Advertisement

Das Zusammenspiel zwischen akademischer und sozialer Integration bei der Erklärung von Studienabbruchintentionen. Eine empirische Anwendung von Tintos Integrationsmodell im deutschen Kontext

  • Daniel Klein
Allgemeiner Teil
  • 38 Downloads

Zusammenfassung

Die Studienerfolgsquote zu steigern, ist ein erklärtes Ziel der deutschen Hochschulpolitik und setzt detaillierte Kenntnisse der Bestimmungsfaktoren des Studienabbruchs voraus. Bislang ist aber unklar, inwiefern die hierfür einflussreichste Theorie, Tintos Integrationsmodell, auf Studierende in Deutschland zutrifft. Im Beitrag wird der Zusammenhang der akademischen und sozialen Integration mit den Studienabbruchintentionen einer bundesweiten Stichprobe Studierender untersucht. Die Ergebnisse belegen die Gültigkeit des Modells. Akademische und soziale Integration lassen sich in je zwei Subdimensionen teilen, die negativ mit den Abbruchintentionen assoziiert sind. Kontakte zu Dozierenden hängen positiv mit der intellektuellen Entwicklung der Studierenden und negativ mit der Belastung durch Leistungsanforderungen zusammen. Es finden sich zudem Hinweise auf eine asymmetrische Wechselwirkung zwischen akademischer und sozialer Integration. Studierende profitieren nur dann von Kontakten zu Dozierenden, wenn ihre akademische Integration einen minimalen Schwellenwert übersteigt. Mit der akademischen Integration sinkt die Abbruchintention dagegen unabhängig von der sozialen Integration.

Schlüsselwörter

akademische Integration Hochschulforschung soziale Integration Studienabbruch Tinto 

The interplay between academic and social integration in explaining higher education dropout intentions. An empirical application of Tinto’s integration model in the German context

Abstract

Higher education policy in Germany aims at increasing the graduation rates in tertiary education. This requires profound knowledge of the determinants of student dropout. However, the extent to which the most influential theory of dropout, Tinto’s integration model, applies to students in Germany is not yet known. This study examines the relationship of academic and social integration with dropout intentions drawing on a nationwide sample of students. Results confirm the validity of the integration model. In line with the theoretical assumptions, the academic and social integration each consist of two sub-dimensions, all of which prove to be negatively associated with dropout intentions. Close relationships with faculty correlate positively with students’ intellectual development and negatively with perceived burden of performance requirements. Results further suggest an asymmetric interaction between academic and social integration. Students profit from contact with faculty only when they pass a minimum threshold of academic integration. Academic integration, on the other hand, is associated with lower dropout intentions irrespective of students’ social integration.

