-
kant. Positiv (zweiseitig) signifikant mit p < 0.01 hingegen sind die Beträge der
Korrelationskoeffizienten zwischen „Years of Teaching“, „Overall Support“,
„Technical Support“ und „Proficiency of Digital Tools“ und der Variablen
„Teachers’ Beliefs“. Die stärkste Korrelation mit „Teachers’ Beliefs“ weist „Overall
Support“ mit r = 0.426 auf, gefolgt von „Proficiency of Digital Tools“ mit r = 0.229,
„Years of Teaching“ mit r = 0.164 und „Technical Support“ mit r = 0.163.
Zwischen „Years of Teaching“ und „Process of Integration” liegt ein sehr gerin-
ger, nicht signifikanter Zusammenhang vor. Der Zusammenhang zwischen
„Process of Integration“ und den anderen Variablen im Pfadmodell ist jeweils mit
p < 0.01 (zweiseitig) signifikant: „Age“ korreliert negativ mit „Process of Integrati-
on“ bei r = –0.146, „Technical Support” schwach positiv (r = 0.207), “Proficiency
of Digital Tools” mit r = 0.401, “Overall Support” mit r = 0.440 und “Teachers’
Beliefs” mit r = 0.482 mittlerer Stärke. Der stärkste signifikant positive Zusam-
menhang besteht zwischen „Teachers’ Readiness“ und „Process of Integration“
mit r = 0.520.
Anmerkung
Wie die Ergebnisse der Korrelation in Tabelle 8 zeigen, liegt bei einigen Vari-
ablenpaaren kein signifikanter Zusammenhang vor. Diese Variablen können ei-
gentlich schon vor der Durchführung der multiplen Regressionsanalysen der ent-
sprechenden Modelle entfernt werden; im Rahmen dieser Arbeit erfolgen jedoch
die multiplen Regressionsanalysen mit allen Variablen in den Modellen.

3.4.6 Multiple Regressionsanalyse
Die Ergebnisse der multiplen Regressionsanalysen der vier Modelle aus SPSS
sind in den Anlagen A19 („Proficiency of Digital Tools“), A20 und A21 („Tea-
chers’ Readiness“), A22 und A23 („Teachers’ Beliefs“) sowie A24 und A25 („Pro-
cess of Integration“) zu finden.
Die standardisierten Regressionskoeffizienten β und die korrigierten R-Quadrate
aus den vier Modellen der multiplen Regressionsanalysen sind in der folgenden
Tabelle 9 zusammengefasst.
vor
Anpassung
nach
Anpassung
vor
Anpassung
nach
Anpassung
vor
Anpassung
nach
Anpassung
vor
Anpassung
nach
Anpassung
Age -0.046 - -0.050 - -0.071 - -0.185** -0.134**
Years of Teaching 0.061 - 0.027 - 0.160** 0.116* 0.081 -
Overall Support 0.043 - 0.397** 0.414** 0.461** 0.467** 0.249** 0.222**
Technical Support 0.045 - 0.023 - -0.114* -0.116* -0.051 -
Tools
- - 0.517** 0.519** 0.195** 0.197** 0.220** 0.220**
Teachers' Readiness - - - - - - 0.189** 0.187**
Teachers' Beliefs - - - - - - 0.250** 0.266**
korrigiertes R² -0.001 - 0.468 0.470 0.237 0.236 0.426 0.423
** p < 0.01
* p < 0.05
Unabhängige
Variable
Endogene abhängige Variable
Tools
Teachers' Readiness Teachers' Beliefs Process of Integration
Tabelle 9: Direkte Einflüsse auf die endogenen Variablen im Pfadmodell (standardisierte Reg-
ressionskoeffizienten)
Die Ergebnisse der multiplen Regressionsanalysen sowie der Einfluss auf jede
endogene abhängige Variable wird nun im Detail erklärt.
3.4.6.1 Ergebnisse und Hypothesenbewertung Modell „Proficiency of Digital
Tools“
Statistische Ergebnisse des Modells
Die multiple Regressionsanalyse mit der Methode „Einschluss“ berechnet für das
Modell 1 „Proficiency of Digital Tools“ eine Regressionsgleichung mit folgenden
Werten:1
y = 3.874 – 0.055x1 + 0.058x2 + 0.058x3 + 0.058x4
1
x1, β1 = Variable „Age“; x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“;
x4, β4 = Variable „Technical Support“

sowie eine standardisierte Regressionsgleichung mit den Werten:
y = –0.046β1 + 0.061β2 + 0.043β3 + 0.045β4
Aus diesen geschätzten Regressionsgleichungen lässt sich zunächst ablesen,
dass das Vorzeichen und somit der Zusammenhang der Variablen „Age“ zu
„Proficiency of Digital Tools“ negativ ist. Die Variablen „Years of Teaching“,
„Overall Support“ und „Technical Support“ hingegen weisen ein positives Vorzei-
chen und damit einen positiven Zusammenhang auf.
Für das korrigierte R² berechnet SPSS einen Wert von –0.001. Dies bedeutet,
dass für die vier Variablen lediglich 0,1 Prozent der Varianz durch das Modell
„Proficiency of Digital Tools“ erklärt werden kann. Die ermittelte Regressionsge-
rade passt somit nicht zu den empirischen Daten. Die Effektstärke ist sehr klein,
nahezu nicht vorhanden. Die F-Statistik ermittelt einen Wert von 0.871 bei einem
Signifikanzniveau p = 0.482; dieser Wert liegt über 0.05, so dass davon ausge-
gangen werden kann, dass der Zusammenhang der Variablen im Modell nicht
statistisch signifikant ist.
Betrachtet man die einzelnen standardisierten Regressionskoeffizienten β, so
hat keine der Variablen einen signifikanten Einfluss auf die Variable
„Proficiency of Digital Tools“. Die angegebenen Signifikanz-Werte liegen über
einem Wert von 0.05. „Age“ hat einen nicht signifikanten, negativen Einfluss auf
„Proficiency of Digital Tools“ von β = –0.046 bei p = 0.488; „Years of
Teaching“ einen nicht signifikanten, positiven Einfluss auf „Proficiency of Digital
Tools“ von β = 0.061 bei p = 0.354; „Overall Support“ einen nicht signifikanten,
positiven Einfluss von β = 0.043 bei p = 0.493 und „Technical Support“ einen
nicht signifikanten, positiven Einfluss von β = 0.045 bei p = 0.469.
Sowohl das ganze Modell als auch die einzelnen standardisierten Regressions-
koeffizienten sind nicht signifikant, d.h. die Wahrscheinlichkeit, dass die Unter-
schiede zwischen den Messgrößen durch Zufall zustande kommen, ist sehr
hoch. Da lediglich nicht signifikante Werte und damit keine signifikanten Zusam-
menhänge vorliegen, wird auf eine Prüfung der Modellprämissen verzichtet.

Modellanpassung
Das Modell „Proficiency of Digital Tools“ umfasst lediglich nicht signifikante Wer-
te, daher sollten alle Variablen aus dem Modell entfernt werden. Für das Modell
„Proficiency of Digital Tools“ wird keine Modellanpassung vorgenommen.
Hypothesenbewertung
In den Hypothesen H1 und H2a wurde postuliert, dass die demographischen Ei-
genschaften der Lehrperson (Variablen „Age“ und „Years of Teaching“) jeweils
einen negativen direkten Einfluss auf den Leistungsstand zu digitalen Arbeitsmit-
teln („Proficiency of Digital Tools“) haben. Die Hypothesen H3a und H4a nahmen
an, dass die Eigenschaften der Bildungseinrichtung (Variablen „Overall Support“
und „Technical Support“) jeweils einen positiven direkten Einfluss auf die Variab-
le „Proficiency of Digital Tools“ haben. Wie die Ergebnisse zeigen, liegen keine
signifikanten Werte vor und die Hypothesen H1, H2a, H3a und H4a können nicht
bestätigt werden.
3.4.6.2 Ergebnisse und Hypothesenbewertung Modell „Teachers’ Readiness“
Für das Modell 2 „Teachers’ Readiness“ berechnet die multiple Regressionsana-
lyse eine Regressionsgleichung mit folgenden Werten:1
y = 1.033 – 0.042x1 + 0.018x2 + 0.379x3 + 0.021x4 + 0.367x5
y = –0.050β1 + 0.027β2 + 0.397β3 + 0.023β4 + 0.517β5
Das Vorzeichen und damit der Zusammenhang der Variablen „Age“ zu
„Proficiency of Digital Tools“ ist negativ. Die Variablen „Years of Teaching“,
„Proficiency of Digital Tools“, „Overall Support“ und „Technical Support“ besitzen
ein positives Vorzeichen, d.h. die Zusammenhänge hinsichtlich „Proficiency of
Digital Tools“ sind positiv.
1
x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“

SPSS berechnet für das korrigierte R² des Modells einen Wert von 0.468; somit
können für die fünf Variablen 46,8 Prozent der Varianz durch das Modell
„Teachers’ Readiness“ erklärt werden. Die ermittelte Regressionsgerade passt
zu den empirischen Daten und es kann von einem großen Effekt ausgegangen
werden. Die F-Statistik ermittelt einen Wert von 67.903 bei p = 0.000, d.h. der
Zusammenhang der Variablen im Modell ist statistisch signifikant.
Betrachtet man die einzelnen standardisierten Regressionskoeffizienten β, so
hat die Variable „Proficiency of Digital Tools“ mit β = 0.517 den größten signifi-
kanten Einfluss auf die Variable „Teachers’ Readiness“ mit p = 0.000. Den
zweitgrößten Einfluss hat die Variable „Overall Support“ mit β = 0.397; der Wert
ist mit einem Signifikanzwert von p = 0.000 ebenfalls signifikant. Die anderen
Variablen haben keinen signifikanten Einfluss auf „Teachers’ Readiness“; ihre
Signifikanzwerte liegen über 0.05. „Age“ hat einen nicht signifikanten, negativen
Einfluss von β = –0.050 bei p = 0.297; „Years of Teaching“ einen nicht signifikan-
ten, positiven Einfluss von β = 0.027 bei p = 0.580 und „Technical Support“ einen
nicht signifikanten, positiven Einfluss von β = 0.023 bei p = 0.613.
Im Folgenden werden noch die Modellprämissen des Modells „Teachers’
Readiness“ geprüft: der grafische Test der Residuen auf Normalverteilung zeigt
im Histogramm und Normalverteilungsplot der Residuen eine „annähernde“
Normalverteilung. Das Streudiagramm der Residuen in Anlage xx deutet auf eine
nicht konstante Streuung hin, d.h. die Varianzen der Residuen scheinen unter-
schiedlich, und es liegt voraussichtlich Heteroskedastitzät vor. Die Heteroske-
dastizität kann mit dem Levene-Test geprüft werden, der hier jedoch nicht An-
wendung findet.1
Die Durbon-Watson-Statistik gibt für das Modell einen Wert von
2.017 aus. Dieser Wert entspricht nahezu dem Wert 2, d.h. es liegt keine Auto-
korrelation der Residuen vor. Als letzte Modellprämisse wird die Multikollinearität
untersucht. Aus der Kolinearitätsstatistik des Modells lassen sich Toleranzwerte
und VIF-Werte für die einzelnen Variablen ablesen. Die Toleranzwerte liegen
zwischen 0.602 und 0.991 und die VIF-Werte zwischen 1.009 und 1.662. Da die
1
Die Normalverteilung und Homoskedastizität werden in allen multiplen Regressionsanalysen
nur graphisch geprüft und ausgewertet. Die Ergebnisse des Chi² Test und der explorativen Da-
tenanalyse sind der Anlage xx zu entnehmen; sie sind nicht Gegenstand dieser Masterarbeit,
dienen jedoch als Ausgangspunkt bzw. Zusatz weiterer Analysen.

Toleranzwerte nicht unter 0.25 und die VIF-Werte nicht über 5 liegen, liegt somit
keine Multikollinearität vor.
Modellanpassung
Das Modell „Teachers’ Readiness“ beinhaltet drei nicht signifikante Variable
(„Age“, „Years of Teaching“ und „Technical Support“), die aus dem Modell ent-
fernt werden. Da sich durch das Entfernen der Variablen die Werte für das Mo-
dell und die Regressionskoeffizienten der anderen Variablen ändern, wird eine
Modellanpassung vorgenommen. Die Ergebnisse der Modellanpassung sind in
Anlage A21 dargestellt und werden im Folgenden aufgezeigt.
Für das angepasste Modell „Teachers’ Readiness“ wird eine Regressionsglei-
chung mit folgenden Werten berechnet:1
y = 0.985 + 0.394x3 + 0.368x5
y = 0.414β3 + 0.519β5
Für das korrigierte R² des angepassten Modells berechnet SPSS einen Wert von
0.470; somit können für die zwei Variablen 47 Prozent der Varianz durch das
Modell „Teachers’ Readiness“ erklärt und von einem großen Effekt ausgegangen
werden. Laut F-Statistik ist der Zusammenhang der Variablen im angepassten
Modell statistisch signifikant (169.822; p = 0.000).
Den größten signifikanten Einfluss auf „Teachers’ Readiness“ hat die Variable
„Proficiency of Digital Tools“ mit β = 0.519 bei p = 0.000. Die Variable „Overall
Support“ kommt auf einen signifikant positiven Wert von β = 0.414 bei p = 0.000.
Nach dem Histogramm und Normalverteilungsplot der Residuen liegt eine „an-
nähernde“ Normalverteilung vor. Die Homoskedastizität ist graphisch nicht ein-
deutig nachweisbar; auf einen Levene-Test wird jedoch verzichtet. Auch im an-
gepassten Modell existiert weder eine Autokorrelation (Durbon-Watson-Statistik:
2.005) noch eine Multikollinearität (Toleranzwerte: jeweils 0.994; VIF-Werte: je-
weils 1.006). Die Modellprämissen können mit Einschränkungen als „erfüllt“ be-
trachtet werden.
1
x3, β3 = Variable „Overall Support“; x5, β5 = Variable „Proficiency of Digital Tools“

Hypothesenbewertung
In der Hypothese H2b wurde postuliert, dass die Jahre des Lehrens („Years of
Teaching“) einen negativen direkten Einfluss auf die Bereitschaft der Lehrperson
(„Teachers’ Readiness“) haben. Diese Hypothese H2b kann nicht bestätigt wer-
den, da für die Variable „Years of Teaching“ kein signifikanter Wert vorliegt.
In den Hypothesen H3b und H4b wurde angenommen, dass die Eigenschaften
der Bildungseinrichtung (Variablen „Overall Support“ und „Technical Support“)
einen positiven, direkten Einfluss auf die Variable „Teachers’ Readiness“ haben.
Hypothese H3b kann bestätigt werden: die Variable „Overall Support“ liefert im
Modell einen hohen signifikanten positiven Wert auf „Teachers’ Readiness“. Hy-
pothese H4b kann nicht bestätigt werden, da für die Variable „Technical Support“
kein signifikanter Wert ausgewiesen wird.
In der Hypothese H5a wurde postuliert, dass der Leistungsstand zu digitalen Ar-
beitsmitteln („Proficiency of Digital Tools“) einen positiven direkten Einfluss auf
die Bereitschaft der Lehrperson („Teachers’ Readiness“) nimmt. Diese Hypothe-
se kann durch den hohen signifikanten positiven Wert der Variablen „Proficiency
of Digital Tools“ im Modell bestätigt werden.
3.4.6.3 Ergebnisse und Hypothesenbewertung Modell „Teachers’ Beliefs“
Die multiple Regressionsanalyse berechnet für das Modell 3 „Teachers’ Beliefs“
eine Regressionsgleichung mit folgenden Werten:1
y = 1.849 – 0.055x1 + 0.099x2 + 0.404x3 – 0.095x4 + 0.128x5
y = –0.071β1 + 0.160β2 + 0.461β3 – 0.114β4 + 0.195β5
Die Variablen „Age“ und „Technical Support“ besitzen ein negatives Vorzeichen
und weisen damit einen negativen Zusammenhang auf. Die Variablen „Years of
1
x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“

Teaching”, “Proficiency of Digital Tools” und “Overall Support” hingegen zeigen
ein positives Vorzeichen und damit einen positiven Zusammenhang auf.
Für das korrigierte R² des Modells wird ein Wert von 0.247 berechnet, d.h. für die
fünf Variablen können 24,7 Prozent der Varianz durch das Modell „Teachers’
Beliefs“ erklärt werden. Bei diesem Wert kann von einer mittleren bis großen Ef-
fektstärke ausgegangen werden. Die F-Statistik ermittelt einen Wert von 24.732
bei p = 0.000, d.h. der Zusammenhang der Variablen im Modell ist statistisch
signifikant.
Die Variable „Overall Support“ hat mit β = 0.461 den größten signifikanten Ein-
fluss auf die Variable „Teachers’ Beliefs“ mit p = 0.000, den zweitgrößten signifi-
kanten Einfluss hat die Variable „Proficiency of Digital Tools“ mit β = 0.195 bei p
= 0.000 und den drittgrößten signifikanten Einfluss die Variable „Years of
Teaching“ mit β = 0.160 bei p = 0.006. „Technical Support“ hat einen signifikan-
ten negativen Einfluss auf „Teachers’ Beliefs“ mit β = –0.114 bei p = 0.037. In
diesem Modell hat lediglich die Variable „Age“ keinen signifikanten Einfluss auf
„Teachers’ Beliefs“; ihr standardisierter Regressionskoeffizient nimmt einen ne-
gativen Wert von β = –0.071 bei p = 0.217 an.
Betrachtet man die Modellprämissen des Modells „Teachers’ Beliefs“, so zeigen
das Histogramm und das Normalverteilungsplot der Residuen eine „annähernde“
Normalverteilung. Das Streudiagramm hingegen deutet nicht auf eine konstante
Streuung hin, d.h. die Varianzen der Residuen sind vermutlich unterschiedlich
und es liegt Heteroskedastizität vor. Eine Prüfung mit dem Levene-Test wird im
Rahmen dieser Arbeit nicht vorgenommen. Für das Modell wird eine Durbon-
Watson-Statistik von 1.831 ausgegeben. Dieser Wert liegt relativ nah an dem
Wert 2, d.h. es liegt höchstens eine sehr schwache positive Autokorrelation der
Residuen vor. Die Prüfung auf Multikollinearität liefert die folgenden Ergebnisse
in der Kolinearitätsstatistik: die Toleranzwerte der Variablen liegen zwischen
0.602 und 0.991 und die VIF-Werte zwischen 1.009 und 1.662, d.h. es liegt keine
Multikollinearität vor.

