n Empirische Arbeit Psychologie in Erziehung und Unterricht, 2017, 64, 223 -237 DOI 10.2378/ peu2017.art14d © Ernst Reinhardt Verlag München Basel Entwicklung von Skalen zur Erhebung domänenspezifischer Vorstellungen über das Lernen in der Biologie Florian Berding 1 , Melanie Basten 2 , Heike Brauer 3 , Cornelia Stiller 3 , Sebastian Schmid 4 , Karin Rebmann 1 , Tobias Schlömer 5 , Matthias Wilde 3 1 Universität Oldenburg 2 Universität Osnabrück 3 Universität Bielefeld 4 Universität Regensburg 5 Helmut-Schmidt-Universität, Hamburg Zusammenfassung: In diesem Beitrag wird die Entwicklung von Skalen beschrieben, mit denen Vorstellungen von Lernenden über Anstrengung, Begabung und Geschwindigkeit beim Lernen in der Biologie erfasst werden können. Die Skalen eignen sich zur Durchführung wissenschaftlicher Studien und perspektivisch zur Diagnose von Lernvoraussetzungen. Es wird herausgestellt, dass für die wissenschaftliche Analyse von Vorstellungen über Wissen, Wissensgenese und Lernen bislang zuverlässige Erhebungsinstrumente fehlen und die Herausforderung besteht, zwischen Überzeugungen zu Wissen und Wissensgenese einerseits und Lernen andererseits zu unterscheiden. Zur Lösung beider Probleme werden drei Konstrukte lernbezogener Vorstellungen identifiziert und Skalen zu deren Messung vorgestellt. Basierend auf der Befragung von 363 Lehramtsstudierenden der Fächer Biologie oder Sachunterricht mit Schwerpunkt Biologie gelingt es, die intendierten Konstrukte faktoranalytisch zu trennen. Die Skalen weisen eine Zuverlässigkeit zwischen α = .71 und α = .86 sowie diskriminante Validität auf. Der Beitrag gibt einen Ausblick auf weitere Entwicklungsschritte zu einem vollwertigen Erhebungs- und Diagnoseinstrument. Schlüsselbegriffe: Epistemologische Überzeugungen, epistemische Überzeugungen, lernbezogene Vorstellungen, Fragebogen, Pädagogische Diagnostik Development of a Questionnaire for Assessing Beliefs About Learning in Biology Summary: In this paper we describe the development of scales for assessing learners’ beliefs about learning in biology. The scales can be used for conducting scientific studies or diagnosing learning prerequisites. The paper argues that reliable instruments for assessing beliefs about knowledge, knowing and learning are still missing. The need to differentiate between beliefs about knowledge and knowing on the one hand and beliefs about learning on the other hand is lined out. Based on a literature review, scales measuring the beliefs about ability, effort, and speed to learn are developed. 363 teacher students for biology and nature and life (Sachunterricht) participated in the study. Factor analyses provide evidence for the assumed beliefs about learning. All scales reach high values for Cronbach’s α ranging between .71 and .86. Discriminant validity of the scales is proved by the strict Fornell-Larcker-Criterion. The paper draws conclusions for further scale development. Keywords: Epistemological beliefs, epistemic beliefs, learning beliefs, questionnaire, educational diagnostics 224 Florian Berding et al. Epistemische Überzeugungen sind individuelle Vorstellungen einer Person über Wissen und Wissenserwerb (Hofer & Pintrich, 1997). Aktuell geht die Forschung von einer Mehr-Ebenen-Konzeption dieser Überzeugungen aus und unterscheidet vor allem zwischen allgemeinen und domänenspezifischen Vorstellungen (z. B. Biologie, Wirtschaftswissenschaften). Diese Differenzierung ist mit der Annahme verbunden, dass den domänenspezifischen Vorstellungen von Lernenden in domänenspezifischen Situationen eine größere Bedeutung zukommt als den allgemeinen Vorstellungen (z. B. Buehl & Alexander, 2006; Muis, Bendixen & Haerle, 2006). Tatsächlich spricht eine Vielzahl an Studien für einen grundsätzlichen Einfluss epistemischer Überzeugungen auf Lernprozesse. So konnten Zusammenhänge mit Aspekten wie Motivation, Einsatz von Lernstrategien, Textverständnis und Lernerfolg ermittelt werden (z. B. Mokwinski, 2011; Zinn, 2013). Epistemische Überzeugungen haben eine handlungsleitende Funktion inne, da sie wie eine „Brille“ wirken, durch die Lernende Materialien und Anforderungen interpretieren (Rebmann, Schlömer, Berding, Luttenberger & Paechter, 2015). Welche Vorstellungen konkret vorteilhaft sind, hängt von den Anforderungen der zu bewältigenden Aufgabe ab (Bromme, Kienhues & Stahl, 2008). So zeigt die Studie von Bråten, Strømsø und Samuelstuen (2008), dass für das Textverständnis eine Vorstellung vorteilhaft sein kann, in der nicht das Individuum Konstrukteur seines Wissens ist, sondern Wissen durch Autoritäten vermittelt wird. Für Lehrkräfte hat diese Befundlage zur Konsequenz, dass die domänenspezifischen Vorstellungen ihrer Lernenden eine wichtige Lernvoraussetzung darstellen, die es bei der Gestaltung von Lehre (Schule und Hochschule) zu berücksichtigen gilt. Erst die Kenntnis der Lernervorstellungen erlaubt es ihnen, Entscheidungen zu treffen, die einerseits eine günstige Entwicklung der Überzeugungen ermöglichen und andererseits die Unterrichtsgestaltung auf diese Vorstellungen abstimmen (Feucht, 2010). Die dafür notwendige Diagnose der Vorstellungen der Lernenden erweist sich jedoch aufgrund zweier miteinander in Beziehung stehender Probleme als Herausforderung. - Wissenschaftlich-methodisches Problem: Bislang ist es kaum gelungen, standardisierte Instrumente zu entwickeln, die eine adäquate Erfassung der Vorstellungen zu Wissen und Wissensgenese von Lernenden erlauben und als Diagnoseinstrumente dienen können. Beispielsweise zeigen die Studien von Paechter et al. (2013), Teo (2013) sowie Welch und Ray (2012), dass der Epistemic Beliefs Inventory (EBI) ein fehlerhaftes Messmodell aufweist. DeBacker, Crowson, Beesley, Thoma und Hestevold (2008) analysieren den Schommer Epistemological Questionnaire (SEQ), den Epistemic Beliefs Inventory (EBI) und den Epistemological Beliefs Survey (EBS) und ermitteln für alle drei Instrumente unterschiedliche Probleme, wie z. B. eine geringe Zuverlässigkeit oder eine schlechte Passung des Messmodells. - Unterrichtspraktisches Problem: Eine akkurate Einschätzung epistemischer Überzeugungen durch Lehrkräfte erfordert, dass diese nur solche Indikatoren zur Urteilsbildung heranziehen, die einen Rückschluss auf die Vorstellungen über Wissen und Wissensgenese zulassen (Helmke, 2012). Dies setzt eine klare Definition und Abgrenzung des zu erhebenden Konstrukts voraus. So wurde in der Forschung lange diskutiert, welche Vorstellungen epistemische Überzeugungen darstellen (für einen Überblick vgl. Berding, 2015). Gerade die trennscharfe Unterscheidung sowie die Berücksichtigung von Vorstellungen zu Wissen und Wissensgenese einerseits und Überzeugungen zum Lernen andererseits erscheint in der Unterrichtspraxis besonders wichtig: “What we see students doing in class […] almost always involves aspects of both. Because we are ultimately interested in how students approach knowledge and learning in situations such as these, it serves us to Vorstellungen über das Lernen in Biologie 225 treat knowledge and learning together as part of epistemic cognition” (Elby & Hammer, 2010, S. 421). Vor diesem Hintergrund ist es das Anliegen des Forschungsprojekts Entwicklung von Skalen zur Erfassung domänenspezifischer epistemischer und lernbezogener Überzeugungen (EdelÜ), neue Instrumente zu