n Empirische Arbeit Psychologie in Erziehung und Unterricht, 2017, 64, 138 -155 DOI 10.2378/ peu2017.art07d © Ernst Reinhardt Verlag München Basel Profile computerbezogener Anreizfaktoren: Zusammenhänge mit ICT Literacy und sozialen Herkunftsmerkmalen Ergebnisse aus der internationalen Schulleistungsstudie ICILS 2013 Martin Senkbeil Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik, Kiel Zusammenfassung: In diesem Beitrag wird mittels einer latenten Profilanalyse untersucht, ob bei Jugendlichen verschiedene motivationale Typen der Computernutzung ermittelt werden können. Zur Erfassung der Motivationen wurden sechs Skalen computerbezogener Anreizfaktoren auf Grundlage der sozial-kognitiven Theorie der Mediennutzung verwendet. Zur Validierung der Typen wurden Zusammenhänge mit dem Sozialstatus sowie computerbezogenen Fertigkeiten analysiert. Als Datenbasis dienten Jugendliche der achten Klassenstufe (N = 2075), die in der internationalen Vergleichsstudie ICILS (International Computer and Information Literacy Study) 2013 in Deutschland untersucht wurden. Es konnten fünf Typen identifiziert werden: Instrumentalisten, Instrumentalisten & Hedonisten, Vielseitige, sozial-interaktive Hedonisten und Durchschnittliche. Instrumentalisten und Instrumentalisten & Hedonisten einerseits sowie Vielseitige und sozial-interaktive Hedonisten andererseits unterscheiden sich in ihren computerbezogenen Fertigkeiten und ihrem Sozialstatus. Die Durchschnittlichen weisen gemäß ihrer Bezeichnung in den Validierungsvariablen durchschnittliche Werte auf. Schlüsselbegriffe: Computerbezogene Anreizfaktoren, sozial-kognitive Theorie, computerbezogene Wissensbestände und Fertigkeiten, Validität Profiles of Computer-Related Motivations: Relations With ICT Literacy and Socioeconomic Status. Results of the International School Assessment Study ICILS 2013 Summary: In this paper, we inquire whether motivation profiles of computer use can be discerned by using a latent profile analysis. Six scales of computer-related incentives on the basis of the socialcognitive theory of media attendance were used to measure computer motivation. To establish external validity of the types differences among them in computer skills and social status were analyzed. On the basis of data collected among N = 2075 adolescents who took part in ICILS (International Computer and Information Literacy Study) 2013 five types could be identified: instrumental users, instrumental users & hedonists, all-rounders, socially-interactive hedonists, and average users. Instrumental users and instrumental users & hedonists on the one hand, and all-rounders and socially-interactive hedonists on the other hand differ in their computer skills and their social status. The computer skills as well as the social status of the average users were in accordance with their label unobtrusively. Keywords: Computer usage motivations, social-cognitive theory, computer knowledge and skills, validity Profile computerbezogener Anreizfaktoren 139 Ein kompetenter Umgang mit Informations- und Kommunikationstechnologien (Information and Communication Technologies, ICT) ist als fächerübergreifende Schlüsselkompetenz für eine erfolgreiche Teilhabe am privaten, beruflichen und gesellschaftlichen Leben des 21. Jahrhunderts unerlässlich (Educational Testing Service, 2002; Fraillon, Schulz & Ainley, 2013). Da computerbezogene Wissensbestände und Fertigkeiten (ICT Literacy) aufgrund fortwährender technologischer Entwicklungen weitgehend selbstgesteuert über die gesamte Lebensspanne erworben werden müssen (Holt & Brockett, 2012; Zhong, 2011), nehmen computerbezogene Motivationen eine wichtige Rolle ein, da sie Umfang, Art und Qualität der Nutzung wesentlich mitbestimmen können (Senkbeil & Ihme, online first; Zylka, Christoph, Kröhne, Hartig & Goldhammer, 2015). Bei ihrer Erfassung ist zu berücksichtigen, dass Computer und Internet zunehmend mehr Lebensbereiche durchdringen und für eine Vielzahl von Zwecken in verschiedenen Kontexten (z. B. Schule, Beruf, Freizeit) genutzt werden (z. B. Informationssuche, Lernen und Arbeiten, Konsumieren von Videos und Musik, Kommunikation mittels E-Mail oder sozialer Netzwerke; LaRose & Eastin, 2004; van Deursen & van Dijk, 2014). Hieraus resultiert eine hohe Nutzungsdiversität zwischen Personen bzw. Personengruppen (Schulmeister, 2010). Bislang wurde jedoch im Sinne eines personenzentrierten Ansatzes vergleichsweise wenig untersucht, ob sich Subpopulationen mit typischen computerbezogenen Motivations- oder Nutzungsmustern unterscheiden lassen. Da computerbezogene Motivationen für den Erwerb von ICT Literacy relevant (Senkbeil & Ihme, online first; Zylka et al., 2015) sowie von der sozialen Herkunft (van Deursen & van Dijk, 2014) abhängig sind, stellt sich weiterhin die ebenfalls kaum untersuchte Frage, ob sich verschiedene Gruppen in ihrer ICT Literacy und ihren sozialen Herkunftsmerkmalen (Eynon & Malmberg, 2011) unterscheiden. Beiden Fragestellungen wird in der vorliegenden Arbeit nachgegangen. Als Zielpopulation werden in diesem Beitrag Jugendliche anhand der in Deutschland untersuchten Stichprobe der internationalen Vergleichsstudie ICILS (International Computer and Information Literacy Study) 2013 untersucht. Motivationale Faktoren spielen bei dieser Altersgruppe angesichts der Notwendigkeit, sich große Bereiche des Wissens über die gesamte Lebensspanne weitgehend selbstgesteuert und anhand digitaler Medien anzueignen, eine wichtige Rolle (Candy, 2004). In ICILS 2013 werden unter Computern Geräte wie Desktops, Notebooks und Tablets verstanden, sonstige mobile Endgeräte wie z. B. Smartphones wurden hingegen nicht berücksichtigt. Hintergrund Computerbezogene Anreizfaktoren Ein geeignetes Modell zur Erfassung computerbezogener Motivationen stellt das sozial-kognitive Modell der Mediennutzung (Model of media attendance, MMA; LaRose & Eastin, 2004) dar. Im Gegensatz zu gängigen Erwartungs- Wert-Theorien (z. B. Technolog y Acceptance Model; Davis, Bagozzi & Warshaw, 1992), die sich in der Regel auf spezifische Anwendungskontexte wie den Arbeitsplatz beziehen, berücksichtigt das MMA die Vielfalt computerbezogener Anreizfaktoren über alle Lebensbereiche, um das alltägliche Verhalten von Personen mit digitalen Medien besser zu verstehen. Das MMA basiert auf zentralen Annahmen der sozial-kognitiven Theorie (Social Cognitive Theory, SCT) von Bandura (1986). Danach ist eine Handlung - also auch Mediennutzung - auf ihre antizipierten Ergebnisse zurückzuführen (Ergebniserwartungen). Eine Handlung wird dann ausgeführt, wenn sie mit hoher Wahrscheinlichkeit zum erwarteten Ergebnis führt und positive Konsequenzen erwarten lässt. Im MMA werden die Ergebniserwartungen als computerbezogene Anreizfaktoren aufgefasst, d. h., sie stellen motivationale Anreize für medienbezogenes Verhalten dar, um spezifische Bedürfnisse zu befriedigen (LaRose & Eastin, 2004). 140 Martin Senkbeil Gemäß Banduras Systematik motivationaler Verhaltensanreize unterscheidet das MMA in Bezug auf die Internetnutzung sechs Anreizdimensionen: Informationssuche, Unterhaltung, Eskapismus, sozialer Austausch, monetäre Anreize (im Sinne von Zeit- und Geldersparnis beim Finden günstiger Produkte im Internet; Peters, Rickes, Jöckel, van Crigern & van Deursen, 2006) und Motive der Selbstdarstellung (LaRose & Eastin, 2004). Die Anreizfaktoren gelten bei einer Varianzaufklärung von 40 bis 60 % an verschiedenen Verhaltensmaßen (z. B. Dauer, Art der Internetnutzung) als valide Indikatoren des computerbezogenen Nutzungsverhaltens (LaRose & Eastin, 2004). Auf Grundlage des MMA wurde auch ein deutschsprachiger Fragebogen zur Erfassung computerbezogener Anreizfaktoren (FECAF) entwickelt. Dieser liegt bislang in zwei Versionen für verschiedene Altersgruppen (Adoleszente im Alter von ca. 13 - 24 Jahren: FECAF-A, Erwachsene: FECAF-E; Senkbeil & Ihme, accepted, online first) vor. Abweichend vom MMA bezieht sich der FECAF nicht nur auf Internet-, sondern auch auf Desktopanwendungen (z. B. Textverarbeitung, Tabellenkalkulation). Als zusätzliche Anreizdimension wurde der Computer als Lern- und Arbeitswerkzeug aufgenommen (Compeau & Higgins, 1995). Im Gegenzug wurde beim FECAF-A der Anreizfaktor monetäre Aspekte nicht berücksichtigt, da sich dieser empirisch nicht vom Anreiz Informationssuche trennen ließ (r = .97; Peters et al., 2006). Inf 1 Inf 2 L/ A 1 L/ A 2 L/ A 3 Unt 1 Unt 2 Unt 3 Esk 1 Esk 2 