- Titel
- Lernen im Flow – Voraussetzungen für ein erfolgreiches Lernen in digitalen Lernsettings
- Untertitel
- Empirische Untersuchung zur Wirkung von Flow-Erleben auf das Lernen von Mathematikgrundlagen im Kontext des akademischen Selbstkonzepts und motivationaler Voraussetzungen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-978052
- Erstveröffentlichung
- 2025
- Datum der Einreichung
- 13.02.2025
- Datum der Verteidigung
- 27.06.2025
- Abstract (DE)
- In dieser Arbeit wurde theoriegeleitet ein Wirkmodell zu den Voraussetzungen eines erfolgreichen, selbstgesteuerten, digitalen Lernens entwickelt. Ziel war es, Hypothesen abzuleiten, die am Beispiel des an der Hochschule Heilbronn angebotenen Mathematikgrundlagentests empirisch überprüft wurden. Dabei interessierte vor allem das bereits 1974 von Csikszentmihalyi identifizierte Konstrukt des Flow-Erlebens und seine in zahlreichen Studien (Calvin, 2022; dos Santos et al., 2018; Ho & Kuo, 2010; Tang et al., 2023) festgestellte positive Wirkung auf das Übungsverhalten und die Leistung von Studierenden in digitalen Lernsettings. Es zeigte sich, dass die von Nakamura und Csikszentmihalyi (2014, S. 240) aufgestellten Voraussetzungen notwendige aber nicht hinreichende Bedingungen für das Erleben von Flow sind. Für ein erfolgreiches selbstgesteuertes Lernen in digitalen Lernsettings bedarf es neben einer flowförderlichen Gestaltung des Lernangebots weiterer Einflussfaktoren. Als Determinanten für das Flow-Erleben wurden das akademische Fähigkeitsselbstkonzept Mathematik und die Motivation identifiziert, welche sich im Interesse an der Aufgabenstellung, der individuellen Erwartungen hinsichtlich eines Erfolgs oder Misserfolgs sowie dem Grad der empfundenen Herausforderung ausdrücken. Zusammen bilden diese Faktoren wichtige Aspekte des individuellen Lernpotenzials. Die aus der Theorie abgeleiteten Zusammenhänge zwischen Selbstkonzept und Motivation konnten in der Arbeit in weiten Teilen bestätigt werden. Allerdings zeigte sich, dass nur derjenige Teil des Flow-Erlebens, der sich in der Absorbiertheit im Tun ausdrückt, einen positiven Effekt auf das Übungsverhalten und damit auf die Leistung hat. Nur der Faktor Interesse fördert diese Absorbiertheit. Es konnte zudem gezeigt werden, dass das Flow-Erleben im Zeit- und damit Übungsverlauf zunimmt und positiv auf die Leistung im Mathematikgrundlagentest wirkt. Das entwickelte Wirkmodell leistet damit einen wesentlichen Beitrag zum Verständnis der Abhängigkeiten und Potenziale des Flow-Erlebens im wissenschaftlichen Diskurs.
- Abstract (EN)
- In this study, a theory-driven model of the prerequisites for successful, self-directed, digital learning was developed. The aim was to derive hypotheses that were empirically tested using the example of the mathematics fundamentals test offered at Heilbronn University. Of particular interest was the construct of flow experience, which was identified by Csikszentmihalyi as early as 1974, and its positive effect on students' learning and performance in digital learning settings, as observed in numerous studies (Calvin, 2022; dos Santos et al., 2018; Ho & Kuo, 2010; Tang et al., 2023). The findings indicated that the prerequisites established by Nakamura and Csikszentmihalyi (2014, p. 240) are necessary but not sufficient preconditions for experiencing flow. To ensure successful self-regulated learning in digital learning settings, it is imperative to consider additional factors beyond a learning environment that fosters flow. The academic self-concept in mathematics and motivation were identified as determinants for experiencing flow, which is expressed in the interest in the task, individual expectations regarding success or failure, and the perceived level of challenge. The interplay of these factors constitutes a significant aspect of individual learning potential, with the relationships between self-concept and motivation, as derived from the theory, largely confirmed in the study. However, it was demonstrated that only the component of the flow experience that manifests as absorption in the learning activity exerts a positive influence on practicing behavior and, consequently, on performance. Interest is the sole factor that fosters this absorption. Furthermore, it was shown that the flow experience increases over time and with learning, and has a favorable effect on performance in the mathematics fundamentals test. Consequently, the developed model makes a substantial contribution to better understand the dependencies and potentials of the flow experience in the scientific discourse.