entwickeln, die zuverlässiger als bisherige Fragebögen die individuellen Vorstellungen über Wissen und Wissensgenese sowie Lernen erfassen. Damit greift es explizit die Chancen auf, die domänenspezifische Überzeugungen aufgrund ihrer größeren Handlungsrelevanz im Vergleich zu allgemeinen epistemischen Vorstellungen bieten (Buehl & Alexander, 2006; Muis et al., 2006). Ziel ist es, einen Beitrag zur Lösung des wissenschaftlichmethodischen Problems zu leisten, das eine zukünftige Weiterentwicklung zu einem Werkzeug für Lehrkräfte erlauben könnte. Ein kurzer domänenspezifischer Fragebogen könnte von Lehrkräften dazu genutzt werden, ihre Unterrichtsentscheidungen auf einer akkuraten Einschätzung der individuellen Vorstellungen ihrer Lernenden zu gründen (unterrichtspraktisches Problem). Im Projekt werden Skalen für die Biologie und die Wirtschaftswissenschaften entwickelt. Damit erlaubt das Projekt den empirischen Vergleich von sehr unterschiedlichen Domänen. So charakterisiert Biglan (1973) die Biologie als eher theoretische und „harte“ Disziplin (große Einigkeit über Inhalt und Methoden), während die Wirtschaftswissenschaften eher als „weiche“ und anwendungsorientierte Disziplin einzuordnen sind (geringe Einigkeit über Inhalt und Methoden). Aufgrund der Komplexität dieses Anliegens konzentriert sich dieser Beitrag auf die Entwicklung der Skalen über die Vorstellungen zum Lernen in der Biologie, die aus der Forschungstradition epistemischer Überzeugungen entstanden sind. Die Ergebnisse für die Vorstellungen über Wissen und Wissensgenese sowie die Wirtschaftswissenschaften werden in einem weiteren Beitrag gesondert dargestellt. Theoretischer Hintergrund Modellierung epistemischer und lernbezogener Vorstellungen Eine Vielzahl empirischer Studien belegt die mehrdimensionale Struktur epistemischer Überzeugungen (z. B. Paechter et al., 2013). Das einflussreiche erste mehrdimensionale Modell entwickelte Schommer (1990). Es bildete den Auslöser für die Diskussion über eine Abgrenzung epistemischer und lernbezogener Vorstellungen und ist Ausgangspunkt für die Entwicklung der neuen Skalen in diesem Beitrag. Es unterscheidet drei Dimensionen von Vorstellungen über Wissen (vgl. Schommer-Aikins, 2004). - Die Dimension Struktur von Wissen reicht von der absoluten Überzeugung, Wissen bestehe aus isolierten Wissensbausteinen, bis zur differenzierten Ansicht, Wissen werde durch hochgradig vernetzte Elemente konstituiert. - Die Dimension Stabilität des Wissens reicht von der absoluten Auffassung, Wissen sei unveränderbar bzw. sicher, bis zur differenzierten Vorstellung, Wissen unterliege einem ständigen Entwicklungsprozess, sei damit vorläufig und unsicher. - Die Dimension Quelle des Wissens reicht von der absoluten Auffassung, Wissen werde durch eine allwissende Autorität vermittelt, bis zur differenzierten Auffassung, Wissen werde durch Argumentation und Prüfung an der Wirklichkeit erlangt. Darüber hinaus berücksichtigt das Modell Überzeugungen zum Lernprozess: - Die Dimension Geschwindigkeit zu lernen reicht von der absoluten Ansicht, „Lernen erfolge entweder unmittelbar oder überhaupt nicht“ (Schommer-Aikins, 2004, S. 20), bis zur differenzierten Vorstellung, Lernen sei ein langsamer Prozess. - Vorstellungen über die Fähigkeit zu lernen schließlich beschreiben den Grad, in welchem die Lernfähigkeit veränderbar ist, und 226 Florian Berding et al. reichen von der absoluten Vorstellung einer mit der Geburt unveränderbaren und endgültigen Festlegung bis zur differenzierten Auffassung einer vollständigen Entwickelbarkeit. Skizze der Diskussion über die Abgrenzung epistemischer und lernbezogener Vorstellungen In der wissenschaftlichen Diskussion wird in der Regel nicht bestritten, dass Vorstellungen über Wissen und Wissensgenese einerseits und Überzeugungen zum Lernen andererseits eng miteinander verbunden sind (z. B. Elby, 2009; Hofer & Pintrich, 1997). Spätestens seit dem Review von Hofer und Pintrich (1997) besteht jedoch eine umfassende Kritik daran, lernbezogene Vorstellungen als Teil epistemischer Überzeugungen zu betrachten. Hofer und Pintrich (1997) argumentieren, nur solche Dimensionen in das Konstrukt aufzunehmen, die sich inhaltlich mit den gleichen Fragestellungen beschäftigen wie die Epistemologie, um eine größere begriffliche Klarheit zu erlangen. Die Epistemologie umfasst philosophische Theorien des Wissens, die versuchen, die Natur von Wissen und Rechtfertigung zu beschreiben. Dem entspricht auch die Dimension Quellen des Wissens (vgl. z. B. Audi, 2011; Brendel & Koppelberg, 1996). Die Dimensionen Fähigkeit zu lernen und Geschwindigkeit zu lernen liegen für Hofer und Pintrich (1997) jedoch außerhalb der Epistemologie, da Überzeugungen zur Fähigkeit zu lernen ein Ausdruck individueller Vorstellungen über Intelligenz und Überzeugungen zur Geschwindigkeit zu lernen ein Ausdruck der erlebten Schwierigkeit von Lernaufgaben bzw. der Erwartungen an Lernprozesse seien. Viele Autorinnen und Autoren schließen sich dieser Sichtweise an (z. B. Sandoval, 2005; Stahl & Bromme, 2007). Auch Elby (2009) erkennt an, dass sich Philosophinnen und Philosophen in der Epistemologie mit der Natur von Wissen und Erkennen und nicht mit Lernen beschäftigen, ist jedoch der Auffassung, dass sich die Definition epistemischer Überzeugungen auf theoretische und empirische Ergebnisse stützen sollte und nicht ausschließlich auf anerkannte Definitionen von Epistemologie. So sieht er die Gefahr, dass durch eine enge Definition mögliche bereichsübergreifende Elemente oder Prozesse, die wissens- und lernbezogene Überzeugungen miteinander untrennbar verweben, unberücksichtigt bleiben könnten. Er verweist darauf, dass phänomenologisch klare Definitionen nicht zwingend eine vorteilhafte Form zur Beschreibung der eigentlichen grundlegenden Mechanismen darstellen. Damit übereinstimmend argumentieren Elby und Hammer (2010) mit dem Ziel der Lehr-Lernforschung, Erkenntnisse über Wissen, Wissensgenese sowie Lernen zu gewinnen, und plädieren aus pragmatischen Gründen für die Berücksichtigung dieser Überzeugungen. Auch Paechter et al. (2013) sprechen sich für eine gemeinsame Erforschung der genannten Überzeugungen aus, fordern jedoch eine begriffliche Trennung in zwei separate Klassen von Konstrukten. Diese Sichtweise vertritt auch Hofer (2010) und fordert, beide Bereiche klar zu differenzieren, jedoch ihre Zusammenhänge zu modellieren. In der Konsequenz erscheint es notwendig, strikt zwischen Überzeugungen zum Wissen und zur Wissensgenese einerseits und Vorstellungen zum Lernen andererseits zu unterscheiden, beide Konstrukte jedoch möglichst zusammen zu erfassen und zu analysieren. Analyse bisheriger Studien und Instrumente zu den lernbezogenen Vorstellungen Für die Ausarbeitung der lernbezogenen Vorstellungen über Biologie wurde die Zuverlässigkeit und Operationalisierung der Vorstellungen zur Fähigkeit und Geschwindigkeit zu lernen in bereits durchgeführten Studien analysiert. Tabelle 1 gibt eine Übersicht zu den erzielten Werten für Cronbachs α . Wie Tabelle 1 zeigt, ist Cronbachs α in der Regel nicht ausreichend für zuverlässige Messungen. Vorstellungen über das Lernen in Biologie 227 Auffallend ist weiterhin, dass die in Tabelle 1 dargestellten Fragebögen auf dem Modell von Schommer (1990) basieren, aber die Unterscheidung von Fähigkeit und Geschwindigkeit