Zukunft der Bildungswissenschaft: Generative KI-Nutzung, Vertrauen und kognitive Belastung als Prädiktoren für selbstwahrgenommene akademische Leistungen im Hochschulbereich

Zusammenfassung

Diese Studie untersucht, wie die Nutzung generativer KI und das Vertrauen in KI die akademische Leistung von Studierenden im Hochschulbereich durch kognitive Belastung beeinflussen. Die Verwendung der partiellen Kleinste-Quadrat-Strukturmodellierung (PLS-SEM) auf Daten von 390 Schülern zeigt, dass beide Faktoren die kognitive Belastung signifikant erhöhen, was die Leistung positiv vorhersagt und ihre Auswirkungen vermittelt.

Zusammenfassung

Diese Studie untersucht die komplexen Zusammenhänge zwischen der Nutzung generativer KI, dem Vertrauen in KI, der kognitiven Belastung und der akademischen Leistung unter Hochschulstudierenden. Basierend auf der Theorie der kognitiven Last und der Vertrauensliteratur untersucht die Forschung, wie das Engagement der Schüler mit generativen KI-Tools und ihr Vertrauen in diese Systeme die akademischen Ergebnisse beeinflussen, wobei die kognitive Last als vermittelnder Mechanismus dient. Ein quantitatives Querschnitts-Forschungsdesign wurde mit einer geschichteten Zufallsstichprobe von 390 Studierenden im Hochschulbereich angewandt. Die Daten wurden mit validierten Skalen erhoben, die das Vertrauen in die Nutzung generativer KI in KI (menschenähnliche und funktionale Dimensionen), kognitive Belastung (intrinsische Belastung, überflüssige Belastung und selbstwahrgenommenes Lernen) sowie akademische Leistungen messen. Teilweise kleinste Quadrate Strukturgleichungsmodellierung (PLS-SEM) mit Bootstrapping-Verfahren (5.000 Reproben) wurde verwendet, um die hypothetischen direkten und vermittelnden Beziehungen zu testen. Die Ergebnisse zeigten, dass die Nutzung generativer KI (β = 0,34, S. < 0,001) und das Vertrauen in KI (β = 0,28, S. < 0,001) signifikant positiv mit kognitiver Belastung assoziiert waren. Die kognitive Belastung war ebenfalls positiv mit der akademischen Leistung assoziiert (β = 0,52, p < 0,001). Darüber hinaus vermittelt die kognitive Last signifikant die Zusammenhänge zwischen der Nutzung generativer KI und der akademischen Leistung (β = 0,18, S. < 0,001) sowie zwischen Vertrauen in KI und akademischer Leistung (β = 0,15, S. < 0,001). Das Modell erklärte 45 % der Varianz in der akademischen Leistung, und PLS Predict bestätigte eine hohe Prädiktionskraft. Die Ergebnisse erweitern die kognitive Belastungstheorie auf KI-verbesserte Lernkontexte und legen nahe, dass die kognitive Last als wichtiger erklärender Weg fungieren könnte, der KI-bezogene Faktoren mit akademischen Ergebnissen verknüpft. Praktisch unterstreicht die Studie die Bedeutung der Förderung der KI-Kompetenz, der Gestaltung von Lernumgebungen, die die kognitive Belastung optimieren, und der Priorisierung funktionaler Zuverlässigkeit bei der Entwicklung von KI-Tools. Diese Studie liefert empirische Belege dafür, dass die kognitive Belastung als bedeutender vermittelnder Mechanismus dient, durch den sich die Nutzung generativer KI und das Vertrauen in KI in die schulischen Leistungen übersetzen.

Einleitung

Der rasante Fortschritt der generativen künstlichen Intelligenz (GenKI) hat einen Paradigmenwechsel in der Hochschulbildung ausgelöst und grundlegend verändert, wie Studierende auf Wissen zugreifen, Wissen verarbeiten und aufbauen¹. Werkzeuge wie ChatGPT, Gemini und Claude sind zunehmend in akademische Umgebungen integriert, wobei aktuelle Schätzungen nahelegen, dass über 30 % der Universitätsstudenten diese Technologien regelmäßig für kursbezogene Aktivitäten nutzen². Diese technologische Revolution bietet sowohl beispiellose Chancen als auch erhebliche Herausforderungen für Lehrkräfte, Administratoren und Forscher, die verstehen möchten, wie KI-Integration Lernprozesse und -ergebnisse beeinflusst³.