Modellanpassung
Das Modell „Teachers’ Beliefs“ beinhaltet eine nicht signifikante Variable „Age“,
die aus dem Modell entfernt wird. Wegen der Veränderung der Werte für das
Modell und den Regressionskoeffizienten der anderen Variablen bei der Ent-
nahme der Variablen, wird auch hier eine Modellanpassung vorgenommen. Der
Anlage A23 sind die Ergebnisse der Modellanpassung zu entnehmen; sie wer-
den im Folgenden dargestellt.
Für das angepasste Modell „Teachers’ Beliefs“ wird eine Regressionsgleichung
mit folgenden Werten berechnet:1
y = 1.761 + 0.071x2 + 0.409x3 – 0.096x4 + 0.129x5
y = 0.116β2 + 0.467β3 – 0.116β4 + 0.197β5
0.244; für die vier Variablen werden somit 24,4 Prozent der Varianz durch das
Modell „Teachers’ Beliefs“ erklärt und von einem Effekt mittlerer bis größerer
Stärke ausgegangen. Der Zusammenhang der Variablen im angepassten Modell
ist nach der F-Statistik statistisch signifikant (30.491; p = 0.000).
Den größten signifikanten positiven Einfluss auf „Teachers’ Beliefs“ hat die Vari-
able „Overall Support“ mit β = 0.467 bei p = 0.000. Die Variable „Proficiency of
Digital Tools“ folgt an zweiter Stelle mit einem signifikant positiven Wert von β =
0.197 bei p = 0.000. Die Variable „Years of Teaching“ hat einen signifikant positi-
ven Einfluss von β = 0.116 und einem Signifikanzwert von p = 0.011. Einen signi-
fikanten negativen Einfluss hat die Variable „Technical Support“ mit β = –0.116
bei p = 0.035.
Auch im angepassten Modell sind die Residuen „annähernd“ normalverteilt und
das Streudiagramm zeigt eine Tendenz zur Heteroskedastizität, die hier nicht
weiter untersucht wird. Weiter liegt eine sehr schwache positive Autokorrelation
(Durbon-Watson-Statistik: 1.828) und keine Multikollinearität (Toleranzwerte:
1
x2, β2 = Variable „Years of Teaching“; x3, β3 = Variable „Overall Support“; x4, β4 = Variable
„Technical Support”; x5, β5 = Variable „Proficiency of Digital Tools“

zwischen 0.668 und 0.992; VIF-Werte: zwischen 1.008 und 1.497) vor. Die Mo-
dellprämissen können mit Einschränkungen als „erfüllt“ angesehen werden.
Hypothesenbewertung
In den Hypothesen H3c und H4c wurde angenommen, dass die Eigenschaften
der Bildungseinrichtung (Variablen „Overall Support“ und „Technical Support“)
jeweils einen positiven, direkten Einfluss auf die Variable „Teachers’ Beliefs“ ha-
ben. Hypothese H3c kann bestätigt werden; die Variable „Overall Support“ liefert
im Modell einen hohen signifikanten positiven Wert auf „Teachers’ Beliefs“. Ein
signifikant postulierter Einfluss der Variablen „Technical Support“ auf „Teachers’
Beliefs“ liegt zwar vor, allerdings ist dieser negativ. Somit kann Hypothese H4c
nicht bestätigt werden.
In der Hypothese H5b wurde postuliert, dass der Leistungsstand zu digitalen Ar-
beitsmitteln („Proficiency of Digital Tools“) einen positiven direkten Einfluss auf
die Vorstellungen der Lehrperson („Teachers’ Beliefs“) hat. Wie die Ergebnisse
zeigen, kann diese Hypothese H7 bestätigt werden.
3.4.6.4 Ergebnisse und Hypothesenbewertung Modell „Process of Integration“
Für das Modell 4 „Integration of Digital Tools“1
berechnet die multiple Regressi-
onsanalyse eine Regressionsgleichung mit folgenden Werten:2
y = 0.573 – 0.154x1 + 0.053x2 + 0.232x3 – 0.045x4 + 0.153x5 + 0.185x6 +
0.266x7
y = –0.185β1 + 0.081β2 + 0.249β3 – 0.051β4 + 0.220β5 + 0.189β6 + 0.250β7
1
Die im Pfadmodell angegebene Variable „Integration of Digital Tools“ entspricht der Variablen
„Process of Integration“, die nach den Ergebnissen der Faktorenanalyse in Kapitel 3.4.4 als „In-
tegrationsvariable“ eingesetzt wird. Für die Berechnungen in SPSS wurde die Variable nicht
umbenannt.
2
x4, β4 = Variable „Technical Support“; x5, β5 = Variable „Proficiency of Digital Tools“; x6, β6 =
Variable „Teachers’ Readiness“; x7, β7 = Variable „Teachers’ Beliefs“

Aus diesen geschätzten Regressionsgleichungen lässt sich ablesen, dass das
Vorzeichen der Variablen „Age“ und „Technical Support“ negativ ist und damit
ein negativer Zusammenhang zu „Process of Integration“ besteht. Die Variablen
„Years of Teaching“, „Proficiency of Digital Tools“, „Teachers’ Readiness“, „Tea-
chers’ Beliefs“ und „Overall Support“ besitzen ein positives Vorzeichen; ihr Zu-
sammenhang zu „Process of Integration” ist positiv.
SPSS berechnet für das korrigierte R² des Modells einen Wert von 0.426; somit
können für die sieben Variablen 42,6 Prozent der Varianz durch das Modell
„Process of Integration“ erklärt werden. Die ermittelte Regressionsgerade passt
zu den empirischen Daten und es kann von einem großen Effekt ausgegangen
werden. Der Zusammenhang der Variablen im Modell ist statistisch signifikant
(F-Statistik: 41.383, p = 0.000).
Betrachtet man die standardisierten Regressionskoeffizienten β, so haben zwei
Variablen keinen signifikanten Einfluss auf „Process of Integration“: die Variable
„Years of Teaching“ (β = 0.081; p = 0.112) und die Variable „Technical Support“
(β = –0.051; p = 0.289). Den größten signifikanten Einfluss auf „Process of
Integration“ hat die Variable „Teachers’ Beliefs“ (β = 0.250; p = 0.000), gefolgt
von den Variablen „Overall Support“ (β = 0.249; p = 0.000), „Proficiency of Digital
Tools“ (β = 0.220; p = 0.000) und „Teachers’ Readiness (β = 0.189; p = 0.001).
Die Variable „Age“ hat einen signifikanten negativen Einfluss von β = –0.185 bei
p = 0.000 auf „Process of Integration“.
Der graphische Test auf Normalverteilung liefert eine „annähernde“ Normalver-
teilung. Das Streudiagramm zeigt keine eindeutige konstante Streuung, d.h. die
Varianzen der Residuen scheinen unterschiedlich und es liegt voraussichtlich
Heteroskedastizität vor; eine Prüfung auf Homoskedastizität mit dem Levene-
Test erfolgt nicht. Die Durbon-Watson-Statistik gibt für das Modell einen Wert
von 1.917 aus, d.h. es liegt eine sehr schwache positive Autokorrelation der Re-
siduen vor. Die Toleranzwerte des Modells zur Prüfung der Multikollinearität lie-
gen zwischen 0.497 und 0.734 und die VIF-Werte zwischen 1.363 und 2.013.
Damit liegt keine Multikollinarität vor.

Modellanpassung
Das Modell „Process of Integration“ beinhaltet zwei nicht signifikante Variable
„Years of Teaching“ und „Technical Support“, die aus dem Modell entfernt wer-
den. Die Ergebnisse der Modellanpassung aus SPSS sind in Anlage A25 darge-
stellt und werden im Folgenden aufgezeigt.
Für das angepasste Modell „Process of Integration“ wird eine Regressionsglei-
chung mit folgenden Werten berechnet:1
y = 0.518 – 0.111x1 + 0.208x3 + 0.153x5 + 0.183x6 + 0.284x7
y = –0.134β1 + 0.222β3 + 0.220β5 + 0.187β6 + 0.266β7
0.423; 42,3 Prozent der Varianz können für die fünf Variablen durch das Modell
„Process of Integration“ erklärt werden. Es handelt sich um eine große Effekt-
stärke. Laut F-Statistik ist der Zusammenhang der Variablen im angepassten
Modell statistisch signifikant (56.881; p = 0.000).
Im angepassten Modell hat die Variable „Teachers’ Beliefs“ den größten signifi-
kanten Einfluss auf „Process of Integration“ mit β = 0.266 bei p = 0.000. Der sig-
nifikante Einfluss der Variablen „Overall Support“ mit β = 0.222 bei p = 0.000
sowie „Proficiency of Digital Tools“ mit β = 0.220 bei p = 0.000 ist nahezu iden-
tisch. Die Variable „Teachers’ Readiness“ hat einen Einfluss auf „Process of
Integration” von β = 0.187 bei p = 0.001. Einen signifikanten negativen Einfluss
auf „Process of Integration“ hat die Variable „Age“ (β = –0.134; p = 0.001).
Das Histogramm und Normalverteilungsplot der Residuen zeigt einen extremen
Ausreißer, der hier jedoch nicht näher untersucht werden soll. Die Normalvertei-
lung ist dadurch nur bedingt „annähernd“ gegeben. Auch im angepassten Modell
zeigt das Streudiagramm keine eindeutige konstante Streuung, d.h. es liegt auch
hier vermutlich Heteroskedastizität vor, die in weiteren Analysen untersucht wer-
den sollte. Des Weiteren liegt eine sehr schwache positive Autokorrelation
(Durbon-Watson-Statistik: 1.880), jedoch keine Multikollinearität (Toleranzwerte
1
x1, β1 = Variable „Age“; x3, β3 = Variable „Overall Support”; x5, β5 = Variable „Proficiency of
Digital Tools“; x6, β6 = Variable „Teachers’ Readiness“; x7, β7 = Variable „Teachers’ Beliefs“

zwischen 0.513 und 0.995; VIF-Werte zwischen 1.005 und 1.948) vor. Die
Modellprämissen können lediglich mit Einschränkungen als „erfüllt“ betrachtet
werden.
Hypothesenbewertung
In den Hypothesen H6 und H7 wurde postuliert, dass die Bereitschaft der Lehr-
person („Teachers’ Readiness“) und die Ansichten der Lehrperson („Teachers’
Beliefs) jeweils einen positiven direkten Einfluss auf die Integration digitaler Ar-
beitsmittel („Integration of Digital Tools“) haben. Beide Hypothesen können mit
den Ergebnissen der multiplen Regressionsanalyse bestätigt werden.
3.4.7 Geschätztes Pfadmodell
Mit den Ergebnissen der multiplen Regressionsanalysen wird ein überarbeitetes
Pfadmodell in Abbildung 9 aufgestellt. Die im Pfadmodell angegebenen Werte
für die standardisierten Regressionskoeffizienten β entsprechen den angepass-
ten Modellen der multiplen Regressionsanalysen aus Kapitel 3.4.6.
Block 1 Block 2 Block 3 Block 4
Abbildung 9: Geschätztes Pfadmodell

Folgende Zusammenhänge bzw. Einflüsse auf die Integration digitaler Arbeits-
mittel lassen sich aus dem überarbeiteten Pfadmodell zusammenfassen:
• Keine exogene Variable hat einen direkten Einfluss auf „Proficiency of
Digital Tools“.
• Die Variable „Age“ hat einen negativen direkten Einfluss auf die Variable
„Integration of Digital Tools“.
• Die Variable „Years of Teaching“ hat einen positiven direkten Einfluss
auf die Variable „Teachers’ Beliefs“.
• Die Variable „Overall Support“ hat einen positiven direkten Einfluss auf
die Variablen „Teachers’ Readiness“, „Teachers’ Beliefs“ sowie
• Die Variable „Technical Support“ hat einen negativen direkten Einfluss
auf die Variable „Teachers’ Beliefs“.
• Die Variable „Proficiency of Digital Tools“ hat einen positiven direkten
Einfluss auf die Variablen „Teachers’ Readiness“, „Teachers’ Beliefs“
und „Integration of Digital Tools“.
• Die Variable „Teachers’ Readiness“ und die Variable „Teachers’
Beliefs“ haben jeweils einen positiven direkten Einfluss auf die Variable
3.4.8 Zentrale Tendenz nicht im Pfadmodell abgebildeter Variablen
3.4.8.1 t-Test für unabhängige Stichproben
Die Ergebnisse des t-Tests für die Variable „Geschlecht“ mit den endogenen Va-
riablen im Pfadmodell sind der Anlage B24 zu entnehmen. Anhand der Daten
lässt sich erkennen, dass es einen Unterschied des Mittelwertes zwischen Frau-
en und Männern bezogen auf die einzelnen Variablen gibt. Der Mittelwert hin-
sichtlich „Proficiency of Digital Tools“ liegt bei den Männern auf einer Skala von 1
(keinerlei Erfahrung) bis 6 (sehr gute Beherrschung) mit 4.45 höher als bei den
Frauen mit 4.15, dasselbe gilt bei „Teachers’ Readiness“ mit 3.88 bei den Män-
nern und 3.86 bei den Frauen auf einer Skala von 1 (trifft überhaupt nicht zu)

und 5 (trifft vollkommen zu). Der Mittelwert der beiden Variablen „Teachers’ Be-
liefs“ und „Process of Integration“, jeweils auf einer Skala von 1 (trifft überhaupt
nicht zu) und 5 (trifft vollkommen zu), ist hingegen bei den Frauen mit 3.72
(„Teachers’ Beliefs“) und 3.34 („Process of Integration“) höher im Vergleich zu
den Männern mit 3.52 („Teachers’ Beliefs“) und 3.15 („Process of Integration“).
Der Levene-Test zur Prüfung auf Varianzhomogenität gibt für „Proficiency of Di-
gital Tools“ einen F-Wert von 1.434 bei einer Signifikanz von p = 0.232 aus. Da
dieser Wert nicht signifikant ist1
, liegt Varianzhomogenität vor und die Werte für
den T-Test lassen sich aus der Zeile Varianzen sind gleich ablesen. Für den T-
Test für die Mittelwertgleichheit ergeben sich Freiheitsgrade von 380 und ein t-
Wert von -2.608 bei einer (zweiseitigen) Signifikanz von p = 0.009. Da der Signi-
fikanzwert unter dem Niveau von 0.01 liegt, unterscheiden sich die Mittelwerte
von Männern und Frauen im Hinblick auf „Proficiency of Digital Tools“ signifikant.
Bei „Teachers’ Readiness“ ergibt sich ein F-Wert von 2.517 bei p = 0.113 für den
Levene-Test der Varianzgleichheit, auch dieser Wert ist nicht signifikant, so dass
es sich auch in diesem Fall um Varianzhomogenität handelt. Der T-Test für die
Mittelwertgleichheit liefert Freiheitsgrade von 380 und ein t-Wert von –0.257 bei
einer (zweiseitigen) Signifikanz von p = 0.798. Der Signifikanzwert liegt deutlich
über dem Signifikanzniveau von 0.05, so dass sich die Mittelwerte von Männern
und Frauen hinsichtlich „Teachers’ Readiness“ nicht signifikant unterscheiden.
Der Levene-Test der Variablen „Teachers’ Beliefs” ergibt einen F-Wert von 0.775
bei p = 0.379; der Wert ist nicht signifikant und es liegt Varianzhomogenität vor.
Der T-Test liefert Freiheitsgrade von 380 und einen t-Wert von 2.747 bei (zwei-
seitiger) Signifikanz von p = 0.006. Damit unterscheiden sich die Mittelwerte von
Männern und Frauen im Hinblick auf „Teachers’ Beliefs“ signifikant.
Auch bei der Variablen „Process of Integration” liegt Varianzhomogenität vor (F-
Wert: 0.863; p = 0.354). Aus dem T-Test für die Mittelwertgleichheit ergeben sich
Freiheitsgrade von 380 und ein t-Wert von 2.376 bei einem (zweiseitigen) Signi-
fikanzwert von p = 0.018. Dieser Wert liegt noch unter dem Signifikanzniveau
1
Der F-Wert sollte bei Varianzhomogenität nicht signifikant werden. Bei einem Test auf Varianz-
homogenität liegt das Signifikanzniveau bei 0.1. (vgl. Universität Zürich/Schwarz, J. (Hrsg.)
(2010f), o. S.)

von 0.05, d.h. die Mittelwerte von Frauen und Männer hinsichtlich „Process of
Integration“ unterscheiden sich ebenfalls signifikant.
3.4.8.2 Einfaktorielle Varianzanalyse (ANOVA)
Die Ergebnisse der Varianzanalyse für Modell 1a, 1b, 1c und 1d sind in Anlage
B25, für Modell 2a, 2b, 2c und 2d in Anlage B26 und für Modell 3a, 3b, 3c und 3d
in Anlage B27 zu finden.
Statistische Ergebnisse Modell 1
Die Mittelwert-Diagramme für Modell 1a, 1b, 1c und 1d zeigen Unterschiede der
Mittelwerte zwischen den Unterrichtsfächern.
• Modell 1a („Unterrichtsfach“ hinsichtlich „Proficiency of Digital Tools“):
Für das Modell wird ein F-Wert von 3.773 bei p = 0.002 ausgewiesen, d.h.
mindestens einer der Mittelwerte der Variablen „Unterrichtsfach“ weicht signi-
fikant von den anderen ab.
Der Test auf Varianzhomogenität liefert einen Signifikanzwert von p = 0.101.
Da der Wert über 0.1 liegt, besteht Varianzhomogenität und für den Post-
Hoc-Test wird der Turkey-B-Test eingesetzt. Hieraus ergeben sich zwei ho-
mogene Untergruppen für Alpha = 0.05:
Homogene Untergruppe 1: Unterrichtsfach 2, 5
Homogene Untergruppe 2: Unterrichtsfach 1, 2, 3, 4, 6
Ob sich die Mittelwerte signifikant unterscheiden, lässt sich aus dem Turkey-
B-Test nicht ablesen.
• Modell 1b („Unterrichtsfach“ hinsichtlich „Teachers’ Readiness“):
Der F-Wert des Modells beträgt 2.720 bei p = 0.020 für das Modell, d.h. min-
destens einer der Mittelwerte der Variablen „Unterrichtsfach“ weicht signifi-
kant (für 0.01 < p < 0.05) von den anderen ab.
Auch hier besteht Varianzhomogenität und für den Post-Hoc-Test wird der
Turkey-B-Test eingesetzt. Für den Post-Hoc-Test ergibt sich nur eine Unter-
gruppe für Alpha = 0.05. Alle Mittelwerte liegen in derselben homogenen Un-

tergruppe. Es liegt ein signifikanter Unterschied zwischen den Mittelwerten
der Unterrichtsfächer vor, welche der Unterrichtsfächer sich signifikant von
den anderen unterscheiden, kann mit dem Turkey-B-Test nicht nachgewiesen
werden. Ein zusätzlicher (alternativer) Test erfolgt nicht.
• Modell 1c („Unterrichtsfach“ hinsichtlich „Teachers’ Beliefs“):
Der F-Wert beträgt 6.117 bei p = 0.000 für das Modell. Somit weicht mindes-
tens einer der Mittelwerte der Variablen „Unterrichtsfach“ signifikant von den
anderen ab.
Der Levene-Test liefert einen Signifikanzwert von p = 0.294. Auch hier be-
steht Varianzhomogenität und für den Post-Hoc-Test wird der Turkey-B-Test
eingesetzt. Für den Post-Hoc-Test ergibt sich nur eine Untergruppe für Alpha
= 0.05. Alle Mittelwerte liegen auch hier in derselben homogenen Untergrup-
pe. Es liegt ein signifikanter Unterschied zwischen den Mittelwerten der Un-
terrichtsfächer vor, welche der Unterrichtsfächer sich signifikant von den an-
deren unterscheiden, kann jedoch mit dem Turkey-B-Test nicht nachgewie-
sen werden. Auf einen zusätzlichen Test wird auch hier verzichtet.
• Modell 1d („Unterrichtsfach“ hinsichtlich „Process of Integration“):
Der F-Wert beträgt 5.220 bei p = 0.00 für das Modell 2d, d.h. mindestens ei-
ner der Mittelwerte der Variablen „Unterrichtsfach“ weicht signifikant von den
anderen ab.
Auch hier besteht Varianzhomogenität und für den Post-Hoc-Test wird der
Turkey-B-Test eingesetzt. Es ergeben sich zwei homogene Untergruppen für
Alpha = 0.05:

Die Mittelwert-Diagramme für Modell 2a, 2b, 2c und 2d zeigen Unterschiede der
Mittelwerte zwischen den Lehrmethoden.
• Modell 2a („Lehrmethodik“ hinsichtlich „Proficiency of Digital Tools“):
Der ermittelte F-Wert von 2.789 für das Modell 2a wird mit einem Signifi-
kanzwert von p = 0.026 angegeben, d.h. das Signifikanzniveau liegt zwar
über p > 0.01, jedoch unter p < 0.05. Damit weicht mindestens einer der Mit-
telwerte der Variablen „Lehrmethodik“ signifikant von den anderen ab.
Der Levene-Test liefert für das Modell 2a eine Signifikanz von p = 0.016, d.h.
es liegt Varianzheterogenität vor. Für den Post-Hoc-Test wird somit der Ga-
mes-Howell-Test angewendet, da keine Varianz-Gleichheit angenommen
wird. Betrachtet man die Ergebnisse des Post-Hoc-Tests, so liegen insge-
samt vier Signifikanzwerte unter 0.05:
Lehrmethodik 2 – Lehrmethodik 5 bzw.
Lehrmethodik 5 – Lehrmethodik 2: p = 0.026
Nach dem Games-Howell-Test unterscheiden sich die Mittelwerte der Leh-
methoden 2 und 5 sowie der Lehrmethoden 3 und 5 signifikant.
• Modell 2b („Lehrmethodik“ hinsichtlich „Teachers’ Readiness“):
Für das Modell 2b wird ein F-Wert von 3.950 bei p = 0.004 ausgewiesen, d.h.
mindestens einer der Mittelwerte der Variablen „Lehrmethodik“ weicht signifi-
kant von den anderen ab.
Da der Wert unter 0.1 liegt, besteht Varianzheterogenität und für den Post-
Hoc-Test wird der Games-Howell-Test eingesetzt. Insgesamt liegen sechs
Signifikanzwerte unter 0.05:

Die Mittelwerte der Lehrmethoden 1 und 5, der Lehrmethoden 2 und 5 sowie
der Lehrmethoden 3 und 5 unterscheiden sich signifikant.
• Modell 2c („Lehrmethodik“ hinsichtlich „Teachers’ Beliefs“):
Der F-Wert für dieses Modell beträgt 7.526 bei einer Signifikanz von p =
0.000. Somit weicht auch in diesem Modell mindestens einer der Mittelwerte
der Variablen „Lehrmethodik“ signifikant von den andern ab.
Es besteht Varianzheterogenität und für den Post-Hoc-Test wird der Games-
Howell-Test eingesetzt. Insgesamt liegen sechs Signifikanzwerte unter 0.05:
Die Mittelwerte der Lehrmethoden 1 und 4, der Lehrmethoden 2 und 3 sowie
der Lehrmethoden 2 und 4 unterscheiden sich signifikant.
• Modell 2d („Lehrmethodik“ hinsichtlich „Process of Integration“):
Der F-Wert beträgt 9.351 bei p = 0.000, d.h. mindestens einer der Mittelwerte
der Variablen „Lehrmethodik“ weicht signifikant von den anderen ab.
Der Levene-Test liefert einen Signifikanzwert von p = 0.964. Der Wert liegt
über 0.1 und es besteht somit Varianzhomogenität. Für den Post-Hoc-Test
wird der Turkey-B-Test eingesetzt, da Varianz-Gleichheit angenommen wird.
Es ergeben sich drei homogene Untergruppen für Alpha = 0.05:
Homogene Untergruppe 1: Lehrmethodik 1, 2, 3
Homogene Untergruppe 2: Lehrmethodik 3, 4

Homogene Untergruppe 3: Lehrmethodik 4, 5
Für Modell 3a, 3b, 3c und 3d zeigen die Mittelwert-Diagramme Unterschiede der
Mittelwerte zwischen den Schulungen.
• Modell 3a („Schulung“ hinsichtlich „Proficiency of Digital Tools“):
Für das Modell 3a wird ein F-Wert von 8.978 bei p = 0.000 ausgewiesen.
Mindestens einer der Mittelwerte der Variablen „Schulung“ weicht signifikant
von den anderen ab.
Es liegt Varianzheterogenität vor und für den Post-Hoc-Test wird der Games-
Howell-Test eingesetzt. Insgesamt liegen sechs Signifikanzwerte unter 0.05:
Schulung 2 – Schulung 5 bzw.
Schulung 5 – Schulung 2 p = 0.000
Die Mittelwerte der Schulung 2 und 5, der Schulung 3 und 5 sowie der Schu-
lung 4 und 5 unterscheiden sich signifikant.
• Modell 3b („Schulung“ hinsichtlich „Teachers’ Readiness“):
Der F-Wert des Modells 3b wird mit 17.403 bei p = 0.000 ausgewiesen, d.h.
mindestens einer der Mittelwerte der Variablen „Schulung“ weicht signifikant
von den anderen ab.
Da der Wert über 0.1 liegt, besteht Varianzhomogenität und für den Post-
Hoc-Test wird der Turkey-B-Test eingesetzt. Mit dem Turkey-B-Test ergeben
sich drei homogene Untergruppen für Alpha = 0.05:

Homogene Untergruppe 1: Schulung 1, 2
• Modell 3c („Schulung“ hinsichtlich „Teachers’ Beliefs“):
Der F-Wert beträgt 11.531 bei p = 0.000. Mindestens einer der Mittelwerte
der Variablen „Schulung“ weicht somit signifikant von den anderen ab.
Der Levene-Test liefert einen Signifikanzwert von p = 0.978. Es besteht Vari-
anzhomogenität und für den Post-Hoc-Test wird der Turkey-B-Test einge-
setzt. Mit dem Turkey-B-Test ergeben sich für dieses Modell ebenfalls drei
homogene Untergruppen für Alpha = 0.05:
• Modell 3d („Schulung“ hinsichtlich „Process of Integration“):
Der F-Wert beträgt 17.888 bei p = 0.000, d.h. mindestens einer der Mittelwer-
te der Variablen „Schulung“ weicht signifikant von den anderen ab.
Es besteht Varianzhomogenität und für den Post-Hoc-Test wird der Turkey-B-
Test eingesetzt. Hieraus ergeben sich für dieses Modell zwei homogene Un-
tergruppen für Alpha = 0.05:
Homogene Untergruppe 1: Schulung 1, 2, 3

4 Diskussion und Interpretation der Ergebnisse 115
4. Diskussion und Interpretation der Ergebnisse
In dieser empirischen Studie wurde ein Pfadmodell eingesetzt, um Einflüsse de-
mographischer Eigenschaften von Lehrpersonen sowie Wahrnehmungen im Um-
feld der Bildungseinrichtungen von Lehrpersonen auf die Integration digitaler
Arbeitsmittel in Lehrveranstaltungen zu untersuchen. Ein Teil des hypothetischen
Pfadmodells kann durch die Ergebnisse bestätigt werden. Das Modell veran-
schaulicht deutlich, dass die Integration digitaler Arbeitsmittel in Lehrveranstal-
tungen ein komplexer Prozess ist, der sowohl von den Eigenschaften der Lehr-
personen als auch von deren Wahrnehmungen im Umfeld der Bildungseinrich-
tungen beeinflusst wird. Im Folgenden werden die direkten Einflüsse der Variab-
len auf die endogenen Variablen im Pfadmodell diskutiert. Die indirekten Effekte
werden „angedeutet“; ihre Berechnung war im Rahmen dieser Arbeit nicht Be-
standteil der Untersuchung. Des Weiteren werden Mittelwertunterschiede nicht
im Pfadmodell abgebildeter Eigenschaften erörtert und abschließend Grenzen
der Studie aufgezeigt.
Einflüsse der Variablen im untersuchten Pfadmodell
Demographische Eigenschaften von Lehrpersonen beeinflussen die Integration
digitaler Arbeitsmittel von Lehrveranstaltungen. Das Alter hat einen signifikanten
negativen direkten Einfluss auf die Integration digitaler Arbeitsmittel in Lehrver-
anstaltungen. Die Jahre des Lehrens haben keinen signifikanten direkten Ein-
fluss auf die Integration digitaler Arbeitsmittel von Lehrveranstaltungen, jedoch
einen indirekten Einfluss über die Ansichten der Lehrperson, digitale Arbeitsmit-
tel einzusetzen.
Der negative Einfluss des Alters bedeutet, dass ältere Lehrpersonen weniger
digitale Arbeitsmittel in ihren Lehrveranstaltungen integrieren als jüngere Lehr-
personen. Dies kann als „Generationenproblem“ angesehen werden, auf das
auch in der Literatur häufig hingewiesen wird.1
Ältere Lehrpersonen zeigen sich
oftmals abgeneigt, neues auszuprobieren und im Unterricht einzusetzen. Der
Einfluss auf die Integration digitaler Arbeitsmittel verringert sich allerdings in der
multiplen Regressionanalyse nach Entnahme der Variablen „Years of Teaching“
1
Vgl. Brake, Ch. (2000), S. 125f.

und „Technical Support“ im angepassten Modell. Beide entnommenen Variablen
scheinen den negativen Einfluss auf die Integration digitaler Arbeitsmittel in
Lehrveranstaltungen verstärkt zu haben.
Wie die Korrelationsanalyse zeigt, hat das Alter einen sehr geringen negativen
Einfluss auf den Kenntnisstand digitaler Arbeitsmittel und auf die Bereitschaft der
Lehrpersonen sowie einen sehr geringen positiven Einfluss auf die Ansichten der
Lehrpersonen, digitale Arbeitsmittel einzusetzen. Alle drei Einflüsse sind jedoch
nicht signifikant. Auf ähnliche Ergebnisse kommt man auch in den multiplen Reg-
ressionsanalysen. Hier hat das Alter jedoch einen geringen nicht signifikanten
negativen Einfluss auf die Ansichten der Lehrpersonen. Somit existiert auch kein
signifikanter indirekter Einfluss des Alters auf die Integration digitaler Arbeitsmit-
tel über eine andere Variable im Pfadmodell. Forschungsergebnisse von Inan
und Lowther (2009) und Robinson (2003), die besagten, dass das Alter einen
indirekten Einfluss über Computer-Kenntnisse auf den Einsatz von Technologien
hat, können nicht bestätigt werden.
Die Jahre des Lehrens haben lediglich einen signifikanten positiven direkten Ein-
fluss auf die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen. Be-
trachtet man die Korrelationskoeffizienten und die standardisierten Regressions-
koeffizienten, so sind die Einflüsse der Jahre des Lehrens auf den Kenntnisstand
digitaler Arbeitsmittel, auf die Bereitschaft der Lehrperson, digitale Arbeitsmittel
einzusetzen, und auf die Integration digitaler Arbeitsmittel positiv, jedoch nicht
signifikant. Somit besteht weder ein direkter Einfluss auf den Kenntnisstand digi-
taler Arbeitsmittel noch auf die Bereitschaft der Lehrperson, digitale Arbeitsmittel
einzusetzen, wie postuliert wurde und Forschungsergebnisse von Inan und
Lowther (2009) und Robinson (2003) belegt haben. Die Jahre des Lehrens be-
einflussen jedoch indirekt über die Ansichten der Lehrpersonen die Integration
digitaler Arbeitsmittel in Lehrveranstaltungen. Dieses Ergebnis wird teilweise un-
terstützt durch Mathews und Guarino (2000), die herausfanden, dass die Jahre
des Lehrens den Einsatz von Technologie sowohl direkt als auch indirekt beein-
flussen.
Betrachtet man die Stichprobe der Untersuchung, so haben fast die Hälfte der
befragten Lehrpersonen über 16 Jahre Lehrerfahrung. Der positive Einfluss der
Jahre des Lehrens gibt zu verstehen, dass je länger die Lehrperson unterrichtet,

desto größer sind die Ansichten der Lehrperson, digitale Arbeitsmittel einzuset-
zen. Dies zeigt, dass vor allem erfahrene Lehrpersonen, digitale Arbeitsmittel in
ihre Lehrveranstaltungen integrieren (Stichwort: Lebenslanges Lernen). Ande-
rerseits überrascht das Ergebnis, da vorangegangene Studien herausgefunden
haben, dass Lehrpersonen, die noch nicht so lange unterrichten und erst ein
Vorbereitungsprogramm für Lehrer absolviert haben, technologiekompetenter
(Jones und Madden, 2002 und O’Dwyer, Russell und Bebel, 2004) und besser
vorbereitet sind, Technologie im Unterricht einzusetzen (Mims, Polly, Shepherd
und Inan, 2006).
Weiter lässt sich aus den Ergebnissen ablesen, dass der signifikant positive Ein-
fluss der Jahre des Lehrens auf die Ansichten der Lehrperson, digitale Arbeits-
mittel einzusetzen, sich in der multiplen Regressionanalyse nach Entnahme der
Variablen „Age“ im angepassten Modell verringert. Das Signifikanzniveau steigt
von p < 0.01 auf p < 0.05. Das Alter verringert damit den Einfluss der Jahre des
Lehrens auf die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen.
Meines Erachtens stehen der positive Einfluss der Jahre des Lehrens auf die
Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, und der negative
Einfluss des Alters auf die Integration digitaler Arbeitsmittel im Widerspruch: Älte-
re Lehrpersonen haben eigentlich auch mehr Lehrerfahrung und damit mehr
Jahre des Lehrens hinter sich. Nach den Ergebnissen integrieren ältere Lehrper-
sonen digitale Arbeitsmittel seltener, lehren sie allerdings schon einige Jahre, so
sind ihre Ansichten, digitale Arbeitsmittel einzusetzen, höher. Daraus lässt sich
ableiten, dass jüngere Lehrpersonen, die schon lange unterrichten digitale Ar-
beitsmittel am ehesten integrieren.
Ebenfalls beeinflussen die Eigenschaften der Bildungseinrichtung die Integration
digitaler Arbeitsmittel in Lehrveranstaltungen. Die Allgemeine Unterstützung hat
sowohl einen signifikanten positiven direkten Einfluss auf die Integration digitaler
Arbeitsmittel als auch indirekte Effekte über die Bereitschaft und Ansichten der
Lehrperson, digitale Arbeitsmittel zu integrieren. Die Technische Unterstützung
hingegen hat keinen signifikanten direkten Einfluss auf die Integration digitaler
Arbeitsmittel, allerdings einen indirekten Einfluss über die Ansichten der Lehr-
person, digitale Arbeitsmittel einzusetzen.

Der direkte Einfluss der Allgemeinen Unterstützung auf die endogenen Variablen
„Teachers’ Readiness“, “Teachers’ Beliefs“ und „Process of Integration“ ist je-
weils sehr stark signifikant positiv, wie die Korrelationsanalysen als auch die mul-
tiplen Regressionsanalysen zeigen. Im Vergleich der Werte der Korrelationskoef-
fizienten zu den standardisierten Regressionskoeffizienten lässt sich erkennen,
dass der direkte Zusammenhang der Allgemeinen Unterstützung zu den einzel-
nen endogenen Variablen höher ist als in den Regressionsmodellen, d.h. die
anderen Variablen in den Regressionsmodellen schwächen den Einfluss der All-
gemeinen Unterstützung ab. In dem Regressionsmodell „Integration of Digital
Tools“ ist der Einfluss der Allgemeinen Unterstützung sogar nur noch halb so
groß wie in der Korrelationsanalyse der beiden Variablen. Der Einfluss der All-
gemeinen Unterstützung auf die Integration digitaler Arbeitsmittel wird somit
stark abgeschwächt. Nach Entnahme der Variablen „Years of Teaching“ und
„Technical Support“ im angepassten Regressionsmodell „Integration of Digital
Tools“ verringert sich der signifikante direkte Einfluss der Allgemeinen Unterstüt-
zung auf die Integration digitaler Arbeitsmittel nochmals zusätzlich.
Trotz der Abschwächungen in den Regressionsmodellen hat die Allgemeine Un-
terstützung den zweitgrößten direkten Einfluss auf die Integration digitaler Ar-
beitsmittel, den größten direkten Effekt auf die Ansichten der Lehrperson und
den zweitgrößten direkten Einfluss auf die Bereitschaft der Lehrperson, digitale
Arbeitsmittel einzusetzen. Sie spielt damit eine bedeutende Rolle im Pfadmodell:
je größer die Allgemeine Unterstützung in der Bildungseinrichtung ist, umso grö-
ßer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen aus direkter
als auch indirekter Sicht.
Der postulierte Einfluss auf den Kenntnisstand digitaler Arbeitsmittel hingegen
kann nicht bestätigt werden. Dieser Einfluss der Allgemeinen Unterstützung ist
gering positiv, jedoch nicht signifikant.
Den starken positiven Einfluss der Allgemeinen Unterstützung auf die Bereit-
schaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, belegte
auch die Studie von Inan und Lowther (2009). Hernandez-Ramos (2005), Lum-
pe und Chambers (2001) und Mumtaz (2005) fanden heraus, dass die Integrati-
on von Technologie durch die Unterstützung beeinflusst wird, welche von Kolle-
gen, von administrativer Seite und von Interessengruppen kommt.