Esk 3 SA 1 SA 2 SDM 1 SDM 2 Inf L / A Unt Esk SA SDM Instrumentelle Motivation Hedonistische Motivation Sozial-interaktive Motivation Abb. 1: Faktorenmodell des Fragebogens zur Erfassung computerbezogener Anreizfaktoren bei Adoleszenten (FECAF-A). Anmerkungen: Inf = Informationssuche; L/ A = Lern- und Arbeitswerkzeug; Unt = Unterhaltung; Esk = Eskapismus; SA = Sozialer Austausch; SDM = Motive der Selbstdarstellung. Profile computerbezogener Anreizfaktoren 141 Die Anreizfaktoren werden häufig je nach Altersgruppe zu zwei bis drei Basisdimensionen zusammengefasst (Eastin, 2005; Kalmus, Realo & Siibak, 2011). Beim FECAF-A werden anhand konfirmatorischer Faktorenanalysen drei übergeordnete Motivfaktoren zweiter Ordnung differenziert: eine instrumentelle, eine hedonistische sowie eine auf soziale Interaktionen ausgerichtete Motivdimension (Senkbeil & Ihme, accepted; siehe auch Abb. 1). Instrumentelle Motive (Informationssuche, Lern- und Arbeitswerkzeug) beziehen sich auf zweckorientierte, vor allem bildungs- und informationsbezogene Handlungen (z. B. Informationssuche zur Erledigung von Hausaufgaben). Hedonistische Motive (Unterhaltung, Eskapismus) sind in der Regel nicht auf spezifische Medieninhalte ausgerichtet, sondern dienen dem Zeitvertreib oder sind mit Vergnügen an der Tätigkeit selbst assoziiert (Metzger & Flanagin, 2002). Sozial-interaktive Motive (sozialer Austausch, Selbstdarstellung) dienen dem Austausch mit realen oder virtuellen Freunden, der Suche nach sozialer Anerkennung sowie der Selbstdarstellung im Zuge der Identitätsentwicklung (Krämer & Winter, 2008). Instrumentell und hedonistisch bzw. sozialinteraktiv motivierte Handlungen unterscheiden sich im kognitiven Involvement, d. h. in kognitiven Prozessen bei der Aufnahme und Verarbeitung kommunikativer Botschaften. Eine instrumentelle Mediennutzung geht mit vergleichsweise hohem Involvement einher, indem Informationen kognitiv aufwendig und tief verarbeitet werden und für die Bewertung der Informationen auf vorhandenes Wissen zurückgegriffen wird. Eine hedonistische bzw. sozialinteraktive Mediennutzung erfolgt hingegen eher passiv, mit vergleichsweise geringem kognitiven Aufwand und dient der Emotionsregulation, z. B. der Stimmungsaufhellung (z. B. Metzger & Flanagin, 2002). Computerbezogene Anreizfaktoren, ICT Literacy und Sozialstatus Trotz der großen Bedeutung, die computerbezogenen Motivationen für den Erwerb von ICT Literacy beigemessen wird (Senkbeil & Ihme, accepted; Zylka et al., 2015), sind empirische Studien hierzu rar. Dies gilt auch für den Zusammenhang von computerbezogenen Motivationen mit sozialen Herkunftsmerkmalen (Vekiri, 2010). Soweit Ergebnisse vorliegen, weisen sie auf plausible Zusammenhänge hin. Unter ICT Literacy werden neueren Konzeptionen zufolge vornehmlich funktionale, d. h. von den Anforderungen der Lebens- und Arbeitswelt ausgehende Wissensbestände und Fertigkeiten (z. B. persönlich oder schulisch relevante Informationen ermitteln und bewerten; Fraillon et al., 2013), verstanden. Entsprechend korreliert ICT Literacy positiv mit instrumentellen Motivationen (z. B. Lernen und Arbeiten) und nicht oder sogar negativ mit hedonistischen und sozial-interaktiven Motivationen (Senkbeil & Ihme, online first; Senkbeil, Ihme & Wittwer, 2013). Positive Zusammenhänge mit ICT Literacy finden sich auch bei Zylka et al. (2015) für das Interesse von Jugendlichen, instrumentelle Tätigkeiten (z. B. Hausaufgaben erledigen) mithilfe des Computers durchzuführen. Die soziale Herkunft von Schülerinnen und Schülern nimmt eine zentrale Rolle bei der Kompetenzentwicklung ein und wird in der empirischen Bildungsforschung als mehrdimensionales Konzept verstanden, das neben der sozioökonomischen Stellung das kulturelle und soziale Kapital in der Familie berücksichtigt (z. B. Müller & Ehmke, 2013). Zahlreiche Studien im Rahmen der Digital divide-Forschung belegen, dass sich Ungleichheiten in sozialen Herkunftsmerkmalen auch im Kontext der (kompetenten) Nutzung von digitalen Medien zeigen (z. B. Warschauer & Matuchniak, 2010). So nutzen Adoleszente mit höherem Sozialstatus digitale Medien in stärkerem Maße für instrumentelle Zwecke als Adoleszente mit geringem Sozialstatus. Diese präferieren hedonistische und sozial-interaktive Anwendungsmöglichkeiten (Hargittai, 2010). Zur Erklärung sozial bedingter Unterschiede in der (computerbezogenen) Motivation wird die Funktion des kulturellen Kapitals betont, wonach computerbezogene Motivationen (als individuelle Orientierungen im Sinne des Bourdieu’schen Habitus) vor- 142 Martin Senkbeil nehmlich eine Funktion der kulturellen Ressourcen und Praxis in der Familie darstellen (Hollingworth, Mansaray, Allen & Rose, 2011; Hsieh, Rai & Keil, 2011; Steinmayr, Dinger & Spinath, 2012). Beispielsweise können Eltern mit hohem Bildungsniveau ihre Kinder besser mit kulturellen Gütern (z. B. Museumsbesuche, Bücher) ausstatten oder besser beim Erwerb grundlegender Computerkenntnisse unterstützen als Eltern mit geringem Bildungsniveau (Hollingworth et al., 2011; Steinmayr et al., 2012). Das kulturelle Kapital - als kumulierte Summe bildungsbezogener Sozialisationserfahrungen und Erziehungsmaßnahmen - liefert somit im Hinblick auf die Nutzung digitaler Medien Hinweise, inwieweit sich Personen im Laufe ihrer kulturellen Sozialisation (z. B. vermittelt über die Familie) eher instrumentell oder eher hedonistisch orientierte Nutzungsweisen angeeignet haben. Das elterliche Bildungsniveau fungiert als direkter Indikator für das kulturelle Kapital in der Familie (vgl. Hollingworth et al., 2011). Digital natives versus personenzentrierte Ansätze zur Untersuchung computerbezogener Motivationen und Nutzungsweisen Nach 1980 Geborene werden vielfach als Digital natives bezeichnet, da sie im Gegensatz zu älteren Kohorten mit der Computertechnologie aufgewachsen und mit dieser seit früher Kindheit vertraut sind. Ihnen wird im Sinne einer homogenen Population eine vielseitige, intensive anspruchsvolle und kompetente Nutzung digitaler Medien mit einer aktiven Lernhaltung unterstellt (Prensky, 2001). Diese Annahme steht im Widerspruch zu Ergebnissen einer Reihe von Studien, die zur Überprüfung des Digital Natives-Postulats u. a. personenzentrierte Verfahren (z. B. Clusteranalyse) einsetzten. In zwei Studien, in denen die Computernutzung von Adoleszenten mittels Clusteranalysen untersucht wurde, entspricht nur die jeweils kleinste Gruppe (mit einem Anteil von jeweils 14 %) in etwa dem postulierten Nutzungsprofil, d. h., digitale Medien werden sehr häufig und mit einer hohen Anwendungsbreite eingesetzt (Eynon & Malmberg, 2011; Kennedy, Judd, Dalgarno & Waycott, 2010). Die übrigen Gruppen nutzen digitale Medien erheblich seltener und für vergleichsweise wenige Anwendungen, vornehmlich zum sozialen Austausch und zur Informationssuche. Einen umfangreichen Überblick über computerbezogene Motivations- und Nutzungstypen bietet ein Review von Brandtzaeg (2010). Dieser fasst die Ergebnisse von 18 typologischen Studien zu einer übergeordneten Nutzertypologie (Media-User Typologie, MUT) zusammen. Trotz sehr heterogener Datengrundlage hinsichtlich einer Vielzahl von Merkmalen (z. B. Methode, Altersstufen, Art der berücksichtigten Medien; siehe Brandtzaeg, 2010) werden acht übergeordnete Nutzungstypen differenziert. Da zwei der acht Typen spezifische Profile in Bezug auf soziale Netzwerke repräsentieren, sind die nachfolgend beschriebenen sechs Profile der MUT relevant für die vorliegende Untersuchung: - Vielseitige: Dieser Typus zeichnet sich durch die häufige Nutzung einer Vielzahl von Anwendungen aus, z. B. das Erstellen und Bearbeiten von Webseiten, Programmieren, Einkaufen, Spielen oder das Ansehen von Videos. - Instrumentalisten: Diese Gruppe verwendet digitale Medien vornehmlich unter Nützlichkeitsaspekten, d. h. überwiegend informations- und bildungsbezogen. Unterhaltungsorientierte Angebote werden nur selten wahrgenommen. - Hedonisten: Diese Gruppe nutzt digitale Medien vorwiegend zum Spielen und Einkaufen. Sie zeichnet sich durch einen passiven Konsum von Unterhaltungsangeboten (z. B. Ansehen oder Downloaden von Videos) aus. - Sozial-interaktive Nutzer: Dieser Typus verwendet das Internet vornehmlich zum sozialen Austausch (z. B. soziale Netzwerke, Chats). Die Nutzung erfolgt weitgehend spontan, wenig organisiert und wenig zweckgerichtet. Profile computerbezogener Anreizfaktoren 143 - Sporadische: Diese