Während generative KI das Potenzial für personalisierte Nachhilfe, sofortiges Feedback und gesteigerte Produktivität bietet, konsumieren Schüler KI-generierte Informationen nicht einfach passiv⁴. Vielmehr umfasst KI-gestütztes Lernen kontinuierliche interaktionale Prozesse, bei denen die Schüler Aufgaben formulieren, Ergebnisse bewerten, KI-generierte Antworten mit externen Quellen vergleichen, ihre Abhängigkeit von KI-Systemen kalibrieren und maschinell generierte Inhalte in akademische Aufgaben integrieren⁵. Diese interaktionalen Anforderungen führen zu neuen kognitiven Dynamiken, die über traditionelle Technologiemodelle hinausgehen und gleichzeitig bestimmte kognitive Belastungen verringern und gleichzeitig neue Formen kognitiver Anstrengung und Überlastung schaffen. Im Zentrum dieser Anliegen steht die Frage, wie der Einsatz von KI die kognitiven Prozesse, die dem Lernen zugrunde liegen, beeinflusst – eine Frage, die in der empirischen Literatur weitgehend unerforscht bleibt. Die kognitive Belastungstheorie (CLT) bietet einen robusten theoretischen Rahmen zur Untersuchung dieser Fragen. CLT geht davon aus, dass das Lernen durch die begrenzte Kapazität des Arbeitsgedächtnisses eingeschränkt ist und dass effektives Instruktionsdesign drei Arten kognitiver Belastung bewältigen muss: intrinsische Belastung, die durch inhaltliche Komplexität entsteht, überflüssige Belastung durch schlechtes Instruktionsdesign und relevante Belastung, die auf Schemakonstruktion und Automatisierung^{gerichtet ist}. In KI-gestützten Lernumgebungen werden diese Unterschiede besonders deutlich⁷. Studierende, die mit generativen KI-Tools interagieren, müssen gleichzeitig Kursinhalte verarbeiten, KI-generierte Informationen auf Genauigkeit und Relevanz bewerten und vielfältige Quellen von Wissensprozessen integrieren, die die kognitiven Anforderungen erheblich erhöhen können⁸.

Wichtig ist, dass die kognitive Belastungstheorie kognitive Last als ein multidimensionales Konstrukt beschreibt, das aus intrinsischer, überflüssiger und relevanter Last besteht, von denen jede das Lernen unterschiedlich beeinflussen kann⁹. Intrinsische Last entsteht aus der inhärenten Komplexität des Lernmaterials, überflüssige Last spiegelt unnötige kognitive Belastung wider, die durch ineffektives Instruktionsdesign oder irrelevante Verarbeitungsanforderungen entsteht, und relevante Belastung bezieht sich auf produktive kognitive Beteiligung, die mit der Schemakonstruktion und sinnvollen Lernprozessen verbunden ist. Folglich sollte die kognitive Last nicht als einheitlich vorteilhaft oder schädlich interpretiert werden. Während intrinsische und relevante Belastung unter geeigneten Bedingungen ein tieferes Verständnis fördern kann, kann übermäßige Überlast das Lernen beeinträchtigen, indem sie begrenzte kognitive Ressourcen verbraucht.

Über Nutzungsmuster hinaus zeigt sich das Vertrauen der Studierenden in KI-Systeme als entscheidender psychologischer Faktor, der^{die Interaktion zwischen} Mensch und KI prägt. Ausgehend von grundlegenden Vertrauensrahmen kann Vertrauen in KI entlang zweier unterschiedlicher Dimensionen konzeptualisiert werden: menschenähnliches Vertrauen, das Wahrnehmungen von Wohlwollen, Integrität und Vorhersehbarkeit umfasst; und Funktionalitätsvertrauen, das Vertrauen in die Zuverlässigkeit, Kompetenz und Zuverlässigkeit der Technologie selbst^{widerspiegelt 11}. Frühere Forschungen haben Vertrauen als Bestimmungsfaktor für die Technologieadoption und die fortgesetzte Nutzung^etabliert, doch seine kognitiven Folgen bleiben weitgehend unerforscht. Die Beziehung zwischen Vertrauen in KI und kognitiver Last ist theoretisch komplex und sollte nicht als einheitlich positiv oder linear¹³ interpretiert werden. Einerseits kann angemessenes Vertrauen in KI Schüler dazu ermutigen, sich intensiver mit KI-generierten Inhalten auseinanderzusetzen, kognitive Anstrengungen in die Bewertung von Antworten zu investieren und maschinell generierte Informationen in Lernaufgaben^{zu integrieren 14}. Die Beziehung zwischen KI-bezogenen Faktoren und akademischer Leistung stellt das letztendliche Interesse für Lehrkräfte und Institutionen^{dar 15}. Akademische Leistungen wurden in der Bildungsforschung auf verschiedene Weise operationalisiert, wobei einige Studien objektive Messgrößen wie Notendurchschnitte¹⁶ verwenden, während andere auf der selbstwahrgenommenen akademischen Leistungsfähigkeit^{der Schüler 17} basieren. Selbstwahrgenommene Messgrößen erfassen das metakognitive Bewusstsein der Schüler für ihre Lernfähigkeiten und ihre Aufgabenleistung, was Forschung als stark mit tatsächlichen akademischen Leistungen verbunden¹⁸. In KI-verbesserten Lernkontexten wird es besonders wichtig zu verstehen, wie Schüler ihr eigenes Lernen wahrnehmen, da diese Wahrnehmungen die spätere Auseinandersetzung mit KI-Tools und Lernstrategien steuern^{können 19}.