Der direkte Einfluss der Allgemeinen Unterstützung auf die Integration digitaler
Arbeitsmittel wurde nicht postuliert, jedoch belegen vorangegangene Forschun-
gen diese Erkenntnis. Studien von Hernandez-Ramos (2005), Mumtaz (2005),
O’Dwyer, Russell und Bebel (2004) und Wozney, Venkatesh und Abrami (2006)
haben ergeben, dass die Integration von Technologien durch alle Variablen im
Modell direkt beeinflusst wird. Dies trifft im untersuchten Pfadmodell jedoch nur
teilweise zu, nämlich für die Allgemeine Unterstützung, das Alter, den Kenntnis-
stand digitaler Arbeitsmittel sowie der Bereitschaft und den Ansichten der Lehr-
person, digitale Arbeitsmittel einzusetzen.
Die angenommenen positiven direkten Einflüsse der Technischen Unterstützung
auf den Kenntnisstand digitaler Arbeitsmittel, die Bereitschaft und die Ansichten
der Lehrperson, digitaler Arbeitsmittel einzusetzen, können mit den Ergebnissen
der Untersuchung nicht bestätigt werden.
Betrachtet man die Korrelationskoeffizienten der Technischen Unterstützung mit
den vier endogenen Variablen, so haben alle einen positiven Wert, von denen
allerdings lediglich die Werte mit der Bereitschaft und den Ansichten der Lehr-
person sowie der Integration digitaler Arbeitsmittel signifikant sind. Die standar-
disierten Regressionskoeffizienten der Technischen Unterstützung sind sowohl
im Modell „Proficiency of Digital Tools“ als auch im Modell „Teachers’ Readiness“
positiv, jedoch nicht signifikant. Die eingesetzten Variablen im Regressionsmo-
dell „Teachers’ Readiness“ – das Alter, die Jahre des Lehrens, die Allgemeine
Unterstützung und der Kenntnisstand digitaler Arbeitsmittel – schwächen die
Technische Unterstützung zu einem nicht signifikanten, sehr geringen positiven
Wert ab.
In den Regressionsmodellen „Teachers’ Beliefs“ und „Integration of Digital Tools“
hingegen sind die standardisierten Regressionskoeffizienten negativ, wobei le-
diglich der Wert für das Regressionsmodell „Teachers’ Beliefs“ (0.01 < p < 0.05)
signifikant ist. Dies bedeutet, dass die eingesetzten Variablen in diesen beiden
Regressionsmodellen den positiven Zusammenhang der Technischen Unterstüt-
zung zu den Ansichten der Lehrperson und die Integration digitaler Arbeitsmittel
in der Korrelationsanalyse in einen negativen Einfluss in der multiplen Regressi-
onsanalyse „umwandeln“. Im Regressionsmodell „Teachers’ Beliefs“ handelt es
sich um das Alter, die Jahre des Lehrens, die Allgemeine Unterstützung und den

Kenntnisstand digitaler Arbeitsmittel und im Regressionsmodell „Integration of
Digital Tools“ um das Alter, die Jahre des Lehrens, die Allgemeine Unterstüt-
zung, den Kenntnisstand digitaler Arbeitsmittel sowie die Bereitschaft und die
Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen. Diese Variablen
bewirken eine Umpolung des positiven Einflusses in einen negativen.
Der signifikant negative Einfluss der Technischen Unterstützung auf die Ansich-
ten der Lehrperson bedeutet, dass je größer die technische Unterstützung in der
Bildungseinrichtung ist, umso geringer sind die Ansichten der Lehrperson, digita-
le Arbeitsmittel einzusetzen. Dieses Ergebnis ist konträr zu vorangegangenen
Studien, in denen herausgefunden wurde, dass mit hinlänglicher technischer Un-
terstützung, sich Lehrer sicherer und bereiter fühlen, Technologie einzusetzen
(Hernandez-Ramos, 2005; Sandholtz und Reilly, 2004). Den Erkenntnissen der
Studie von Sandholtz und Reilly (2004), die besagte, dass Lehrer gewöhnlich
Unterstützung beim Einsatz von Technologie benötigen, wenn Probleme bei der
Installation und Benutzung der Software oder technischen Angelegenheiten auf-
treten, kann ebenfalls nicht zugestimmt werden.
Wie die Ergebnisse weiter zeigen, nimmt die Technische Unterstützung im un-
tersuchten Pfadmodell keine bedeutende Rolle ein und hat auch keinen hohen
Einfluss auf die Mediationsvariablen im Pfadmodell, wie die Studie von Inan und
Lowther (2009) belegte. Des Weiteren besteht kein direkter Einfluss auf die In-
tegration digitaler Arbeitsmittel, jedoch ein indirekter über die Ansichten der
Lehrperson, digitale Arbeitsmittel einzusetzen. Dadurch beeinflusst die Techni-
sche Unterstützung die Ansichten der Lehrperson wesentlich (Mumtaz, 2005;
Windschitl und Sahl, 2002); der Einfluss ist jedoch nicht positiv, sondern negativ.
Der Kenntnisstand digitaler Arbeitsmittel der Lehrperson, die Bereitschaft und
Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, beeinflussen die
Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Der Kenntnisstand digi-
taler Arbeitsmittel hat einen signifikanten positiven direkten Einfluss auf die In-
tegration digitaler Arbeitsmittel in Lehrveranstaltungen sowie indirekte Einflüsse
über die Bereitschaft und Ansichten der Lehrperson, digitale Arbeitsmittel einzu-
setzen. Die Bereitschaft und die Ansichten der Lehrperson, digitale Arbeitsmittel
einzusetzen, haben jeweils einen signifikanten positiven direkten Einfluss auf die
Integration digitaler Arbeitsmittel in Lehrveranstaltungen.

Für den Kenntnisstand digitaler Arbeitsmittel sind alle Koeffizienten in der Korre-
lationsanalyse und den multiplen Regressionsanalysen signifikant. Die Werte der
standardisierten Regressionskoeffizienten in den Modellen „Teachers’ Readi-
ness“ und „Teachers’ Beliefs“ für den Kenntnisstand digitaler Arbeitsmittel sind
nur geringfügig kleiner als die Werte der Korrelationskoeffizienten zwischen den
Variablenpaaren. Im Regressionsmodell „Integration of Digital Tools“ hingegen
ist der Wert des standardisierten Regressionskoeffizienten nur annähernd halb
so groß wie der Wert des Korrelationskoeffizienten. Das Alter, die Jahre des
Lehrens, die Allgemeine Unterstützung, die Technische Unterstützung, die Be-
reitschaft und die Ansichten der Lehrperson reduzieren im Regressionsmodell
den hohen direkten Zusammenhang aus der Korrelationsanalyse zwischen dem
Kenntnisstand digitaler Arbeitsmittel und der Integration digitaler Arbeitsmittel.
Der Kenntnisstand digitaler Arbeitsmittel ist einer der wichtigsten (positiven) Ein-
flussfaktoren auf die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Er
hat den drittgrößten direkten Einfluss auf die Integration digitaler Arbeitsmittel,
den größten direkten Einfluss auf die Bereitschaft der Lehrperson und den
zweitgrößten direkten Einfluss auf die Ansichten der Lehrperson, digitale Ar-
beitsmittel einzusetzen. In anderen Worten: Je größer der Kenntnisstand digita-
ler Arbeitsmittel ist, umso größer sind zum einen die Bereitschaft und die Ansich-
ten der Lehrperson, digitale Arbeitsmittel einzusetzen und umso größer ist zum
anderen die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Bereits
Inan und Lowther (2009) haben in ihrer Studie herausgefunden, dass Computer-
Kenntnisse sowohl die Bereitschaft als auch die Ansichten der Lehrperson,
Technologien einzusetzen, positiv beeinflussen, und dass Computer-Kenntnisse
der Lehrperson in deren Pfadmodell den größten Einfluss auf die Bereitschaft
haben, Technologien einzusetzen.
Der Einfluss auf die Integration digitaler Arbeitsmittel ist nicht – wie postuliert –
nur indirekt über die Bereitschaft und Ansichten der Lehrperson, sondern der
Kenntnisstand digitaler Arbeitsmittel hat auch einen starken direkten Einfluss auf
die Integration digitaler Arbeitsmittel. Mathews und Guarino (2000) und Robinson
(2003) kamen in ihren Pfadmodellen zu vergleichbaren Ergebnissen, nämlich
dass der Effekt der Computer-Kenntnisse sowohl signifikant als auch direkt ist. In

beiden Pfadmodellen werden jedoch keine Mediationsvariablen, wie die Bereit-
schaft und Ansichten der Lehrperson, ausgewiesen bzw. berechnet.
Nicht wie im hypothetischen Pfadmodell angegeben und von vorangegangenen
Forschungsergebnissen aufgezeigt (zum Beispiel von Inan und Lowther, 2009),
hat keine exogene Variable im Pfadmodell einen signifikanten Einfluss auf den
Kenntnisstand digitaler Arbeitsmittel. Somit existiert kein (gerichteter) Zusam-
menhang der Variablen. Bereits in der Korrelationsanalyse der Variablenpaare
werden lediglich sehr geringe und nicht signifikante Korrelationskoeffizienten
ausgewiesen; das multiple Regressionsmodell „Proficiency of Digital Tools“ un-
terstreicht den nicht signifikanten Zusammenhang der exogenen Variablen zum
Kenntnisstand digitaler Arbeitsmittel. Der Kenntnisstand digitaler Arbeitsmittel
fungiert demnach nicht als eine Mediationsvariable zu den anderen endogenen
Variablen im Pfadmodell. Es ist zu hinterfragen, ob der Kenntnisstand digitaler
Arbeitsmittel weiterhin als endogene Variable im Pfadmodell betrachtet werden
soll oder für zukünftige Untersuchungen als exogene Variable fungiert;
möglicherweise besteht mit nicht im Pfadmodell abgebildeter Variablen ein Zu-
sammenhang bzw. Einfluss auf den Kenntnisstand digitaler Arbeitsmittel. Der
Einfluss des Kenntnisstands digitaler Arbeitsmittel auf die anderen endogenen
Variablen ist – wie oben dargestellt wurde – von großer Bedeutung.
Die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen, hat in der
Korrelationsanalyse einen sehr starken signifikanten positiven Zusammenhang
zur Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Hingegen fällt die-
ser Zusammenhang im Regressionsmodell „Integration of Digital Tools“ deutlich
geringer aus; der standardisierte Regressionskoeffizient ist ebenfalls signifikant
positiv. Die anderen Variablen im Modell schwächen den Einfluss der Bereit-
schaft der Lehrperson auf die Integration digitaler Arbeitsmittel stark ab. Nichts-
destotrotz ist die Integration digitaler Arbeitsmittel umso größer, je größer die
Bereitschaft der Lehrperson ist, digitale Arbeitsmittel einzusetzen. Zu einem po-
sitiven Einfluss der Bereitschaft der Lehrperson auf die Integration digitaler Ar-
beitsmittel gelangten auch Inan und Lowther (2009) in ihrem Pfadmodell. For-
schungen von Kanaya, Light und Culp (2005) als auch Scheffler und Logan
(1999) ergaben, dass Lehrer, die bereit und überzeugt sind, Technologie zu in-

tegrieren, häufiger Technologie im Unterricht einsetzen. Sie bestätigen damit
ebenfalls das Ergebnis aus dem untersuchten Pfadmodell.
Die Bereitschaft der Lehrperson, digitale Arbeitsmittel einzusetzen, hat im ange-
passten Pfadmodell jedoch nicht wie in der Studie von Inan und Lowther (2009)
den größten Einfluss auf die Integration von Technologie, sondern lediglich den
viertgrößten Einfluss. Zudem fungiert die Variable „Teachers’ Readiness“ als
Mediationsvariable. Von den exogenen Variablen hat jedoch nur die Allgemeine
Unterstützung einen Einfluss auf die Bereitschaft der Lehrperson. Die demogra-
phischen Eigenschaften Alter und Jahre des Lehrens haben weder einen direk-
ten noch einen indirekten Einfluss auf die Bereitschaft der Lehrperson. Den
größten signifikanten Einfluss verzeichnet die endogene Variable „Proficiency of
Digital Tools“. Dieses Ergebnis belegt auch die Studie von Inan und Lowther
(2009). Nach den Forschungsergebnissen von Hernandez-Ramos (2005) wächst
grundsätzlich das Gefühl der Lehrer, Technologie in ihre Lehrveranstaltungen zu
integrieren, sobald sich die Computer-Kenntnisse der Lehrer erhöhen.
Die Ansichten der Lehrperson, digitale Arbeitsmittel zu integrieren, haben den
größten signifikanten positiven Einfluss auf die Integration digitaler Arbeitsmittel
in der vorliegenden Studie, d.h. je größer die Ansichten der Lehrperson sind,
desto größer ist die Integration digitaler Arbeitsmittel in Lehrveranstaltungen. Auf
die Integration von Technologie im Unterricht sind sie ein wesentlicher Einfluss-
faktor, wie auch zahlreiche vorangegangene Studien (u.a. Ertmer, 2005; Vannat-
ta und Fordham, 2004; Inan und Lowther, 2009) belegen.
Betrachtet man für die Ansichten der Lehrperson die Korrelationsanalyse und die
multiple Regressionsanalyse, so weisen beide starke signifikante positive Koeffi-
zienten aus. Der Wert des standardisierten Regressionskoeffizienten im Modell
„Integration of Digital Tools“ ist allerdings um fast die Hälfte geringer als der Wert
des Korrelationskoeffizienten. Auch hier lässt sich erkennen, dass die anderen
Variablen (Alter, Jahre des Lehrens, Allgemeine Unterstützung, Technische Un-
terstützung, Kenntnisstand digitaler Arbeitsmittel und Bereitschaft der Lehrper-
son) im Regressionsmodell den Zusammenhang der Ansichten der Lehrperson
zur Integration digitaler Arbeitsmittel reduzieren.
Die Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, fungieren
ebenfalls als Mediationsvariable im Pfadmodell. Den stärksten Einfluss hat die

exogene Variable Allgemeine Unterstützung. Zu diesem Ergebnis gelangt auch
die Studie von Inan und Lowther (2009). Die Technische Unterstützung beein-
flusst die Ansichten der Lehrperson negativ, d.h. die Ansichten der Lehrperson
nehmen mit zunehmer Technischer Unterstützung ab. Mumtaz (2005) sowie
Windschitl und Sahl (2002) haben herausgefunden, dass Eigenschaften der Bil-
dungseinrichtung wesentlich die Ansichten der Lehrperson beeinflussen, indem
die Lehrperson Unterstützung und positive Vorstellungen von administrativer
Seite und Interessengruppen erhält. Dies trifft jedoch nur für die Allgemeine Un-
terstützung zu. Zudem haben Lumpe und Chambers (2001) in ihrer Untersu-
chung eine Liste mit Einflussfaktoren auf die Ansichten der Lehrperson erfasst,
welche auch die allgemeine und technische Unterstützung enthält.
Einen großen Einfluss auf die Ansichten der Lehrperson hat auch der Kenntnis-
stand digitaler Arbeitsmittel. Lehrer möchten, dass sie sich „Wohlfühlen“ mit der
Technologie, bevor sie die Technologie einsetzen (Snoeyink und Ertmer, 2002).
Von den demographischen Eigenschaften der Lehrperson haben lediglich die
Jahre des Lehrens einen positiven Einfluss auf die Ansichten der Lehrperson.
Das Alter beeinflusst die Ansichten der Lehrperson im untersuchten Pfadmodell
nicht. In der Literatur wird darauf hingewiesen, dass noch andere Eigenschaften
der Lehrperson wie Unterrichtsfach und Schulung einen Einfluss auf die Ansich-
ten der Lehrperson, digitale Arbeitsmittel einzusetzen, haben könnten (Hew und
Brush, 2007; Lih-Juan, Jon-Chao, Jeou-Shyan, Shih-Hui und Hui-Chuan, 2006).
Mittelwertunterschiede nicht im Pfadmodell abgebildeter Eigenschaften
Frauen und Männer unterscheiden sich im Mittel bezüglich des Kenntnisstands
digitaler Arbeitsmittel, den Ansichten, digitale Arbeitsmittel einzusetzen, und der
Integration digitaler Arbeitsmittel in Lehrveranstaltungen signifikant.
Bei Männern ist der Kenntnisstand digitaler Arbeitsmittel im Durchschnitt höher
als bei den Frauen. Dies kann bedeuten, dass Frauen die Verwendung von digi-
talen Arbeitsmitteln in Lehrveranstaltungen in geringem Maße einsetzen. Zu ei-
nem ähnlichen Ergebnis kamen auch Mathews und Guarino (2000). Sie fanden
heraus, dass weibliche Lehrer ein signifikant geringeres Niveau an Computerfä-
higkeiten besitzen als männliche Lehrer. Hingegen liegen bei Frauen sowohl die
Ansichten, digitale Arbeitsmittel einzusetzen, als auch die Integration digitaler
Arbeitsmittel in Lehrveranstaltungen im Mittel höher als bei den Männern. Damit

sind auch in der Grundgesamtheit die Mittelwerte voneinander verschieden. Die
Bereitschaft, digitale Arbeitsmittel einzusetzen, ist bei Männern im Durchschnitt
höher als bei Frauen, jedoch unterscheiden sich die Mittelwerte zwischen Män-
nern und Frauen nicht signifikant.
Der Kenntnissstand digitaler Arbeitsmittel, die Bereitschaft und die Ansichten der
Lehrperson wie auch die Integration digitaler Arbeitsmittel unterscheiden sich
jeweils im Mittel signifikant zwischen den Unterrichtsfächern.
Welcher der Mittelwerte zwischen den Unterrichtsfächern sich signifikant unter-
scheidet, konnte bezüglich der Bereitschaft und der Ansichten der Lehrperson
nicht festgestellt werden. Hinsichtlich des Kenntnisstands digitaler Arbeitsmittel
und der Integration digitaler Arbeitsmittel lassen sich jeweils zwei homogene Un-
tergruppen der Mittelwerte zwischen den Unterrichtsfächern bilden.
Auch zwischen den Lehrmethoden unterscheiden sich der Kenntnisstand digita-
ler Arbeitsmittel, die Bereitschaft und die Ansichten der Lehrperson wie auch die
Integration digitaler Arbeitsmittel jeweils im Mittel signifikant.
Bezüglich des Kenntnisstands digitaler Arbeitsmittel unterscheiden sich die Mit-
telwerte der Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausgehend“
und „Überwiegend auf die Aktivitäten der Lernenden ausgerichtet“ sowie die
Lehrmethoden „Balance zwischen den auf die Lehrkraft und den auf die Lernen-
den ausgerichteten Aktivitäten“ und „Überwiegend auf die Aktivitäten der
Lernenden ausgerichtet“ signifikant. Die Mittelwerte der Lehrmethoden „Über-
wiegend von der Lehrkraft ausgehend“ und „Überwiegend auf die Aktivitäten der
Lernenden ausgerichtet“, der Lehrmethoden „Stärker von der Aktivität der Lehr-
kraft ausgehend“ und „Überwiegend auf die Aktivitäten der Lernenden ausgerich-
tet“ sowie der Lehrmethoden „Balance zwischen den auf die Lehrkraft und den
auf die Lernenden ausgerichteten Aktivitäten“ und „Überwiegend auf die Aktivitä-
ten der Lernenden ausgerichtet“ unterscheiden sich bezüglich der Bereitschaft
der Lehrperson signifikant. Bezüglich der Ansichten der Lehrperson unterschei-
den sich die Lehrmethoden „Überwiegend auf die Aktivitäten der Lernenden
ausgerichtet“ und „Stärker auf die Aktivitäten der Lernenden ausgerichtet“, die
Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausgehend“ und „Balance
zwischen den auf die Lehrkraft und den auf die Lernenden ausgerichteten Aktivi-
täten“ sowie die Lehrmethoden „Stärker von der Aktivität der Lehrkraft ausge-