nicht vollständig durchhalten. Dies betrifft vor allem die Studien, welche auf dem Epistemological Beliefs Questionnaire (EBQ) aufbauen. Dieser Fragebogen enthält statt Geschwindigkeit zu lernen die Dimension Lernaufwand und Prozess, die wie folgt definiert ist: „Learning Effort/ Process refers to hard work, and effort spent in drilling at one extreme or understanding at the Quelle Instrument Cronbachs α Kommentar (1) (2) (3) (4) Buehl, Alexander & Murphy (2002) DSBQ .70/ .72 .75/ .58 Aufwand für Mathematik und Geschichte (jeweils zwei Stichproben) Barnard-Brak & Lan (2009) EBI .75 .72 .73 .76 Werte für Expertinnen bzw. Experten/ Nicht-Expertinnen bzw. Nicht-Experten Mokwinski (2010) EBI .42 .90 Mokwinski (2011) EBI .75 .85 Allgemeine und domänenspezifische Formulierung Müller & Sulimma (2008) EBI .64 .42 Müller (2009) EBI .54 .64 Schraw, Bendixen & Dunkle (2002) EBI .62 .58 Sulimma (2012) EBI .53 .71 Chai, Teo & Lee (2010) EBQ .77 .50 Chan & Elliott (2004 a) EBQ .69 .66 Lee, Zhang, Song & Huang (2013) EBQ .93 .79 Otting, Zwaal, Tempelaar & Gijselaers (2010) EBQ .64 .59 Saeed, Reza & Momene (2014) EBQ .82 .79 Wong, Chan & Lai (2009) EBQ .71 .70 Berding et al. (2015) OLEQ .61 .63 Paechter et al. (2013) OLEQ .57 .76 Cano (2005) SEQ .64 Schnelles, aufwandloses Lernen Qian & Alvermann (1995) SEQ .62 .79 Schommer-Aikins, Duell & Barker (2003) SEQ .70 .67 .73 .58 .64 .62 Werte für Mathematik/ Sozialwissenschaften/ Wirtschaftswissenschaften Min .42 .42 .50 Mdn .67 .71 .68 Max .93 .90 .79 Tab. 1: Überblick der in verschiedenen Studien erzielten Werte für Cronbachs α der lernbezogenen Skalen Anmerkungen: (1) = Fähigkeit zu lernen, (2) = Geschwindigkeit zu lernen, (3) = Lernaufwand und Prozess, (4) = andere; SEQ = Schommer Epistemological Questionnaire, EBI = Epistemic Beliefs Inventory, DSBQ = Domain-Specific Beliefs Questionnaire, OLEQ = Oldenburg Epistemic Beliefs Questionnaire, EBQ = Epistemological Beliefs Questionnaire. 228 Florian Berding et al. other“ (Chan & Elliott, 2004 a, S. 821). Dieser Aspekt nimmt ebenfalls Bezug auf den Lernprozess, legt aber im Gegensatz zur Dimension Geschwindigkeit zu lernen den Fokus nicht auf die zeitliche Dauer, sondern auf den damit verbundenen Aufwand (Chan & Elliott, 2004 b). Die Studie von Paechter et al. (2013) zeigt, dass mit der Dimension der Geschwindigkeit noch weitere Facetten von Lernvorstellungen verbunden sind. Hier laden in Faktorenanalysen Aussagen auf den Faktor Geschwindigkeit zu lernen, welche eigentlich zur Dimension Quelle des Wissens oder Fähigkeit zu lernen gehören. Auch stellt Sulimma (2012, S. 114) in einer faktoranalytischen Auswertung die Zuordnung einer Aussage zur Dimension Geschwindigkeit zum Faktor Fähigkeit zu lernen fest („Studierende, die in der Lage sind, Sachverhalte schnell zu verstehen, sind die erfolgreichsten“). Ähnlich ist der Faktor Fähigkeit zu lernen bei Mokwinski (2010) aufgebaut. Diesen konstituieren die drei Aussagen „Lernende, die Sachverhalte schnell lernen, sind die erfolgreichsten“, „Wirklich Clevere müssen nicht allzu hart arbeiten, um in der Schule/ im Studium gut zu sein“ und „Wie gut man in der Schule/ im Studium ist, hängt davon ab, wie clever man ist“ (Mokwinski, 2010, S. 126). Wie die Analyse dieser Studien zeigt, verbergen sich hinter den lernbezogenen Vorstellungen offenbar drei miteinander verwobene Aspekte: Vorstellungen über die Geschwindigkeit, Fähigkeit und Anstrengung zu lernen. Ergebnisse aus der Motivationspsychologie bestätigen, dass eine feinere Differenzierung aussagekräftig ist. So unterscheiden Schuster, Försterling und Weiner (1989) Ursachen für Erfolg bzw. Misserfolg u. a. auf zwei Dimensionen, zum einen auf derjenigen der Lokation der Ursache innerhalb oder außerhalb der Person, zum anderen auf derjenigen der zeitlichen Stabilität (variabel vs. stabil). In dieses Schema ordnet sich die Erklärung eines Erfolgs bzw. Misserfolgs durch Fähigkeit als eine in der Person verankerte stabile Ursache ein. Die Erklärung von Erfolg bzw. Misserfolg durch Anstrengung stellt eine variable, in der Person liegende Ursache dar. Während die Lokation die affektiven Auswirkungen der Ursachen beeinflusst, wirkt sich die zeitliche Stabilität der Ursachen vor allem auf die Erwartungen zukünftigen Erfolgs bzw. Misserfolgs aus (Brandstätter, Schüler, Puca & Lozo, 2013). Beispielsweise führt die Attribution eines Misserfolgs auf einen zeitlich stabilen Faktor zu einer verringerten Erfolgserwartung für die Zukunft (Rheinberg, 2006). Die Unterscheidung zwischen Geschwindigkeit, Anstrengung und Fähigkeit lässt folglich eine differenzierte und stärkere Erklärungskraft der lernbezogenen Vorstellungen erwarten. Ziele und Hypothesen Zusammengefasst zeigt die Analyse der bisherigen Forschungsliteratur, dass (a) die domänenspezifische Ebene ein stärkeres Erklärungspotenzial für Lernprozesse aufweist als die allgemeine Ebene, (b) lernbezogene Vorstellungen von epistemischen Überzeugungen strikt zu trennen sind, (c) mit der Geschwindigkeit, Fähigkeit und Anstrengung zu lernen vermutlich drei Facetten lernbezogener Vorstellungen vorliegen und (d) zuverlässige Erhebungsinstrumente zu ihrer Erfassung fehlen. Es ergeben sich die folgenden Hypothesen: 1. Es lässt sich eine Dimension zu den Vorstellungen über die Geschwindigkeit, Biologie zu lernen, nachweisen. 2. Es lässt sich eine Dimension zu den Vorstellungen über die Anstrengung, Biologie zu lernen, nachweisen. 3. Es lässt sich eine Dimension zu den Vorstellungen über die Fähigkeit, Biologie zu lernen, nachweisen. Ziel ist es, zuverlässige und valide Skalen zur Erfassung dieser Dimensionen zu entwickeln. Methode Arbeitsdefinitionen Basierend auf den drei identifizierten Facetten der lernbezogenen Vorstellungen wurde zunächst eine Arbeitsdefinition entwickelt. Vorstellungen über das Lernen in Biologie 229 - Die Dimension Anstrengung zu lernen beschreibt die Bedeutung von Mühe/ Aufwand beim Lernen. Sie reicht von der Auffassung, dass Anstrengung keine Rolle spiele, bis zur Ansicht, dass Anstrengung von wesentlicher Relevanz für den Lernprozess sei. Anstrengung wird als eine variable, d. h. zeitlich nicht stabile, in der Person liegende Größe verstanden. - Die Dimension Begabung zu lernen beschreibt die Bedeutung einer angeborenen Fähigkeit zum Lernen. Sie reicht von der Auffassung, dass Begabung keine Bedeutung habe, bis zur Ansicht, dass Begabung von wesentlicher Relevanz für den Lernprozess sei. Begabung wird als eine zeitlich stabile, in der Person liegende Größe aufgefasst. - Die Dimension Geschwindigkeit zu lernen beschreibt den notwendigen zeitlichen Aufwand, um zu lernen. Sie reicht von der Ansicht, Lernen erfolge schnell, bis zu der Ansicht, dass Lernen einen zeitlich aufwendigen Prozess darstelle. Sie wird als eine auf den Inhalt bezogene, d. h. nicht in der Person liegende, aber durch die Person beeinflussbare (Begabung, Anstrengung) Größe aufgefasst. Auf der Grundlage dieser Arbeitsdefinitionen wurden Items aus bestehenden Instrumenten für den Bereich Biologie adaptiert und neue Aussagen nach dem rationalen Konstruktionsansatz (z. B. Kaplan & Saccuzzo, 2013) generiert. Der so gebildete Itempool umfasst je sechs Aussagen für Geschwindigkeit und Anstrengung sowie sieben für Begabung (für den Wortlaut und die Herkunft der Items vgl. Tab. 2). Stichprobe An der Studie nahmen insgesamt 363 