Trotz der zunehmenden Verbreitung generativer KI in der Hochschulbildung bleibt empirische Forschung, die ihre kognitiven und akademischen Folgen untersucht,^noch selten. Bestehende Studien konzentrierten sich hauptsächlich auf Adoptionsmuster, ethische Bedenken oder disziplinarische Anwendungen²¹, mit begrenzter Aufmerksamkeit auf die psychologischen Mechanismen, die KI-Nutzung mit Lernergebnissen verknüpfen²². Darüber hinaus wurde Vertrauen zwar umfassend im E-Commerce und Mensch-Computer-Interaktion untersucht, aber seine Rolle in Bildungs-KI-Kontexten bleibt theoretisch unterentwickelt und empirisch ungetestet. Die vorliegende Studie adressiert diese Lücken, indem sie die Zusammenhänge zwischen generativer KI-Nutzung, Vertrauen in KI, kognitiver Belastung und akademischer Leistung untersucht, wobei die kognitive Belastung als potenzieller vermittelnder Weg modelliert wird. Basierend auf der kognitiven Belastungstheorie²⁴ und der Literatur schlägt diese Studie ein Vermittlungsmodell vor und testet es, das fünf Hypothesen untersucht: (H1) Die Nutzung generativer KI beeinflusst die kognitive Belastung positiv; (H2) Vertrauen in KI beeinflusst die kognitive Belastung positiv; (H3) Die kognitive Belastung beeinflusst die schulische Leistung positiv; (H4) Die kognitive Last vermittelt die Beziehung zwischen generativer KI-Nutzung und schulischer Leistung; und (H5) Die kognitive Last vermittelt die Beziehung zwischen Vertrauen in KI und schulischer Leistung.

Die Integration generativer künstlicher Intelligenz (GenKI) in die Hochschulbildung stellt einen der bedeutendsten technologischen Wandel in der zeitgenössischen pädagogischen Praxis^dar. Werkzeuge wie ChatGPT, entwickelt von OpenAI, haben bemerkenswerte Fähigkeiten bei der Generierung menschlicher Texte, der Lösung komplexer Probleme und der Bereitstellung personalisierter Bildungsunterstützung^{gezeigt 26}. Jüngste empirische Untersuchungen haben eine weitverbreitete Akzeptanz unter Universitätsstudenten dokumentiert. Die Studierenden nutzen GenAI für vielfältige akademische Zwecke, darunter Brainstorming, Inhaltszusammenfassung, Korrekturlesen und Konzepterklärung²⁷. Diese Verbreitung hat Wissenschaftler dazu veranlasst, sowohl die Möglichkeiten als auch die Herausforderungen von GenAI im Bildungskontext zu untersuchen. Befürworter argumentieren, dass GenAI-Tools das Lernen verbessern können, indem sie sofortiges Feedback geben, komplexe Aufgaben unterstützen und mehrere Perspektiven auf disziplinäre Inhalte^{bieten 28}. Die Schüler, die ChatGPT für Programmieraufgaben nutzten, zeigten eine verbesserte Codequalität und eine verkürzte Abschlusszeit, was auf potenzielle Vorteile für kognitive Entlastung hindeutet. Ähnlich kann GenAI Lernerfahrungen personalisieren, indem Inhalte an individuelle Bedürfnisse^{und Lerntempo} der Schüler angepasst werden. Kritiker haben jedoch Bedenken hinsichtlich der akademischen Integrität, der Möglichkeit von Plagiaten und dem Abbau kritischer Denkfähigkeiten geäußert, wenn Studierende sich zu sehr auf KI-generierte Inhalte^{verlassen 30,31}. Diese konkurrierenden Perspektiven unterstreichen die Notwendigkeit rigoroser empirischer Untersuchungen, wie die Nutzung von GenAI grundlegende Lernprozesse beeinflusst.

Die kognitive Belastungstheorie (CLT) bietet einen umfassenden Rahmen zum Verständnis der kognitiven Anforderungen, die durch Lernaufgaben und Unterrichtsdesigns entstehen. CLT basiert auf der etablierten Architektur der menschlichen Kognition, die ein praktisch unbegrenztes Langzeitgedächtnis und ein stark eingeschränktes Arbeitsgedächtnis sowohl in Kapazität als auch in Dauer³² umfasst. Laut CLT findet Lernen statt, wenn Informationen erfolgreich im Arbeitsgedächtnis verarbeitet und anschließend als Schemata im Langzeitgedächtnis gespeichert werden. Die Theorie unterscheidet drei Arten kognitiver Belastung: intrinsische Belastung, die durch die inhärente Komplexität des Lernmaterials und die vorhandene Erfahrung des Lernenden bestimmt wird; eine zusätzliche Belastung, die durch schlecht gestaltete Unterrichtsmaterialien und Aktivitäten verursacht wird, die nicht direkt zum Lernen beitragen; und relevante Last, die sich auf die kognitiven Ressourcen bezieht, die dem Schema-Aufbau und der Automatisierung^{gewidmet sind 33}. Forschungen haben immer wieder gezeigt, dass ein effektives Instruktionsdesign diese drei Belastungstypen steuern muss, um die Lernergebnisse^{zu optimieren 34}. Eine hohe externe Last lenkt kognitive Ressourcen von den Lernprozessen weg und beeinträchtigt die Leistung, während angemessene intrinsische und relevante Lasten tiefes Verständnis und Wissenstransfer^{fördern 35}. ein umfassendes Instrument zur Messung dieser Lastdimensionen in Bildungseinrichtungen, das eine empirische Untersuchung der kognitiven Last über verschiedene Lernkontexte hinweg ermöglicht. In jüngerer Zeit haben Wissenschaftler CLT auf technologiegestützte Lernumgebungen ausgeweitet und untersucht, wie digitale Werkzeuge kognitive^{Verarbeitung beeinflussen}. Die Beziehung zwischen der Nutzung generativer KI und der kognitiven Last ist theoretisch komplex und empirisch wenig erforscht³⁷. Einerseits können GenAI-Tools die überflüssige Last reduzieren, indem sie die Informationssuche optimieren, vielfältige Quellen synthetisieren und Informationen in zugänglichen Formaten präsentieren³⁸. Studierende müssen nicht mehr mehrere Datenbanken durchsuchen oder komplexe Texte eigenständig interpretieren, was kognitive Ressourcen für eine tiefere^Verarbeitung freisetzt.

