📄 social_science

Do Social Norms Matter in Promoting Students’ Engagement in GenAI-Supported Learning Environments? An Integrated Theoretical Model

Diese Studie nutzt Daten von 2.568 chinesischen Studierenden, um zu zeigen, dass positive Einstellungen gegenüber generativer KI das Engagement der Studierenden durch die sequentielle Mediation von Nutzungsintention und Selbstwirksamkeit signifikant steigern, ein Prozess, der durch unterstützende soziale Normen weiter verstärkt wird.

Ursprüngliche Autoren: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Veröffentlicht 2026-08-11

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreten eine riesige, futuristische Bibliothek, in der die Bücher zurücksprechen, Aufsätze für Sie schreiben und über Geschichte streiten können. Dies ist die Welt der Generativen KI in der Bildung. Aber nur weil die Bibliothek geöffnet ist, heißt das noch lange nicht, dass jeder hineinlaufen und anfangen möchte, mit den Büchern zu chatten. Einige Studenten sind begeistert, andere haben Angst, und manche wissen einfach nicht, wie man mit den Maschinen spricht. Hier treffen die Wissenschaft der Psychologie und der Pädagogik aufeinander.

Um zu verstehen, warum sich ein Student entscheidet, in diese KI-Bibliothek einzutauchen, schauen Forscher auf einige Schlüsselkonzepte. Erstens gibt es die Einstellung (Attitude): Das ist einfach Ihr Bauchgefühl. Denken Sie, die KI ist cool und hilfreich, oder ist sie ein gruseliger Roboter, der Ihre Hausaufgaben stiehlt? Zweitens gibt es die Selbstwirksamkeit (Self-Efficacy). Denken Sie an dies als Ihren „Ich kann das“-Muskel. Es geht nicht darum, ob Sie jetzt gerade gut im Umgang mit KI sind, sondern ob Sie glauben, dass Sie lernen können, gut darin zu werden, wenn Sie es versuchen. Drittens gibt es die Absicht (Intention), was schlicht der Plan ist, das Werkzeug tatsächlich zu nutzen. Schließlich gibt es die Sozialen Normen (Social Norms). Das ist der „Vibe-Check“ Ihrer Schule. Sagen Ihre Lehrer, Freunde und die Schule selbst: „Hey, die Nutzung von KI ist eine großartige Idee!“, oder flüstern sie: „Fass das nicht an, das verstößt gegen die Regeln“?

Warum ist das wichtig? Weil Schulen Unmengen an Geld in diese KI-Tools investieren, aber wenn Studenten zu viel Angst haben, sich zu unsicher fühlen oder das Gefühl haben, dass ihre Freunde sie verurteilen, werden sie sie nicht nutzen. Und wenn sie sie nicht nutzen, verpassen sie die Chance, auf eine völlig neue Weise zu lernen. Die große Frage lautet: Wie bringen wir Studenten von „Ich schätze, KI ist okay“ zu „Ich bin tief engagiert und lerne jeden Tag mit KI“?

Die Studie: Der KI-Engagement-Detektiv

Ein Forscherteam aus China beschloss, Detektiv zu spielen, um dieses Rätsel zu lösen. Sie versammelten eine massive Gruppe von 2.568 Universitätsstudenten und stellten ihnen eine Reihe von Fragen dazu, wie sie über KI empfanden, wie selbstbewusst sie im Umgang damit waren, was sie planten und was ihre Freunde und Lehrer über sie dachten. Dann nutzten sie ein superintelligentes mathematisches Werkzeug (genannt PLS-SEM, was wie ein GPS zur Auffindung verborgener Verbindungen in Daten funktioniert), um abzubilden, wie genau diese Gefühle miteinander verknüpft sind.

Hier ist das, was sie herausfanden, aufbereitet als Geschichte:

1. Der Funke: Die Einstellung ist der Motor
Die Studie fand heraus, dass, wenn ein Student eine positive Einstellung gegenüber KI hat (er findet sie nützlich und unterhaltsam), er viel wahrscheinlicher engagiert ist. Engagement bedeutet hier, dass sie nicht nur Knöpfe drücken; sie denken tief nach, stellen Fragen und beteiligen sich wirklich aktiv.

Die Analogie: Denken Sie an die Einstellung zur KI wie an den Treibstoff in einem Auto. Wenn der Treibstoff hochwertig ist (positive Gefühle), ist das Auto bereit zu fahren. Wenn der Treibstoff schlecht ist (negative Gefühle), wird das Auto nicht starten, egal wie gut der Motor ist.