Lehramtsstudierende teil (70,4 % weiblich, Alter: M = 22.96 Jahre; SD = 3.92 Jahre). Davon waren 38,6 % in einem Bachelor- und 41,0 % in einem Masterstudiengang eingeschrieben (von 20,4 % der Studierenden fehlte die Angabe dazu). Insgesamt gaben 43,8 % der Studierenden Biologie als eines ihrer Unterrichtsfächer an, 29,2 % Sachunterricht (von 27,0 % fehlen die Angaben). Der hohe Anteil fehlender Werte ist teilweise auf den Einsatz offener Fragen zurückzuführen, die von den Studierenden vielfach nicht sachgemäß beantwortet wurden. Da die Erhebung in Biologieveranstaltungen stattfand, kann vorausgesetzt werden, dass auch die Studierenden mit fehlenden Angaben Biologie oder Sachunterricht als Unterrichtsfach haben. Für die Skalenentwicklung wurden Studierende der Biologie ausgewählt, da sie im Gegensatz zu Schülerinnen und Schülern einen Bezug zur Domäne aufweisen, und aufgrund des sophistizierten Konstrukts für die erste Entwicklungsrunde mit Blick auf das wissenschaftlich-methodische Problem eine zuverlässigere Stichprobe darstellen sollten. Instrument und Durchführung Am Ende universitärer Lehrveranstaltungen wurden die Studierenden gebeten, einen Fragebogen zu bearbeiten, der neben den Items zu den lernbezogenen Vorstellungen auch weitere Messinstrumente enthielt. Die Befragung war anonym und freiwillig. Die lernbezogenen Vorstellungen der angehenden Lehrkräfte wurden mit den neu entwickelten bzw. adaptierten Items erfasst. Die Studierenden bewerteten die Aussagen auf einer siebenstufigen Skala von 0 = trifft gar nicht zu bis 6 = trifft genau zu. Alle Antworten wurden so kodiert, dass hohe Werte eine hohe Bedeutung von Anstrengung bzw. Begabung beim Lernen implizieren und Lernen als langsamen Prozess darstellen. Analyse Die Analyse der Skalen gliederte sich in zwei Phasen. In der ersten Phase wurden die Daten einer explorativen Faktorenanalyse (EFA) unterzogen. Es wurde versucht, entsprechend der Hypothesen drei Faktoren zu identifizieren. Für die Bestimmung der Faktoranzahl existieren mehrere Kriterien, wobei der Minimum-Partial-Test (MAP-Test) sowie die Parallelanalyse als besonders aussagekräftig gelten (z. B. Bühner, 2011; Moosbrugger & Schermelleh-Engel, 2012; Schmitt, 2011). Die Parallelanalyse verfolgt eine Absicherung der Faktorenanzahl gegenüber dem Zufall, indem die Eigenwerte der Stichprobe den Eigenwerten aus Zufallswerten gegenübergestellt werden. Es gelten die Faktoren als bedeutsam, deren Eigenwert über dem Wert für das 95 %-Perzentil liegt (Bühner, 2011). Der MAP-Test ermittelt die Faktorenanzahl, bei der „die systematische Varianz der Korrelationsmatrix ausgeschöpft“ ist (Bühner, 2011, S. 325). Es kam die Maximum-Likelihood-Methode zum Einsatz (ML). Sie setzt eine multivariate Normalverteilung voraus und besitzt die Vorteile, dass sie einen Test auf die Signifikanz der Faktorladungen erlaubt sowie die Anschlussfähigkeit der Ergebnisse an kon- 230 Florian Berding et al. firmatorische Faktorenanalysen sicherstellt (Bühner, 2011; Schmitt, 2011). Die Berechnungen verwendeten eine oblique Geomin-Rotation. Oblique Rotationen, welche sowohl zu korrelierten als auch unkorrelierten Faktoren führen können, sind stets den orthogonalen Rotationen, die unkorrelierte Faktoren erzwingen, vorzuziehen, da sie u. a. zu belastbareren Ergebnissen führen (Bühner, 2011; Schmitt, 2011). Die Vorteile der Geomin-Rotation bestehen zudem darin, dass sie vergleichsweise eindeutige Faktorstrukturen erbringt und auch an konfirmatorische Faktorenanalysen anschlussfähig ist (Schmitt, 2011). In der zweiten Analysephase wurde auf eine konfirmatorische Faktorenanalyse (CFA) zurückgegriffen, die weitere Kennzahlen bereitstellte: - Die Indikatorreliabilität (IR) beschreibt die Fähigkeit eines Items, die latente Variable zu messen (Zinnbauer & Eberl, 2005). Sie sollte mindestens .40 betragen (Weiber & Mühlhaus, 2014). - Die Faktorreliabilität (FR) ist ein Maß für die Fähigkeit, mit der alle Items zusammen zur Messung der latenten Variablen beitragen (Zinnbauer & Eberl, 2005). Sie sollte bei mindestens .60 liegen (Bagozzi & Yi, 1988). - Die durchschnittlich erfasste Varianz (DEV) spiegelt den Anteil der Streuung des Konstrukts wider, der im Durchschnitt durch die Indikatoren erklärt wird (Weiber & Mühlhaus, 2014). Sie sollte höher als .50 sein (Bagozzi & Yi, 1988). - Die diskriminante Validität wird über das Fornell- Larcker-Kriterium geprüft. Es fordert, dass die quadrierte Korrelation zwischen zwei Konstrukten geringer ist als die durchschnittlich erfasste Varianz der Konstrukte (Fornell & Larcker, 1981). Ergänzend wurden Kennwerte aus Item- und Reliabilitätsanalysen herangezogen. Ergebnisse Prüfung zentraler Voraussetzungen Es zeigte sich, dass die univariate Schiefe den Betrag von 1.85 und die univariate Kurtosis den Betrag von 4.00 nicht überstieg. Diese Werte lagen innerhalb der Bandbreite für eine moderate Verletzung der multivariaten Normalverteilung (|Schiefe| < 2, |Kurtosis| < 7) und erlauben die Anwendung des ML-Schätzers für die CFA (Reinecke, 2014). Darüber hinaus konnten ein Kaiser-Meyer-Olkin-Koeffizient (KMO) von .87, ein signifikanter Bartlett-Test auf Sphärizität, χ ²(171) = 2562.70, p < .01, sowie Measure of Sample Adequacy-Werte (MSA) sämtlicher Items von mindestens .79 ermittelt werden. Die Voraussetzungen zur Durchführung einer EFA lagen damit vor (Bühner, 2011). Explorative Faktorenanalyse Die Resultate des MAP-Tests deuten auf zwei Faktoren hin. Bei der Parallelanalyse lagen die Eigenwerte des ersten bis dritten Faktors oberhalb des 95 %-Perzentils. Vor dem Hintergrund, dass auch die Theorie drei Faktoren erwarten ließ und im Zweifelsfall stets die höhere Anzahl zu extrahieren ist, wurde die Analyse mit drei Faktoren fortgesetzt (z. B. Bühner, 2011; Schmitt, 2011). Die relevanten Informationen zur Beurteilung der lokalen Modellgüte zeigt Tabelle 2, wobei zur besseren Übersicht nicht-signifikante Ladungen unter .30 ausgeblendet sind. Tabelle 2 verdeutlicht, dass es nicht möglich war, das Kriterium der Einfachstruktur zu erfüllen. Der erste Faktor wurde von Items dominiert, die zur Skala Anstrengung gehören. Die Aussagen 1, 4 und 15 wiesen geringe Ladungen für Faktor 1 auf. Es ist daher plausibel, den ersten Faktor als die Überzeugungen zur Anstrengung zu lernen zu interpretieren. Die Items 2, 3 und vor allem 6 wiesen die höchsten Faktorladungen von mindestens .60 auf dem zweiten Faktor auf, womit dort die Vorstellungen zur Geschwindigkeit zu lernen dominierten. Mit Ausnahme von Aussage 19 luden auf Faktor 3 nur solche Items mit hohen Faktorladungen, die ursprünglich Vorstellungen zur Begabung zu lernen messen sollten, sodass eine entsprechende Interpretation zulässig erschien. Zusammengefasst konnte die EFA die Hypothesen bestätigen. Tabelle 2 zeigt jedoch auch, dass vier Aussagen (Items 8, 15, 18, 19) auf mehreren Vorstellungsdimensionen luden. Diese Items eigneten sich nicht für eine eindimensionale Messung, sie wurden daher eliminiert. Die EFA-Ergebnisse legten ebenso einen Ausschluss der Aussa- Vorstellungen über das Lernen in Biologie 231 Nr. Item entwickelt für die Dimension Faktor 1 2 3 Geschwindigkeit 1 Ich bin davon überzeugt, dass Wissen in der Biologie nur langsam angeeignet werden kann. .412* 2 Ich bin davon überzeugt, dass, wenn man Wissen in der Biologie nicht sofort versteht, es nie