Vertrauen ist ein grundlegender psychologischer Mechanismus, der die Interaktion zwischen Mensch und Technologie prägt. Im Kontext von Informationssystemen ist Vertrauen multidimensional und umfasst Überzeugungen über die Kompetenz, Wohltätigkeit und Integrität technologischer^Systeme. Angewandt auf KI lässt sich Vertrauen entlang zweier konzeptionell unterschiedlicher Dimensionen unterscheiden: menschenähnliches Vertrauen, das anthropomorphe Eigenschaften wie Wohlwollen und Vorhersehbarkeit zuschreibt; und Funktionalitätsvertrauen, das Vertrauen in die zuverlässige Leistung technischer Fähigkeiten^{widerspiegelt 41}. Diese Unterscheidung ist besonders im Bildungskontext relevant, wo die Schüler entscheiden müssen, wie sehr sie sich für akademische Aufgaben auf KI-generierte Inhalte verlassen. Nach dem Elaboration-Likelihood-Modell verarbeiten Individuen Informationen entweder über den zentralen oder peripheren Weg, abhängig von Motivation und Fähigkeit. Wenn das Vertrauen hoch ist, können die Schüler zentrale Routenverarbeitung durchführen, KI-generierte Inhalte prüfen und ausarbeiten, wodurch die kognitive Belastung auf das^{Lernen 42} ausgerichtet ist. Die akademische Leistung stellt die ultimative Kriteriumsvariable in der Bildungsforschung dar, operationalisiert sowohl durch objektive Messungen wie Notendurchschnitte als auch subjektive Messgrößen, die die selbstwahrgenommene akademische Effektivität der Schüler erfassen⁴³. Selbstwahrgenommene Messgrößen bieten wertvolle Einblicke in das metakognitive Bewusstsein der Schüler für ihre Lernfähigkeiten und haben starke Zusammenhänge mit objektiven Leistungsindikatoren gezeigt. Eine Selbstwahrnehmung, um die wahrgenommene akademische Leistungsfähigkeit der Schüler zu bewerten, einschließlich Aufgaben im Zusammenhang mit Lerneffizienz und Aufgabenerfüllung⁴⁴. Dieser Ansatz ist besonders geeignet in KI-gestützten Kontexten, in denen das Vertrauen der Schüler in ihre Fähigkeit, mit und durch KI-Tools zu lernen, die tatsächlichen Lernergebnisse beeinflussen kann.

Protokoll

Die Materialtabelle fasst die in der Studie verwendeten Instrumente, Software und Skalen zusammen, einschließlich angepasster und validierter Skalen für den Einsatz generativer KI, Vertrauen in KI, kognitive Belastung, selbstwahrgenommene akademische Leistung, Stichproben- und Umfrageverfahren sowie Datenanalysetools (SPSS und SmartPLS). Außerdem war die ethische Zulassung für diese Studie nicht anwendbar, da sie keine experimentellen Manipulationen, medizinischen Verfahren oder Interventionen beinhaltete, die physische oder psychische Risiken für die Teilnehmer darstellen könnten. Die Studie nutzte einen nicht-invasiven, selbst durchgeführten Online-Fragebogen, um Daten zu den Wahrnehmungen, Erfahrungen und Verhaltensweisen der Studierenden in Bezug auf den Einsatz generativer KI in akademischen Umgebungen zu sammeln. Da die Studie keine direkte Interaktion über das Ausfüllen einer Umfrage hinaus beinhaltete, wurden keine klinischen Studien, biomedizinischen Verfahren oder experimentellen Behandlungen durchgeführt, und die Teilnehmer wurden keinen experimentellen Bedingungen ausgesetzt, die Schaden oder Belastungen verursachen könnten. Vor der Datenerhebung erhielten alle Teilnehmer ein detailliertes Formular zur informierten Einwilligung, das den Zweck der Studie, die freiwillige Natur ihrer Teilnahme und die ergriffenen Maßnahmen zur Gewährleistung von Anonymität und Vertraulichkeit erklärte. Die informierte Einwilligung wurde implizit durch das Ausfüllen und Einreichen des Fragebogens, wie ausdrücklich im Formular zur informierten Einwilligung angegeben, eingeholt. Den Teilnehmern wurde zugesichert, dass ihre Antworten ausschließlich für akademische Forschungszwecke verwendet würden und keine personenbezogenen Informationen gesammelt oder gemeldet würden. Darüber hinaus wurden die Teilnehmer über ihr Recht informiert, sich jederzeit vor der Abgabe des Fragebogens aus der Studie zurückzuziehen, ohne Konsequenzen. Alle Daten wurden sicher auf passwortgeschützten Geräten gespeichert, die nur dem Forschungsteam zugänglich waren, und aggregierte Ergebnisse wurden gemeldet, um die Identifizierung einzelner Befragter zu verhindern. Diese Maßnahmen stellten sicher, dass die Studie gemäß den ethischen Grundsätzen der Erklärung von Helsinki und den institutionellen Richtlinien für Forschung mit menschlichen Teilnehmern durchgeführt wurde, obwohl die formale Anforderung einer IRB-Überprüfung nicht anwendbar war.

