Die Dynamik der Studienmotivation: Individuelle Veränderungen und Stabilisierungsprozesse im Semesterverlauf

Die Veränderung akademischer Motivation im Hochschulstudium ist zentral für den Lernerfolg von Hochschulstudierenden. Obwohl die Situierte Erwartungs-Wert-Theorie (SEVT) nach Eccles und Wigfield (2020) Aussagen über Motivation in konkreten Lernsituationen trifft, untersuchen wenige Studien die Situationsebene (Gaspard et al., 2015). Um diese Forschungslücke zu adressieren, fokussiert das auf Dynamischen Systemtheorien basierende DYNAMICS-Modell (Moeller et al., 2022) die kurzfristige Entwicklung von einer Lernsituation zur nächsten auf Ebene motivationaler State-Prozesse und deren Zusammenhänge mit langfristig stabileren motivationalen Dispositionen. Die vorliegende Studie untersucht bei Studierenden im ersten Studienjahr, inwieweit motivationale State-Prozesse im Semesterverlauf zunehmend stabiler werden (Forschungsfrage 1). In diesem Kontext untersuchen wir zudem, welche statistischen Methoden bzw. Parameter für die Beschreibung zunehmender Stabilität am besten geeignet sind (Forschungsfrage 2). Mittels Experience-Sampling-Methode wurden Daten von N=7 Studierenden im 2. Fachsemester ihres Psychologiestudiums erhoben. Die Studierenden wurden über den Verlauf eines Semesters hinweg (~11 Wochen, 45-282 MZP/Person) via Smartphone-App in ihren wöchentlich stattfindenden Lehrveranstaltungen zu ihren motivationalen States befragt. Auf Basis von idiografischen Zeitreihenanalysen und zwei Variabilitätsmaßen (Dejonckheere et al., 2019) überprüfen wir folgende Annahmen: (1) Zunehmende Stabilität drückt sich darin aus, dass die Variabilität motivationaler States kleiner wird. Die Varianz in den Zeitreihen sollte sich damit über die Zeit verringern. (2) Zunehmende Stabilität drückt sich darin aus, dass die Vorhersagestärke von einem Messzeitpunkt zum nächsten (Parameter: Autokorrelation) über die Zeit größer wird. Annahme 1, d.h. sinkende Varianz, wird mit der Kernel Change-Point Detection untersucht. Dabei wird untersucht, ob es einen Punkt gibt, an dem die Varianz sprunghaft sinkt. Annahme 2, d.h. steigende Autokorrelation, wird im continuous time modelling geprüft. Herausforderungen, die sich aus der Konfiguration der Berchnungsgrundlage ergeben, sowie weitere offene Fragen werden diskutiert.