2. Die Vermittler: Selbstvertrauen und Pläne
Aber eine positive Einstellung ist nicht das Einzige, was zählt. Die Forscher entdeckten, dass die Einstellung über zwei Vermittler wirkt: Selbstwirksamkeit und Absicht.

Die Kettenreaktion: Ein Student mit einer positiven Einstellung beginnt zuerst zu glauben: „Ich kann das tatsächlich lernen!“ (Selbstwirksamkeit). Sobald er glaubt, dass er es kann, fasst er einen Plan: „Ich werde dieses Werkzeug für mein nächstes Projekt nutzen“ (Absicht). Schließlich wird dieser Plan zu einer Handlung (Engagement).
Die Analogie: Stellen Sie sich vor, Sie wollen Skateboard fahren.
- Einstellung: Sie finden Skateboarden großartig.
- Selbstwirksamkeit: Sie sagen sich: „Ich kann lernen, das Gleichgewicht zu halten.“
- Absicht: Sie entscheiden: „Ich werde in den Park gehen und es ausprobieren.“
- Engagement: Sie sind tatsächlich draußen und skaten.
  Die Studie zeigte, dass das Überspringen des „Ich kann das“-Glaubens oder des „Ich werde es tun“-Plans es viel schwieriger macht, tatsächlich skaten zu gehen.

3. Der Verstärker: Soziale Normen
Dies ist der interessanteste Teil. Die Forscher fanden heraus, dass Soziale Normen wie ein Lautstärkeregler oder ein Turbolader wirken.

Wie es funktioniert: Wenn ein Student eine positive Einstellung hat, aber sein Lehrer sagt „KI ist schlecht“ oder seine Freunde sagen „Benutz es nicht“, dann wird die Verbindung zwischen seiner Einstellung und seinem Handeln schwächer. Aber, wenn der Student eine positive Einstellung hat und seine Lehrer und Freunde ihn anfeuern („Ja! Nutze die KI!“), dann explodiert diese positive Einstellung in viel stärkeres Selbstvertrauen und viel tieferes Engagement.
Die Analogie: Denken Sie an Ihre Einstellung wie an ein kleines Lagerfeuer.
- Niedrige Soziale Normen: Wenn alle um Sie herum herumblasen, um das Feuer auszublasen (negative Vibes), bleibt das Feuer klein, selbst wenn Sie gutes Holz haben (positive Einstellung).
- Hohe Soziale Normen: Wenn alle die Flammen fächeln und mehr Holz nachlegen (unterstützende Vibes), wird aus diesem kleinen Lagerfeuer ein loderndes Hochfeuer. Das unterstützende Umfeld lässt die positiven Gefühle viel stärker wirken.

4. Was sie ausschlossen
Die Studie stellte auch klar, dass eine positive Einstellung allein kein Zauberstab ist. Man kann die KI zwar großartig finden, aber wenn man nicht glaubt, dass man sie nutzen kann (niedrige Selbstwirksamkeit) oder wenn das eigene Umfeld feindselig ist (negative soziale Normen), wird man nicht tief engagiert sein. Das Paper legt nahe, dass man Studenten nicht einfach nur sagen kann „KI ist cool“, und erwarten kann, dass sie voll einsteigen; man muss ihr Selbstvertrauen stärken und sicherstellen, dass ihr Schulumfeld sie unterstützt.

5. Wie sicher sind sie sich?
Die Forscher sind sehr zuversichtlich in diese Ergebnisse, da sie eine riesige Anzahl von Studenten (über 2.500) einbezogen und rigorose Mathematik verwendet haben, um die Verbindungen zu beweisen. Sie fanden heraus, dass die „Kette“ von Einstellung → Selbstvertrauen → Plan → Handlung real und messbar ist. Sie fanden auch heraus, dass der „Soziale Normen“-Turbocharger-Effekt statistisch signifikant ist, was bedeutet, dass es kein Zufall ist; es verändert tatsächlich, wie Studenten sich verhalten.

Das Fazっwort
Dieses Paper sagt uns, dass wir, um Studenten für KI in der Schule zu begeistern und sie tief involviert zu bekommen, ihnen nicht einfach nur die Technologie in die Hand drücken können. Wir müssen:

Sicherstellen, dass sie die Idee der Nutzung mögen.
Ihnen helfen zu glauben, dass sie dazu fähig sind.
Sicherstellen, dass ihre Lehrer und Freunde sie anfeuern.