Forschungsdesign

Diese Studie verwendet ein quantitatives, querschnittsbezogenes Forschungsdesign, um die komplexen Zusammenhänge zwischen generativer KI-Nutzung, Vertrauen in KI, kognitiver Belastung und akademischer Leistung unter Hochschulstudierenden zu untersuchen. Dieses Design wurde durch eine Umfragestrategie operationalisiert, die wegen ihrer Effizienz und Effektivität bei der Sammlung standardisierter Daten aus einer großen Stichprobe gewählt wurde, wodurch robuste statistische Tests der hypothetischen Beziehungen ermöglicht wurden. Die Umfragemethode erleichtert die systematische Messung jedes Konstrukts mittels validierter Skalen und stellt sicher, dass die gesammelten Daten sowohl zuverlässig als auch vergleichbar für alle Befragten sind. Darüber hinaus ist die Anwendung eines Querschnittsansatzes, bei dem Daten zu einem einzigen Zeitpunkt erhoben werden, für diese Untersuchung besonders geeignet, da dies die aktuelle Häufigkeit generativer KI-Nutzung und des Vertrauens unter Studierenden untersucht und gleichzeitig die Zusammenhänge dieser Variablen und deren kollektiven Einfluss auf kognitive Belastung und akademische Leistungen innerhalb der Zielgruppe der Studie bewertet.

Teilnehmer und Stichprobeverfahren

Die Zielgruppe dieser Studie bestand aus Studierenden an Hochschulen, die aktive Erfahrungen mit generativen KI-Werkzeugen, insbesondere ChatGPT und ähnlichen großen Sprachmodellen, für akademische Zwecke gesammelt hatten. Um einen repräsentativen Querschnitt dieser Population sicherzustellen und die Verallgemeinerbarkeit der Ergebnisse zu erhöhen, wurde eine stratifizierte Zufallsstichprobenmethode eingesetzt. Der Stichprobenrahmen wurde vom Registrarbüro der Universität bezogen und enthält eine vollständige Liste der derzeit eingeschriebenen Studierenden aller Fakultäten. Die Schichtung basierte auf zwei zentralen demografischen Variablen: akademischer Disziplin und Studienjahr. Die akademische Disziplin wurde in vier Hauptbereiche unterteilt: Geistes- und Sozialwissenschaften, Naturwissenschaften, Ingenieurwesen und Technologie sowie Wirtschaft und Wirtschaft. Das Studienjahr war in vier Stufen unterteilt: Erst-, Zweit-, Dritt- und Viertjahres-Bachelor-Studierende sowie Postgraduierten-Studierende (Master und Doktor). Dieser Ansatz der dualen Schichtung gewährleistete eine proportionale Repräsentation jeder Untergruppe innerhalb der Studierendenschaft und verhinderte Überrepräsentation oder Unterrepräsentation in jedem akademischen Bereich oder auf akademischer Ebene. Aus jeder Schicht wurden die Teilnehmer zufällig mit einem Zufallszahlengenerator ausgewählt, wobei die Zahl proportional zur Repräsentation dieser Schicht in der Gesamtschülerzahl gezogen wurde. Dieser systematische Ansatz der Teilnehmerauswahl stellte sicher, dass die Endstichprobe die Vielfalt der Studierendenpopulation im Hochschulbereich, einschließlich akademischer Hintergründe und Bildungsfortschritt, genau widerspiegelte.