- Freie Schlagwörter (DE)
- Flow-Erleben, Mathematikgrundlagen, Selbstkonzept, Motivation, Studium
- Klassifikation (DDC)
- 370
- Klassifikation (RVK)
- CX 3500
- GutachterIn
- Prof. Dr. Stephan Abele
- BetreuerIn Hochschule / Universität
- Prof. Dr. Stephan Abele
- BetreuerIn - externe Einrichtung
- Prof. Dr. Andreas Daberkow
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- Sonstige beteiligte Institution
- Hochschule Heilbronn, Heilbronn
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-978052
- Veröffentlichungsdatum Qucosa
- 16.07.2025
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-NC-ND 4.0- Inhaltsverzeichnis
Abstract II Inhaltsverzeichnis IV Abbildungsverzeichnis VI Tabellenverzeichnis IX Abkürzungsverzeichnis XI 1 Einleitung 1 1.1 Problemstellung und Gegenstand der Arbeit 2 1.2 Ziele und Gliederung der Arbeit 3 2 Theoretischer Rahmen 8 2.1 Flow-Theorie nach Csikszentmihalyi 9 2.1.1 Flow-Erleben: Definition 10 2.1.2 Voraussetzungen für das Erleben von Flow 12 2.1.3 Auswirkung von Flow-Erleben auf die Leistung 17 2.2 Determinanten für Flow-Erleben 19 2.2.1 Motivation 20 2.2.2 Selbstwirksamkeit und Selbstkonzept als Determinanten von Flow-Erleben 25 2.2.3 Einbettung des Flow-Erlebens in das motivationale Prozessmodell 32 2.3 Einordnung in den lerntheoretischen Bezugsrahmen 34 2.3.1 Behaviorismus 34 2.3.2 Kognitivismus 35 2.3.3 Konstruktivismus 35 2.4 Folgerungen für die Modellbildung 37 2.4.1 Flow-Theorie im Kontext des lerntheoretischen Bezugsrahmens 37 2.4.2 Flow-Theorie im Kontext von Motivation und Selbstbild 38 3 Gestaltung digitaler Lernangebote 40 3.1 Instruktionsdesign 41 3.1.1 Analyse des Lernsettings 42 3.1.2 Konzeption der Lernumgebung 43 3.1.3 Entwicklung der Lernobjekte 48 3.1.4 Kriterien für gutes Instruktionsdesign 51 3.2 Intelligente Tutorielle Systeme 54 3.2.1 Adaptivität 55 3.2.2 Scaffolding 59 3.2.3 Gamification 61 3.3 Kriterienkatalog für das Erleben von Flow in digitalen Lernsettings 64 4 Wirkmodell 66 4.1 Modelle des Lehrens und Lernens 66 4.1.1 Modellbildung in der empirischen Bildungsforschung 66 4.1.2 Das Angebots-Nutzungs-Modell 67 4.2 Modellbildung für das digitale Selbststudium 71 4.2.1 Das Angebots-Nutzungs-Modell für die Hochschullehre 71 4.2.2 Ein Wirkmodell für das digitale Selbststudium 74 5 Hypothesenbildung 77 5.1 Konkretisierung der Forschungsfrage 77 5.2 Hypothesenbildung 79 6 Methoden 85 6.1 Stichprobe 85 6.1.1 Stichprobenkonstruktion 85 6.1.2 Stichprobenbeschreibung 86 6.2 Das Lernsystem bettermarks 90 6.2.1 Funktionen 91 6.2.2 Einsatz in der Hochschule 97 6.2.3 Überprüfung der Flow-Voraussetzungen des Angebots und seiner Kontextfaktoren 98 6.3 Verwendete Inventare und Messmethoden 102 6.3.1 Akademisches Fähigkeitsselbstkonzept Mathematik 102 6.3.2 Fragebogen zur aktuellen Motivation (FAM) 104 6.3.3 Flow-Kurzskala (FKS) 107 6.3.4 Leistungsmessung im Lernsystem 109 6.4 Untersuchungsdesign 110 6.4.1 Klassifikation des Untersuchungsdesigns 110 6.4.2 Untersuchungsdurchführung 112 6.4.3 Datenauswertung 113 7 Ergebnisse 116 7.1 Datenbereinigung und Vorbereitung 116 7.2 Skalengüte und Messmodelle 120 7.2.1 Akademisches Fähigkeitsselbstkonzept der Mathematik 120 7.2.2 Fragebogen zur aktuellen Motivation 121 7.2.3 Flow-Kurzskala 123 7.2.4 Üben im Lernsystem 125 7.2.5 Leistung im MGT 126 7.3 Deskriptive Befunde zu den Determinanten 127 7.3.1 Verteilung der Übungs- und Leistungsvariablen 127 7.3.2 Verteilung innerhalb der Skalen 131 7.3.3 Korrelationsanalysen der Konstrukte 150 7.4 Effekte auf das Flow-Erleben und die Leistung 153 7.4.1 Hypothesentest 155 7.4.2 Modellbewertung und Fit 162 7.4.3 Vergleich im Zeitverlauf 165 8 Diskussion der Ergebnisse 173 9 Kritische Würdigung und weiterer Forschungsbedarf 179 10 Literatur 183 Anhang XIII