Wenn Sie alle drei Dinge richtig machen, werden die Studenten die KI nicht nur nutzen; sie werden sich intensiv mit ihr auseinandersetzen und auf eine Weise lernen und wachsen, die wir gerade erst zu verstehen beginnen.

Technisches Resümee: Soziale Normen und das Engagement von Studierenden in GenAI-gestütztem Lernen

Problemstellung

Während Generative Künstliche Intelligenz (GenAI) die Hochschulbildung durch Werkzeuge wie intelligente Empfehlungssysteme und automatisierte Bewertung rasant transformiert, bleiben die Mechanismen, die die Akzeptanz von KI mit dem tatsächlichen Engagement der Studierenden verknüpfen, unzureichend verstanden. Die bestehende Forschung konzentriert sich oft auf technische Funktionalitäten oder die initiale Technologieadoption und vernachlässigt dabei die psychologischen Prozesse, die Akzeptanz in nachhaltiges, tiefgreifendes Lernverhalten transformieren. Darüber hinaus erhielt die Rolle von sozialen Normen – wahrgenommene Erwartungen von Lehrenden, Peers und Institutionen – als Randbedingung in diesem Prozess bisher wenig Aufmerksamkeit. Es besteht eine Lücke im Verständnis darüber, wie individuelle Einstellungen, motivationale Faktoren (Intention) und Überzeugungen über die eigene Leistungsfähigkeit (Selbstwirksamkeit) innerhalb eines sozialen Kontextes interagieren, um Engagement in dynamischen GenAI-Umgebungen voranzutreiben.

Methodik

Die Studie verwendete ein quantitatives, Querschnittsdesign, um ein integriertes theoretisches Modell zu testen, das die Theorie des geplanten Verhaltens (TPB) und die Sozialkognitive Theorie (SCT) kombiniert.

Teilnehmer: Die Daten wurden von 2.568 Studierenden (darunter Bachelor- und Masterstudierende) an zehn Universitäten in China erhoben, die verschiedene Bildungsstufen (Universitäten und Fachhochschulen) und Disziplinen (Geisteswissenschaften, Naturwissenschaften, Ingenieurwesen usw.) repräsentieren.
Instrument: Ein strukturierter Online-Fragebogen, der über die Plattform Wenjuanxing administriert wurde, umfasste fünf latente Konstrukte, die auf fünfstufigen Likert-Skalen gemessen wurden:
1. KI-Einstellungen (AI Attitudes): Kognitive und affektive Bewertungen von KI (6 Items).
2. KI-Selbstwirksamkeit (AI Self-Efficacy): Vertrauen in die effektive Nutzung von KI-Werkzeugen (4 Items).
3. Nutzungsintention (Intention to Use): Bereitschaft, KI weiterhin für das Lernen zu nutzen (4 Items).
4. Engagement der Studierenden (Student Engagement): Multidimensionales Engagement (behavioral, emotional, kognitiv, agentisch) in GenAI-Kontexten (19 Items).
5. Unterstützende soziale Normen (Supportive Social Norms): Wahrgenommene Ermutigung und Ressourcenunterstützung durch das soziale Umfeld (4 Items).
Analyse: Die Forscher nutzten die Partial Least Squares Structural Equation Modelling (PLS-SEM) via SmartPLS 4. Die Analyse beinhaltete:
- Die Bewertung der Modellgüte hinsichtlich Reliabilität und Validität (Cronbachs $\alpha$ , Composite Reliability, AVE, HTMT).
- Das Testen von direkten, mediierenden und moderierenden Effekten mittels Bootstrapping (5.000 Resamples).
- Die Evaluierung von Effektstärken ( $f^2$ ) und prädiktiver Relevanz ( $R^2$ , SRMR).

Zentrale Beiträge

Die Studie leistet drei primäre theoretische Beiträge:

Theoretische Integration: Sie erweitert die Integration von TPB und SCT spezifisch auf GenAI-Lernkontexte und schlägt einen sequenziellen Pfad vor, bei dem Einstellungen die Selbstwirksamkeit formen, welche wiederum die Intention beeinflusst, was letztlich das Engagement vorantreibt. Bemerkenswerterweise positioniert sie die Selbstwirksamkeit in diesem spezifischen Kontext zeitlich vor der Intention, mit der Argumentation, dass Lernende eine Wahrnehmung ihrer Fähigkeiten benötigen, bevor sie eine nachhaltige Nutzungsintention bilden können.
Erweiterung des Outcomes: Sie verschiebt den Fokus von der bloßen Technologieadoption hin zum Engagement der Studierenden als primärem Ergebnis und erfasst damit die Tiefe der Interaktion, die in GenAI-Umgebungen erforderlich ist.
Kontextuelle Randbedingungen: Sie konzeptualisiert unterstützende soziale Normen nicht lediglich als direkte Prädiktoren, sondern als kritische Moderatoren, welche die Transformation von Einstellungen in Überzeugungen, Intentionen und Verhaltensweisen verstärken.