Bezüglich der Teilnehmerdemografie bestand die Stichprobe von 390 Befragten aus einer vielfältigen Mischung von Studierenden unterschiedlicher Altersgruppen, typischerweise zwischen 18 und 35 Jahren oder älter, mit einer ausgewogenen Repräsentation der Geschlechtsidentitäten, die proportional zur institutionellen Demografie stand. Die Stichprobe umfasste Studierende aller vier Bachelorjahrgänge sowie Postgraduiertenstudierende, was die Abdeckung verschiedener Phasen der akademischen Entwicklung und unterschiedlicher Exposition gegenüber KI-Tools sicherstellt. Die akademischen Disziplinen waren proportional vertreten, wobei Studierende aus den Geisteswissenschaften, Naturwissenschaften, Ingenieurwesen und Wirtschaft in die Stichprobe einbezogen wurden. Zusätzlich wurden grundlegende demografische Informationen wie bisherige Technologieerfahrung, Häufigkeit generativer KI-Nutzung und Status der Muttersprache erhoben, um Kontext für die primären Variablen zu liefern. Dieses umfassende demografische Profiling diente zwei Zwecken: Erstens ermöglichte es eine beschreibende Charakterisierung der Stichprobe und zweitens ermöglichte es Forschern, potenzielle Störfaktoren in späteren Analysen zu kontrollieren. Die detaillierte Dokumentation des Stichprobenverfahrens und der demografischen Merkmale stellt sicher, dass andere Forscher diese Studie präzise replizieren können, wodurch die wissenschaftliche Anforderung an Reproduzierbarkeit erfüllt und sinnvolle Vergleiche über verschiedene institutionelle und kulturelle Kontexte hinweg möglich sind. Darüber hinaus stärkte dieser rigorose Stichprobenansatz die externe Validität der Ergebnisse und ermöglichte eine sicherere Verallgemeinerung der Ergebnisse auf die breitere Studierendenpopulation im Hochschulbereich. Die Daten für diese Studie wurden mithilfe eines strukturierten, selbst durchgeführten Online-Fragebogens erhoben. Der Fragebogen ist in fünf Abschnitte unterteilt, die darauf ausgelegt sind, die Kernkonstrukte der Studie mit etablierten und validierten Skalen zu messen. Alle Punkte, sofern nicht anders angegeben, werden auf einer Fünf-Punkte-Likert-Skala gemessen, die von 1 ("Stark anderer Meinung") bis 5 ("Stark zustimmend") reicht.

Instrumentierung und Maße

Die Nutzung generativer KI, insbesondere ChatGPT, wurde mit einer 8-Item-Skala quantifiziert, die aus einer^{Studie 45} adaptiert wurde. Diese Skala geht über die einfache Anwendungshäufigkeit hinaus und erfasst die facettenreiche Natur der Interaktion der Studierenden mit KI. Die Aufgaben konzentrieren sich auf drei Schlüsseldimensionen: (a) die Häufigkeit der Nutzung für verschiedene akademische Aufgaben, (b) die spezifischen Zwecke, für die es eingesetzt wird (z. B. Brainstorming, Inhaltszusammenfassung, Korrekturlesen) und (c) die wahrgenommene Wirksamkeit des Werkzeugs der Schüler zur Verbesserung ihrer sprachbezogenen akademischen Arbeit. Vertrauen in KI wurde als multidimensionales Konstrukt konzipiert, das auf etablierten Rahmenwerken des zwischenmenschlichen Vertrauens^und des Technologievertrauens basiert. Die Skala besteht aus zwei unterschiedlichen Dimensionen. Menschliches Vertrauen: Diese 6-Item-Subskala misst, inwieweit Schüler der KI menschenähnliche Eigenschaften wie Wohlwollen, Integrität und Vorhersehbarkeit zuschreiben. Zum Beispiel bewerten die Aufgaben, ob Schüler glauben, dass die KI in ihrem besten Interesse handelt oder unvoreingenommene Informationen liefert. Funktionalitätsvertrauen: Diese 5-Item-Subskala bewertet das Vertrauen in die funktionale Leistung der KI. Sie konzentriert sich auf die Zuverlässigkeit, Kompetenz und Zuverlässigkeit der Technologie selbst und fängt den Glauben ein, dass die KI über die erforderliche Funktionalität verfügt, um akademische Aufgaben effektiv auszuführen.

Die kognitive Last wurde mit einer Skala gemessen, die aus einer anderen Studie⁴⁷ adaptiert wurde und auf CLT basiert. Um die triarchische Struktur der CLT zu erfassen, wird die Skala in drei Unterskalen unterteilt: Intrinsische Last (3 Elemente): Diese Unterskala bewertet die wahrgenommene Komplexität und Schwierigkeit, die den Lernmaterialien und Aufgaben selbst innewohnen. Ein Beispielpunkt könnte sein: "Die in meinen Kursarbeiten behandelten Themen sind sehr komplex." Extraneous Last (3 Items): Diese Subskala misst die kognitive Belastung, die durch das Instruktionsdesign und die Art und Weise der Informationspräsentation auferlegt wird. Ein Beispiel ist: "Die Anweisungen für Aufgaben sind oft unklar und schwer nachzuvollziehen. Selbstwahrgenommenes Lernen (4 Items): Nach früherer pädagogischer Forschung wurde diese Subskala als ungefährer Indikator für die germane kognitive Verarbeitung verwendet und nicht als direktes Maß für die germane Belastung^{selbst 48}. Die Aufgaben erfassen die Wahrnehmungen der Schüler über die mentale Anstrengung, die in das Verstehen, Verstehen und die Schema-Konstruktionsprozesse des sinnvollen Lernens investiert werden. Da selbstwahrgenommenes Lernen jedoch konzeptionell mit breiteren Wahrnehmungen von akademischer Leistungsfähigkeit und Leistung überschneiden kann, sollte es vorsichtig als teilweise operative Darstellung produktiver kognitiver Beteiligung und nicht als definitives Maß für die relevante Belastung interpretiert werden. Es umfasst Themen, die sich auf Verstehen, Verständnis und das Gefühl beziehen, den Stoff gemeistert zu haben. Nach etablierten Präzedenzfällen in der Bildungsforschung⁴⁶ wurde die akademische Leistung mit einer Selbstwahrnehmungsskala operationalisiert. Ein Instrument mit vier Teilen wurde eingesetzt. Dieser Ansatz eignet sich, um die subjektive Einschätzung ihrer Lernleistung und akademischen Leistungen durch die Schüler zu erfassen. Die Skala konzentriert sich auf die wahrgenommene akademische Wirksamkeit und enthält Aussagen wie: "Ich bin zuversichtlich, meine Kurse erfolgreich abzuschließen" und "Ich habe das Gefühl, gelernt zu haben, meine akademischen Aufgaben effizient und effektiv zu managen."