versteht. a .678* 3 Ich bin davon überzeugt, dass, wenn man in der Biologie ein Thema beim ersten Durchgehen nicht verstanden hat, ein zweites Mal auch nicht viel helfen wird. a .619* 4 Ich bin davon überzeugt, dass biologische Sachverhalte nur verstanden werden, wenn man sich mit ihnen längere Zeit befasst. .575* 5 Ich bin davon überzeugt, dass man Wissen in der Biologie nur mit großem Zeitaufwand erwerben kann. .740* 6 Ich bin davon überzeugt, dass man Sachinhalte der Biologie auf Anhieb versteht oder nie. .751* Anstrengung 7 Ich bin davon überzeugt, dass man sich anstrengen muss, um Inhalte in der Biologie zu verstehen. .856* 8 Ich bin davon überzeugt, dass es anstrengend ist, sich biologisches Wissen anzueignen. .638* -.186* 9 Ich bin davon überzeugt, dass es Mühe kostet, Inhalte in der Biologie zu durchdenken. .684* 10 Ich bin davon überzeugt, dass die Biologie ein Fachgebiet ist, in dem der Aufbau von Wissen viel Aufwand bedeutet. .661* 11 Ich bin davon überzeugt, dass man Mühe aufwenden muss, um sich Inhalte in der Biologie zu erklären. .824* 12 Ich bin davon überzeugt, dass es ein mühevoller Prozess ist, biologisches Wissen zu erlangen. .710* Begabung 13 Ich bin davon überzeugt, dass das geistige Potenzial für das Erlernen von Biologie-Wissen von Geburt an festgelegt ist. a .791* 14 Ich bin davon überzeugt, dass die Leistungsfähigkeit einer Person in der Biologie im Wesentlichen davon abhängt, wie intelligent die Person ist. .457* 15 Ich bin davon überzeugt, dass die Fähigkeit, Biologie zu lernen, entwickelt werden kann. -.112* -.394* 16 Ich bin davon überzeugt, dass das Verständnis für Biologie angeboren ist. .774* 17 Ich bin davon überzeugt, dass der erfolgreiche Wissenserwerb in der Biologie im Wesentlichen von der Begabung einer Person abhängt. .423* 18 Ich bin davon überzeugt, dass einige Lernende Sachverhalte in der Biologie im Wesentlichen aufgrund einer angeborenen Begabung besser oder schlechter lernen können als andere. .232* .770* 19 Ich bin davon überzeugt, dass man zum Erwerb von Wissen in der Biologie nicht unbedingt begabt sein muss. -.293* .192* Tab. 2: Faktorladungen aus der rotierten EFA-Lösung (oblique Geomin-Rotation) Anmerkungen: a paraphrasiert von Schraw, Bendixen und Dunkle (2002). Restliche Items: eigene Entwicklung. * p < .05. 232 Florian Berding et al. gen 1, 4 und 5 nahe, da diese zwar bedeutende Ladungen auf dem Faktor Anstrengung zu lernen aufwiesen, jedoch Vorstellungen zur Geschwindigkeit zu lernen messen sollten. Der so bereinigte Skalensatz beinhaltete drei Aussagen zur Geschwindigkeit, fünf für Anstrengung und vier Items für Begabung. Konfirmatorische Faktorenanalyse Die bereinigte Itemlösung zeigte einen Root- Mean-Square-Error of Approximation (RMSEA) von .052, CI90: (.037; .067), ein Standardized- Root-Mean-Residual (SRMR) von .043 und einen Comparative-Fit-Index (CFI) von .967. Mit diesen Werten (höchstens .06 für RMSEA und .09 für SRMR bzw. mindestens .950 für den CFI) lag eine globale Passung des Messmodells vor (Hu & Bentler, 1999). Die lokale Modellgüte kann anhand der standardisierten Faktorladungen und Indikatorreliabilitäten in Tabelle 3 beurteilt werden. Sämtliche Faktorladungen waren auf dem 0,1 %-Niveau signifikant, was auf eine lokale Passung des Modells hindeutete. Insgesamt lag damit eine zufriedenstellende Passung des Messmodells vor. Tabelle 3 zeigt Kennzahlen zur Beurteilung der Skalen. Allgemein sollte die Indikatorreliabilität stets mindestens 40 % betragen (Wei- Nr. Item SF M SD r ix IR 2 Ich bin davon überzeugt, dass, wenn man Wissen in der Biologie nicht sofort versteht, es nie versteht. .697 6.17 1.08 .595 .486 3 Ich bin davon überzeugt, dass, wenn man in der Biologie ein Thema beim ersten Durchgehen nicht verstanden hat, ein zweites Mal auch nicht viel helfen wird. .708 6.28 .93 .586 .501 6 Ich bin davon überzeugt, dass man Sachinhalte der Biologie auf Anhieb versteht oder nie. .762 6.08 1.19 .615 .581 7 Ich bin davon überzeugt, dass man sich anstrengen muss, um Inhalte in der Biologie zu verstehen. .873 4.35 1.41 .775 .762 9 Ich bin davon überzeugt, dass es Mühe kostet, Inhalte in der Biologie zu durchdenken. .685 4.67 1.40 .645 .469 10 Ich bin davon überzeugt, dass die Biologie ein Fachgebiet ist, in dem der Aufbau von Wissen viel Aufwand bedeutet. .629 4.60 1.32 .597 .396 11 Ich bin davon überzeugt, dass man Mühe aufwenden muss, um sich Inhalte in der Biologie zu erklären. .829 4.46 1.44 .736 .687 12 Ich bin davon überzeugt, dass es ein mühevoller Prozess ist, biologisches Wissen zu erlangen. .694 4.09 1.45 .657 .482 13 Ich bin davon überzeugt, dass das geistige Potenzial für das Erlernen von Biologie-Wissen von Geburt an festgelegt ist. .777 2.25 1.37 .588 .604 14 Ich bin davon überzeugt, dass die Leistungsfähigkeit einer Person in der Biologie im Wesentlichen davon abhängt, wie intelligent die Person ist. .423 2.78 1.41 .407 .179 16 Ich bin davon überzeugt, dass das Verständnis für Biologie angeboren ist. .847 2.31 1.30 .594 .717 17 Ich bin davon überzeugt, dass der erfolgreiche Wissenserwerb in der Biologie im Wesentlichen von der Begabung einer Person abhängt. .415 3.22 1.35 .400 .172 Tab. 3: Standardisierte Faktorladungen, Itemschwierigkeit, Itemvarianz, Trennschärfe und Indikatorreliabilität Anmerkungen: SF = Standardisierte Faktorladung, IR = Indikatorreliabilität, r ix =Trennschärfe mit Part-Whole-Korrektur. Alle Faktorladungen sind auf dem 0,1 %-Niveau signifikant. Vorstellungen über das Lernen in Biologie 233 ber & Mühlhaus, 2014). Im vorliegenden Fall schwankte sie zwischen .172 und .762 (Mdn = .494). Lediglich drei Items erfüllten diese Bedingung nicht. Mit Ausnahme der Items 7 und 11 besaßen sämtliche Aussagen zudem eine gute Trennschärfe im Bereich zwischen .40 und .70 (Kelava & Moosbrugger, 2012). Auch die in Tabelle 3 abgebildeten Itemvarianzen wiesen für die Skalen Anstrengung zu lernen und Begabung zu lernen günstige Werte mit Standardabweichungen von mindestens 1.30 auf. Die Antworten zu den Aussagen der Skala Geschwindigkeit zu lernen waren hingegen durch eine geringere Itemvarianz zwischen .93 und 1.19 gekennzeichnet. Die Itemschwierigkeit der Skalen stellte sich insgesamt homogen dar. Beispielsweise lag der Mittelwert sämtlicher Aussagen der Skala Anstrengung zu lernen im Bereich von 4.09 und 4.67. Wünschenswert ist allerdings eine große Bandbreite von leichten bis schweren Items, damit die Skala in allen Bereichen der Vorstellungen aussagekräftig differenzieren kann (Bühner, 2011). Tabelle 4 zeigt die von den Skalen erzielten Reliabilitäten. Die Werte für Cronbachs α und die Faktorreliabilitäten lagen stets oberhalb der Mindestanforderungen von .70 bzw. .60 (Adams & Lawrence, 2015; Bagozzi & Yi, 1988). Den Minimalwert von .50 für die durchschnittlich erfasste Varianz erfüllten zwei der drei Skalen (Ausnahme Begabung zu lernen mit .418; Bagozzi & Yi, 1988). Die diskriminante Validität kann anhand der Korrelationen, quadrierten Korrelationen und der durchschnittlich erfassten Varianz in Tabelle 5 beurteilt werden. Für alle Kombinationen von Vorstellungsdimensionen lag die quadrierte Korrelation stets unterhalb der durchschnittlich erfassten Varianz. In der Folge erfüllten die Skalen das strenge Fornell-Larcker-Kriterium. Diskussion Ziel der vorliegenden Studie ist es, einen Beitrag zur Lösung des wissenschaftlich-methodischen