Ergebnisse

Das Strukturmodell zeigte eine zufriedenstellende Passung ($SRMR = 0,033$, $NFI = 0,885$, $R^2 = 0,688$ für Engagement).

Direkte Effekte: KI-Einstellungen sagen das Engagement der Studierenden signifikant und positiv voraus ( $\beta = 0,330$ ).
Mediierende Effekte:
- Selbstwirksamkeit mediiert die Beziehung zwischen Einstellungen und Engagement partiell ( $\beta = 0,129$ ).
- Nutzungsintention mediiert die Beziehung zwischen Einstellungen und Engagement partiell ( $\beta = 0,151$ ).
- Sequenzielle Mediation: Es existiert eine signifikante Kettenmediation: KI-Einstellungen $\rightarrow$ Selbstwirksamkeit $\rightarrow$ Nutzungsintention $\rightarrow$ Engagement der Studierenden ( $\beta = 0,068$ ).
Moderierende Effekte: Unterstützende soziale Normen moderieren signifikant die Beziehungen zwischen KI-Einstellungen und:
- Selbstwirksamkeit ( $\beta = 0,081$ )
- Nutzungsintention ( $\beta = 0,111$ )
- Engagement der Studierenden ( $\beta = 0,162$ )
- Interpretation: Die positiven Effekte der KI-Einstellungen auf diese Ergebnisse sind signifikant stärker, wenn die unterstützenden sozialen Normen hoch sind im Vergleich dazu, wenn sie niedrig sind.
Effektstärken: KI-Einstellungen zeigten einen großen Effekt auf die Selbstwirksamkeit ( $f^2 = 0,657$ ) sowie mittlere Effekte auf die Intention und das Engagement. Die Interaktionseffekte (Moderation) waren geringfügig in der Magnitude, aber statistisch signifikant, was darauf hindeutet, dass sie die Stärke der Haupteffekte maßgeblich beeinflussen.

Bedeutung und Behauptungen

Die Autoren behaupten, dass diese Studie eine umfassende Erklärung dafür liefert, wie Lernende in KI-gestützten Lernumgebungen von der Wahrnehmung zur Handlung übergehen.

Klärung der Mechanismen: Die Ergebnisse bestätigen, dass positive KI-Einstellungen fundamental sind, deren Übersetzung in Engagement jedoch durch das Vertrauen (Selbstwirksamkeit) und die Motivation (Intention) der Lernenden mediiert wird. Entscheidend ist, dass die Studie postuliert, dass Selbstwirksamkeit als Voraussetzung für die Intention fungiert, wobei das Vertrauen in die eigene Fähigkeit der Bildung einer nachhaltigen Nutzungsintention vorausgeht.
Kontextuelle Bedeutung: Die Studie unterstreicht, dass individuelle psychologische Faktoren nicht im Vakuum operieren. Unterstützende soziale Normen wirken als kritische Randbedingungen, die die Wirkung positiver Einstellungen verstärken. In kollektivistischen Kontexten erhöht die Abstimmung des Verhaltens mit den wahrgenommenen sozialen Erwartungen signifikant die Wahrscheinlichkeit des Engagements.
Praktische Implikation: Die Autoren legen nahe, dass eine effektive KI-Integration einen koordinierten Ansatz erfordert: die Förderung positiver Einstellungen, den Aufbau des Vertrauens der Lernenden durch gestufte Erfahrungen (scaffolded experiences) und die aktive Kultivierung unterstützender institutioneller und Peer-Umgebungen.

Die Arbeit kommt zu dem Schluss, dass das Querschnittsdesign zwar die kausale Inferenz einschränkt, das integrierte Modell jedoch einen robusten Rahmen bietet, um das dynamische Zusammenspiel von kognitiven, motivationalen und kontextuellen Faktoren im Zeitalter der Generativen KI zu verstehen.