Gruppe nutzt digitale Medien selten, vornehmlich für private Zwecke. Sie verfügt über geringe Erfahrungen mit digitalen Medien und hat wenig Interesse an diesen. - Nicht-Nutzer: Digitale Medien (z. B. Computer, Internet) werden gar nicht genutzt. Kritisch anzumerken ist, dass den meisten der hier erwähnten typologischen Ansätzen kein oder bestenfalls ein vages theoretisches Modell der Computermotivation oder -nutzung zugrunde liegt (Brandtzaeg, 2010). Die inhaltliche Validität der beschriebenen Typologien ist z. B. angesichts der Gefahr, dass relevante Teilkonstrukte nicht berücksichtigt werden, somit unklar. Darüber hinaus fehlt es bislang an externen Validierungen, d. h. der theoriegeleiteten Prüfung von Unterschieden zwischen den vermuteten Typen in relevanten Merkmalen, z. B. ICT Literacy (Brandtzaeg, 2010; Eynon & Malmberg, 2011). Gleichwohl ist zusammenfassend davon auszugehen, dass sich verschiedene Subpopulationen mit spezifischen computerbezogenen Motivations- oder Nutzungsprofilen identifizieren lassen. Dabei liefern die MUT und die erwähnten Studien einen nützlichen Referenzrahmen für Überlegungen über zu erwartende computerbezogene Motivations- und Nutzungstypen. Forschungsfragen und Hypothesen Da für Personen je nach Kontext (z. B. Beruf, Freizeit) verschiedene computerbezogene Anreizfaktoren (z. B. Informationssuche, Unterhaltung) verhaltenswirksam werden, können für spezifische Subgruppen unterschiedliche Kombinationen von Anreizen vermutet werden. Für die vorliegende Untersuchung wird daher ein personenzentrierter Ansatz gewählt, der in letzter Zeit in der empirischen Forschung an Bedeutung gewonnen hat (von Eye & Bogat, 2006). Unter der Annahme verschiedener Subpopulationen mit spezifischen Motivationsprofilen sollten sich zwischen diesen Unterschiede in relevanten Merkmalen zeigen, die zur externen Validierung der ermittelten Typologie herangezogen werden (von Eye & Bogat, 2006). In dieser Arbeit werden soziale Herkunftsmerkmale (sozioökonomischer Status, Bildungsniveau, kulturelles Kapital) und ICT Literacy berücksichtigt. Folgende Fragestellungen und Annahmen werden untersucht: 1. Lassen sich verschiedene Subgruppen mit spezifischen computerbezogenen Motivationsprofilen identifizieren? Hypothese 1 (H1): Anknüpfend an die übergeordneten Motivfaktoren des FECAF-A und die MUT wird erwartet, dass sich die drei Subgruppen der Instrumentalisten, Hedonisten und Sozial-Interaktiven identifizieren lassen. Aufgrund der ubiquitären Nutzung digitaler Medien von Jugendlichen (Medienpädagogischer Forschungsverbund Südwest [MPFS], 2015) wird als vierte Subgruppe die der Vielseitigen vermutet, die sowohl an instrumentellen, hedonistischen als auch sozial-interaktiven Computeraktivitäten hohes Interesse haben. Darüber hinaus ist das Auftreten von Mischformen nicht auszuschließen (vgl. Brandtzaeg, 2010). Beispielsweise ist ein kombinierter Typus aus Hedonisten und Sozial-interaktiven denkbar, da hedonistische und sozial-interaktive Anreizfaktoren stark miteinander zusammenhängen (Peters et al., 2006). Die in der MUT identifizierten Profile der Sporadischen und Nicht-Nutzer werden nicht erwartet. Für die Charakterisierung der Subgruppen wird zusätzlich das Geschlecht als Kovariate berücksichtigt. 2. Unterscheiden sich die ermittelten Motivationstypen in sozialen Herkunftsmerkmalen? Hypothese 2 (H2): Unter Berücksichtigung unterschiedlicher Medienorientierungen in Abhängigkeit vom Sozialstatus sollten - in Bezug auf die erwartete Typologie - Vielseitige und Instrumentalisten, die vergleichsweise stark an bildungs- und informationsbezogenen Com- 144 Martin Senkbeil puteraktivitäten motiviert sind, ein höheres Bildungsniveau (H2 a), einen höheren sozioökonomischen Status (H2 b) und ein höheres kulturelles Kapital (H2 c) aufweisen als Hedonisten und Sozial-Interaktive. Den erwähnten theoretischen Überlegungen zufolge sollten die Unterschiede für das kulturelle Kapital am höchsten ausfallen. 3. Unterscheiden sich die ermittelten Motivationstypen in der ICT Literacy? Hypothese 3 (H3): Der in ICILS 2013 eingesetzte Test basiert auf einem funktionalen Literacy- Konzept und untersucht von den Anforderungen der Lebens- und Arbeitswelt ausgehende Wissensbestände und Fertigkeiten (z. B. effiziente Informationssuche; Fraillon et al., 2013). Daher wird für die Vielseitigen und Instrumentalisten aufgrund der vergleichsweise hohen Bedeutung, die eine bildungs- und informationsbezogene Nutzung digitaler Medien für sie hat, eine höhere ICT Literacy vermutet als für die anderen beiden Gruppen. Methode Stichprobe Die Datengrundlage für den vorliegenden Beitrag liefert die internationale Vergleichsstudie ICILS 2013. In dieser wurde ICT Literacy von Jugendlichen der achten Klassenstufe an repräsentativen Stichproben in 21 Ländern erhoben (Fraillon, Ainley, Schulz, Friedman & Gebhardt, 2014). Für die Prüfung der Fragestellungen wird die in Deutschland getestete Stichprobe berücksichtigt. Von der Gesamtstichprobe (N = 2225) ausgeschlossen wurden aufgrund ihrer geringen Fallzahl diejenigen Jugendlichen, die eine Förderschule besuchen (n = 31), sowie die Jugendlichen, die aus Designgründen keine Fragebogendaten lieferten (n = 119). Von den verbleibenden 2075 Schülerinnen und Schülern (49,4 % weiblich) besuchten 41,3 % ein Gymnasium. Die in Deutschland untersuchte Stichprobe bearbeitete im Rahmen einer nationalen Ergänzung zu ICILS 2013 u. a. Skalen zu computerbezogenen Anreizfaktoren (FECAF-A). Die Bearbeitungszeit umfasste insgesamt drei Stunden. Instrumente Die computerbezogenen Anreizfaktoren (Fragestellung 1) wurden anhand des FECAF-A (Senkbeil & Ihme, accepted) erhoben. Der FECAF-A umfasst 15 Items, jeder der sechs Anreizfaktoren wird durch 2 oder 3 Items erfasst (siehe Tab. 2 für Skalenkennwerte und Beispielitems). Anhand eines vierstufigen Antwortformats (von 1 = unwichtig bis 4 = wichtig) wurde die Wertigkeit des jeweiligen Anreizes erfasst (Frage: Wie wichtig sind die folgenden Gründe und Anlässe dafür, dass du Computer und Internet nutzt? ). Zur Erfassung der sozialen Herkunftsmerkmale (Fragestellung 2) wurden im Schülerfragebogen von ICILS 2013 verschiedene Indikatoren eingesetzt, die sich in der empirischen Bildungsforschung im Hinblick auf die Analyse sozialer Ungleichheiten bewährt haben (vgl. Wendt, Vennemann, Schwippert & Drossel, 2014). Der sozioökonomische Status wurde über den höchsten ausgeübten Beruf der Eltern erfasst und anhand des Highest International Socio-Economic Index (HISEI; Ganzebooom, de Graaf, Treiman & de Leeuw, 1992) abgebildet. Das Bildungsniveau - als direkter Indikator des kulturellen Kapitals (Wendt et al., 2014) - wurde über den höchsten Schul- und Ausbildungsabschluss in der Familie erhoben. Diese Angaben wurden anhand der International Standard Classification of Education (ISCED) kodiert und anhand des PARED (parental education in years; Organisation for Economic Co-operation and Development, 2014) in Bildungsjahre umgerechnet. Als Indikator für das kulturelle Kapital diente die Anzahl der Bücher im Haushalt anhand einer fünfstufigen Rating-Skala (von 0 bis 10 Bücher bis mehr als 200 Bücher). Der Buchbesitz im Elternhaus hat sich in der empirischen Bildungsforschung als valide Messvariable für kulturelle Ressourcen etabliert (Bourdieu & Thompson, 1991). Die ICT Literacy (Hypothese 3) wurde anhand des international eingesetzten Kompetenztests in ICILS 2013 erfasst, der auf einem funktionalen Literacy-Konzept basiert (für Details siehe Fraillon et al., 2013). Hierbei sind am Computer neben prozeduralen Basisfertigkeiten (z. B. Öffnen eines Internet-Browsers, Speichern einer Datei) alltägliche Problemstellungen anhand interaktiver und in der Regel mehrschrittiger Simulationsaufgaben (z. B. Erstellen und Bearbeiten von Informationsprodukten wie eine Präsentation; Informationen wie eine Tabelle in ein anderes Repräsentationsformat, z. B. ein Profile computerbezogener Anreizfaktoren 145 Diagramm, transformieren) zu bearbeiten. Der Test umfasste insgesamt 62 Items, wobei jeder Jugendliche in einem vollständig ausbalancierten Multi- Matrix-Design zwei von insgesamt vier Modulen bearbeitete. Als Skalenwerte wurden mittels der Item Response Theory fünf Plausible Values berechnet, die auf die in internationalen Vergleichsstudien übliche Metrik (M = 500, SD = 100) transformiert wurden (EAP/ PV-Reliabilität = .89). Der Mittelwert für Deutschland betrug 523 Punkte (Fraillon et al., 2014). Statistisches Vorgehen Alle nachfolgend erwähnten Analysen erfolgten mittels des Programmpakets Mplus 7 (Muthén & Muthén, 2015). Vorab wurde die postulierte Faktorenstruktur des FECAF-A anhand konfirmatorischer Faktorenanalysen (CFA) unter Verwendung von MLR-Schätzungen geprüft 1 . Zur Beurteilung der Modellgüte und zum Modellvergleich wurden übliche Fitstatistiken (Comparative Fit Index [CFI], Root Mean Square Error of Approximation [RMSEA]) herangezogen. Die Beantwortung der ersten Fragestellung erfolgte auf Grundlage der sechs computerbezogenen Anreizfaktoren anhand einer latenten Profilanalyse (Latent Profile Analysis, LPA; Vermunt & Magidson, 2002). Die LPA gehört zu den Mischverteilungsmodellen. Bei diesen wird keine homogene Population vorausgesetzt, sondern es werden latente Klassen mit spezifischen Verteilungsparametern angenommen. Die Zugehörigkeit einer Person zu einer latenten Klasse ist probabilistisch, d. h., es wird die Wahrscheinlichkeit berechnet, mit der sie einer bestimmten Klasse angehört. Für die Festlegung der optimalen Klassenanzahl werden mehrere Klassenlösungen hinsichtlich verschiedener Fitindizes miteinander verglichen und folgende Kriterien herangezogen (vgl. Marsh, Lüdtke, Trautwein & Morin, 2009): Erstens wurde anhand des Lo-Mendell-Rubin-Likelihood- Ratio-Test (LMRT; Lo, Mendell & Rubin, 2001) überprüft, ob ein Modell mit k-Klassen eine signifikant bessere Anpassungsgüte zeigt als ein Modell mit k-1-Klassen. Zweitens wurden die verschiedenen Klassenlösungen anhand dreier informationstheoretischer Maße miteinander verglichen. Hierbei gilt, dass das Modell mit einem jeweils niedrigeren AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion) und SABIC (Sample-Size Adjusted BIC) bevorzugt wird. Nach Nylund, Asparouhov und Muthén (2007) ist der BIC zum Vergleich der Modelle besonders empfehlenswert, da dieser im Vergleich zu den anderen IC die korrekte Klassenanzahl am besten identifiziert. Drittens wurde die inhaltliche Interpretierbarkeit vor dem Hintergrund der theoretisch erwarteten Typen als Entscheidungskriterium für die Festlegung der Klassen berücksichtigt. Zusätzlich wurde die mittlere Zuordnungswahrscheinlichkeit (T) als Maß für die Zuverlässigkeit der Klassifikation betrachtet, die für jede Klasse möglichst .80, mindestens aber .70 überschreiten sollte (Geiser, 2010). Im Sinne der theoretischen Sparsamkeit und besseren Interpretierbarkeit sind Modelle mit weniger Klassen zu bevorzugen, die jeweils eine relative Klassengröße von mindestens 5 % aufweisen sollten (Marsh et al., 2009). Eine diskriminanzanalytische Evaluation der ermittelten Klassenlösung wurde mit SPSS durchgeführt. Die weiteren Analysen (Fragestellungen 2 und 3) erfolgten mittels einfaktorieller Varianzanalysen (VA). Mplus ermöglicht anhand implementierter Schätzverfahren Vergleiche mit externen Variablen, ohne dass die Personen in einem fehlerbehafteten Zwischenschritt einer der latenten Klassen zugeordnet werden müssen. Mittelwertvergleiche zwischen jeweils zwei Klassen erfolgten anhand des Waldχ 2 - Tests. In der vorliegenden Untersuchung wurde der BCH Approach (Bakk & Vermunt, 2016) angewendet, da dieser auch dann unverzerrte Schätzungen liefert, wenn die Varianzen der externen Variablen zwischen den Klassen differieren. Da Mplus keine Standardabweichungen für die externen Variablen ausgibt, wurden diese zusätzlich z-standardisiert und für diese Mittelwertdifferenzen zwischen den Klassen gebildet, um approximierte Effektstärken (d‘ ; in Anlehnung an Cohen, 1988) berechnen zu können. Alle Analysen (CFA, LPA, VA) wurden unter Berücksichtigung der Mehrebenenstruktur der Daten in ICILS 2013 (Analyseoption „Type = Complex“) durchgeführt. Für fehlende Werte, die nur in geringem Umfang auftraten (maximal 4 % pro Variable), wurden mittels Full-Information-Maximum-Likelihood-Verfahren auf Basis der beobachteten Kovarianzmatrizen Modellparameter geschätzt und bei den Modellanalysen berücksichtigt. 1 Obgleich es sich bei den FECAF-A-Items streng genommen um ordinale Variablen handelt, führt die Nutzung von ML-Schätzern bei vierkategorialen Daten zu akzeptablen Ergebnissen und ist daher gerechtfertigt (Rhemtulla, Brosseau-Liard & Savalei, 2012; vgl. auch Senkbeil & Ihme, online first). Aufgrund der Nicht-Normalverteiltheit der Variablen wird der MLR-Schätzer verwendet. 146 Martin Senkbeil Ergebnisse Faktorielle Struktur des FECAF-A Da der FECAF-A bislang nur bei jungen Erwachsenen eingesetzt wurde (Senkbeil & Ihme, accepted), wurde die Faktorenstruktur mittels CFAs für verschiedene Modelle überprüft. Hierbei wurden (a) ein Generalfaktormodell (alle Items laden auf einem g-Faktor), (b) ein Drei- Faktoren-Modell erster Ordnung (drei Motivfaktoren mit den korrespondierenden Items als Indikatoren), (c) ein Sechs-Faktoren-Modell erster Ordnung (sechs Anreizfaktoren mit den korrespondierenden Items als Indikatoren) sowie (d) ein Drei-Faktoren-Modell zweiter Ordnung (drei Motivfaktoren) mit den entsprechenden Faktoren erster Ordnung (sechs Anreizfaktoren), die auf dem Faktor zweiter Ordnung laden (siehe Abb. 1), miteinander verglichen. Die in Tabelle 1 angegebenen Güteindizes zeigen, dass gemäß den theoretischen Überlegungen sowohl das Sechs-Faktoren-Modell erster Ordnung als auch das Drei-Faktoren-Modell zweiter Ordnung bei nahezu identischen Fitindizes eine gute Passung an die Daten aufwiesen. Das Generalfaktormodell und das Drei-Faktoren-Modell erster Ordnung waren hingegen nicht mit den Daten vereinbar. Für die weiteren Analysen wurden auf der Grundlage des Sechs- Faktoren-Modells die jeweils zu einem Anreizfaktor gehörenden Items über Mittelwertbildung zu sechs Skalen zusammengefasst, welche die Grundlage für die LPA bilden. Die Kennwerte (siehe Tab. 2) wiesen für die meisten Skalen auf zufriedenstellende bis gute interne Konsistenzen hin, sind für Informationssuche und Unterhaltung jedoch nur ausreichend. Erwartungsgemäß korrelierten die hedonistischen und sozial-interaktiven Anreizfaktoren jeweils substanziell untereinander (.38 ≤ r ≤ .69, alle ps < .001), aber nur schwach mit den instrumentellen Anreizfaktoren (-.07 ≤ r ≤ -.16, alle ps < .05). Motivationale Typen der Computernutzung Zur Überprüfung der ersten Fragestellung wurde eine LPA durchgeführt. Es wurden Modelle mit zwei bis acht Klassen berechnet. Mit zunehmender Anzahl der Klassen verringerten sich die AIC-, BIC- und SABIC-Werte kontinuierlich (siehe Tab. 3), was durch die vergleichsweise große Stichprobe und die Stichprobenabhängigkeit der informationstheoretischen Maße zu erklären ist. Die informationstheoretischen Maße eigneten sich hier daher nicht für die Festlegung der Klassenanzahl (Marsh et al., 2009). Die Werte des LMRT wiesen auf eine 4-Klassenlösung hin, da sich für die Modelle mit fünf oder mehr Klassen keine signifikant bessere Anpassungsgüte mehr ermitteln ließ. Die mittlere Zuordnungswahrscheinlichkeit für die 4-Klassenlösung war mit T = .81 über alle Klassen befriedigend (Klasse [K] 1: .87; K 2: .73; K 3: .79; K 4: .88). Trotz der leichten Präferenz des LMRT für eine 4-Klassenlösung lieferten die statistischen Güteindizes insgesamt keine konsistenten Ergebnisse. Daher wurde gemäß der Empfehlung von Marsh et al. (2009) zusätzlich betrachtet, wie gut die Klassen nicht nur quantitative Niveauunterschiede, sondern auch qualitative Unterschiede in den Profilverläufen widerspiegeln. Unter Berücksichtigung sowohl statistischer Güteindizes als auch inhaltlicher Kriterien (Interpretierbarkeit, qualitative Unterschiede in den Modell χ 2 df p CFI RMSEA Generalfaktormodell (g) Drei-Faktoren-Modell erster Ordnung Sechs-Faktoren-Modell Drei-Faktoren-Modell zweiter Ordnung 6049.35 1370.49 330.49 334.91 90 87 75 81 < .001 < .001 < .001 < .001 .351 .860 .972 .972 .179 .084 .041 .039 Tab. 1: Güteindizes der CFA zur Faktorenstruktur des FECAF-A Anmerkungen: CFI = Comparative Fit Index; RMSEA = Root Mean Square Error of Approximation. Profile computerbezogener Anreizfaktoren 147 Interkorrelationen Beispielitem Skala M SD α 2 3 4 5 6 7 8 9 10 Ich nutze Computer und Internet, … 1 Informationssuche 3.07 0.68 .62 .65*** -.09* -.10** -.07* -.08* .05 .05 .13*** .12** … um Informationen zu bestimmten Themen zu suchen. 2 Lern-/ Arbeitswerkzeug 2.92 0.71 .77 -.15*** -.16*** -.08** -.10** .06* .05 .13*** .14*** … um Aufgaben für die Schule (z. B. Referate) vorzubereiten (z. B. mit Präsentationsprogrammen, Textverarbeitung). 