Problems mit Ausblick auf das unterrichtspraktische Problem zu leisten. So lässt sich zunächst feststellen, dass die Faktorstruktur der neu entwickelten Skalen die Daten angemessen beschreibt. Es gelingt, die vermuteten drei Dimensionen lernbezogener Vorstellungen trennscharf zu erfassen, wie die Erfüllung des Fornell-Larcker-Kriteriums zeigt. Dabei liegen die Werte für Cronbachs α mit mindestens .71 über der Zuverlässigkeit in den meisten bislang durchgeführten Studien (vgl. Tab. 1). Der Grenzwert für die Faktorreliabilität ist in allen Fällen erfüllt, und selbst die DEV liegt mit Ausnahme der Skala für die Begabung zu lernen oberhalb der Mindestanforderung von .50 (Bagozzi & Yi, 1988). Für die Beurteilung der DEV liegen im Bereich lernbezogener Überzeugungen bislang kaum Erfahrungswerte vor. Beispielsweise erzielen Chai, Teo und Lee (2010) Werte von .56 für die Skaα FR DEV Geschwindigkeit Anstrengung Begabung .76 .86 .71 .77 .86 .72 .52 .56 .42 Tab. 4: Cronbachs α , Faktorreliabilität und durchschnittlich erfasste Varianz Anmerkungen: FR = Faktorreliabilität, DEV = durchschnittlich erfasste Varianz. Geschwindigkeit Anstrengung Begabung Geschwindigkeit Anstrengung Begabung .52 -.16* -.62** .02 .56 .09 .38 .01 .42 Tab. 5: Korrelation, quadrierte Korrelation und durchschnittlich erfasste Varianz der Skalen Anmerkungen: Werte unterhalb der Diagonalen: Korrelation; Werte oberhalb der Diagonalen: quadrierte Korrelation; Werte auf der Diagonalen: durchschnittlich erfasste Varianz. * p < .05. ** p < .01. 234 Florian Berding et al. la Lernprozess und Aufwand und .57 für die Skala Fähigkeit. Wong, Chan und Lai (2009) ermitteln hingegen Werte von .38 für die Skala Lernprozess und Aufwand bzw. von .28 für die Skala Fähigkeit. Die neu entwickelten Skalen stellen somit einen Fortschritt in methodischer Hinsicht dar. Dieser Fortschritt lässt sich vermutlich auf die speziell für die Domäne Biologie entwickelten Items zurückführen. So kommen Trautwein, Lüdtke und Beyer (2004) zu dem Schluss, dass die geringe Zuverlässigkeit von Instrumenten zur Erhebung allgemeiner epistemischer Vorstellungen darin begründet ist, dass die Teilnehmerinnen und Teilnehmer bei der Beantwortung der Aussagen an unterschiedliche Thematiken denken, die Benennung des konkreten Gegenstands diese Varianzquelle jedoch eindämmen könnte. In der Konsequenz erscheint nicht nur aus inhaltlichen, sondern auch methodischen Gründen eine Konzentration auf die domänenspezifische Ebene zielführend. Der Vorteil besserer psychometrischer Kennwerte ist gleichzeitig mit dem Nachteil verbunden, dass der Adaption der Skalen für andere Fächer (z. B. Wirtschaftswissenschaften) durch Austauschen der jeweiligen Begriffe enge Grenzen gesetzt sind. Wie Köller, Baumert und Neubrand (2000) bereits herausstellen, tragen Fächer jeweils einzigartige Fragestellungen an ihren jeweiligen Gegenstand heran. Buehl und Alexander (2006) gehen folgerichtig davon aus, dass es Überzeugungsdimensionen gibt, die nur für einzelne Domänen existieren. Dementsprechend wären eigenständige Studien und Instrumente für andere Fächer notwendig und die Übertragung der Ergebnisse dieser Studie auf Bereiche außerhalb der Biologe mit Vorsicht vorzunehmen. Im Rahmen der EFA wurde ein Teil der Aussagen aus den Skalen eliminiert (vgl. Tab. 2). Beispielsweise luden die Aussagen 1, 4 und 5 auf den Faktor Anstrengung zu lernen, obwohl sie ursprünglich für den Faktor Geschwindigkeit entwickelt wurden. Diese Aussagen sind dadurch gekennzeichnet, dass sie Zeitaufwand (Item 5), längere Zeit (Item 4) und langsam (Item 1) ansprechen. Es ist denkbar, dass die Probandinnen und Probanden diese Aspekte mit Mühsal verbinden und somit mit dem Aspekt der Anstrengung in Verbindung bringen. Die verbleibenden Aussagen 2, 3 und 6 für den Faktor Geschwindigkeit zu lernen haben hingegen in ihrer Formulierung gemeinsam, dass sie auf ein Verstehen abzielen und dieser Zustand entweder ad-hoc oder nie eintritt. Inhaltlich koppeln diese Items eine Vorstellung von Dauer mit Lernerfolg. Möglicherweise steht dahinter eine Vorstellung von der notwendigen Anzahl an Versuchen, die für ein Verstehen erforderlich sind. Je mehr Versuche notwendig sind, desto länger dauert der Prozess des Verstehens. Die Auslegung von Geschwindigkeit als Anzahl notwendiger Versuche sollte bei einer Überarbeitung der Arbeitsdefinition Berücksichtigung finden. Die verbleibenden Items für Anstrengung und Begabung entsprechen hingegen der Arbeitsdefinition. Verbesserungsbedarf besteht in Bezug auf die geringe Variabilität in der Itemschwierigkeit. Idealerweise enthält ein Test leichte, mittlere und schwere Items, um in allen Bereichen eines Merkmals differenzieren zu können (Bühner, 2011). Im vorliegenden Fall hat dies beispielsweise für die Skala Begabung zu lernen mit eher schweren Items zur Konsequenz, dass im Bereich der absoluten Vorstellungen keine feine Unterscheidung der Lernenden mehr möglich ist. Zwar ist das Instrument in der Lage, Individuen mit absoluten und differenzierten Begabungsvorstellungen zu identifizieren, aber im Bereich der eher absoluten Vorstellungen ist eine feine Unterscheidung der Lernenden schwierig. Das Instrument ist also besser in der Lage, Individuen mit vergleichsweise differenzierten Überzeugungen voneinander zu unterscheiden als Individuen mit vergleichsweise absoluten Überzeugungen. Ob diese feine Abstufung notwendig für die praktische Arbeit in der Lehre ist, müssen weitere Studien zeigen. Aus unterrichtspraktischer Sicht erlauben die Skalen eine Erfassung von lernbezogenen Vorstellungen in Abgrenzung von Vorstellungen über Wissen und Wissensgenese. Zudem ist die Vorstellungen über das Lernen in Biologie 235 feinere Differenzierung von lernbezogenen Vorstellungen in die Bereiche Anstrengung, Geschwindigkeit und Begabung anschlussfähig an motivationspsychologische Arbeiten (z. B. Schuster et al., 1989). Stellt eine Lehrkraft beispielsweise mit der neuen Skala Anstrengung zu lernen fest, dass ein Lernender davon überzeugt ist, Lernen in der Biologie erfordere keine Anstrengung, so kann diese Vorstellung eine Erklärung für schlechte Leistungen darstellen. Eine Lehrkraft kann dieses Wissen nutzen, um gezielt zu intervenieren und den Lernenden davon zu überzeugen, dass für das Erlernen von Biologieinhalten Anstrengungen und Mühe erforderlich sind. Ähnliches gilt für die Vorstellung von Lernenden, Biologie sei nur von Personen erlernbar, die die entsprechende feststehende Fähigkeit zu lernen mitbringen. Die Lehrkraft könnte aufzeigen, dass die Leistungen stärker von Anstrengung als von vorbestimmter Fähigkeit abhängen. Gelangt eine Lehrkraft auf der Dimension Geschwindigkeit zu lernen zu der Diagnose, dass ein Lernender daran glaubt, dass Verstehen beim ersten Versuch gelingen muss oder nie gelingen wird, so kann sie diese Erkenntnis nutzen, um dem Lernenden aufzuzeigen, dass häufig mehrere Versuche notwendig sind. Es ist zu erwarten, dass sich Lernergebnisse auf diese Weise oft verbessern lassen. Insgesamt stellen die Skalen mit den oben dargestellten Einschränkungen einen ersten Beitrag zur Entwicklung eines Werkzeuges für die Lerndiagnostik dar. Die Skalen bestehen aus nur wenigen Aussagen und sind sprachlich einfach gehalten, sodass ein Einsatz nicht nur bei Studierenden, sondern auch bei Schülerinnen und