Datenanalyse-Strategie

Teilweise kleinste Quadrate strukturelle Gleichungsmodellierung (PLS-SEM) wurde eingesetzt, um die Zusammenhänge zwischen generativer KI-Nutzung, Vertrauen in KI, kognitiver Belastung und selbstwahrgenommener akademischer Leistung zu untersuchen. Die Auswahl von PLS-SEM wurde sowohl methodisch als auch analytisch geleitet. Erstens verfolgt die Studie eine vorhersageorientierte und explorative Modellierungsperspektive, die darauf abzielt, assoziative Wege zwischen relativ aufkommenden Konstrukten innerhalb von KI-optimierten Lernkontexten zu untersuchen, anstatt eine vollständig etablierte kausale Theorie zu testen. Zweitens gilt PLS-SEM als geeignet für komplexe Modelle mit mehreren latenten Konstrukten und Vermittlungswegen, insbesondere wenn das Hauptziel die Varianzerklärung und prädiktive Analyse ist. Darüber hinaus ist PLS-SEM robust unter Bedingungen nicht-normaler Datenverteilungen und eignet sich für sozialwissenschaftliche Umfrageforschung mit moderaten Stichprobengrößen. Angesichts der explorativen Natur der generativen KI-Forschung im Hochschulbereich und des Schwerpunkts der Studie auf der Untersuchung prädiktiver Zusammenhänge zwischen Wahrnehmungskonstrukten wurde PLS-SEM als methodisch geeignet für die vorliegende Analyse angesehen.

Die gesammelten Daten werden mit einem zweistufigen Ansatz analysiert, bei dem partielle kleinste Quadrate Strukturgleichungsmodellierung (PLS-SEM) mit der SmartPLS-4-Software verwendet wird. PLS-SEM ist eine varianzbasierte Technik, die sich für komplexe prädiktive Modelle eignet und nicht erfordert, dass die Daten normal verteilt sind. Schritt 1: Bewertung des Messmodells. Der erste Schritt besteht darin, die Zuverlässigkeit und Validität der Konstrukte zu bewerten. Die interne Konsistenzzuverlässigkeit wird mit Cronbachs Alpha- und Composite-Zuverlässigkeit bewertet, mit einem Schwellenwert von 0,70. Die konvergente Validität wird durch Untersuchung der äußeren Lasten der Indikatoren (sollte > 0,70 betragen) und der durchschnittlich extrahierten Varianz (AVE) für jedes Konstrukt (sollte > 0,50 betragen) festgestellt. Die Diskriminantvalidität, die sicherstellt, dass die Konstrukte empirisch unterschiedlich sind, wird anhand des Fornell-Larcker-Kriteriums und des Heterotrait-Monotrait-Monotrait-(HTMT)-Korrelationsverhältnisses bewertet. Schritt 2: Bewertung des Strukturmodells. Sobald das Messmodell als zuverlässig und gültig bestätigt ist, wird das Strukturmodell bewertet, um die Hypothesen der Studie zu testen. Dies beinhaltet die Untersuchung der Pfadkoeffizienten (β) auf Signifikans und Relevanz mittels eines Bootstrapping-Verfahrens mit 5.000 Resamples. Die wichtigsten Bewertungskriterien umfassen den Bestimmungskoeffizienten (R²): Die Messung der Vorhersagekraft des Modells (d. h. die in den endogenen Variablen erklärte Varianz, insbesondere die akademische Leistung). Prädiktive Relevanz (Q²): Verwendung des Blindenverfahrens zur Bewertung der prädiktiven Genauigkeit des Modells. Effektgrößen (f²): Zur Bewertung des substantiellen Einflusses jeder unabhängigen Variable auf die abhängigen Variablen. Mediationsanalyse: Zur Untersuchung der vermittelnden Rolle der kognitiven Belastung in der Beziehung zwischen den KI-bezogenen Vorläufern (generative KI-Nutzung, Vertrauen in KI) und akademischer Leistung. Die Bedeutung der indirekten Effekte wird anhand von Bootstrap-Konfidenzintervallen bewertet.

Ergebnisse

Deskriptive Statistiken

Deskriptive Statistiken wurden berechnet, um die zentralen Tendenzen und Streuung der Schlüsselvariablen in dieser Studie zusammenzufassen, darunter die Nutzung generativer KI, menschliches Vertrauen, Funktionalitätsvertrauen, intrinsische Belastung, überflüssige Belastung, selbstwahrgenommenes Lernen und akademische Leistungen. Die deskriptive Analyse wurde mit SPSS Version 26 durchgeführt, und die Ergebnisse sind in Tabelle 1 unten da...