3 Unterhaltung 2.74 0.75 .61 .69*** .38*** .39*** -.03 -.04 -.13*** -.03 … um mir Filme oder Videos anzusehen. 4 Eskapismus 2.91 0.81 .79 .39*** .48*** -.11*** -.12*** -.21*** -.14*** … wenn ich Langeweile habe. 5 Sozialer Austausch 2.08 0.92 .92 .61*** -.14*** -.12*** -.17*** -.21*** … damit ich über das Internet neue Leute kennenlernen kann. 6 Selbstdarstellungsmotiv 2.44 0.90 .77 -.13*** -.10*** -.21*** -.14*** … damit ich mich im Internet zeigen kann, wie ich bin (z. B. bei sozialen Netzwerken wie Facebook). 7 Sozioökonomischer Status 48.22 15.62 .55*** .42*** .28*** 8 Bildungsniveau (in Jahren) 12.77 3.25 .39*** .27*** 9 Kulturelles Kapital 3.50 1.22 .38*** 10 ICT Literacy 531.01 66.11 .89 + Tab. 2: Kennwerte (Mittelwert, Standardabweichung, interne Konsistenz) der sechs Motivationsskalen und der Validierungsvariablen, Skaleninterkorrelationen und Beispielitems (Motivationsskalen) Anmerkungen: α = Cronbachs α (interne Konsistenz); N Items = Anzahl der Items; + = EAP-/ PV-Reliabilität. * p < .05. ** p < .01. *** p < .001. 148 Martin Senkbeil Profilen) wurde demnach die 5-Klassenlösung favorisiert: Im Vergleich zur 4-Klassenlösung brachte diese einen neuen und zudem theoretisch erwartbaren Motivationstypus (sozial-interaktive Hedonisten) hervor. Die übrigen Klassen waren in ihrer inhaltlichen Interpretation und in ihren Profilverläufen über beide Klassenlösungen (4 und 5 Klassen) stabil. Die mittlere Zuordnungswahrscheinlichkeit über alle Klassen war mit T = .78 geringfügig niedriger, aber immer noch zufriedenstellend (K 1: .85; K 2: .73; K 3: .85; K 4: .75; K 5: .75). Die Modelle mit sechs und mehr Klassen beinhalteten entweder keine qualitativ neuen Profilverläufe (Replikation bereits ermittelter Profile auf anderem Mittelwertniveau) oder die Klassen waren nicht sinnvoll interpretierbar bzw. mit einem Anteil < 5 % sehr klein. Da die statistischen Güteindizes für die 5-Klassenlösung nur marginal schlechter ausfielen als für das 4-Klassenmodell, wurde dem Kriterium der inhaltlichen Interpretierbarkeit folgend die 5-Klassenlösung für die weiteren Analysen zugrunde gelegt. In Tabelle 4 sind die prozentualen Anteile und Mittelwerte der einzelnen Profile für die 5-Klassenlösung wiedergegeben. Die diskriminanzanalytische Klassifikation der Jugendlichen zur Überprüfung der 5-Klassenlösung erfolgte anhand der Klassifikation mit Fallauslassung (Leave-one-out-Kreuzvalidierung). Hierbei wird aus dem Datensatz jeweils ein Fall isoliert und mit den übrigen Fällen eine Diskriminanzanalyse berechnet (Bortz, 2005). Die Analyse ergab vier signifikante Diskriminanzfunktionen (Wilks λ : .074; .350; .644; .949), durch die 95,3 % der ursprünglich und 94,6 % der kreuzvalidierten gruppierten Fälle den Klassen korrekt zugeordnet werden konnten. Die fünf Motivationstypen der Computernutzung bei Jugendlichen werden nachfolgend charakterisiert (siehe auch Abb. 2). Da sich für das Geschlecht signifikante Unterschiede zwischen den fünf Klassen ergaben, χ 2 (4, N = 2074) = 165.83, p < .001, werden die Geschlechteranteile bei der Beschreibung der Typen berücksichtigt (siehe Tab. 4). k N fp AIC BIC SABIC pLMRT T N k < 1 % N k < 5 % 1 2 3 4 5 6 7 8 12 19 26 33 40 47 54 61 29417.99 28108.18 27768.33 27558.11 27394.22 27259.17 27148.45 27071.05 29536.65 28296.06 28025.42 27884.42 27789.75 27723.92 27682.42 27675.13 29460.42 28175.37 27860.26 27674.79 27535.66 27425.36 27339.39 27287.65 .000 .001 .007 .408 .285 .326 .385 .90 .84 .81 .78 .77 .82 .78 0 0 0 0 0 0 0 0 0 0 0 1 0 1 Tab. 3: Indizes für die verschiedenen Klassenlösungen der latenten Profilanalyse Anmerkungen: k = Anzahl latenter Klassen; N fp = Anzahl freier Parameter im Modell; AIC = Akaike Information Criterion; BIC = Bayesian Information Criterion; SABIC = Sample Size Adjusted BIC; p LMRT = p -Wert des Lo-Mendell-Rubin- Tests; T = mittlere Zuordnungswahrscheinlichkeit. Typus % (Gesamt) % (Mädchen) Inf L / A Unt Esk SA SDM Typ 1 Typ 2 Typ 3 Typ 4 Typ 5 16,8 15,8 24,1 33,5 9,8 40,9 23,2 65,5 63,0 32,6 3.10 3.26 3.13 3.13 2.13 2.85 3.06 3.06 3.06 2.00 3.31 3.22 2.16 2.53 2.98 3.65 3.46 2.14 2.71 3.33 3.50 1.71 1.33 2.30 2.06 3.34 2.29 1.68 2.69 2.65 Tab. 4: Prozentuale Anteile an der Gesamtstichprobe sowie der Mädchen beim jeweiligen Typus und Mittelwerte der Anreizfaktoren für die 6-Klassenlösung Anmerkungen: Inf = Informationssuche; L / A = Lern- und Arbeitswerkzeug; Unt = Unterhaltung; Esk = Eskapismus; SA = Sozialer Austausch; SDM = Motive der Selbstdarstellung. Profile computerbezogener Anreizfaktoren 149 Typ 1 - Vielseitige: Dieser Typus umfasst einen Anteil von 17 % der untersuchten Jugendlichen und besteht zu 59 % aus Jungen. Diese Jugendlichen sind vielfältig an digitalen Medien interessiert und messen allen Anreizfaktoren eine hohe Wertigkeit bei. Das Anreizprofil ist auf hohem Niveau relativ homogen, es zeigen sich aber Präferenzen für hedonistische und sozialinteraktive Anreize. Insbesondere sozial-interaktive Anreize sind für diesen Typus von erheblich höherer Bedeutung als für die anderen Gruppen. Typ 2 - Instrumentalisten & Hedonisten: Diese Gruppe, die 16 % umfasst (Jungenanteil: 77 %), misst sowohl instrumentellen als auch hedonistischen Anreizfaktoren eine gleichermaßen hohe Bedeutung zu. Digitale Medien werden demnach sowohl instrumentell (Lernen, Informationssuche) als auch hedonistisch (Unterhaltung, Eskapismus) eingesetzt. Sozial-interaktive Anreize spielen nur eine untergeordnete Rolle. Typ 3 - Instrumentalisten: Diese Gruppe weist als zweitgrößte Gruppe mit einem Anteil von 24 % ein Motivationsprofil auf, das eindeutig instrumentelle Anreize präferiert und diese als persönlich wichtig einschätzt. Während hedonistische Anreize für sie zumindest eine gewisse Bedeutung haben, spielen sozial-interaktive Motive für ihre Computer- und Internetnutzung so gut wie gar keine Rolle. Hedonistische und sozial-interaktive Anreize werden auch im Vergleich mit den anderen Typen mit Abstand am wenigsten wahrgenommen. Diese Gruppe wird bei einem Anteil von 66 % von den Mädchen dominiert. Typ 4 - Durchschnittliche: Dieses Profil stellt mit einem Anteil von 33 % die größte Gruppe dar (Mädchenanteil: 63 %). Das Anreizprofil ist ähnlich wie bei den Vielseitigen relativ homogen, aber auf einem geringeren, mittelhohen Niveau. Im Gegensatz zu den Vielseitigen werden instrumentelle Anreize im Vergleich zu hedonistischen und sozial-interaktiven Anreizen als wichtiger eingeschätzt. Typ 5 - Sozial-interaktive Hedonisten: Diese Gruppe bildet mit einem Anteil von 10 % die kleinste Gruppe und besteht mehrheitlich aus Jungen (67 %). Das Motivationsprofil ist dem der Instrumentalisten entgegengesetzt. Dieser Typus präferiert eindeutig hedonistische und sozial-interaktive Aktivitäten. Instrumentelle Anreize haben für diese Jugendlichen einen untergeordneten Stellenwert und sind deutlich geringer ausgeprägt als bei den anderen Typen. 4,00 3,50 3,00 2,50 2,00 1,50 1,00 Informations- Lern- und Unterhaltung Eskapismus Sozialer Selbstsuche Arbeitswerkzeug Austausch darstellung Vielseitige Durchschnittliche Instrumentalisten und Hedonisten Sozial-interaktive Hedonisten Instrumentalisten Abb. 2: Mittelwertprofile für die fünf computerbezogenen Motivationstypen. 