📄 social_science

The Influence of ChatGPT Usage, Learning Content, and Digital Competence on Biology Students’ Learning Motivation in the Digital Education Era: A Moderated Effect Analysis Model

Diese Studie nutzt Strukturgleichungsmodellierung an 366 Biologiestudierenden, um zu zeigen, dass ChatGPT-Nutzung und Lerninhalte die Lernmotivation zwar positiv beeinflussen, die digitale Kompetenz jedoch als kritischer Moderator fungiert, der die Effektivität der Inhalte steigert und bestimmt, in welchem Maße ChatGPT zur Studierendenbindung beiträgt.

Ursprüngliche Autoren: Ibrahim Ibrahim, Juli Firmansyah, Jalaluddin Jalaluddin, Marwan Marwan

Veröffentlicht 2026-08-07

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ibrahim Ibrahim, Juli Firmansyah, Jalaluddin Jalaluddin, Marwan Marwan

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 das Klassenzimmer der Zukunft nicht als einen Raum mit Kreidetafeln vor, sondern als einen riesigen, digitalen Spielplatz, auf dem Lernen durch Konversation stattfindet. In dieser Welt gibt es drei Hauptcharaktere, die versuchen herauszufinden, wie man Studenten für das Lernen begeistert. Zuerst gibt es ChatGPT, einen superintelligenten, unermüdlichen KI-Tutor, der jederzeit mit Ihnen chatten kann, Ihre Fragen sofort beantwortet und Ihnen hilft, knifflige Konzepte zu entwirren. Denken Sie an es wie eine magische Enzyklopädie, die zurückspricht. Zweitens gibt es den Lerninhalt, das ist der eigentliche Stoff, den Sie lernen – die Lehrbücher, Videos und Aufgaben. Wenn dieser Inhalt langweilig ist, kann selbst die beste KI den Tag nicht retten; aber wenn er unterhaltsam und relevant ist, wirkt er wie ein Raketenbooster für Ihr Gehirn. Schließlich gibt es die Digitale Kompetenz, und das ist einfach nur, wie gut Sie im Umgang mit Technologie sind. Es ist der Unterschied zwischen jemandem, der nur einen Computer einschalten kann, und jemandem, der ihn nutzen kann, um ein Raumschiff zu bauen.

Lange Zeit haben Pädagogen sich gefragt: Führt das Besitzen eines coolen KI-Tutors und guter Lektionen automatisch dazu, dass Studenten mehr Lust am Lernen haben? Oder spielt es eine Rolle, wie „tech-affin“ der Student ist? Diese Frage ist entscheidend, da Schulen eifrig versuchen, KI-Tools hinzuzufügen, aber sie wollen keine Zeit mit Gadgets verschwenden, die die Neugier eines Studenten nicht wirklich wecken. Diese Studie taucht genau in dieses Mysterium ein und untersucht, wie sich diese drei Zutaten vermischen, um (oder auch nicht, um) die Lernmotivation von Universitätsstudenten in Indonesien zu erzeugen.

Die Studie: Das Mischen von KI, Lektionen und technischem Geschick

Ein Forschungsteam beschloss, dieses Rezept zu testen, indem es 366 Universitätsstudenten in Indonesien nach ihren Gewohnheiten fragte. Sie wollten sehen, ob die Nutzung von ChatGPT, die Qualität der Lektionen und die eigenen technischen Fähigkeiten der Studenten vorhersagen konnten, wie motiviert diese Studenten in ihrem Studium waren. Sie verwendeten ein schickes statistisches Werkzeug namens „Strukturgleichungsmodellierung“ (denken Sie an es als eine supergenaue Karte, die zeigt, wie eine Sache die andere vorantreibt), um die Zahlen zu verarbeiten.

Hier ist das, was sie fanden, serviert mit ein paar Analogien, um die Dinge klar zu halten:

1. Der KI-Tutor ist ein Motivator, kein Fertigkeiten-Aufbauer
Die Studie ergab, dass die Nutzung von ChatGPT ein riesiger Schub für die Lernmotivation ist. Wenn die Studenten die KI nutzten, fühlten sie sich eifriger und engagierter. Es ist, als hätte man einen persönlichen Cheerleader, der immer verfügbar ist, um ein schwieriges Konzept zu erklären oder bei Hausaufgaben zu helfen; es lässt den gesamten Prozess weniger einsam und unterhaltsamer erscheinen.