Diskussion

Die erste bedeutende Erkenntnis dieser Studie zeigte, dass die Nutzung generativer KI positiv mit der kognitiven Last assoziiert ist (β = 0,34, S. < 0,001), ein Ergebnis, das mit Hypothese 1 übereinstimmt. Dieses Ergebnis legt nahe, dass Schüler, die häufiger generative KI-Tools wie ChatGPT verwenden, auch eine höhere kognitive Belastung während ihrer Lernaktivitäten haben. Diese positive Verbindung zwischen generativer KI-Nutzung und kognitiver Belastung lässt sich möglicherwei...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Berechnet Q² für die prädiktive Relevanz des strukturellen Modells.
Bootstrapping-Verfahren (5.000 Resamples)	SmartPLS 4 (built-in)	N/A	Wird verwendet, um die Signifikanz von Pfadkoeffizienten (β) und indirekten Effekten zu beurteilen.
Kognitive Belastungsskala – Externe Belastung (3 Items)	Hadie & Yusoff (2021)	N/A (validierte Skala)	Kognitive Belastung durch Unterrichtsgestaltung und Informationsvermittlung.
Kognitive Belastungsskala – Intrinsische Belastung (3 Items)	Hadie & Yusoff (2021)	N/A (validierte Skala)	Wahrgenommene Komplexität/Schwierigkeit von Lernmaterialien/Aufgaben.
Kognitive Belastungsskala – Selbstwahrgenommenes Lernen (4 Items)	Hadie & Yusoff (2021)	N/A (validierte Skala)	Ersatz für germane kognitive Verarbeitung; erfasst mentale Anstrengung für Verständnis und Schemabildung.
Fornell-Larcker-Kriterium	SmartPLS 4 (built-in)	N/A	Beurteilt die diskriminante Gültigkeit von Konstrukten.
Generativ AI-Nutzungsskala (8 Items)	Abbas et al. (2023)	N/A (angepasste Skala)	Misst Häufigkeit, Zweck und wahrgenommene Wirksamkeit der Nutzung von Generativer KI (ChatGPT) für akademische Aufgaben. 5-Punkte-Likert-Skala.
HTMT-Verhältnis der Korrelationen	SmartPLS 4 (built-in)	N/A	Heterotrait-Monotrait-Verhältnis; zusätzlicher diskriminante Gültigkeitscheck.
Einwilligungserklärung	Studienteam (institutionelle Richtlinien)	N/A	Detaillierte Beschreibung des Studienzwecks, freiwillige Teilnahme, Anonymität, Vertraulichkeit und das Recht auf Widerruf. Stillschweigende Einwilligung durch Umfrageabschluss.
Online-Fragebogen-Plattform	Nicht spezifiziert (generisch)	N/A	Strukturierter, selbstverwalteter webbasierter Fragebogen; alle Items auf 5-Punkte-Likert-Skala (1 = Stimme stark nicht zu bis 5 = Stimme stark zu).
Stichprobenrahmen	Amt des Universitätsregistrators	N/A (institutionelle Aufzeichnung)	Vollständige Liste der aktuell eingeschriebenen Studierenden aller Fakultäten, die für die geschichtete Zufallsstichprobe verwendet wird.
Selbstwahrgenommene akademische Leistungsskala (4 Items)	Anpassung aus pädagogischer Forschungspräzedenz	N/A (angepasste Skala)	Subjektive Einschätzung der akademischen Effizienz und Leistung (z.B. Selbstvertrauen in Kursarbeiten, effizientes Aufgabenmanagement).
SmartPLS 4 Software	SmartPLS GmbH	Version 4	Varianzbasierte Software zur Strukturgleichungsmodellierung; verwendet für PLS-SEM-Analyse, Bootstrapping, Blindfolding.
SPSS-Version 26	IBM	N/A	Verwendet für vorläufige Datenprüfung, deskriptive Statistiken und jede Vor-PLS-SEM-Datenverwaltung (falls zutreffend).
Verfahren der geschichteten Zufallsstichprobe	Studienteam (manuell)	N/A	Schichten basierend auf akademischem Fachgebiet (4 Kategorien) und Studienjahr (5 Ebenen: 1.-4. Studienjahr untergraduell + postgraduell). Zufallszahlengenerator innerhalb der Schichten verwendet.
Vertrauen in AI-Skala – Funktionsvertrauen (5 Items)	Anpassung aus der Technologie-Vertrauensliteratur	N/A (angepasste Skala)	Misst die wahrgenommene Zuverlässigkeit, Kompetenz und Verlässlichkeit von KI für akademische Aufgaben.
Vertrauen in AI-Skala – Menschliches Vertrauen (6 Items)	Anpassung aus der zwischenmenschlichen Vertrauensforschung (Rempel et al.) und der Technologie-Vertrauensliteratur	N/A (angepasste Skala)	Beurteilt Wohlwollen, Integrität und Vorhersehbarkeit, die KI zugeschrieben werden.