150 Martin Senkbeil Unterschiede zwischen den Motivationstypen in sozialen Herkunftsmerkmalen und ICT Literacy Zur Validierung der ermittelten Klassen wurde untersucht, inwieweit sich zwischen den Klassen Unterschiede in sozialen Herkunftsmerkmalen und in der ICT Literacy zeigen (Fragestellungen 2 und 3). Hierzu wurden Mittelwertvergleiche anhand einfaktorieller Varianzanalysen mit anschließenden Waldχ 2 -Tests durchgeführt. Dabei zeigten sich für alle drei Indikatoren der sozialen Herkunftsmerkmale (sozioökonomischer Status, Bildungsniveau, kulturelles Kapital) signifikante Haupteffekte (Tab. 5). Die Einzelvergleiche ergaben ( α adj = .005 nach Bonferroni entsprechend der Zahl der Einzelvergleiche), dass die Instrumentalisten in allen sozialen Herkunftsmerkmalen signifikant höhere Ausprägungen haben als die sozial-interaktiven Hedonisten und die Vielseitigen. Die approximierten Effektstärken (Mittelwertdifferenzen der z-standardisierten Variablen) wiesen auf mittlere bis hohe Effekte (.39 ≤ d‘ ≤ .87) hin. Weiterhin hatten die Instrumentalisten & Hedonisten in allen drei Sozialindikatoren signifikant höhere Ausprägungen als die Vielseitigen (.25 ≤ d‘ ≤ .52). Die Effektstärken fielen für das kulturelle Kapital am höchsten aus. Ebenso unterschieden sich die fünf Klassen in der ICT Literacy signifikant voneinander. Die auffälligsten Unterschiede betrafen wiederum Unterschiede zwischen den Instrumentalisten bzw. Instrumentalisten & Hedonisten auf der einen Seite sowie den sozial-interaktiven Hedonisten bzw. Vielseitigen auf der anderen Seite: Instrumentalisten und Instrumentalisten & Hedonisten erzielten signifikant höhere Kompetenzwerte als die sozial-interaktiven Hedonisten und die Vielseitigen. Die approximierten Effektstärken zwischen beiden Gruppierungen lagen im mittleren bis hohen Bereich (.61 ≤ d‘ ≤ .66). Die Durchschnittlichen erzielten gemäß ihrer Bezeichnung und inhaltlichen Beschreibung einen durchschnittlichen Kompetenzwert nahe dem arithmetischen Mittel. Typ 1 - Vielseitige Typ 2 - Instrumentalisten & Hedonisten Typ 3 - Instrumentalisten Typ 4 - Durchschnittliche Typ 5 - Sozialinteraktive Hedonisten ANOVA Variable M SE z M SE z M SE z M SE z M SE z χ 2 (4, N) Sozioökonomischer Status 44.91 a, b 1.16 -.24 50.17 a 1.29 .09 52.63 b, c, d 1.33 .24 45.35 c 1.25 -.22 45.95 d 1.88 -.18 28.28*** Bildungsniveau 12.20 a, b 0.24 -.21 13.13 a 0.26 .08 13.47 b, c, d 0.28 .18 12.32 c 0.24 -.17 12.31 d 0.34 -.18 26.35*** Kulturelles Kapital 3.15 a, b, c 0.08 -.30 3.52 a, d, e 0.10 .00 3.94 b, d, f, g 0.08 .35 3.51 c, f, h 0.10 -.01 2.88 e, g, h 0.14 -.52 79.33*** ICT Literacy 505.84 a, b, c 6.33 -.42 545.97 a, d 5.94 .19 545.95 b, e 4.48 .19 530.77 c, f 4.52 -.04 502.57 d, e, f 8.77 -.47 50.37*** Tab. 5: Statistische Kennwerte der Validierungsvariablen nach latenten Klassen sowie Ergebnisse der Varianzanalysen Anmerkungen: Mittelwerte mit den gleichen Subskripts unterscheiden sich in den Post-Hoc-Tests der ANOVA signifikant voneinander ( α adj = .005); SE = Standardfehler; z = z-standardisierter Mittelwert. *** p < .001. Profile computerbezogener Anreizfaktoren 151 Diskussion Zusammenfassung und Interpretation der Ergebnisse In dieser Arbeit wurde anhand eines personenzentrierten Zugangs untersucht, ob sich verschiedene motivationale Typen der Computernutzung identifizieren lassen und ob die Zugehörigkeit zu einem Motivationstypus einen Beitrag zur möglichen Vorhersage der zukünftigen Wissensaneignung über und anhand digitaler Medien (z. B. für Studium, Beruf ) leisten kann. Über eine latente Profilanalyse konnten bei Jugendlichen der achten Klassenstufe in Deutschland fünf Motivationstypen der Computernutzung ermittelt werden. Sie entsprechen mit einer Ausnahme (Durchschnittliche) den erwarteten Typen (Hypothese 1): Dies gilt vollständig für die Vielseitigen und die Instrumentalisten. Auf die sozial-interaktiven Hedonisten sowie die Instrumentalisten & Hedonisten trifft dies teilweise zu, da sie jeweils Mischformen erwarteter Typen darstellen. Nicht erwartet wurde die Klasse der Durchschnittlichen, die mit einem Anteil von 33 % die größte Gruppe bildet. Gleichwohl konnte dieser Typus in anderen typologischen Studien - ebenfalls als die jeweils größte Klasse - identifiziert werden (z. B. Eynon & Malmberg, 2011). Ihrer Bezeichnung entsprechend weisen diese Jugendlichen durchschnittliche computerbezogene Wissensbestände und Fertigkeiten auf. Bezogen auf die in ICILS 2013 definierten Kompetenzstufen erreichen sie im Mittel die Kompetenzstufe 3, d. h., sie können unter Anleitung, aber nicht eigenständig Informationen ermitteln und einfache Informationsprodukte erstellen (Fraillon et al., 2014). Allein diese Gruppe widerspricht damit der zentralen Annahme des Digital- Natives-Postulats, das allen Jugendlichen eine intensive und hoch kompetente Nutzung digitaler Medien unterstellt. Zusammengefasst zeigt die hier ermittelte Typologie anhand einer repräsentativen Stichprobe und übereinstimmend mit früheren Befunden, die bisher vorwiegend an Gelegenheitsstichproben (z. B. Kennedy et al., 2010) ermittelt wurden, dass Jugendliche keine homogene Gruppe von hoch kompetenten Anwendern digitaler Medien darstellen. Der Typus, der am ehesten dem Digital-Natives-Postulat entspricht, stellt mit einem Anteil von 17 % die kleinste Gruppe dar. Da die Typen zum Teil beträchtliche Unterschiede in ihrer ICT Literacy aufweisen, ist zudem die Annahme durchgängig kompetenter Jugendlicher bei der Nutzung digitaler Medien zurückzuweisen (vgl. z. B. Tu, Shih &Tsai, 2008). Weiterhin lassen sich zwei Subgruppen (Instrumentalisten, Instrumentalisten & Hedonisten) identifizieren, die zusammen 40 % der untersuchten Jugendlichen ausmachen und sich durch vergleichsweise günstige Motivationsprofile auszeichnen. Erwartungskonform verfügen beide Subgruppen angesichts ihrer hohen Wertschätzung informations- und bildungsbezogener Aktivitäten bei gleichzeitig gering ausgeprägten sozial-interaktiven Verhaltensanreizen über eine vergleichsweise hohe ICT Literacy. Ebenfalls hypothesenkonform stammen beide Subgruppen aus Familien mit relativ hohem Sozialstatus. Beide Typen unterscheiden sich dadurch, dass hedonistische Anreize für die Instrumentalisten eher unwichtig, für die Instrumentalisten & Hedonisten jedoch von erheblich größerer Bedeutung sind. Die damit korrespondierenden Unterschiede in der Geschlechtsverteilung (Instrumentalisten: 66 % Mädchen, Instrumentalisten & Hedonisten: 77 % Jungen) gehen mit geschlechtsspezifischen Präferenzen bei der Nutzung digitaler Medien einher (Mädchen: Kommunikation, schulische Zwecke; Jungen: Unterhaltung, Spiele; z. B. Ittel & Latzal, 2007). Zwei weitere Subgruppen (sozial-interaktive Hedonisten, Vielseitige) mit einem Anteil von insgesamt 27 % stammen aus Familien mit einem unterdurchschnittlichen Sozialstatus und besitzen im Mittel eine geringe ICT Literacy, die signifikant unter dem Mittelwert Deutschlands in ICILS 2013 (523 Punkte) liegt. Die sozial-interaktiven Hedonisten verfügen - im Hinblick auf eine selbstständige Aneignung von Wissensinhalten anhand digitaler Medien - über ein ungünstiges Anreizprofil, das in etwa komplementär zu dem der Instrumentalisten ist: 152 Martin Senkbeil eine geringe Motivation an informations- und bildungsbezogenen Computeraktivitäten bei gleichzeitig hoher Wertschätzung hedonistischer und sozial-interaktiver Verhaltensanreize. Analog zu Befunden der Leseforschung kann vermutet werden, dass diese Jugendlichen durch angenehme Erfahrungen, die mit einer hedonistischen und sozial-interaktiven Mediennutzung einhergehen, die Motivation zur Beschäftigung mit instrumentellen Einsatzmöglichkeiten (z. B. im Schul- und Lernkontext) verlieren (Ennemoser & Schneider, 2007). Als mögliche Erklärung für die geringe ICT Literacy kann die Passivitätshypothese (Shin, 2004) herangezogen werden. Danach werden beim Konsum von Unterhaltungsmedien keine elaborierten kognitiven Prozesse benötigt. Diese passive Haltung wird in der Folge auf andere Tätigkeiten übertragen, sodass die notwendige kognitive Anstrengung für anspruchsvollere Tätigkeiten (z. B. computergestützte Bearbeitung von Hausaufgaben) unterbleibt (Shin, 2004). Angesichts ihres ungünstigen Motivationsprofils und ihrer geringen ICT Literacy erscheint eine erfolgreiche Teilhabe am privaten, beruflichen und gesellschaftlichen Leben für diese Gruppe zweifelhaft (Holt & Brockett, 2012). Ein nicht erwartetes Ergebnisbild ergibt sich für die Gruppe der Vielseitigen, deren Profil am ehesten dem Digital-Natives-Postulat entspricht. Während mit einem vielseitigen und anspruchsvollen Motivationsprofil in der Regel eine kompetente Nutzung digitaler Medien assoziiert wird (z. B. Eynon & Malmberg, 2011), verfügen die Vielseitigen im Mittel nur über eine geringe ICT Literacy. Bezogen auf die in ICILS 2013 definierten Kompetenzstufen erreichen mehr als 80 % der Vielseitigen (wie auch der sozial-interaktiven Hedonisten) maximal Kompetenzstufe 2. Sie sind demnach weder in der Lage, selbstständig Informationen zu ermitteln und zu organisieren, noch eigenständig Informationsprodukte (wie z. B. Präsentationen) zu erzeugen (Fraillon et al., 2014). Hierfür lassen sich zwei mögliche Erklärungsansätze anführen: Erstens ist für die Vielseitigen aufgrund der hohen Bedeutung hedonistischer und sozial-interaktiver Anreize eine hohe tägliche Nutzungsdauer digitaler Medien anzunehmen (MPFS, 2015). Schulbezogene und kompetenzförderliche Computeraktivitäten (z. B. Informationssuche zur Erledigung von Hausaufgaben) werden infolgedessen - trotz hoher instrumenteller Motivation - im Sinne der Zeitverdrängungshypothese