Doch hier kommt die Wendung: Die Nutzung von ChatGPT machte die Studenten nicht automatisch besser im allgemeinen Umgang mit Technologie. Die Forscher fanden nur eine sehr schwache Verbindung zwischen dem Chatten mit der KI und der tatsächlichen Verbesserung der „digitalen Kompetenz“. Es ist ein bisschen wie das Spielen eines Videospiels: Man wird vielleicht sehr gut in diesem speziellen Spiel, aber das bedeutet nicht zwangsläufig, dass man gelernt hat, ein Auto zu reparieren oder einen Computer zu bauen. Nur mit der KI zu chatten, verwandelt einen Anfänger nicht magisch in einen Technik-Wizards, es sei denn, man wird angeleitet, mehr als nur zu chatten.

2. Gute Lektionen sind die wahre Superkraft
Die kraftvollste Zutat in der Mischung war der L Lerninhalt. Die Studie zeigte, dass hochwertige, interessante und gut strukturierte Lektionen einen massiven Einfluss sowohl auf die Motivation als auch auf die digitalen Fähigkeiten hatten. Wenn das Material gut ist, werden Studenten begeistert und sie werden auch besser darin, die Werkzeuge zu nutzen, um es zu erkunden. Es ist, als würde man jemandem eine köstliche, nahrhafte Mahlzeit geben; sie bekommen Energie (Motivation) und die Nährstoffe, die sie zum Wachsen brauchen (Fähigkeiten). Die Forscher fanden heraus, dass guter Inhalt der stärkste Treiber von allem ist.

3. Der Faktor „Tech-Savvy“: Ein zweischneidiges Schwert
Hier wird es wirklich interessant. Die Forscher untersuchten die Digitale Kompetenz (wie technikaffin die Studenten waren), um zu sehen, ob dies die Art und Weise veränderte, wie die anderen Faktoren wirkten. Sie entdeckten, dass das gut im Umgang mit Technologie zu sein, wie ein Filter oder eine Linse wirkt.

Für gute Lektionen: Technikaffinität ließ die Lektionen noch besser funktionieren. Studenten, die bereits wussten, wie man digitale Werkzeuge nutzt, waren in der Lage, noch mehr Saft aus hochwertigen Inhalten zu pressen, was sie noch motivierter machte. Es ist wie ein Hochleistungsmotor in einem Sportwagen; wenn man die Fähigkeiten hat, ihn zu fahren, fährt das Auto schneller.
Für ChatGPT: Überraschenderweise schwächte das sehr technikaffine Sein den Motivationsschub, den ChatGPT gab, tatsächlich ab. Die Forscher vermuten, dass Studenten, die bereits sehr komfortabel mit Technologie sind, die KI vielleicht nicht so sehr brauchen, um motiviert zu sein. Sie haben vielleicht schon ihre eigenen Wege, um motiviert zu bleiben, sodass die KI für sie nicht so viel zusätzlichen Funken liefert wie für Studenten, die weniger selbstbewusst mit Technik sind.

4. Die große Überraschung: Fähigkeiten bedeuten nicht Motivation
Eines der wichtigsten Dinge, die die Studie ausschloss, war die Vorstellung von: „Wenn du gut mit Computern bist, wirst du das Lernen lieben.“ Die Daten zeigten keine statistisch signifikante Verbindung zwischen digitaler Kompetenz und Lernmotivation. In einfachen Worten bestätigte der statistische Test (mit einem p-Wert von 0,843), dass es sich nicht direkt in ein höheres Verlangen zu studieren übersetzt, einfach ein Technik-Genie zu sein. Motivation kommt aus der Erfahrung des Lernens (die Hilfe der KI und die guten Lektionen), nicht nur daraus, die Werkzeuge zu beherrschen.