Schülern perspektivisch möglich erscheint. Zu diesem Zweck müssen die an einer Stichprobe von Biologiestudierenden erprobten Skalen auch bei Schülerinnen und Schülern verschiedener Altersstufen getestet werden, insbesondere auch dahingehend, ob sich eine ähnliche Faktorenstruktur nachweisen lässt. Es fehlen zudem bislang Normwerte, die zur Interpretation der diagnostizierten Vorstellungen der Lernenden herangezogen werden können (vgl. dazu z. B. Ingenkamp & Lissmann, 2008). Darüber hinaus ist es notwendig, zu belegen, dass die Skalen zur Prognose von lernrelevanten Faktoren (z. B. Lernerfolg) geeignet sind (Kriteriumsvalidität) und bessere Vorhersagen erlauben als bestehende Instrumente (inkrementelle Validität). Die Stabilität der Zuverlässigkeit ist ebenfalls in weiteren Studien zu prüfen. Erst wenn dies gelingt, können die neuen Skalen Lehrende bei der Umsetzung der anspruchsvollen Lerndiagnostik ihrer Lernenden unterstützen. Literatur Adams, K. A. & Lawrence, E. K. (2015). Research methods, statistics, and applications. Thousand Oaks, CA: Sage. Audi, R. (2011). Epistemology. A contemporary introduction of the theory of knowledge (3rd ed.). New York, NY: Routledge. Bagozzi, R. P. & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16 (1), 74-94. http: / / dx.doi.org/ 10.10 07/ BF02723327 Barnard-Brak, L. & Lan, W. (2009). Epistemological beliefs across faculty experts and student non-experts. Journal of Further and Higher Education, 33, 289 - 300. http: / / dx.doi.org/ 10.1080/ 03098770903026206 Berding, F. (2015). Entwicklung eines Modells zur Beschreibung des Einflusses der epistemischen Überzeugungen von Lehrkräften auf den Aufgabeneinsatz im kaufmännischen Unterricht. bwp@, 28, 1 - 30. Berding, F., Brauer, H., Lindhorst-von Hebel, K., Basten, M., Rebmann, K. & Wilde, M. (2015). Gemeinsamkeiten und Unterschiede in den epistemischen Überzeugungen von angehenden Handelslehrkräften, Bankkaufleuten und Biologielehrkräften. Zeitschrift für Berufs- und Wirtschaftspädagogik, 111, 389 - 416. Biglan, A. (1973). The characteristics of subject matter in different academic areas. Journal of Applied Psychology, 57, 195 - 203. http: / / dx.doi.org/ 10.1037/ h0034701 Brandstätter, V., Schüler, J., Puca, R. M. & Lozo, L. (2013). Motivation und Emotion. Berlin: Springer. https: / / dx. doi.org/ 10.1007/ 978-3-642-30150-6 Brendel, E. & Koppelberg, D. (1996). Erkenntnistheorie, Epistemologie. In G. Strube, B. Becker, C. Freksa, U. Hahn, K. Opwis & G. Palm (Hrsg.), Wörterbuch der Kognitionswissenschaft (S. 151 - 157). Stuttgart: Klett- Cotta. Bromme, R., Kienhues, D. & Stahl, E. (2008). Knowledge and epistemological beliefs: An intimate but complicate relationship. In M. S. Khine (Ed.), Knowing, knowledge and beliefs (pp. 423 - 441). Dordrecht: Springer. https: / / dx.doi.org/ 10.1007/ 978-1-4020-65 96-5_20 Bråten, I., Strømsø, H. I. & Samuelstuen, M. S. (2008). Are sophisticated students always better? The role of topicspecific personal epistemology in the understanding of multiple expository texts. Contemporary Educational Psychology, 33, 814 - 840. http: / / dx.doi.org/ 10.1016/ j.cedpsych.2008.02.001 Buehl, M. M. & Alexander, P. A. (2006). Examining the dual nature of epistemological beliefs. Educational Research, 45, 28 - 42. http: / / dx.doi.org/ 10.1016/ j.ijer.20 06.08.007 236 Florian Berding et al. Buehl, M. M., Alexander, P. A. & Murphy, P. K. (2002). Beliefs about schooled knowledge: Domain specific or domain general? Contemporary Educational Psychology, 27, 415 - 449. http: / / dx.doi.org/ 10.1006/ ceps.2001. 1103 Bühner, M. (2011). Einführung in die Test- und Fragebogenkonstruktion (3. Aufl.). München: Pearson. Cano, F. (2005). Epistemological beliefs and approaches to learning: Their change through secondary school and their influence on academic performance. British Journal of Educational Psychology, 75, 203 - 221. https: / / dx. doi.org/ 10.1348/ 000709904X22683 Chai, C. S., Teo, T. & Lee, C. B. (2010). Modelling the relationships among beliefs about learning, knowledge, and teaching of pre-service teachers in Singapore. Asia- Pacific Education Researcher, 19 (1), 25 - 42. https: / / dx. doi.org/ 10.3860/ taper.v19i1.1507 Chan, K.-W. & Elliott, R. G. (2004a). Relational analysis of personal epistemology and conceptions about teaching and learning. Teaching and Teacher Education, 20, 817 - 831. http: / / dx.doi.org/ 10.1016/ j.tate.2004.09. 002 Chan, K.-W. & Elliott, R. G. (2004 b). Epistemological beliefs across cultures: Critique and analysis of beliefs structures studies. Educational Pschology, 24, 123 - 142. http: / / dx.doi.org/ 10.1080/ 0144341032000160100 DeBacker, T. K., Crowson, H. M., Beesley, A. D., Thoma, S. J. & Hestevold, N. L. (2008). The challenge of measuring epistemic beliefs: An analysis of three selfreport instruments. Journal of Experimental Education, 76, 281 - 312. http: / / dx.doi.org/ 10.3200/ JEXE.76.3. 281-314 Elby, A. (2009). Defining personal epistemology: A response to Hofer & Pintrich (1997) and Sandoval (2005). Journal of the Learning Science, 18, 138 - 149. http: / / dx.doi.org/ 10.1080/ 10508400802581684 Elby, A. & Hammer, D. (2010). Epistemological resources and framing: A cognitive framework for helping teachers interpret and respond to their students’ epistemologies. In L. D. Bendixen & F. C. Feucht (Eds.), Personal epistemology in the classroom (pp. 409 - 434). Cambridge: Cambridge University Press. https: / / dx. doi.org/ 10.1017/ CBO9780511691904.013 Feucht, F. C. (2010). Epistemic climate in elementary classrooms. In L. D. Bendixen & F. C. Feucht (Eds.), Personal epistemology in the classroom (pp. 55 - 93). Cambridge: Cambridge University Press. https: / / dx.doi. org/ 10.1017/ CBO9780511691904.003 Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement errors. Journal of Marketing Research, 18 (1), 39 - 50. http: / / dx.doi.org/ 10.2307/ 3151312 Helmke, A. (2012). Unterrichtsqualität und Lehrerprofessionalität. Diagnose, Evaluation und Verbesserung des Unterrichts (4. Aufl.). Seelze: Kallmeyer. Hofer, B. K. (2010). Personal epistemology in Asia: Burgeoning research and future directions. Asia-Pacific Education Researcher, 19 (1), 179 - 184. https: / / dx.doi. org/ 10.3860/ taper.v19i1.1516 Hofer, B. K. & Pintrich, P. R. (1997). The development of epistemological theories. Review of Educational Research, 67, 88 - 140. http: / / dx.doi.org/ 10.3102/ 00346 543067001088 Hu, L. & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6, 1 - 55. http: / / dx.doi.org/ 10.1080/ 107055 19909540118 Ingenkamp, K. & Lissmann, U. (2008). Lehrbuch der Pädagogischen Diagnostik (6. Aufl.). Weinheim: Beltz. Kaplan, R. M. & Saccuzzo, D. P. (2013). Psychological testing: Principles, applications, and issues (8th ed.). Belmont: Wadsworth. Kelava, A. & Moosbrugger, H. (2012). Deskriptivstatistische Evaluation von Items (Itemanalyse) und Testwertverteilung. In H. Moosbrugger & A. Kelava (Hrsg.), Testtheorie und Fragebogenkonstruktion (2. Aufl., S. 75 - 101). Berlin: Springer. Köller, O., Baumert, J. & Neubrand, J. (2000). Epistemologische Überzeugungen und Fachverständnis im Mathematik- und Physikunterricht. In J. Baumert, W. Bos & R. Lehmann (Hrsg.), TIMSS/ III Dritte Internationale Mathematik- und Naturwissenschaftsstudie - Mathematische und naturwissenschaftliche Bildung am Ende der Schullaufbahn (S. 229 - 269). Opladen: Leske + Budrich. Lee, J. C.