vernachlässigt (Ennemoser & Schneider, 2007) oder nicht mit der notwendigen kognitiven Anstrengung durchgeführt (im Sinne der Passivitätshypothese). Folglich verfügen sie nur über eine geringe funktionale ICT Literacy (vgl. Tu et al., 2008). Zweitens ist der ebenfalls unerwartete Befund, dass Jugendliche dieses Typus einen geringen Sozialstatus aufweisen, zu berücksichtigen. Eltern mit geringem Sozialstatus verfügen über vergleichsweise geringe Bildungsressourcen und computerbezogene Kenntnisse, sodass sie ihre Kinder beim Erwerb von ICT Literacy und instrumenteller Anwendungsmöglichkeiten digitaler Medien nicht ausreichend unterstützen können (Vekiri, 2010). Aufgrund ihrer mangelnden ICT Literacy kontrollieren sie zudem Dauer und Inhalte der computerbezogenen Aktivitäten ihrer Kinder in geringerem Ausmaß als Eltern mit hohem Sozialstatus (Vekiri, 2010). Entsprechend nutzen Jugendliche aus Familien mit geringem Sozialstatus digitale Medien häufiger und länger für hedonistische und sozialinteraktive Zwecke (Hargittai, 2010). Da die Familie neben der autodidaktischen Aneignung die wichtigste Vermittlungsinstanz für den Erwerb von ICT Literacy darstellt (Zhong, 2011), könnten die geringen Kompetenzwerte der Vielseitigen zum Teil auf die fehlende häusliche Unterstützung für einen kompetenten Umgang mit digitalen Medien zurückzuführen sein. Dieser Erklärungsansatz kann ebenso auf die sozialinteraktiven Hedonisten angewendet werden. Zusammengefasst stehen die Ergebnisse dieser Arbeit somit eher im Einklang mit zentralen Annahmen der Digital-Divide-Hypothese als mit dem Digital-Natives-Postulat. Danach verfügen Personen mit höherem Sozialstatus eher über die Motivation und die notwendigen kognitiven Ressourcen, medial vermittelte In- Profile computerbezogener Anreizfaktoren 153 formationen aufzunehmen und effizient für ihre Bedürfnisse zu nutzen als Personen mit geringerem Sozialstatus. Entsprechend nutzen sie digitale Medien in stärkerem Maße für bildungs- und informationsbezogene Zwecke und haben eine höhere ICT Literacy (Hargittai, 2010; van Deursen & van Dijk, 2014). Mit dieser Aussage sind alle Typen mit Ausnahme der Vielseitigen vereinbar. Die differenzierte Betrachtung der Sozialindikatoren zeigt in Übereinstimmung mit den theoretischen Annahmen, dass dem kulturellen Kapital eine hervorgehobene Bedeutung bei der Aufklärung von Unterschieden in der computerbezogenen Motivation zukommt (Hollingworth et al., 2011; Hsieh et al., 2011). Es ergeben sich zwischen den Klassen mit günstigem vs. ungünstigem Motivationsprofil größere Differenzen im kulturellen Kapital (.30 ≤ d‘ ≤ .87) als im sozioökonomischen Status und im Bildungsniveau (.25 ≤ d‘ ≤ .49). Forschungsbefunde aus den letzten Jahren lassen vermuten, dass elterlichen Erziehungspraktiken im Umgang mit digitalen Medien (z. B. Kontrolle und Unterstützung bei der Computer- und Internetnutzung) eine vermittelnde Rolle zwischen kulturellem Kapital und computerbezogener Motivation zukommen könnte (Livingstone & Helsper, 2008; Vekiri, 2010). Über die genannten Aspekte hinaus korrespondieren die vorliegenden Ergebnisse mit bisherigen Befunden, wonach ein substanzieller Anteil von Adoleszenten offenbar nur unzureichend in der Lage ist, digitale Medien für Lern- und Arbeitszwecke zu nutzen oder sich selbstgesteuert Kompetenzen anzueignen, die für das weitere Ausbildungs- und Berufsleben benötigt werden (Holt & Brockett, 2012). Motivationale Orientierungen im Sinne computerbezogener Verhaltensanreize scheinen hierbei eine signifikante Rolle einzunehmen. Limitationen und Ausblick Die im vorangegangenen Abschnitt angedeuteten Wirkmechanismen (z. B. soziale Herkunftsmerkmale als Antezedenzien und ICT Literacy als Konsequenz der computerbezogenen Motivationsprofile) sind hypothetisch und durch längsschnittliche Untersuchungen (z. B. Mediationsanalysen; vgl. Steinmayr et al., 2012) zu prüfen. Dasselbe gilt für die vermuteten familiären Prozesse (computerbezogene Unterstützung und Kontrolle durch die Eltern; Vekiri, 2010), die den Zusammenhang zwischen Sozialstatus und Motivationsprofil mediieren könnten. Da computerbezogene Anreize im vorliegenden Beitrag nur zu einem Messzeitpunkt untersucht wurden, ist die Stabilität der Typologie angesichts der zu erwartenden technologischen Veränderungen unklar. Zukünftige Studien sollten aufgrund der rapide anwachsenden Nutzung z. B. Smartphones als weiteres mobiles Endgerät berücksichtigen, da sie Nutzungssituationen und -motivationen beeinflussen können (van Deursen & van Dijk, 2015). Trotz dieser Einschränkungen liefert die vorliegende Studie wichtige Hinweise auf Nutzergruppen (sozial-interaktive Hedonisten, Vielseitige), für die eine erfolgreiche Teilhabe am weiteren beruflichen und gesellschaftlichen Leben zweifelhaft ist. Weiterhin eignet sich der vorgestellte personenzentrierte bzw. typologische Ansatz zum längsschnittlichen Einsatz in Trendstudien wie z. B. ICILS, da sowohl die Stabilität der Typologie als auch quantitative Veränderungen in der Verteilung der Typen, z. B. in Abhängigkeit bildungspolitischer Maßnahmen, geprüft werden können. Im Sinne des Digital-Divide-Ansatzes kann zudem untersucht werden, inwieweit zwischen spezifischen Subpopulationen die Disparitäten in der ICT Literacy oder in sozialen Herkunftsmerkmalen zunehmen, wie verschiedene Studien andeuten (z. B. van Deursen & van Dijk, 2015). Literatur Bakk, Z. & Vermunt, J. K. (2016). Robustness of stepwise latent class modeling with continous distal outcomes. Structural Equation Modeling, 23, 20 - 31. http: / / dx. doi.org/ 10.1080/ 10705511.2014.955104 Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Englewood Cliffs, NJ: Prentice Hall. Bortz, J. (2005). Statistik für Human- und Sozialwissenschaftler. Berlin: Springer. 154 Martin Senkbeil Bourdieu, P. & Thompson, J. B. (1991). Language and symbolic power. Cambridge: Polity Press. Brandtzaeg, P. B. (2010). Towards a unified media-user typology (MUT): A meta-analysis and review of the research literature on media-user typologies. Computers in Human Behavior, 26, 940 - 956. http: / / dx.doi. org/ 10.1016/ j.chb.2010.02.008 Candy, P. C. (2004). Linking thinking. Self-directed learning in the digital age. Zugriff am 15. 7. 2016 unter http: / / www.staffs.ac.uk/ sgc1/ faculty/ ilct/ documents/ report_ independent_learning.pdf Cohen, J. (1988). Statistical power analysis for the behavioral sciences. New York, NY: Lawrence Erlbaum. Compeau, D. R. & Higgins, C. H. (1995). Computer selfefficacy: Development of a measure and initial test. MIS Quarterly, 19, 189 - 211. http: / / dx.doi.org/ 10.23 07/ 249688 Davis, F. D., Bagozzi, R. P. & Warshaw, P. R. (1992). Extrinsic and intrinsic motivation to use computers in the workplace. Journal of Applied Psychology, 22, 1111 - 1132. Eastin, M. S. (2005). Teen internet use: Relating social perceptions and cognitive models to behavior. CyberPsychology & Behavior, 8, 62 - 75. http: / / dx.doi.org/ 10. 1089/ cpb.2005.8.62 Educational Testing Service. (2002). Digital transformation. A framework for ICT literacy. Princeton, NJ: Educational Testing Service. Ennemoser, M. & Schneider, W. (2007). Relations of television viewing and reading: Findings from a 4-year longitudinal study. Journal of Educational Psychology, 99, 349 - 368. http: / / dx.doi.org/ 10.1037/ 0022-0663. 99.2.349 Eynon, R. & Malmberg, L.-E. (2011). A typology of young people’s internet use: Implications for education. Computers & Education, 56, 585 - 595. http: / / dx.doi.org/ 10.1016/ j.compedu.2010.09.020 Fraillon, J., Ainley, J., Schulz, W., Friedman, T. & Gebhardt, E. (2014). Preparing for life in a digital age. The IEA international computer and information literacy study. International report. Amsterdam: IEA. Fraillon, J., Schulz, W. & Ainley, J. (2013). International computer and information literacy study: Assessment framework. Amsterdam: IEA. Ganzeboom, H. B. G., de Graaf, P. M., Treiman, D. J. & de Leeuw, J. (1992). A standard international socio-economic index of a occupational status. Social Science Research, 21, 1 - 56. http: / / dx.doi.org/ 10.1016/ 0049- 089X(92)90017-B Geiser, C. (2010). Datenanalyse mit Mplus. Wiesbaden: VS Verlag für Sozialwissenschaften. http: / / dx.doi.org/ 10. 1007/ 978-3-531-92042-9 Hargittai, E. (2010). Digital na(t)ives? Variation in internet skills and uses among members of the ‘net generation’. Sociological Inquiry, 80, 92 - 113. http: / / dx.doi.org/ 10. 