Das Fazit

Die Studie kommt zu dem Schluss, dass KI-Tools wie ChatGPT zwar fantastisch sind, um Studenten zu begeistern, sie aber kein Zauberstab sind, um technische Fähigkeiten zu lehren. Um das Feuer eines Studenten wirklich zu entfachen, braucht man zuerst großartige Inhalte. Und während es gut mit Technologie zu sein hilft, Studenten das Beste aus guten Lektionen herauszuholen, garantiert es nicht, dass sie von vornherein motiviert sind zu lernen.

Die Forscher sagen vorsichtig, dass diese Ergebnisse auf eine spezifische Gruppe von Studenten und eine Momentaufnahme basieren, daher können wir nicht mit Sicherheit sagen, ob dies für jeden einzelnen Studenten überall gilt. Aber die Botschaft ist klar: Geben Sie den Studenten nicht einfach ein cooles KI-Tool und hoffen Sie auf das Beste. Geben Sie ihnen großartige Lektionen, helfen Sie ihnen, die Werkzeuge tiefgründig zu verstehen, und denken Sie daran, dass ein Technik-Experte nicht automatisch ein motivierter Lernender ist. Die Magie passiert, wenn die richtigen Werkzeuge auf den richtigen Inhalt treffen.

Technisches Resümee: Der Einfluss der ChatGPT-Nutzung, der Lerninhalte und der digitalen Kompetenz auf die Lernmotivation von Biologiestudenten

Hinweis zum Umfang: Während der Titel „Biologiestudenten“ anführt, spezifizieren die Methodik und die Ergebnisse der Studie, dass die Population aus Bachelorstudierenden der Fakultät für Lehrerbildung und Erziehungswissenschaften an der Universitas Syiah Kuala bestand, die sich auf die Fachrichtungen Sportpädagogik, Anglistik, Psychologie und Mathematik verteilten. Die folgende Zusammenfassung spiegelt die tatsächlich in der Arbeit präsentierten Daten und den tatsächlichen Umfang wider.

1. Problemstellung und Forschungsziele

Die Studie adressiert eine Lücke in der bestehenden Literatur hinsichtlich der empirischen Auswirkungen von Generativer KI (speziell ChatGPT) auf die Lernmotivation von Studierenden. Während vorangegangene Forschungen die Fähigkeiten von KI-Werkzeugen beschrieben haben, besteht ein begrenztes Verständnis darüber, wie spezifische Nutzungsmuster, die Qualität der Lerninhalte und die digitale Kompetenz der Studierenden interagieren, um die Motivation zu beeinflしen. Darüber hinaus bleibt die Rolle der digitalen Kompetenz als Moderatorvariable in diesen Beziehungen unteruntersucht.

Die Forschung zielt darauf ab:

Die Auswirkungen der ChatGPT-Nutzung und der Lerninhalte auf die digitale Kompetenz und die Lernmotivation der Studierenden zu bewerten.
Zu bestimmen, ob die digitale Kompetenz die Lernmotivation direkt beeinflusst.
Zu untersuchen, ob die digitale Kompetenz die Effekte der ChatGPT-Nutzung und der Lerninhalte auf die Lernmotivation moderiert.

2. Methodik

Forschungsdesign:
Die Studie verwendet ein quantitatives Forschungsdesign unter Anwendung von Strukturgleichungsmodellen mit partiellen kleinsten Quadraten (SEM-PLS) mittels der Software SmartPLS. Dieser Ansatz wurde gewählt, um komplexe kausale Beziehungen und Moderationseffekte bei einer moderaten Stichprobengröße zu handhaben.

Population und Stichprobe:

Population: Bachelorstudierende (Semester 4–8) der Fakultät für Lehrerbildung und Erziehungswissenschaften, Universitas Syiah Kuala.
Stichprobe: 366 Respondenten, ausgewählt mittels geschichteter Zufallsstichprobenverfahren, um eine proportionale Repräsentation über Geschlecht, Studienjahr und Studienfächer (Sportpädagogik, Anglistik, Psychologie und Mathematik) hinweg zu gewährleisten.
Demografie: Die Stichprobe umfasste 55 % weibliche und 45 % männliche Respondenten, wobei die Mehrheit (50 %) im Alter von 21–23 Jahren war.