hend“ und „Stärker auf die Aktivitäten der Lernenden ausgerichtet“ signifikant.
Hinsichtlich der Integration digitaler Arbeitsmittel lassen sich drei homogene Un-
tergruppen der Mittelwerte zwischen den Lehrmethoden bilden.
Schließlich unterscheiden sich der Kenntnisstand digitaler Arbeitsmittel, die
Bereitschaft und Ansichten der Lehrperson wie auch die Integration digitaler Ar-
beitsmittel jeweils im Mittel signifikant zwischen den Schulungen der Lehrperson.
Die Mittelwerte der Schulungen „Einen ganzen Tag oder weniger“ und „Mehr als
ein Semester“, der Schulungen „Mehr als einen Tag und weniger als ein Semes-
ter“ und „Mehr als ein Semester“ sowie der Schulungen „Einen Semester-
Lehrgang“ und „Mehr als ein Semester“ unterscheiden sich bezüglich dem
Kenntnisstand digitaler Arbeitsmittel signifikant. Bezüglich der Bereitschaft und
den Ansichten der Lehrperson, digitale Arbeitsmittel einzusetzen, lassen sich
jeweils drei homogene Untergruppen der Mittelwerte und bezüglich der Integrati-
on digitaler Arbeitsmittel in Lehrveranstaltungen zwei homogene Untergruppen
der Mittelwerte zwischen den Schulungen bilden.
Grenzen der empirischen Studie
Analysen mit Pfadmodellen sind eine nützliche Methode, Beziehungen zwischen
einer Reihe von Variablen zu untersuchen. Allerdings können Pfadmodelle die
Grenzen, die entweder durch schwach entwickelte Modelle, hoch korrelierenden
Variablen oder begrenzter Stichprobe entstehen, nicht überwinden.1
In dieser
Studie wurde daher auf ein vorangegangenes Pfadmodell und Forschungen zu-
rückgegriffen und eine große Stichprobe eingesetzt. Die mit einer Pfadanalyse
verbundene kritischste Einschränkung ist allerdings, dass sie keinen Test auf
Kausalität anbietet; weder prüft sie die Kausalität noch bestätigt sie die Richtung
der Kausalität.2
Deshalb sollten die Interpretation der Ergebnisse mit Vorsicht
und die wiedergegebenen Einflüsse zwischen den Variablen als „suggestiv“ be-
trachtet werden.
Weiter wurde in den multiplen Regressionsanalysen festgestellt, dass nicht alle
Regressionsmodelle die Prämissen bzw. Voraussetzungen für die Durchführung
einer multiplen Regressionsanalyse erfüllten. Die Normalverteilung der Variablen
1
2
Vgl. ebenda, s. 149

und die Homoskedastizität wurden in einigen Modellen verletzt. Um die Analysen
in dieser empirischen Untersuchung trotzdem durchführen zu können, wurde
eine Normalverteilung der Variablen und Homogenität der Varianzen angenom-
men. Für weitere Untersuchungen sollte jedoch die explorative Datenanalyse
herangezogen und gegebenenfalls in SPSS Transformationen der Variablen
vorgenommen werden.

5 Zusammenfassung und Ausblick 128
5. Zusammenfassung und Ausblick
Ziel der Masterarbeit war es, die Einflussfaktoren auf die Bereitschaft zur Integ-
ration digitaler Medien in Lehrveranstaltungen mithilfe einer empirischen Studie
zu analysieren und zu beurteilen. Zunächst wurde ein Einblick in den For-
schungsstand zur Integration digitaler Medien in Lehrveranstaltungen gegeben.
Darüberhinaus wurden theoretische Bezugspunkte digitaler Medien aufgezeigt.
Es wurde dabei auf die Medienpädagogik, den Medienbegriff, die Digitalen Me-
dien in Bildungsprozessen, den Mehrwert digitaler Medien sowie auf die Medien-
kompetenz eingegangen. Weiter wurde die Fragestellung der empirischen Un-
tersuchung dargelegt. Neben den Variablen und dem hypothetischen Pfadmodell
wurden die Hypothesen der Untersuchung und die Forschungsfragen dargestellt.
Im praktischen Teil wurde der Einsatz digitaler Medien in Lehrveranstaltungen
empirisch untersucht. Hierfür wurde ein forschungsgestütztes Pfadmodell mit
acht Variablen eingesetzt, um die kausalen Zusammenhänge zwischen den Fak-
toren zu erklären. Zuerst wurde auf das Forschungsdesign und das eingesetzte
Erhebungsverfahren eingegangen. Nachdem die verschiedenen Auswertungs-
verfahren dargestellt wurden, wurden die Untersuchungsergebnisse ausführlich
aufgezeigt. Dabei wurden die direkten und indirekten Effekte auf die Integration
digitaler Arbeitsmittel in Lehrveranstaltungen sowie Mittelwertunterschiede der
nicht im Pfadmodell abgebildeten Variablen auf die Integration digitaler Arbeits-
mittel identifiziert.
Schließlich wurden die Ergebnisse der empirischen Studie ausführlich diskutiert
und interpretiert sowie Grenzen der Studie aufgezeigt.
Wie die empirische Studie darlegte, gibt es eine Vielzahl möglicher Einflussfakto-
ren auf die Integration digitaler Medien bzw. Arbeitsmittel in Lehrveranstaltun-
gen. Einer der möglichen Ansätze für weiterführende Forschungen ist, das
Pfadmodell mit zusätzlichen Variablen zu erweitern. Das Hinzufügen von weite-
ren schulischen und demographischen Faktoren wie beispielsweise Geschlecht,
Unterrichtsfach, Lehrmethodik, Schulung, Schulkultur, pädagogische Überzeu-
gungen, Effektivität eines Technologie-Coach (Technology Coach Effectiveness)
oder Erfahrungen, können das Verständnis von einigen Variablen steigern, für
die das gegenwärtige Pfadmodell lediglich eine eingeschränkte Erklärung liefer-

te. Des Weiteren sollten einige der in das Pfadmodell einbezogenen Variablen
detaillierter und vor allem kritisch geprüft werden. Die gebildeten Skalen können
beispielsweise einer Faktorenanalyse unterzogen werden, um die Items der ein-
zelnen Skalen – über die Reliabilitätsanalyse hinaus – dahingegen zu untersu-
chen, ob sie dieselbe Dimension abbilden. Weiter kann die Faktorenanalyse „In-
tegration of Digital Tools“ in Hinblick auf ihre Faktoreneinteilung untersucht wer-
den. Die Items der „Integrationsvariable“ sollten nochmals kritisch überprüft wer-
den; gegebenenfalls müssen neue Items gefunden, alte Items ausgetauscht
bzw. Items für das Konstrukt „Integration of Digital Tools“ neu zusammengestellt
werden.
Die vier multiplen Regressionsanalysen wurden mit der Methode „Einschluss“
durchgeführt. Eine weitere Möglichkeit zukünftiger Forschungen besteht darin,
die multiple Regression „schrittweise“ vorzunehmen. Dabei werden die Variablen
schon bei jedem Schritt auf Ausschluss und Aufnahme geprüft. Nachdem fest-
gestellt wurde, dass die Normalverteilung und Homoskedastizität in den multip-
len Regressionsmodellen nicht durchgehend gegeben sind, sollten für weitere
Untersuchungen Transformationen der Variablen vorgenommen werden, um ei-
ne Normalverteilung und Homogenität der Varianzen zu erzielen.
In der vorliegenden Studie wurden lediglich die direkten Werte der Einflussgrö-
ßen berechnet. Von Interesse sind auch die indirekten und totalen Effekte über
die Mediationsvariablen „Teachers’ Readiness“ und „Teachers’ Beliefs“ auf die
Integration digitaler Arbeitsmittel in Lehrveranstaltungen, die bei weiterführenden
Forschungen untersucht werden können. Das hypothetische Pfadmodell wurde
bislang für den Gesamtdatensatz berechnet, d.h. alle Hochschulen und alle Län-
der sind zusammengefügt und als eine große Stichprobe betrachtet worden. Für
weitere Untersuchungen können auch die Ergebnisse aus den einzelnen Län-
dern bzw. je Hochschule von Interesse sein: Gibt es Unterschiede zwischen den
Ländern bzw. Hochschulen? Liefert das Pfadmodell für jede einzelne Hochschu-
le andere Ergebnisse? Verschiedene Untersuchungen können dabei mit Vari-
anzanalysen vorgenommen werden.
Neben der reinen quantitativen Analyse sind in der Bildungsforschung auch
zunehmend qualitative Ansätze bzw. gemischte Ansätze mit quantitativen und
qualitativen Methoden von Interesse. Deshalb sollten in zukünftigen Studien

neben den quantitativen auch qualitative Daten wie Beobachtungen in Lehrver-
anstaltungen oder Diskussionen und Interviews von Eltern, Schulleiter und Schü-
ler/-innen bzw. Studierende erhoben und analysiert werden. Diese Daten würden
unterschiedliche Perspektiven und Einblicke in die Komplexität der Integration
von digitalen Medien in Lehrveranstaltungen geben. Bei zukünftigen Erhebungen
sollte zudem darauf geachtet werden, dass die Daten erst nach einem Pretest
des Fragebogens erfasst werden, um Einheitlichkeit und Vergleichbarkeit zu ge-
währleisten.

Anhang A VIII
Anhang A
Anlage A1: Schulische Ebenen........................................................................ IX
Anlage A2: Übersicht hemmende Bedingungsfaktoren..................................... X
Anlage A3: Übersicht förderliche Bedingungsfaktoren..................................... XI
Anlage A4: Geschätztes Pfadmodell der Forschungsergebnisse von Inan
und Lowther (2009) .......................................................................................... XII
Anlage A5: Hybride Lernarrangements in Hochschulen................................. XIII
Anlage A6: Mehrwerte digitaler Medien .........................................................XIV
Anlage A7: Beteiligte Bildungseinrichtungen an der empirischen
Untersuchung...................................................................................................XV
Anlage A8: Fragebogen der DHBW Stuttgart..................................................XX
Anlage A9: Begleitschreiben der Online-Befragung.................................. XXVIII
Anlage A10: Auszug Variablenansicht mit zugeordneten Messniveaus...... XXIX
Anlage A11: Aufteilung der „teilweise abgeschlossenen Fragebogen“ ........ XXX
Anlage A12: Entscheidung „Integrationsvariable“ ....................................... XXXI
Anlage A13: Korrelationen Variable „Age“ ................................................ XXXIII
Anlage A14: Korrelationen Variable „Years of Teaching“..........................XXXIV
Anlage A15: Korrelationen Variable „Overall Support“...............................XXXV
Anlage A16: Korrelationen Variable „Technical Support“..........................XXXVI
Anlage A17: Korrelationen Variable „Proficiency of Digital Tools“............XXXVII
Anlage A18: Korrelationen Variable „Teachers’ Readiness“ und “Teachers’
Beliefs” .....................................................................................................XXXVIII
Anlage A19: Multiple Regressionsanalyse Modell “Proficiency of Digital
Tools” .........................................................................................................XXXIX
Anlage A20: Multiple Regressionsanalyse Modell “Teachers’ Readiness”..... XLI
Anlage A21: Multiple Regressionsanalyse Modellanpassung “Teachers’
Readiness”.................................................................................................... XLIII
Anlage A22: Multiple Regressionsanalyse Modell “Teachers’ Beliefs”..........XLV
Beliefs” .........................................................................................................XLVII
Anlage A24: Multiple Regressionsanalyse Modell „Integration of Digital
Tools“ ............................................................................................................XLIX
Anlage A25: Multiple Regressionsanalyse Modellanpassung „Integration of
Digital Tools“ ..................................................................................................... LI

Anhang A IX
Anlage A1: Schulische Ebenen1
1
Enthalten in: Eickelmann, B. (2010), S. 98

Anhang A X
Anlage A2: Übersicht hemmende Bedingungsfaktoren1
1

Anhang A XI
Anlage A3: Übersicht förderliche Bedingungsfaktoren1
1

Anhang A XII
Anlage A4: Geschätztes Pfadmodell der Forschungsergebnisse von Inan und
Lowther (2009)1
1
Entnommen aus: Inan, F. A./Lowther, D. L. (2009), S. 146

Anhang A XIII
Anlage A5: Hybride Lernarrangements in Hochschulen1
Hybride Lernarrangements beinhalten die möglichst optimale Kombination bzw.
den bestmöglichen Medienmix von klassischen Lernszenarien, alten und neuen
(digitalen) Medien sowie Sozialformen vor dem Hintergrund der Anpassung an
die Bedürfnisse und den Kenntnisstand der Lernenden sowie der Anforderun-
gen und situativen Gegebenheiten (ökonomische und technische Rahmen-
bedingungen) der Lehre:
1
Enthalten in: Lermen, M. (2008), S. 231

Anhang A XIV
Anlage A6: Mehrwerte digitaler Medien1
1
Entnommen aus: Stratmann, J. (2007), S. 21

Anhang A XV
Anlage A7: Beteiligte Bildungseinrichtungen an der empirischen Untersuchung
Aberdeen College (Aberdeen/Schottland)
Das Aberdeen College ist eines der größten Colleges für Erwachsenenbildung
in Schottland mit einer jährlichen Studentenzahl von über 30.000 Studierenden.
Das Hauptcollege befindet sich in Gallowgate Centre in Aberdeen. Darüber hin-
aus verfügt es über Trainingszentren in über 100 Gemeinden in ganz Aberdeen
City und Aberdeenshire. Das College ist von der schottischen Further Education
Unit und Her Majesty’s Inspector of Education für die Qualität und hervorragen-
de Leistung seiner Lehr- und Lernerfolge anerkannt. Die Einrichtung spielt eine
bedeutende Rolle bei der Entwicklung von Know-hows und Wirtschaft in Aber-
deen und dem Nordosten Schottlands.1
Das Aberdeen College unterrichtet in vier großen Lehrbereichen: Business,
Computing & Landbased; Creative Industries, Sport and Languages; Engineer-
ing & Construction; Care, Service Industries & Social Sciences. Die Studienmo-
dule sind flexibel gestaltbar. Viele der Studenten kommen aus wirtschaftlich
benachteiligten Schichten, die finanzielle Unterstützung durch Stipendien, Edu-
cation Maintenance Allowance (EMA) und der Scottish Award Agency for Scot-
land (SAAS) erhalten.2
IOC Institut Obert de Catalunya (Barcelona/Spanien)
Das IOC Institut Obert de Catalunya ist eine Berufsschule und technische
Fachschule in Barcelona mit mehr als 5.000 Schüler/innen. Das IOC, die koor-
dinierende Organisation in diesem Projekt, wurde im Jahr 2006 von drei beste-
henden Initiativen im Fernstudium ins Leben gerufen, geleitet durch das Bil-
dungsministerium von Katalonien: das ICESD Institut Català d’Ensenyament
Secundari a Distància (Pflicht- und Sekundarschulwesen Fernstudium), Palau
de Mar – GES (verpflichtendes Erwachsenen-Fernstudium) und FP operta (Be-
rufsausbildung Fernstudium).
1
Vgl. Wikipedia (2012h), o. S.
2
Vgl. Aberdeen College (2012), o. S.

Anhang A XVI
Inzwischen wird das IOC in Katalonien empfohlen, wenn es darum geht, überall
und jederzeit zu lernen. Der Großteil der Studenten sind Erwachsene (über 20
Jahre), die schon im Berufsleben stehen. Eine kleine Anzahl sind Jugendliche,
die unter besonderen Bedingungen lernen: zum Beispiel Sportler, Musiker,
körperlich behinderte Menschen, im Ausland lebende Studenten, sozial Be-
nachteiligte. Zum formalen Bildungsbereich gehören das Graduat en Educació
Secundària (GES) und „Batxillerat“ (höhere berufsbildende Schule); der nicht-
formale Bildungsbereich umfasst Kurse zur Vorbereitung auf Aufnahmeprüfun-
gen wie CFGM (Berufsausbildung mit mittlerem Abschluss) und CFGS
(Berufsausbildung mit höherem Abschluss).1
Karamürsel 100. Yıl Teknik ve Endüstri meslek Lisesi (Karamürsel/Türkei)
Karamürsel 100. Yıl Teknik ve Endüstri meslek Lisesi ist eine technische und
berufsbildende Schule mit Sitz in Karamürsel, einer Stadt in Kocaeli im Westen
der Türkei. Die meisten Schüler/innen sind Einwanderer aus dem östlichen Teil
des Landes und anderen ländlichen Gebieten rund um Kocaeli. Die Familien
sind wegen hoher Arbeitslosigkeit und unzureichender Bildungs- und Sozialbe-
dingungen eingewandert. Meistens sind die Neuankömmlinge sozialer Aus-
grenzung ausgesetzt und sind nicht in der Lage, sich sozial zu integrieren.
Die Schule bietet die Fächer Mathematik, Sozialwissenschaften, Sprachen und
Informationstechnologien an. Sie ist auch für Erwachsene geeignet, die ihre
Ausbildung aus verschiedenen Gründen abgebrochen haben, geistig behindert
oder arbeitslos sind. Für diesen Personenkreis bietet die Schule Ausbildungs-
programme in den Bereichen Maschinenbau, Metall, Elektrotechnik, Dekoration,
Kleidung, Friseur.2
Kungälv Vuxenutbildning (Kungälv/Schweden)
Kungälv Vuxenutbildning ist eine öffentliche Non-Profit-Organisation in Kun-
gälvs, einer Gemeinde 20 km nördlich von Göteborg entfernt. Die Schule er-
möglicht den individuell passenden Zugang zu einem breiten Angebot an Klas-
1
Vgl. IOC Institut Obert de Catalunya (2012), o. S.
2
Vgl. Karamürsel (2012), o. S.