-K., Zhang, Z., Song, H. & Huang, X. (2013). Effects of epistemological and pedagogical beliefs on the instructional practices of teachers: A Chinese perspective. Australian Journal of Teacher Education, 38 (12), 120 - 146. http: / / dx.doi.org/ 10.14221/ ajte.2013 v38n12.3 Mokwinski, B. (2010). Die Unterschiede in subjektiven Theorien zu Wissen und Wissenserwerb von Schüler(inne)n an berufsbildenden Schulen und Handelslehramtsstudierenden. In S. Behrends, A. Bloemen, B. Mokwinski & W. Schröder (Hrsg.), Wissen und Wissensmanagement (S. 117 - 136). Oldenburg: BIS. Mokwinski, B. (2011). Entwicklungen von epistemologischen Überzeugungen in ausgewählten Berufsfeldern der Berufsausbildung. München: Hampp. Moosbrugger, H. & Schermelleh-Engel, K. (2012). Exploratorische (EFA) und Konfirmatorische Faktorenanalyse (CFA). In H. Moosbrugger & A. Kelava (Hrsg.), Testtheorie und Fragebogenkonstruktion (2. Aufl., S. 325 - 343). Berlin: Springer. Müller, S. (2009). Methoden zur Erfassung epistemologischer Überzeugungen von Handelslehramtsstudierenden. München: Hampp. Müller, S. & Sulimma, M. (2008). Überzeugungen zu Wissen und Lernen als Merkmal beruflicher Lehr- Lernprozesse. bwp@, 14, 1 - 13. Muis, K. R., Bendixen, L. D. & Haerle, F. C. (2006). Domain-generality and domain-specificity in personal epistemology research. Educational Psychology Review, 18, 3 - 54. http: / / dx.doi.org/ 10.1007/ s10648-006-90 03-6 Otting, H., Zwaal, W., Tempelaar, D. & Gijselaers, W. (2010). The structural relationship between students’ epistemological beliefs and conceptions of teaching and learning. Studies in Higher Education, 35, 741 - 760. http: / / dx.doi.org/ 10.1080/ 03075070903383203 Paechter, M. R., Rebmann, K., Schlömer, T., Mokwinski, B., Hanekamp, Y. & Arendasy, M. (2013). Development of the Oldenburg epistemic beliefs questionnaire (OLEQ), a German questionnaire based on the epistemic belief inventory (EBI). Current Issues in Education, 16 (1), 1 - 17. Qian, G. & Alvermann, D. (1995). Role of epistemological beliefs and learned helplessness in secondary school students’ learning science concepts from text. Journal of Educational Psychology, 87, 282 - 292. http: / / dx.doi. org/ 10.1037/ 0022-0663.87.2.282 Rebmann, K., Schlömer, T., Berding, F., Luttenberger, S. & Paechter, M. (2015). Pre-service teachers’ personal Vorstellungen über das Lernen in Biologie 237 epistemic beliefs and the beliefs they assume their pupils to have. European Journal of Teacher Education, 38 (3), 1 - 16. http: / / dx.doi.org/ 10.1080/ 02619768.201 4.994059 Reinecke, J. (2014). Strukturgleichungsmodellierung in den Sozialwissenschaften (2. Aufl.). München: Oldenbourg. Rheinberg, F. (2006). Motivation (6. Aufl.). Stuttgart: Kohlhammer. Saeed, K., Reza, Z. & Momene, G. (2014). Pre-service English teacher’s epistemological beliefs and their conceptions of teaching. International Journal of Research Studies in Psychology, 3 (1), 3 - 12. http: / / dx.doi.org/ 10.5861/ ijrsp.2013.398 Sandoval, W. A. (2005). Unterstanding students’ practical epistemologies and their influence on learning through inquiry. Science Education, 89, 634 - 656. http: / / dx. doi.org/ 10.1002/ sce.20065 Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29, 304 - 321. http: / / dx.doi.org/ 10.1177/ 0734282911406653 Schommer, M. (1990). Effects of beliefs about the nature of knowledge on comprehension. Journal of Educational Psychology, 82, 498 - 504. https: / / dx.doi.org/ 10.1037/ 0022-0663.82.3.498 Schommer-Aikins, M. (2004). Explaining the epistemological belief system: Introducing the embedded systemic model and coordinated research approach. Educational Psychology, 39, 19 - 29. http: / / dx.doi.org/ 10.1207/ s15 326985ep3901_3 Schommer-Aikins, M., Duell, O. K. & Barker, S. (2003). Epistemological beliefs’ across domains using Biglans’ classification of academic disciplines. Research in Higher Education, 44, 347 - 366. http: / / dx.doi.org/ 10.1023/ A: 1023081800014 Schraw, G., Bendixen, L. D. & Dunkle, M. E. (2002). Development and validation of the epistemic belief inventory (EBI). In B. K. Hofer & P. R. Pintrich (Eds.), Personal epistemology (pp. 261 - 276). Mahwah, NJ: Erlbaum. Schuster, B., Försterling, F. & Weiner, B. (1989). Perceiving the causes of success and failure. Journal of Cross-Cultural Psychology, 20, 191 - 213. http: / / dx.doi.org/ 10.11 77/ 0022022189202005 Stahl, E. & Bromme, R. (2007). The CAEB: An instrument for measuring connotative aspects of epistemological beliefs. Learning and Instruction, 17, 773 - 785. http: / / dx.doi.org/ 10.1016/ j.learninstruc.2007.09.016 Sulimma, M. (2012). Die Entwicklung epistemologischer Überzeugungen von (angehenden) Handelslehrer(inne)n. München: Hampp. Teo, T. (2013). Examining the psychometric properties of the epistemic beliefs inventory (EBI). Journal of Psychoeducational Assessment, 31, 72 - 79. http: / / dx.doi. org/ 10.1177/ 0734282912449436 Trautwein, U., Lüdtke, O. & Beyer, B. (2004). Rauchen ist tödlich, Computerspiele machen aggressiv? Allgemeine und theorienspezifische epistemologische Überzeugungen bei Studierenden unterschiedlicher Fachrichtungen. Zeitschrift für Pädagogische Psychologie, 18, 187 - 199. http: / / dx.doi.org/ 10.1024/ 1010-0652.18. 34.187 Weiber, R. & Mühlhaus, D. (2014). Strukturgleichungsmodellierung. Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS (2. Aufl.). Berlin: Springer. https: / / dx.doi. org/ 10.1007/ 978-3-642-35012-2 Welch, A. G. & Ray, C. M. (2012). A preliminary report of the psychometric properties of the epistemic beliefs inventory. European Journal of Social and Behavioural Sciences, 2 (2), 278 - 303. http: / / dx.doi.org/ 10.15405/ FutureAcademy/ ejsbs(2301-2218).2012.2.12 Wong, A. K.-Y., Chan, K.-W. & Lai, P.-Y. (2009). Revisiting the relationships of epistemological beliefs and conceptions about teaching and learning of pre-service teachers in Hong Kong. Asia-Pacific Education Researcher, 18 (1), 1 - 19. https: / / dx.doi.org/ 10.3860/ taper.v18i1.1033 Zinn, B. (2013). Überzeugungen zu Wissen und Wissenserwerb von Auszubildenden. Münster: Waxmann. Zinnbauer, M. & Eberl, M. (2005). Überprüfung der Spezifikation und Güte von Strukturgleichungsmodellen. Wissenschaftliches Studium, 34 (10), 566 - 572. https: / / dx.doi.org/ 10.15358/ 0340-1650-2005-10-566 Dr. Florian Berding Prof. Dr. Karin Rebmann Universität Oldenburg Fachgebiet Berufs- und Wirtschaftspädagogik Ammerländer Heerstraße 114 -119 D-26129 Oldenburg E-Mail: florian.berding@uni-oldenburg.de karin.rebmann@uni-oldenburg.de Dr. Melanie Basten Universität Osnabrück Fachbereich Biologie/ Chemie, Abteilung Biologiedidaktik Barbarastr. 11 D-49076 Osnabrück E-Mail: melanie.basten@biologie. uni-osnabrueck.de Heike Brauer Cornelia Stiller Prof. Dr. Matthias Wilde Universität Bielefeld Fakultät für Biologie Universitätsstraße 25 D-33615 Bielefeld E-Mail: heike.brauer@nlschb.niedersachsen.de cornelia.stiller@uni-bielefeld.de matthias.wilde@uni-bielefeld.de Dr. Sebastian Schmid Universität Regensburg Institut für Pädagogik Universitätsstraße 31 D-93053 Regensburg E-Mail: seb.schmid@ur.de Prof. Dr. Tobias Schlömer Helmut-Schmidt-Universität Hamburg Professur für Berufs- und Arbeitspädagogik Holstenhofweg 85 D-22043 Hamburg E-Mail: schloemer@hsu-hh.de