Instrumentierung:
Die Daten wurden mittels eines strukturierten Fragebogens erhoben, dessen Items auf einer 5-stufigen Likert-Skala gemessen wurden. Das Instrument bewertete vier latente Konstrukte:

ChatGPT-Nutzung (X1): Häufigkeit, Dauer und Art der Nutzung.
Lerninhalte (X2): Wahrgenommene Relevanz, Qualität und Interaktionsintensität.
Digitale Kompetenz (X3): Technische Fähigkeiten, Selbstvertrauen und Anpassungsfähigkeit.
Lernmotivation (X4): Intrinsische und extrinsische Motivationsfaktoren.

Validität und Reliabilität:
Das Messmodell wies eine robuste Validität und Reliabilität auf. Alle Faktorladungen lagen über 0,70 (mit Ausnahme eines Wertes von 0,608, der basierend auf der Gesamtvalidität des Konstrukts beibehalten wurde). Die Cronbachs Alpha-Werte lagen zwischen 0,739 und 0,888, die Composite Reliability (CR)-Werte überstiegen 0,834 und die Average Variance Extracted (AVE)-Werte lagen für alle Konstrukte über dem Schwellenwert von 0,50. Die diskriminante Validität wurde mittels des Fornell-Larcker-Kriteriums bestätigt.

Kontrolle von Bias:
Prozedurale Maßnahmen (Anonymität, klare Formulierung der Items) und statistische Tests (Harman’s Single-Factor Test) wurden eingesetzt, um einen Common Method Bias zu minimieren.

3. Kernergebnisse

Die Analyse des Strukturmodells ergab folgende Befunde:

Direkte Effekte:

ChatGPT-Nutzung $\rightarrow$ Lernmotivation: Ein starker, hochsignifikanter positiver Effekt ( $\beta = 0,422, p < 0,001$ ). Eine häufige Nutzung von ChatGPT steigert die Motivation der Studierenden signifikant.
Lerninhalte $\rightarrow$ Lernmotivation: Der stärkste direkte Effekt im Modell ( $\beta = 0,550, p < 0,001$ ). Hochwertige, relevante und interaktive Inhalte sind der primäre Treiber der Motivation.
Lerninhalte $\rightarrow$ Digitale Kompetenz: Ein signifikanter positiver Effekt ( $\beta = 0,171, p < 0,05$ ). Ansprechende Inhalte tragen zur Entwicklung digitaler Fähigkeiten bei.
ChatGPT-Nutzung $\rightarrow$ Digitale Kompetenz: Ein marginal signifikanter positiver Effekt ( $\beta = 0,146, p = 0,067$ ). Obwohl die ChatGPT-Nutzung dazu neigt, die digitale Kompetenz zu verbessern, ist der Effekt relativ schwach.
Digitale Kompetenz $\rightarrow$ Lernmotivation: Nicht unterstützt. Die Beziehung war statistisch nicht signifikant ( $\beta = -0,0-05, p = 0,843$ ). Der Besitz digitaler Fähigkeiten führt allein nicht direkt zu einer höheren Lernmotivation.

Moderierende Effekte:

Digitale Kompetenz moderiert ChatGPT-Nutzung $\rightarrow$ Motivation: Ein signifikanter negativer Moderationseffekt ( $\beta = -0,091, p = 0,032$ ). Höhere digitale Kompetenz schwächt die positive Beziehung zwischen der ChatGPT-Nutzung und der Motivation ab. Die Autoren interpretieren dies als einen Kompensationseffekt: Studierende mit hohen digitalen Fähigkeiten verlassen sich möglicherweise weniger auf ChatGPT zur Motivationssteigerung, da sie über andere Fähigkeiten zum selbstregulierten Lernen verfügen.
Digitale Kompetenz moderiert Lerninhalte $\rightarrow$ Motivation: Ein signifikanter positiver Moderationseffekt ( $\beta = 0,132, p = 0,024$ ). Höhere digitale Kompetenz stärkt die Beziehung zwischen Lerninhalten und Motivation. Studierende mit besseren digitalen Fähigkeiten sind eher in der Lage, hochwertige Inhalte zu nutzen, um ihre Motivation zu steigern.