Anhang A XVII
sen und Ausbildungen von der Grundschule bis zur Hochschulbildung. Im An-
gebot der Schule sind beispielsweise Mathematik, Sozialwissenschaften, Spra-
chen und IT (Informationstechnologie). Für diejenigen, die nach Kungälv gezo-
gen sind und Schwedisch lernen möchten, bietet die Schule Sprachkurse an
und unterstützt mit Ausbildungsplätzen. Kungälv Vuxenutbildning bietet auch
Ausbildungsprogramme im Bereich Marine und Tourismus an.
Die Schule ist vor allem für Erwachsene geeignet, die ihre Ausbildung nicht ab-
geschlossen haben, arbeitslos sind, ihre Kompetenzen erhöhen müssen, um
auf dem Arbeitsmarkt „attraktiv“ zu bleiben, aus einem anderen Land kommen
und Schwedisch lernen müssen oder geistig behindert sind. Das zentrale Ziel
der Schule ist es, benachteiligten Menschen qualitativ hochwertige Bildung zu
ermöglichen.1
AKAD-Gruppe
Die AKAD-Gruppe ist mit derzeit rund 8.200 Studierenden zwischen 20 und 65
Jahren der größte private Fernhochschulverbund in Deutschland. Seit 1959
haben sich über 55.000 Berufstätige erfolgreich bei der AKAD weitergebildet.
Über 340 Professoren und Dozenten mit wissenschaftlicher Qualifikation und
Praxiserfahrung lehren an den vier staatlich anerkannten Hochschulen: WHL
Wissenschaftliche Hochschule Lahr sowie Hochschulen in Stuttgart, Leipzig
und Pinneberg. Das AKAD-Studienkonzept ist eine Kombination aus Fernstudi-
um, Präsenzseminaren und Online-Studium – speziell auf die Bedürfnisse
Berufstätiger zugeschnitten.
Die AKAD-Gruppe bietet Studien- und Aufbaustudiengängen in den Disziplinen
Betriebswirtschaft, Wirtschaftsinformatik, Maschinenbau, Wirtschaftsingenieur-
wesen, Mechatronik und Sprachen an. Zudem finden am AKAD Kolleg Fach-
lehrgänge, Fernkurse, Sprachdiplome oder IHK-Lehrgänge statt. Im Bereich
AKAD Business werden in Zusammenarbeit mit Unternehmen, berufsbegleiten-
de Weiterbildungen in den Bereichen Wirtschaft, Technik, Sprachen angebo-
ten.2
1
Vgl. Kungälv Vuxenutbildning (2012), o. S.
2
Vgl. AKAD Bildungsgesellschaft mbH (2012), o. S.

Anhang A XVIII
DHBW Stuttgart
Die Duale Hochschule Baden-Württemberg (DHBW) Stuttgart gehört mit über
7.000 Studierenden und 2.000 haupt- und nebenberuflichen Dozent/innen aus
Wissenschaft und Praxis zu den größten Hochschulen in den Regionen Stutt-
gart und Oberer Neckar. In Kooperation mit rund 2.500 ausgewählten Unter-
nehmen und sozialen Einrichtungen, den dualen Partnern, bieten die Fakultäten
Wirtschaft, Technik und Sozialwesen mehr als 40 national und international an-
erkannte Bachelor-Studienrichtungen an. Zentrales Merkmal ist der regelmäßi-
ge Wechsel zwischen den Theoriephasen an der Hochschule und den berufs-
praktischen Phasen beim ausbildenden dualen Partner. Mit dualen Masterpro-
grammen in allen Fakultäten ermöglicht die DHBW Stuttgart außerdem eine
berufsintegrierte Weiterentwicklung auch über den Bachelorabschluss hinaus.
Das duale Studium orientiert sich an den realen Anforderungen des Arbeits-
marktes und der Unternehmen bzw. sozialen Einrichtungen und garantiert eine
einzigartige Verbindung von Theorie und Praxis. Die frühere Berufsakademie
Baden-Württemberg ist heute als DHBW eine national und international aner-
kannte und akkreditierte Hochschule mit einem außerordentlich hohen Quali-
tätsniveau, was sich auch in einer Übernahmequote von durchschnittlich 80
Prozent ihrer Absolventen widerspiegelt. Die DHBW Stuttgart mit ihrem Cam-
pus Horb ist der größte von acht Standorten der Dualen Hochschule Baden-
Württemberg.1
Berufskollegs Hagen
Die Hagener Berufskollegs bestehen aus Cuno-Berufskolleg I, Cuno-Berufs-
kolleg II, Kaufmannsschule I, Kaufmannsschule II sowie Käthe-Kollwitz-
Berufskolleg. Jedes Berufskolleg beschäftigt in etwa 80 Lehrpersonen bei einer
jeweiligen Schülerzahl von über 2.000.
Das Cuno-Berufskolleg I und II sind gewerblich-technische berufsbildende
Schulen. In den Berufsfeldern Metalltechnik, Elektrotechnik, Mechatronik, In-
formations- und Telekommunikationstechnik, Bädertechnik sowie Physik/ Che-
mie wird als Partner im Dualen System der schulische Teil der beruflichen Erst-
1
Vgl. Duale Hochschule Baden-Württemberg Stuttgart (2012), o. S.

Anhang A XIX
ausbildung am Cuno-Berufskolleg I durchgeführt.1
Das Bildungsangebot wird
durch weitere technische Bildungsgänge ergänzt. Die im Cuno-Berufskolleg II
angebotenen Bildungsgänge umfassen Berufsschule, höhere Berufsfachschule,
Fachoberschule, Assistenten, Technisches Gymnasium und Fachschule für
Vermessungstechnik.2
Die Kaufmannsschule I und II sind kaufmännische be-
rufsbildende Schulen und bieten die Bildungsgänge Berufsfachschule, Berufs-
schule, Fachschule für Wirtschaft (Abendstudium), Fachoberschule, Wirt-
schaftsgymnasium sowie höhere Handelsschule für Abiturienten an.3
Das Kä-
the-Kollwitz-Berufskolleg ist ein Berufskolleg für Sozial- und Gesundheitswesen,
Hauswirtschaft und Allgemeingewerbe sowie Berufliches Gymnasium der Stadt
Hagen (Sekundarstufe II).4
1
Vgl. Cuno-Berufskolleg I (2012), o. S.
2
Vgl. Cuno-Berufskolleg II (2012), o. S.
3
Vgl. Kaufmannsschule I (2012), o. S. und Kaufmannsschule II (2012), o. S.
4
Vgl. Käthe-Kollwitz-Berufskolleg (2012), o. S.

Anhang A XX
Anlage A8: Fragebogen der DHBW Stuttgart

Anhang A XXVIII
Anlage A9: Begleitschreiben der Online-Befragung
Online-Umfrage zum Thema "Digitale Arbeitsmittel in der Lehre"
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Liebe Kolleginnen und -kollegen,
ich habe von einer Studentin des Studiengangs Wirtschaftspädagogik an der WHL Wissen-
schaftliche Hochschule Lahr eine Anfrage zur Beteiligung an einer Umfrage zum Thema "Digita-
le Arbeitsmittel in der Lehre" erhalten, die ihre Masterarbeit über die Erhebung schreiben wird.
Die Online-Umfrage finden Sie hier:
< Link >
Die Umfrage findet im Rahmen des Projekts "Digital Classroom" statt. Es handelt sich hier um
eine von der EU geförderte Grundtvig-Lernpartnerschaft, die zum Ziel hat, den Einsatz und die
Einbindung digitaler Arbeitsmittel in Bildungsangeboten für Erwachsene zu untersuchen. Der
Lehrstuhl für Wirtschaftspädagogik an der WHL ist an diesem Projekt beteiligt.
Sie unterstützen durch Ihre Angaben das Projekt, da Daten von Lehrkräften aus ganz Europa
erfasst und verglichen werden.
Die Bearbeitung des Fragebogens dauert etwa 12 Minuten. Die Ergebnisse werden vollkommen
anonym erfasst und vertraulich behandelt.
Unter digitalen Arbeitsmitteln werden Software-Anwendungen verstanden, die Lehr- und Lern-
aktivitäten unterstützen. Diese Anwendungen bieten mehr interaktive Funktionen als die übli-
chen Office-Anwendungen wie Word, Excel oder PowerPoint. Öffentliche Seiten des World
Wide Web sind nicht Teil dieser Definition von digitalen Arbeitsmitteln.
Auch wenn Sie selbst keine oder wenig digitale Arbeitsmittel in Ihrem Bildungsangeboten
(Kurse, Module, Seminare etc.) verwenden, ist Ihre Meinung sehr wichtig.
Ich möchte Sie bitten, die Studentin zu unterstützen und an der Umfrage bis zum < Datum >
teilzunehmen.
Vielen Dank für Ihren Beitrag!
Mit freundlichen Grüßen
N.N.

Anhang A XXIX
Anlage A10: Auszug Variablenansicht mit zugeordneten Messniveaus

Anhang A XXX
Anlage A11: Aufteilung der „teilweise abgeschlossenen Fragebogen“
Hochschule Teilweise
abgeschlossene
Fragebogen*
zu Beginn nach
Frage 4
nach
Frage 5
nach
Frage 5b**
nach
Frage
7/Item 1
nach
Frage
7/Item 2
DHBW Stuttgart 1 1
AKAD Gruppe 20 6 2 1 1
Berufskollegs Hagen 1 1
Hochschule Schottland 5 1 1
Hochschule Spanien 18 7 1
Hochschule Schweden 13 5 6
Hochschule Türkei 0
Hochschulen Gesamt 58 20 1 9 1 1 1
*Datenstand der Online-Umfrage: 10.11.2012
**Fragebogen der Berufskollegs Hagen enthält im 1. Fragebogenteil nicht 5, sondern 6 Fragen
Hochschule nach
Frage
7/Item 4
nach
Frage
8/Item 8
nach
Frage 10
nach
Frage 11
nach
Frage
12/Item 2
nach
Frage 13
nach
Frage 14
nach
Frage
15/Item 4
DHBW Stuttgart
AKAD Gruppe 4 1 3 1 1
Berufskollegs Hagen
Hochschule Schottland 2 1
Hochschule Spanien 5 1 2 1 1
Hochschule Schweden 1*** 1
Hochschule Türkei
Hochschulen Gesamt 11 1 1 7 1 1 2 1
***Frage 9 im Schwedischen Fragebogen

Anhang A XXXI
Anlage A12: Entscheidung „Integrationsvariable“
Häufigkeiten
Process_Integration
Development_Int
egration
Gültig 382 382
Fehlend 0 0
3,2314 3,8770
3,2000 4,0000
3,20 4,00
,78734 ,89829
,620 ,807
-,097 -,686
,125 ,125
-,192 ,335
,249 ,249
1,00 1,00
5,00 5,00
Häufigkeitstabelle
Häufigkeit Prozent Gültige Prozente
Kumulierte
Prozente
1,00 2 ,5 ,5 ,5
1,10 1 ,3 ,3 ,8
1,20 1 ,3 ,3 1,0
1,30 1 ,3 ,3 1,3
1,40 1 ,3 ,3 1,6
1,50 1 ,3 ,3 1,8
1,70 1 ,3 ,3 2,1
1,80 5 1,3 1,3 3,4
1,90 9 2,4 2,4 5,8
2,00 6 1,6 1,6 7,3
2,10 4 1,0 1,0 8,4
2,20 13 3,4 3,4 11,8
2,30 10 2,6 2,6 14,4
2,40 5 1,3 1,3 15,7
2,50 13 3,4 3,4 19,1
2,60 17 4,5 4,5 23,6
2,70 12 3,1 3,1 26,7
2,80 17 4,5 4,5 31,2
2,90 15 3,9 3,9 35,1
3,00 20 5,2 5,2 40,3
3,10 15 3,9 3,9 44,2
3,20 25 6,5 6,5 50,8
3,30 17 4,5 4,5 55,2
3,40 23 6,0 6,0 61,3
3,50 20 5,2 5,2 66,5
3,60 14 3,7 3,7 70,2
3,70 19 5,0 5,0 75,1
3,80 11 2,9 2,9 78,0
3,90 12 3,1 3,1 81,2
4,00 18 4,7 4,7 85,9
4,10 6 1,6 1,6 87,4
4,20 6 1,6 1,6 89,0
4,30 10 2,6 2,6 91,6
4,40 6 1,6 1,6 93,2
4,50 4 1,0 1,0 94,2
4,60 6 1,6 1,6 95,8
4,70 6 1,6 1,6 97,4
4,80 6 1,6 1,6 99,0
5,00 4 1,0 1,0 100,0
Gesamt 382 100,0 100,0
Minimum
Maximum
Process_Integration
Gültig
Standardabweichung
Varianz
Schiefe
Standardfehler der Schiefe
Kurtosis
Standardfehler der Kurtosis
Statistiken
N
Mittelwert
Median
Modus

Anhang A XXXII
Häufigkeit Prozent Gültige Prozente
Kumulierte
Prozente
1,00 5 1,3 1,3 1,3
1,33 1 ,3 ,3 1,6
1,67 3 ,8 ,8 2,4
2,00 8 2,1 2,1 4,5
2,33 9 2,4 2,4 6,8
2,67 24 6,3 6,3 13,1
3,00 27 7,1 7,1 20,2
3,33 36 9,4 9,4 29,6
3,67 49 12,8 12,8 42,4
4,00 85 22,3 22,3 64,7
4,33 30 7,9 7,9 72,5
4,67 21 5,5 5,5 78,0
5,00 84 22,0 22,0 100,0
Gesamt 382 100,0 100,0
Development_Integration
Gültig
Histogramm

Anhang A XXXIII
Anlage A13: Korrelationen Variable „Age“
Age Proficiency Digital Tools
Korrelation nach
Pearson
1 -,010
Signifikanz (2-seitig) ,840
N 382 382
Korrelation nach
Pearson
-,010 1
N 382 382
Age Teachers Readiness
Korrelation nach
Pearson
1 -,049
N 382 382
Korrelation nach
Pearson
-,049 1
N 382 382
Age Teachers Beliefs
Korrelation nach
Pearson
1 ,020
N 382 382
Korrelation nach
Pearson
,020 1
N 382 382
Age Process of Integration
Korrelation nach
Pearson
1 -,146
**
N 382 382
Korrelation nach
Pearson
-,146** 1
N 382 382
Age
Teachers Readiness
Age
Proficiency Digital Tools
Korrelationen
**. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig) signifikant.
Korrelationen
Age
Process of Integration
Age
Teachers Beliefs
Korrelationen
Korrelationen

Anhang A XXXIV
Anlage A14: Korrelationen Variable „Years of Teaching“
Years of Teaching Proficiency Digital Tools
Korrelation nach
Pearson
1 ,036
N 382 382
Korrelation nach
Pearson
,036 1
N 382 382
Years of Teaching Teachers Readiness
Korrelation nach
Pearson
1 ,048
N 382 382
Korrelation nach
Pearson
,048 1
N 382 382
Years of Teaching Teachers Beliefs
Korrelation nach
Pearson
1 ,164**
N 382 382
Korrelation nach
Pearson
,164
** 1
N 382 382
Years of Teaching Process of Integration
Korrelation nach
Pearson
1 ,046
N 382 382
Korrelation nach
Pearson
,046 1
N 382 382
Korrelationen
Years of Teaching
Korrelationen
Years of Teaching
Teachers Beliefs
Years of Teaching
Teachers Readiness
Korrelationen
Korrelationen
Years of Teaching

Anhang A XXXV
Anlage A15: Korrelationen Variable „Overall Support“
Overall Support Proficiency Digital Tools
Korrelation nach
Pearson
1 ,075
N 382 382
Korrelation nach
Pearson
,075 1
N 382 382
Overall Support Teachers Readiness
Korrelation nach
Pearson
1 ,453**
N 382 382
Korrelation nach
Pearson
,453** 1
N 382 382
Overall Support Process of Integration
Korrelation nach
Pearson
1 ,440**
N 382 382
Korrelation nach
Pearson
,440** 1
N 382 382
Korrelationen
Overall Support
Overall Support
Teachers Readiness
Korrelationen
Korrelationen
Overall Support

Anhang A XXXVI
Anlage A16: Korrelationen Variable „Technical Support“
Technical Support Proficiency Digital Tools
Korrelation nach
Pearson
1 ,071
N 382 382
Korrelation nach
Pearson
,071 1
N 382 382
Technical Support Teachers Readiness
Korrelation nach
Pearson
1 ,287
**
N 382 382
Korrelation nach
Pearson
,287
** 1
N 382 382
Technical Support Teachers Beliefs
Korrelation nach
Pearson
1 ,163
**
N 382 382
Korrelation nach
Pearson
,163** 1
N 382 382
Technical Support Process of Integration
Korrelation nach
Pearson
1 ,207**
N 382 382
Korrelation nach
Pearson
,207** 1
N 382 382
Korrelationen
Technical Support
Teachers Beliefs
Korrelationen
Technical Support
Technical Support
Teachers Readiness
Korrelationen
Korrelationen
Technical Support

Anhang A XXXVII
Anlage A17: Korrelationen Variable „Proficiency of Digital Tools“
Proficiency Digital
Tools Teachers Readiness
Korrelation nach
Pearson
1 ,550**
N 382 382
Korrelation nach
Pearson
,550** 1
N 382 382
Proficiency Digital
Tools Teachers Beliefs
Korrelation nach
Pearson
1 ,229**
N 382 382
Korrelation nach
Pearson
,229** 1
N 382 382
Proficiency Digital
Tools Process of Integration
Korrelation nach
Pearson
1 ,401**
N 382 382
Korrelation nach
Pearson
,401** 1
N 382 382
Proficiency Digital
Tools
Korrelationen
Korrelationen
Proficiency Digital
Tools
Teachers Beliefs
Korrelationen
Proficiency Digital
Tools
Teachers Readiness

Anhang A XXXVIII
Anlage A18: Korrelationen Variable „Teachers’ Readiness“ und “Teachers’
Beliefs”
Teachers Readiness Process of Integration
Korrelation nach
Pearson
1 ,520**
N 382 382
Korrelation nach
Pearson
,520** 1
N 382 382
Teachers Beliefs Process of Integration
Korrelation nach
Pearson
1 ,482**
N 382 382
Korrelation nach
Pearson
,482** 1
N 382 382
Teachers Beliefs
Korrelationen
Teachers Readiness
Korrelationen