1111/ j.1475-682X.2009.00317.x Hollingworth, S., Mansaray, A., Allen, K. & Rose, A. (2011). Parents’ perspectives on technology and children’s learning in the home: Social class and the role of habitus. Journal of Computer Assisted Learning, 27, 347 - 360. http: / / dx.doi.org/ 10.1111/ j.1365-27 29.2011.00431.x Holt, L. & Brockett, R. G. (2012). Self direction and factors influencing technology use: Examining the relationships for the 21st century workplace. Computers in Human Behavior, 28, 2075 - 2082. http: / / dx.doi.org/ 10.1016/ j.chb.2012.06.011 Hsieh, J. J., Rai, A. & Keil, M. (2011). Addressing digital inequality for the socioeconomically disadvantaged through government initiatives: Forms of capital that affect ICT utilization. Information Systems Research, 22, 233 - 253. http: / / dx.doi.org/ 10.1287/ isre.1090.0256 Ittel, A. & Latzal, N. (2007). Internetnutzung, soziale Integration und psychosoziale Anpassung in Kindheit und Jugend. Diskurs Kindheits- und Jugendforschung, 1, 67 - 82. Kalmus, V., Realo, A. & Siibak, A. (2011). Motives for internet use and their relationships with personality traits and socio-demographic factors. TRAMES, 15, 385 - 403. http: / / dx.doi.org/ 10.3176/ tr.2011.4.04 Kennedy, G., Judd, T., Dalgarno, B. & Waycott, J. (2010). Beyond natives and immigrants: Exploring types of net generation students. Journal of Computer Assisted Learning, 26, 332 - 343. http: / / dx.doi.org/ 10.1111/ j.1365- 2729.2010.00371.x Krämer, N. C. & Winter, S. (2008). The relationship between self-esteem, extraversion, self-efficacy, and selfpresentation within social networking sites. Journal of Media Psychology, 20, 106 - 116. http: / / dx.doi.org/ 10. 1027/ 1864-1105.20.3.106 LaRose, R. & Eastin, M. S. (2004). A social cognitive theory of internet uses and gratifications: Toward a new model of media attendance. Journal of Broadcasting & Electronic Media, 48, 358 - 377. http: / / dx.doi.org/ 10. 1207/ s15506878jobem4803_2 Livingstone, S. & Helsper, E. J. (2008). Parental mediation of children’s internet use. Journal of Broadcasting & Electronic Media, 52, 581 - 599. Lo, Y., Mendell, N. & Rubin, D. (2001). Testing the number of components in a normal mixture. Biometrika, 88, 767 - 778. http: / / dx.doi.org/ 10.1093/ bio met/ 88.3.767 Marsh, H., Lüdtke, O., Trautwein, U. & Morin, A. J. S. (2009). Classical latent profile analysis of academic self-concept dimensions: Synergy of personand variable-centered approaches to theoretical models of selfconcept. Structural Equation Modeling, 16, 191 - 225. http: / / dx.doi.org/ 10.1080/ 10705510902751010 Medienpädagogischer Forschungsverbund Südwest. (2015). JIM-Studie 2015. Jugend, Information, (Multi-)Media. Stuttgart: Medienpädagogischer Forschungsverbund Südwest. Metzger, M. J. & Flanagin, A. J. (2002). Audience orientations toward new media. Communication Research Reports, 19, 338 - 351. http: / / dx.doi.org/ 10.1080/ 088 24090209384862 Müller, K. & Ehmke, T. (2013). Soziale Herkunft als Bedingung der Kompetenzentwicklung. In M. Prenzel, C. Sälzer, E. Klieme & O. Köller (Hrsg.), PISA 2012. Fortschritte und Herausforderungen in Deutschland (S. 245 - 274). Münster: Waxmann. Muthén, L. K. & Muthén, B. O. (2015). Mplus user’s guide. Seventh edition. Los Angeles, CA: Muthén & Muthén. Nylund, K. L., Asparouhov, T. & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling, 14, 535 - 569. http: / / dx.doi.org/ 10.1080/ 107055107015 75396 Organisation for Economic Co-operation and Development. (2014). PISA 2012 results: What students know and can do. Student performance in mathematics, reading and science. Volume 1. Paris: OECD Publishing. Profile computerbezogener Anreizfaktoren 155 Peters, O., Rickes, M., Jöckel, S., van Crigern, C. & van Deursen, A. (2006). Explaining and analyzing audiences: A social cognitive approach to selectivity and media use. Communications, 31, 279 - 308. http: / / dx. doi.org/ 10.1515/ commun.2006.019 Prensky, M. (2001). Digital natives, digital immigrants. On the horizon, 9. Zugriff am 15. 7. 2016 unter http: / / www.marcprensky.com/ writing/ Prensky%2020Digital%20Natives,%20Digital%20Immigrants%20-%20 Part1.pdf Rhemtulla, M., Brosseau-Liard, P. E. & Savalei, V. (2012). When can categorical variables be treated as continuous? A comparison of robust continuous and categorical sem estimation methods under suboptimal conditions. Psychological Methods, 17, 354 - 373. http: / / dx.doi.org/ 10.1037/ a0029315 Schulmeister, R. (2010). Deconstructing the net generation theses. Qwerty - Open and Interdisciplinary Journal of Technology, Culture and Education, 5, 26 - 60. Senkbeil, M. & Ihme, J. M. (online first). Entwicklung und Validierung eines Kurzfragebogens zur Erfassung computerbezogener Anreizfaktoren bei Erwachsenen. Diagnostica. Senkbeil, M. & Ihme, J. M. (accepted). Motivational factors predicting ICT literacy: First evidence on the structure of an ICT motivation inventory. Computers & Education. http: / / dx.doi.org/ 10.1016/ j.compedu.2017.02.003 Senkbeil, M., Ihme, J. M. & Wittwer, J. (2013). The test of technological and information literacy (TILT) in the national educational panel study: Development, empirical testing, and evidence for validity. Journal for Educational Research Online, 5, 139 - 161. Shin, N. (2004). Exploring pathways from television viewing to academic achievement in school age children. Journal of Genetic Psycholog y, 165, 367 - 382. http: / / dx.doi.org/ 10.3200/ GNTP.165.4.367-382 Steinmayr, R., Dinger, F. & Spinath, B. (2012). Motivation as a mediator of social disparities in academic achievement. European Journal of Personality, 26, 335 - 349. http: / / dx.doi.org/ 10.1002/ per.842 Tu, Y.-W., Shih, M. & Tsai, C.-C. (2008). Eighth graders’ web searching strategies and outcomes: The role of task types, web experiences and epistemological beliefs. Computers & Education, 51, 1142 - 1153. http: / / dx. doi.org/ 10.1016/ j.compedu.2007.11.003 van Deursen, A. J. A. M. & van Dijk, J. A. G. M. (2014). The digital divide shifts to differences in usage. New Media & Society, 16, 507 - 526. http: / / dx.doi.org/ 10.1177/ 1461444813487959 van Deursen, A. J. A. M. & van Dijk, J. A. G. M. (2015). Toward a multifaceted model of internet access for understanding digital divides: An empirical investigation. The Information Society, 31, 379 - 391. http: / / dx. doi.org/ 10.1080/ 01972243.2015.1069770 Vekiri, I. (2010). Socioeconomic differences in elementary students’ ICT beliefs and out-of-school experiences. Computers & Education, 54, 941 - 950. http: / / dx.doi. org/ 10.1016/ j.compedu.2009.09.029 Vermunt, J. K. & Magidson, J. (2002). Latent class cluster analysis. In J. A. Hagenaars & A. McCutcheon (Eds.), Applied latent class analysis (pp. 89 - 106). Cambridge: Cambridge University Press. http: / / dx.doi.org/ 10.10 17/ CBO9780511499531.004 von Eye, A. & Bogat, A. (2006). Person-oriented and variable-oriented research: Concepts, results, and development. Merrill-Palmer Quarterly, 52, 390 - 420. http: / / dx.doi.org/ 10.1353/ mpq.2006.0032 Warschauer, M. & Matuchniak, T. (2010). New technology and digital worlds: Analyzing evidence of equity in access, use and outcomes. Review of Research in Education, 34, 179 - 225. http: / / dx.doi.org/ 10.3102/ 0091 732X09349791 Wendt, H., Vennemann, M., Schwippert, K. & Drossel, K. (2014). Soziale Herkunft und computer- und informationsbezogene Kompetenzen von Schülerinnen und Schülern im internationalen Vergleich. In W. Bos, B. Eickelmann, J. Gerick, F. Goldhammer, H. Schaumburg, K. Schwippert, … H. Wendt (Hrsg.), ICILS 2013. Computer- und informationsbezogene Kompetenzen von Schülerinnen und Schülern in der 8. Jahrgangsstufe im internationalen Vergleich (S. 265 - 296). Münster: Waxmann. Zhong, Z.-J. (2011). From access to usage: The divide of self-reported digital skills among adolescents. Computers & Education, 56, 736 - 746. http: / / dx.doi.org/ 10. 1016/ j.compedu.2010.10.016 Zylka, J., Christoph, G., Kröhne, U., Hartig, J. & Goldhammer, F. (2015). Moving beyond cognitive elements of ICT literacy: First evidence on the structure of ICT engagement. Computers in Human Behavior, 53, 149 - 160. http: / / dx.doi.org/ 10.1016/ j.chb.2015.07. 008 Dr. Martin Senkbeil Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik an der Universität Kiel Olshausenstraße 62 D-24118 Kiel E-Mail: senkbeil@ipn.uni-kiel.de