Modellgüte:

Das Modell erklärt 81,3 % der Varianz der Lernmotivation ( $R^2 = 0,813$ ), was auf eine hohe Vorhersagekraft hindeutet.
Das Modell erklärt nur 8,7 % der Varianz der digitalen Kompetenz ( $R^2 = 0,087$ ), was darauf hindeutet, dass andere Faktoren (z. B. Vorerfahrung, Infrastruktur) eine größere Rolle bei der Bestimmung der digitalen Kompetenz spielen als die in dieser Studie enthaltenen Variablen.

4. Zentrale Beiträge und Behauptungen

Die Arbeit beansprucht die folgenden Beiträge für das Feld der digitalen Bildung:

Rolle der KI für die Motivation: Die Studie bestätigt empirisch, dass ChatGPT ein bedeutender Treiber der Lernmotivation ist, was wahrscheinlich auf seine Fähigkeit zur Bereitstellung von unmittelbarem, personalisiertem Feedback und zur Unterstützung der Autonomie zurückzuführen ist.
Vorrang der Inhaltsqualität: Die Forschung hebt hervor, dass KI-Werkzeuge zwar vorteilhaft sind, die Qualität und Gestaltung der Lerninhalte jedoch weiterhin die kritischsten Faktoren für das Engagement und die Motivation der Studierenden bleiben.
Nuancierte Rolle der digitalen Kompetenz:
- Die Studie stellt die Annahme infrage, dass digitale Fähigkeiten automatisch zu höherer Motivation führen, und findet keinen direkten signifikanten Zusammenhang.
- Sie etabliert die digitale Kompetenz als kritischen Moderator statt als direkten Prädiktor. Sie fungiert als „Filter“ oder „Verstärker“: Sie verstärkt die Vorteile guter Inhalte, kann aber die Abhängigkeit von KI-Tools zur Motivationssteigerung bei hochkompetenten Studierenden verringern.
Grenzen der KI für die Kompetenzentwicklung: Die marginale Signifikanz von ChatGPT auf die digitale Kompetenz deutet darauf an, dass bloße Exposition gegenüber KI nicht ausreicht, um eine umfassende digitale Kompetenzentwicklung zu erreichen; es bedarf einer geführten Nutzung und breiterer Strategien zur digitalen Kompetenz.

5. Bedeutung und Implikationen

Die Autoren kommen zu dem Schluss, dass die Integration von KI-Werkzeugen wie ChatGPT effektiv zur Steigerung der Lernmotivation der Studierenden beiträgt, diese Effektivität jedoch konditional ist. Die Studie betont:

Pädagogisches Design ist entscheidend: Technologie muss mit hochwertigen, interaktiven Lerninhalten integriert werden, um die motivationalen Ergebnisse zu maximieren.
Kompetenz vs. Motivation: Die Verbesserung der digitalen Kompetenz ist notwendig, um Werkzeuge nutzen zu können, aber sie ist kein Ersatz für Motivationsfaktoren. Die Motivation wird stärker durch das Lernumfeld und die Relevanz der Inhalte als durch rein technische Fertigkeiten beeinflusst.
Kontextabhängigkeit: Die Auswirkung von Technologie variiert je nach dem Grad der digitalen Kompetenz der Studierenden. Pädagogen sollten erkennen, dass hochkompetente Studierende andere motivationale Vorteile aus KI-Tools ziehen können als solche mit geringerer Kompetenz.

Die Arbeit schließt mit dem Hinweis, dass zukünftige Bildungsstrategien sich auf die synergetische Integration von hochwertigen Inhalten, strategischer KI-Nutzung und der Entwicklung digitaler Kompetenz konzentrieren sollten, anstatt sich auf Technologie als isolierte Lösung für die Motivation zu verlassen.