Anhang A XXXIX
Anlage A19: Multiple Regressionsanalyse Modell “Proficiency of Digital Tools”
Regression Modell "Proficiency of Digital Tools"
Modell
Aufgenommene
Variablen
Entfernte
Variablen Methode
1 Technical Support,
Years of Teaching,
Overall Support,
Age
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,096
a ,009 -,001 1,132 1,444
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 4,464 4 1,116 ,871 ,482
a
Nicht standardisierte
Residuen
483,284 377 1,282
Gesamt 487,749 381
Standardisierte
Koeffizienten
Regressionskoeffi
zientB Standardfehler Beta Toleranz VIF
(Konstante) 3,874 ,344 11,271 ,000
Age -,055 ,078 -,046 -,694 ,488 ,610 1,640
Years of Teaching ,058 ,062 ,061 ,927 ,354 ,603 1,658
Overall Support ,058 ,084 ,043 ,687 ,493 ,663 1,508
Technical Support ,058 ,079 ,045 ,725 ,469 ,673 1,485
(Konstante) Age
Years of
Teaching Overall Support
Technical
Support
1 4,808 1,000 ,00 ,00 ,00 ,00 ,00
2 ,113 6,525 ,00 ,12 ,11 ,08 ,08
3 ,033 12,102 ,05 ,45 ,66 ,18 ,07
4 ,025 13,986 ,02 ,25 ,22 ,73 ,49
5 ,022 14,814 ,93 ,18 ,01 ,01 ,35
Minimum Maximum Mittelwert
Standardabweich
ung N
Nicht
standardisierter
vorhergesagter
Wert
4,03 4,58 4,32 ,108 382
Nicht
standardisierte
Residuen
-3,433 1,888 ,000 1,126 382
Standardisierter
vorhergesagter
Wert
-2,707 2,340 ,000 1,000 382
Standardisierte
Residuen
-3,032 1,668 ,000 ,995 382
1
a. Abhängige Variable: Proficiency Digital Tools
Residuenstatistik
a
Kollinearitätsdiagnose
a
Modell Dimension Eigenwert Konditionsindex
Varianzanteile
Modell
Nicht standardisierte Koeffizienten
T Sig.
Kollinearitätsstatistik
1
ANOVA
b
Modell
1
a. Einflußvariablen : (Konstante), Technical Support, Years of Teaching, Overall Support, Age
b. Abhängige Variable: Proficiency Digital Tools
Koeffizienten
a
Aufgenommene/Entfernte Variablen
a. Alle gewünschten Variablen wurden eingegeben.
Modellzusammenfassung
b
a. Einflußvariablen : (Konstante), Technical Support, Years of Teaching, Overall Support, Age
b. Abhängige Variable: Proficiency Digital Tools

Anhang A XLI
Anlage A20: Multiple Regressionsanalyse Modell “Teachers’ Readiness”
Regression "Teachers' Readiness"
Modell Aufgenommene Variablen Entfernte Variablen Methode
1 Proficiency Digital Tools, Age,
Overall Support, Technical
Support, Years of Teaching
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,689
a ,475 ,468 ,58631 2,017
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 116,711 5 23,342 67,903 ,000
a
Residuen
129,252 376 ,344
Gesamt 245,963 381
Standardisierte
Koeffizienten
RegressionskoeffizientB Standardfehler Beta Toleranz VIF
(Konstante) 1,033 ,206 5,021 ,000
Age -,042 ,041 -,050 -1,044 ,297 ,609 1,642
Years of Teaching ,018 ,032 ,027 ,553 ,580 ,602 1,662
Overall Support ,379 ,044 ,397 8,648 ,000 ,662 1,510
Technical Support ,021 ,041 ,023 ,506 ,613 ,672 1,487
Proficiency Digital Tools ,367 ,027 ,517 13,764 ,000 ,991 1,009
(Konstante) Age
Years of
Teaching
Overall
Support
Technical
Support
Proficiency
Digital Tools
1 5,743 1,000 ,00 ,00 ,00 ,00 ,00 ,00
2 ,116 7,050 ,00 ,13 ,12 ,06 ,06 ,02
3 ,067 9,251 ,00 ,01 ,01 ,09 ,07 ,67
4 ,032 13,296 ,01 ,53 ,64 ,13 ,10 ,01
5 ,024 15,314 ,00 ,17 ,22 ,69 ,63 ,00
6 ,017 18,299 ,98 ,15 ,00 ,03 ,14 ,30
1
a. Abhängige Variable: Teachers Readiness
a
Varianzanteile
Modell
T Sig.
Kollinearitätsstatisti
k
1
ANOVA
b
Modell
1
a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Age, Overall Support, Technical Support, Years of Teaching
b. Abhängige Variable: Teachers Readiness
Koeffizienten
a
b
Standardabweich
ung N
Nicht standardisierter
vorhergesagter Wert
2,0689 5,1527 3,8711 ,55347 382
Residuen
-1,66937 1,66091 ,00000 ,58245 382
Standardisierter
vorhergesagter Wert
-3,256 2,316 ,000 1,000 382
Standardisierte
Residuen
-2,847 2,833 ,000 ,993 382
Residuenstatistik
a

Anhang A XLIII
Readiness”
Regression Modellanpassung "Teachers' Readiness"
1 Proficiency Digital Tools,
Overall Support
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,687a ,473 ,470 ,58503 2,005
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 116,246 2 58,123 169,822 ,000a
Residuen
129,717 379 ,342
Gesamt 245,963 381
Standardisierte
Koeffizienten
(Konstante) ,985 ,160 6,137 ,000
Overall Support ,394 ,036 ,414 11,058 ,000 ,994 1,006
(Konstante) Overall Support
Proficiency Digital
Tools
1 2,919 1,000 ,00 ,01 ,01
2 ,058 7,085 ,00 ,52 ,56
3 ,023 11,229 1,00 ,48 ,44
Standardabweich
ung N
Nicht
standardisierter
vorhergesagter
Wert
2,1417 5,1668 3,8711 ,55237 382
Nicht
standardisierte
Residuen
-1,67989 1,69415 ,00000 ,58349 382
Standardisierter
vorhergesagter
Wert
-3,131 2,346 ,000 1,000 382
Standardisierte
Residuen
-2,871 2,896 ,000 ,997 382
1
Residuenstatistik
a
a
Varianzanteile
Modell
T Sig.
Kollinearitätsst
atistik
1
ANOVA
b
Modell
1
a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Overall Support
Koeffizienten
a
b
a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Overall Support

Anhang A XLV
Anlage A22: Multiple Regressionsanalyse Modell “Teachers’ Beliefs”
Regression "Teachers' Beliefs"
Age, Overall Support,
Technical Support, Years
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,497
a ,247 ,237 ,64453 1,831
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 51,372 5 10,274 24,732 ,000
a
Residuen
156,200 376 ,415
Gesamt 207,572 381
Standardisierte
Koeffizienten
(Konstante) 1,849 ,226 8,171 ,000
Age -,055 ,045 -,071 -1,235 ,217 ,609 1,642
Years of Teaching ,099 ,036 ,160 2,780 ,006 ,602 1,662
Overall Support ,404 ,048 ,461 8,388 ,000 ,662 1,510
Technical Support -,095 ,045 -,114 -2,091 ,037 ,672 1,487
a. Abhängige Variable: Teachers Beliefs
Modell
T Sig.
1
ANOVAb
Modell
1
b. Abhängige Variable: Teachers Beliefs
Koeffizientena
Modellzusammenfassungb
(Konstante) Age
Years of
Technical
Support
Proficiency Digital
Tools
1 5,743 1,000 ,00 ,00 ,00 ,00 ,00 ,00
2 ,116 7,050 ,00 ,13 ,12 ,06 ,06 ,02
3 ,067 9,251 ,00 ,01 ,01 ,09 ,07 ,67
4 ,032 13,296 ,01 ,53 ,64 ,13 ,10 ,01
5 ,024 15,314 ,00 ,17 ,22 ,69 ,63 ,00
6 ,017 18,299 ,98 ,15 ,00 ,03 ,14 ,30
1
a
Varianzanteile
Minimum Maximum Mittelwert Standardabweichung N
Nicht
standardisierter
vorhergesagter
Wert
2,6662 4,5506 3,6036 ,36720 382
Nicht
standardisierte
Residuen
-3,13121 1,57668 ,00000 ,64029 382
Standardisierter
vorhergesagter
Wert
-2,553 2,579 ,000 1,000 382
Standardisierte
Residuen
-4,858 2,446 ,000 ,993 382
Residuenstatistik
a

Anhang A XLVII
Beliefs”
Regression Modellanpassung "Teachers' Beliefs"
Years of Teaching,
Technical Support,
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,494a ,244 ,236 ,64498 1,828
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 50,738 4 12,685 30,491 ,000a
Residuen
156,834 377 ,416
Gesamt 207,572 381
Standardisierte
Koeffizienten
(Konstante) 1,761 ,215 8,191 ,000
Overall Support ,409 ,048 ,467 8,529 ,000 ,668 1,497
(Konstante)
Years of
Technical
Support
Proficiency Digital
Tools
1 4,807 1,000 ,00 ,00 ,00 ,00 ,00
2 ,083 7,611 ,00 ,62 ,08 ,10 ,00
3 ,066 8,533 ,00 ,15 ,07 ,04 ,68
4 ,026 13,569 ,03 ,00 ,85 ,63 ,03
5 ,018 16,170 ,97 ,23 ,00 ,23 ,29
1
a
Varianzanteile
Modell
T Sig.
1
ANOVA
b
Modell
1
a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Years of Teaching, Technical Support, Overall Support
Koeffizienten
a
b
a. Einflußvariablen : (Konstante), Proficiency Digital Tools, Years of Teaching, Technical Support, Overall Support
Nicht standardisierter
vorhergesagter Wert
2,7151 4,5769 3,6036 ,36493 382
Residuen
-3,09597 1,56571 ,00000 ,64159 382
Standardisierter
vorhergesagter Wert
-2,435 2,667 ,000 1,000 382
Standardisierte
Residuen
-4,800 2,428 ,000 ,995 382
Residuenstatistik
a

Anhang A XLIX
Anlage A24: Multiple Regressionsanalyse Modell „Integration of Digital Tools“
Regression "Integration of Digital Tools"
Modell Variablen Entfernte Variablen Methode
1 Teachers Beliefs, Age,
Technical Support,
Proficiency Digital Tools,
Years of Teaching,
Teachers Readiness,
a
. Einschluß
Modell R R-Quadrat
Korrigiertes R-
Quadrat
Standardfehler
des Schätzers
Durbin-Watson-
Statistik
1 ,661a ,436 ,426 ,59655 1,917
Quadratsumme df
Mittel der
Quadrate F Sig.
Regression 103,088 7 14,727 41,383 ,000a
Residuen
133,095 374 ,356
Gesamt 236,183 381
Standardisierte
Koeffizienten
(Konstante) ,573 ,231 2,484 ,013
Age -,154 ,042 -,185 -3,703 ,000 ,605 1,652
Overall Support ,232 ,051 ,249 4,518 ,000 ,497 2,013
Teachers Readiness ,185 ,053 ,189 3,489 ,001 ,512 1,951
Teachers Beliefs ,266 ,048 ,250 5,507 ,000 ,734 1,363
a. Abhängige Variable: Process of Integration
Modell
T Sig.
1
ANOVA
b
Modell
1
a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Technical Support, Proficiency Digital Tools, Years of Teaching, Teachers Readiness, Overall Support
b. Abhängige Variable: Process of Integration
Koeffizienten
a
b
a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Technical Support, Proficiency Digital Tools, Years of Teaching, Teachers Readiness, Overall Support
(Konstante) Age
Years of
Teaching
Overall
Support
Technical
Support
Proficiency Digital
Tools
Teachers
Readiness
Teachers
Beliefs
1 7,683 1,000 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00
2 ,125 7,829 ,00 ,14 ,13 ,02 ,03 ,01 ,01 ,00
3 ,071 10,391 ,00 ,00 ,00 ,09 ,12 ,31 ,02 ,00
4 ,039 14,125 ,00 ,16 ,12 ,04 ,30 ,06 ,00 ,27
5 ,029 16,189 ,03 ,41 ,72 ,00 ,06 ,06 ,00 ,17
6 ,023 18,119 ,09 ,15 ,03 ,45 ,24 ,00 ,12 ,21
7 ,016 21,825 ,16 ,03 ,00 ,18 ,01 ,53 ,65 ,09
8 ,013 24,054 ,72 ,09 ,00 ,22 ,25 ,02 ,21 ,25
1
Kollinearitätsdiagnosea
Varianzanteile
Nicht
standardisierter
1,5410 4,3952 3,2314 ,52017 382
Nicht
standardisierte
-1,61657 1,53439 ,00000 ,59104 382
Standardisierter
vorhergesagter
-3,250 2,237 ,000 1,000 382
Standardisierte
Residuen
-2,710 2,572 ,000 ,991 382
Residuenstatistik
a

Anhang A LI
Anlage A25: Multiple Regressionsanalyse Modellanpassung „Integration of
Digital Tools“
Regression Modellanpassung "Integration of Digital Tools"
1 Teachers Beliefs, Age,
Proficiency Digital Tools,
Overall Support, Teachers
Readinessa
. Einschluß
Modell R R-Quadrat Korrigiertes R-Quadrat
Standardfehler des
Schätzers Durbin-Watson-Statistik
1 ,656a ,431 ,423 ,59803 1,880
Quadratsumme df Mittel der Quadrate F Sig.
Regression 101,713 5 20,343 56,881 ,000a
Residuen
134,470 376 ,358
Gesamt 236,183 381
ANOVAb
Modell
1
a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Proficiency Digital Tools, Overall Support, Teachers Readiness
Modellzusammenfassungb
a. Einflußvariablen : (Konstante), Teachers Beliefs, Age, Proficiency Digital Tools, Overall Support, Teachers Readiness
Standardisierte
Koeffizienten
(Konstante) ,518 ,218 2,375 ,018
Age -,111 ,032 -,134 -3,435 ,001 ,995 1,005
Overall Support ,208 ,044 ,222 4,699 ,000 ,677 1,477
Teachers Readiness ,183 ,053 ,187 3,444 ,001 ,513 1,948
Teachers Beliefs ,284 ,048 ,266 5,955 ,000 ,760 1,317
Modell
T Sig.
1
Koeffizientena
(Konstante) Age
Overall
Support
Proficiency
Digital Tools
Teachers
Readiness
Teachers
Beliefs
1 5,795 1,000 ,00 ,00 ,00 ,00 ,00 ,00
2 ,086 8,185 ,00 ,70 ,03 ,03 ,02 ,01
3 ,060 9,823 ,00 ,00 ,29 ,37 ,00 ,02
4 ,027 14,626 ,03 ,06 ,34 ,04 ,04 ,72
5 ,016 18,810 ,55 ,12 ,20 ,38 ,25 ,18
6 ,015 19,426 ,42 ,12 ,13 ,18 ,68 ,07
1
Kollinearitätsdiagnosea
Varianzanteile
Nicht
standardisierter
vorhergesagter
Wert
1,5779 4,4286 3,2314 ,51668 382
Nicht
standardisierte
Residuen
-1,71593 1,52978 ,00000 ,59409 382
Standardisierter
vorhergesagter
Wert
-3,200 2,317 ,000 1,000 382
Standardisierte
Residuen
-2,869 2,558 ,000 ,993 382
Residuenstatistika

Anhang B LIII
Anhang B1
Anlage B1: Fragebogen der AKAD-Gruppe ..................................................B-III
Anlage B2: Fragebogen der Berufskollegs Hagen ........................................B-XI
Anlage B3: Fragebogen der Hochschule in Schottland............................... B-XX
Anlage B4: Fragebogen der Hochschule in Schweden..........................B-XXVIII
Anlage B5: Fragebogen der Hochschule in Spanien............................. B-XXXVI
Anlage B6: Fragebogen der Hochschule in der Türkei............................. B-XLIV
Anlage B7: Häufigkeiten Variablen mit Nominalskalenniveau......................B-LII
Anlage B8: Häufigkeiten Variablen Ordinalskalenniveau ............................B-LVI
Anlage B9: Häufigkeiten Variablen Intervallskalenniveau ..........................B-LVII
Anlage B10: Häufigkeiten Variablen Intervallskalenniveau (nach
Skalenbildung) .......................................................................................... B-LXXI
Anlage B11: Häufigkeiten – Kreuztabelle nach Land bzw. Hochschule ..B-LXXV
Anlage B12: Reliabilitätsanalyse Skala „Teachers’ Readiness“................... B-CI
Anlage B13: Reliabilitätsanalyse Skala „Impact on Students“.................... B-CIII
Anlage B14: Reliabilitätsanalyse Skala „Impact on Classroom Instruction“B-CVI
Anlage B15: Reliabilitätsanalyse Skala „Overall Support“........................B-CVIII
Anlage B16: Reliabilitätsanalyse Skala „Technical Support“.......................B-CX
Anlage B17: Reliabilitätsanalyse Skala „Technology Coach“....................B-CXII
Anlage B18: Reliabilitätsanalyse Skala „Process of Integration“...............B-CXV
Anlage B19: Reliabilitätsanalyse Skala „Future Development of
Integration“..............................................................................................B-CXVIII
Anlage B20: Reliabilitätsanalyse Skala „Teachers’ Beliefs“ ......................B-CXX
Anlage B21: Reliabilitätsanalyse Skala „Future Development of
Integration“............................................................................................. B-CXXIV
Anlage B22: Faktorenanalyse “Teachers’ Beliefs” .............................. B-CXXVIII
Anlage B23: Faktorenanalyse “Integration of Digital Tools” ................ B-CXXXIII
Anlage B24: Mittelwertsunterschiede t-Test......................................B-CXXXVIII
Anlage B25: ANOVA Variable „Unterrichtsfach“ .................................B-CXXXIX
Anlage B26: ANOVA Variable „Lehrmethodik“.......................................B-CXLVI
Anlage B27: ANOVA Variable „Schulung“..............................................B-CLVIII
Anlage B28: Chi²-Test............................................................................B-CLXIII
Anlage B29: Explorative Datenanalyse.................................................B-CLXVII
1
Anhang B befindet sich auf der beiliegenden CD-ROM.

Literaturverzeichnis LIV
Literaturverzeichnis
Aberdeen College (2012): Aberdeen College, in: http://www.abcol.ac.uk,
Stand vom 31.10.2012, Aberdeen 2012
AKAD Bildungsgesellschaft mbH (2012): AKAD, in: http://www.akad.de, Stand
vom 02.11.2012, Stuttgart 2012
Albrecht, R. (2004): E-Teaching-Kompetenz aus
hochschuldidaktischer Perspektive, in: Bett,
K./Wedeking, J./Zentel, P. (Hrsg.):
Medienkompetenz für die Hochschule, New
York/München/Berlin 2004
Altobelli, C. F. (2007): Marktforschung: Methoden – Anwendungen –
Praxisbeispiele, Stuttgart 2007
Aufenanger, S. (1999): Lernen mit neuen Medien – Was bringt es
wirklich? Forschungsergebnisse und
Lernphilosophien, in: Medien praktisch.
Zeitschrift für Medienpädagogik, 1999,
Heft 4, S. 4-8
Bartsch, T.-C./Rex, B. F. (2008): Rede im Studium!, Paderborn 2008
Bebell, D./Russell, M./O’Dwyer, L. (2004): Measuring teachers´ technology
uses: Why multiple measures are more
revealing, in: Journal of Research on
Technology in Education, Volume 37,
Number 1, p. 45-63
Brake, Ch. (2000): Politikfeld Multimedia: multimediale Lehre im
Netz der Restriktionen, Münster/New York/
München/Berlin 2000

Literaturverzeichnis LV
Breiter, A. (2001): IT-Management in Schulen, Neuwied 2001
Brosius, F. (2006): SPSS 14, Heidelberg 2006
Brosius, H.-B./Koschel, F. (2001): Methoden der empirischen
Kommunikationsforschung – Eine Einführung,
Wiesbaden 2001
Cuno-Berufskolleg I (2012): Cuno-Berufskolleg I, in: http://www.cuno-
online.de/, Stand vom 21.11.2012,
Hagen 2012
Cuno-Berufskolleg II (2012): Cuno-Berufskolleg II, in:
http://www.cuno.de/code/schule/start.ph,
Stand vom 21.11.2012, Hagen 2012
de Witt, C./Czerwionka, T. (2007): Mediendidaktik – Studientexte für
Erwachsenenbildung, Bielefeld 2007
Dörr, G. (2009): Medienpädagogik, in: Henninger, M./Mandl,
H.: Handbuch Medien- und
Bildungsmanagement, Weinheim und
Basel 2009
Duale Hochschule Baden-Württemberg Stuttgart (2012): DHBW Stuttgart, in:
http://www.dhbw-stuttgart.de/, Stand vom
15.11.2012, Stuttgart 2012
Eickelmann, B. (2010): Digitale Medien in Schule und Unterricht
erfolgreich implementieren, Münster 2010
Ertmer, P. A. (2005): Teacher pedagogical beliefs: The final frontier
in our quest for technology integration?, in:
Educational Technology Research and
Development, Volume 53, Number 4, p. 25-39

Literaturverzeichnis LVI
Fullan, M. (2001): Leading in a Culture of Change, San
Francisco 2001
Glaser, M./Weigand, S./Schwan, S. (2009): Mediendidaktik, in: Henninger,
M./Mandl, H.:Handbuch Medien- und
Bildungsmanagement, Weinheim und
Basel 2009
Hense, J./Mandl, H. (2009): Bildung im Zeitalter digitaler Medien – Zur
wechselseitigen Verflechtung von Bildung und
Technologien, in: Henninger, M./Mandl, H.:
Handbuch Medien- und Bildungs-
management, Weinheim und Basel 2009
Hernandez-Ramos, P. (2005): If not here, where? Understanding teachers’
use of technology in Silicon Valley schools, in:
Journal of Research on Technology in
Education, Volume 38, Issue 1, p. 39-64
Herzig, B. (2008): Schule und digitale Medien, in: Sander,
U./Gross, F./Hugger, K.-U. (2008): Handbuch
Medienpädagogik, Wiesbaden 2008
Herzig, B./Grafe, S. (2006): Digitale Medien in der Schule –
Standortbestimmung und
Handlungsempfehlungen für die Zukunft,
Paderborn 2006
Hew, K. F./Brush, T. (2007): Integrating technology into K-12 teaching and
learning: Current knowledge gaps and
recommendations for future research, in:
Educational Technology Research and
Development, Volume 55, Issue 3, p. 223-252

Literaturverzeichnis LVII
Hofte-Fankhauser, K./Wälty, H. F. (2009): Marktforschung – Grundlagen mit
zahlreichen Beispielen, Repetitionsfragen mit
Lösungen und Glossar, 2. Auflage,
Zürich 2009
Hörr, A. (2010): Vor- und Nachteile von Lernplattformen, in:
http://www.lmsnews.com/vor-und-nachteile-
von-lernplattformen, Stand vom 31.10.2012,
o. O. 2010
Hugger, K.-U. (2008): Medienkompetenz, in: Sander, U./Gross,
F./Hugger, K.-U. (Hrsg.): Handbuch
Medienpädagogik, Wiesbaden 2008
Hunneshagen, H. (2005): Innovationen in Schulen: Identifizierung
implementationsfördernder und –hemmender
Bedingungen des Einsatzes neuer Medien,
Münster 2005
Hunneshagen, H./Schulz-Zander, R./Weinreich, F. (2000): Schulen ans Netz:
Veränderung von Lehr- und Lernprozessen
durch den Einsatz Neuer Medien, in: Rolff, H.-
G./Bos, W./Klemm, K./Pfeiffer, H./Schulz-
Zander, R. (Hrsg.): Jahrbuch der
Schulentwicklung, Band 11, S. 55-180,
Weinheim und München 2000
Inan, F. A./Lowther, D. L. (2009): Factors affecting technology integration in K-
12 classrooms: a path model, in: Educational
Technology Research and Development,
Volume 58, Number 2 (2010), p. 137-154

Literaturverzeichnis LVIII
IOC Institut Obert de Catalunya (2012): IOC Institut Obert de Catalunya, in:
http://ioc.xtec.cat, Stand vom 31.10.2012,
Barcelona 2012
Jones, S./Madden, M. (2002): The Internet goes to college: How students
are living in the future with today’s technology,
Washington, DC : Pew Internet and American
Life Project
Kammerl, R./Luca, R./Hein, S. (Hrsg.) (2011): Keine Bildung ohne Medien!
Neue Medien als pädagogische
Herausforderung, Hamburg 2011
Kanaya, T./Light, D./Culp, K. M. (2005): Factors influencing outcomes from a
technology-focused professional development
programm, in: Journal of Research on
Technology in Education, Volume 37, Issue 2,
p. 313-329
Karamürsel (2012): Karamürsel 100. Yıl Teknik ve Endüstri
meslek Lisesi, in:
http://www.karamurseleml.k12.tr, Stand vom
31.10.2012, Karamürsel 2012
Käthe-Kollwitz-Berufskolleg (2012): Käthe-Kollwitz-Berufskolleg, in:
http://www.kaethe-kollwitz-bk-ha.de/, Stand
vom 21.11.2012, Hagen 2012
Kaufmannsschule I (2012): Kaufmannsschule I, in:
http://www.k1-hagen.de, Stand vom
21.11.2012, Hagen 2012
Kaufmannsschule II (2012): Kaufmannsschule II, in:
http://www.k2-hagen.de/, Stand vom
21.11.2012, Hagen 2012

Literaturverzeichnis LIX
Klebl, M. (2006): Nachhaltiges Design digitaler Lernmedien:
Netzgestützte Bildungsprozesse mit IMS
Learning Design, Innsbruck 2006
Kungälv Vuxenutbildning (2012): Kungälv Vuxenutbildning, in:
http://www.kungalv.se/Barn-och-
utbildning/skolportalen/vuxenutbildning, Stand
vom 01.11.2012, Kungälv 2012
Lermen, M. (2008): Digitale Medien in der Lehrerbildung –
Rahmenbedingungen, Einflussfaktoren und
Integrationsvorschläge aus
(medien)pädagogischer Sicht,
Baltmannsweiler 2008
Lih-Juan, C./Jon-Chao, H./Jeou-Shyan, H./Shih-Hui, C./Hui-Chuan, C. (2006):
Factors influencing technology integration in
teaching: A Taiwanese perspective, in:
Innovations in Education & Teaching
International, Volume 43, Issue 1, p. 57-68
Lindau-Bank, D./Magenheim, J. (1998): Neue Medien und Schulorganisation,
in: Computer + Unterricht, Nr. 32, S. 4
Lowther, D. L./Ross, S. M. (2000): Teacher Technology Questionnaire (TTQ);
Memphis, TN: Center for Research in
Educational Policy, The University of
Memphis, Memphis 2000
Lowther, D. L./Strahl, J. D./Inan, F. A./Ross, S. M. (2008): Does technology
integration “work” when key barriers are
removed?, New York 2008

Literaturverzeichnis LX
Lumpe, A. T./Chambers, E. (2001): Assessing Teachers’ context beliefs about
technology use, in: Journal of Research on
Technnology in Education, Volume 34, Issue
1, p. 93-107
Mathews, J. G./Guarino, A. J. (2000): Predicting teacher computer use: A path
analysis, in: International Journal of
Instructional Media, Volume 27, Issue 4,
p. 385-392
Mims, C./Polly, D./Shepherd, C./Inan, F. A. (2006): Examining PT3 projects
designed to improve preservice education, in:
TechTrends, Volume 50, Issue 3, p. 16-24
Müller, Ch. (2012): Digitale Medien im Bildungsbereich – Es
kommt auf Lehrer und Professoren an, in:
http://www.sozial-pr.net/digitale-medien-im-
bildungsbereich-es-kommt-auf-lehrer-und-
professoren-an/, Stand vom 09.12.2012,
Winnenden 2012
Mumtaz, S. (2005): Factors affecting Teachers’ use of information
and communications technology: A review of
the literature, in: Technology, Pedagogy and
Education, Volume 9, Issue, p. 319-342
National Center for Education Statistics (2000): Teachers’ tools for the 21st
century: A report on Teachers’ use of
technology, in:
Nienhüser, W./Krins, C. (2005): Betriebliche Personalforschung – Eine
problemorientierte Einführung, München und
Mering 2005

Literaturverzeichnis LXI
O’Dwyer, L./Russel, M./Bebel, D. (2004): Elementary teachers’ use of
technology: Characteristics of teachers,
schools, and districts associated with
technology use. Boston, MA: Technology and
Assessment Study Collaborative, Boston
College
Pfäffli, B. K. (2005): Lehren an Hochschulen – Eine
Hochschuldidaktik für den Aufbau von Wissen
und Kompetenzen, Bern 2005
Reinecke, J. (2005): Strukturgleichungsmodelle in den
Sozialwissenschaften, München 2005
Robinson, W. I. (2003): External, and internal factors which predict
Teachers’ computer usage in K-12
classrooms, Wayne State University,
Detroit 2003
Rogers, E. (2003): Diffusion of Innovations, 5. Auflage,
New York 2003
Ross, J. A./Hogaboam-Gray, A./Hannay, L. (1999): Predictors of teachers´
confidence in their ability to implement
computer-based instruction, in: Journal of
Educational Computing Research, Volume 21,
Number 1, p. 75-97
Sandholtz, J. H./Reilly, B. (2004):Teachers, not technicians: Rethinking
technical expectations for teachers, in:
Teachers College Record, Volume 106,
Issue 3, p. 487-512

Literaturverzeichnis LXII
Scheffler, F. L./Logan, J. P. (1999): Computer technology in schools: What
teachers should know and be able to do, in:
Journal of Research on Computing in
Education, Volume 31, Issue 3, p. 305-365
Schneider, F. (2011): Lernen mit Medien, Bern/Luzern/Zürich 2011
Schnell, R./Hill, P./Esser, E. (1999): Methoden der empirischen
Sozialforschung, München/Wien 1999
Scholl, W./Prasse, D. (2001): Was hemmt und was fördert die
Internetnutzung? Ergebnisse der Evaluation
der Initiative „Schulen ans Netz“: Probleme
und Lösungsmöglichkeiten, in: Computer +
Unterricht, Nr. 41, S. 21-23
Schulz-Zander, R. (2001): Neue Medien als Bestandteil von
Schulentwicklung, in: Aufenanger, S./Schulz-
Zander, R./Spanhel, D. (Hrsg.): Jahrbuch der
Medienpädagogik, S. 263-281, Opladen 2001
Schulz-Zander, R./Eickelmann, B. (2008): Zur Erfassung von
Schulentwicklungsprozessen im Bereich
digitaler Medien: Methodologische Konzeption
einer Fallstudienuntersuchung als
Folgeuntersuchung zur deutschen IEA-Studie
SITES M2, in:
http://www.medienpaed.com/14/schulz-
zander0801.pdf, Stand vom 31.10.2012,
o. O. 2008

Literaturverzeichnis LXIII
Schwier, B. (2008): Lernen mit digitalen Medien an Förderschulen
– Inhaltsanalytische und explorative
Untersuchungen zu Förderschulen mit dem
Schwerpunkt „Lernen“, Berlin 2008
Shiue, Y. M. (2007): Investigating the sources of teachers´
instructional technology use through the
decomposed theory of planned behavior, in:
Journal of Educational Computing Research,
Volume 36, Number 4, p. 425-453
Snoeying, R./Ertmer, P. A. (2001): Thrust in Technology, in: Journal of
Educational Technology Systems, Volume 30,
Number 1, p. 85-111
Staiger, S. (2004): Computerbasierte Lehr-Lern-Arrangements:
didaktische Konzepte und Potenziale
konkretisiert an einem Beispiel für beruflichen
Unterricht, Frankfurt 2004
Sterbinsky, A./Burke, D. (2004): Tennessee EdTech Accountability Model
(TEAM) Reliability Study; Alexandria, VA: The
CNA Corporation, Alexandria 2004
Stratmann, J. (2007): Pädagogischer Mehrwert und
Implementierung von Notebooks an der
Hochschule, Münster 2007
Teo, T. (2009): Modelling technology acceptance in
education: A study of pre-service teachers, in:
Computers & Education, Volume 52, Issue 2,
p. 302-312

Literaturverzeichnis LXIV
Tulodziecki, G. (1999): Kompetenzen, die Studierende der Lehrämter
während der universitären Ausbildung
erwerben sollten, in: Schell, F./Stolzenburg,
E./Theunert, H. (Hrsg.): Medienkompetenz –
Grundlagen und pädagogisches Handeln, S.
297-304, München 1999
Tulodziecki, G./Herzig, B./Grafe, S. (2010): Medienbildung in Schule und
Unterricht – Grundlagen und Beispiele,
Regensburg 2010
Universität Zürich/Schwarz, J. (Hrsg.) (2010a): Deskriptive, univariate Analyse
(Verteilungen), in:
http://www.methodenberatung.uzh.ch/datenan
alyse/deskuniv.html, Stand vom 30.11.2012,
Zürich 2010
Universität Zürich/Schwarz, J. (Hrsg.) (2010b): Reduktion der Variablen, in:
alyse/interdependenz/reduktion.html, Stand
vom 30.11.2012, Zürich 2010
Universität Zürich/Schwarz, J. (Hrsg.) (2010c): Korrelation, in:
alyse/zusammenhaenge/korrelation.html,
Stand vom 30.11.2012, Zürich 2010
Universität Zürich/Schwarz, J. (Hrsg.) (2010d): Mulitple Regressionsanalyse, in:
alyse/zusammenhaenge/mreg.html, Stand
vom 25.11.2012, Zürich 2010

Literaturverzeichnis LXV
Universität Zürich/Schwarz, J. (Hrsg.) (2010e): Zentrale Tendenz, in:
alyse/unterschiede/zentral.html, Stand vom
24.11.2012, Zürich 2010
Universität Zürich/Schwarz, J. (Hrsg.) (2010f): t-Test für unabhängige
Stichproben, in:
alyse/unterschiede/zentral/ttestunabh.html,
Universität Zürich, Schwarz, J. (Hrsg.) (2010g): Einfaktorielle Varianzanalyse,
in:
alyse/unterschiede/zentral/evarianz.html,
Vamatta, R. A./Fordham, N. (2004): Teacher dispositions as predictors of
classroom technology use, in: Journal of
Research on Technology in Education,
Volume 36, Issue 3, p. 253-271
Van Braak, J. (2001): Individual characteristics influencing teachers´
class use of computers, in: Journal of
Educational Computing Research, Volume 25,
Number 2, p. 141-157
Van Braak, J./Tondeur, J./Valcke, M. (2004): Explaining different types of
computer use among primary school
teachers, in: European Journal of Psychology
of Education, Volume 19, Issue 4, p. 407-422
Venezky, R./Davis, C. (2002): Quo vademus? The transformation of
schooling in a networked world, Paris 2002

Literaturverzeichnis LXVI
Vollbrecht, R. (2000): Handlungsorientierte Medienpädagogik:
Medien und soziales Lernen
(Medienpädagogik III, Kurseinheit 1),
Fernuniversität Hagen 2000
Weinreich, F./Schulz-Zander, R. (2000): Schulen am Netz – Ergebnisse der
bundesweiten Evaluation. Ergebnisse der
Befragung der Computerkoordinatoren und –
koordinatorinnen an Schulen, in: Zeitschrift für
Erziehungswissenschaft, 3. Jahrgang (2000),
Heft 4, S. 577-594
Wikipedia (2010): Klumpen-Stichprobe, in:
http://de.wikipedia.org/wiki/Klumpen-
Stichprobe, Stand vom 06.11.2012, o. O.
2010
Wikipedia (2012a): Exogen, in:
http://de.wikipedia.org/wiki/Exogen, Stand
vom 06.11.2012, o. O. 2012
Wikipedia (2012b): Endogen, in:
http://de.wikipedia.org/wiki/Endogen, Stand
vom 06.11.2012, o. O. 2012
Wikipedia (2012c): Medienpädagogik, in:
http://de.wikipedia.org/wiki/Medienp%C3%A4
dagogik, Stand vom 22.10.2012, o. O. 2012
Wikipedia (2012d): Content-Management-System, in:
http://de.wikipedia.org/wiki/Content-
Management-System, Stand vom 31.10.2012,
o. O. 2012

Literaturverzeichnis LXVII
Wikipedia (2012e): Medienkompetenz, in:
http://de.wikipedia.org/wiki/Medienkompetenz,
Stand vom 22.10.2012, o. O. 2012
Wikipedia (2012f): Befragung, in:
http://de.wikipedia.org/wiki/Befragung, Stand
vom 22.11.2012, o. O. 2012
Wikipedia (2012g): Cronbachs Alpha, in:
http://de.wikipedia.org/wiki/Cronbachs_Alpha,
Stand vom 26.11.2012, o. O. 2012
Wikipedia (2012h): Aberdeen College, in:
http://en.wikipedia.org/wiki/Aberdeen_College,
Stand vom 22.10.2012, o. O. 2012
Windschitl, M./Sahl, K. (2002): Tracing Teachers’ use of technology in a
laptop computer school: The interplay of
teacher beliefs, social dynamics and
institutional culture, in: American Education
Research Journal, Volume 39, Issue 1,
p. 165-205
Wozney, L./Venkatesh, V./Abrami, P. C. (2001): TIQ Technology
Implementation Questionnaire, Montreal 2001

Ehrenwörtliche Erklärung LXVIII
Ehrenwörtliche Erklärung
Ich versichere hiermit, dass ich, Carmen Müller, meine Masterarbeit mit dem
Thema „Einflussfaktoren auf die Bereitschaft von Lehrpersonen zur Integration
digitaler Medien in Lehrveranstaltungen – eine empirische Studie“ selbst-
ständig verfasst, keine anderen als die angegebenen Quellen und Hilfsmittel
benutzt habe, die Übernahme wörtlicher Zitate aus der Literatur sowie die
Verwendung der Gedanken anderer Autoren an den entsprechenden Stellen
innerhalb der Arbeit gekennzeichnet habe und dass ich meine Masterarbeit bei
keiner anderen Prüfung vorgelegt habe.
___________________________
Oberstenfeld, den 12.12.2012 Carmen Müller

Masterarbeit

Weitere ähnliche Inhalte

Andere mochten auch

Mehr von Digit Class

Masterarbeit