Keywords

Academic integration Dropout Higher education Social integration Tinto 

Literatur

  1. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.Google Scholar
  2. Bank, B. J., Slavings, R. L., & Biddle, B. J. (1990). Effects of peer, faculty, and parental influences on students’ persistence. Sociology of Education, 63(3), 208–225.Google Scholar
  3. Bean, J. P. (1982). Student attrition, intentions, and confidence. Interaction effects in a path model. Research in Higher Education, 17(4), 291–320.Google Scholar
  4. Belloc, F., Maruotti, A., & Petrella, L. (2010). University drop-out. An Italian experience. Higher Education, 60(2), 127–138.Google Scholar
  5. Bers, T. H., & Smith, K. E. (1991). Persistence of community college students: the influence of student intent and academic and social integration. Research in Higher Education, 32(5), 539–556.Google Scholar
  6. Braxton, J. M., Vesper, N., & Hossler, D. (1995). Expectations for college and student persistence. Research in Higher Education, 36(5), 595–611.Google Scholar
  7. Braxton, J. M., Sullivan, A. S., & Johnson, R. M. (1997). Appraising Tinto’s theory of college student departure. In J. C. Smart (Hrsg.), Higher education. Handbook of theory and research (S. 107–164). New York: Agathon.Google Scholar
  8. Braxton, J. M., Milem, J. F., & Sullivan, A. S. (2000). The influence of active learning on the college student departure process. Toward a revision of Tinto’s theory. The Journal of Higher Education, 71(5), 569–590.Google Scholar
  9. Cabrera, A. F., Castaneda, M. B., Nora, A., & Hengstler, D. (1992). The convergence between two theories of college persistence. The Journal of Higher Education, 63(2), 143–164.Google Scholar
  10. Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334.Google Scholar
  11. Dahm, G., Hahn, S., & Lauterbach, O. (2016). Measuring students’ social and academic integration – assessment of the operationalization in the National Educational Panel Study. In H.-P. Blossfeld, J. von Maurice, & M. Bayer (Hrsg.), Methodological issues of longitudinal surveys. The example of the National Educational Panel Study (S. 313–329). Wiesbaden: Springer VS.Google Scholar
  12. Donovan, R. (1984). Path analysis of a theoretical model of persistence in higher education among low-income black youth. Research in Higher Education, 21(3), 243–259.Google Scholar
  13. Dowaliby, F. J., Garrison, W. M., & Dagel, D. (1993). The Student Integration Survey: development of an early alert assessment and reporting system. Research in Higher Education, 34(4), 513–531.Google Scholar
  14. Embretson, S. E., & Reise, S. P. (2013). Item response theory for psychologists. London: Psychology Press.Google Scholar
  15. Erikson, R., Goldthorpe, J. H., & Portocarero, L. (1979). Intergenerational class mobility in three western European societies. England, France and Sweden. The British Journal of Sociology, 30(4), 415–441.Google Scholar
  16. Ethington, C. A., & Smart, J. C. (1986). Persistence to graduate education. Research in Higher Education, 24(3), 287–303.Google Scholar
  17. Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention and behavior. An introduction to theory and research. Reading: Addison-Wesley.Google Scholar
  18. Gesk, I. (1999). Studienabbruch an Pädagogischen Hochschulen. Dargestellt am Studiengang für das Lehramt an Grund- und Hauptschulen. Heidelberg: University Library.Google Scholar
  19. Gold, A. (1988). Studienabbruch, Abbruchneigung und Studienerfolg. Vergleichende Bedingungsanalysen des Studienverlaufs (Europäische Hochschulschriften: Reihe 6, Psychologie, Bd. 259). Frankfurt a. M.: Peter Lang.Google Scholar
  20. Goldberg, B., & Finkelstein, M. (2002). Effects of a first-semester learning community on nontraditional technical students. Innovative Higher Education, 26(4), 235–249.Google Scholar
  21. Grözinger, G. (2017). Einflüsse auf die Notengebung: eine Analyse ausgewählter Fächer auf Basis der Prüfungsstatistik. In V. Müller-Benedict & G. Grözinger (Hrsg.), Noten an Deutschlands Hochschulen. Analysen zur Vergleichbarkeit von Examensnoten 1960–2013 (S. 79–116). Wiesbaden: Springer VS.Google Scholar
  22. Heublein, U., Hutzsch, C., Schreiber, J., Sommer, D., & Besuch, G. (2010). Ursachen des Studienabbruchs in Bachelor- und in herkömmlichen Studiengängen. Ergebnisse einer bundesweiten Befragung von Exmatrikulierten des Studienjahres 2007/08. Hannover: Hochschul-Informations-System GmbH.Google Scholar
  23. Heublein, U., Richter, J., Schmelzer, R., & Sommer, D. (2014). Die Entwicklung der Studienabbruchquoten an den deutschen Hochschulen. Statistische Berechnungen auf der Basis des Absolventenjahrgangs 2012. Hannover: Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW).Google Scholar
  24. Heublein, U., Ebert, J., Hutzsch, C., Isleib, S., König, R., Richter, J., & Woisch, A. (2017). Zwischen Studienerwartungen und Studienwirklichkeit. Ursachen des Studienabbruchs, beruflicher Verbleib der Studienabbrecherinnen und Studienabbrecher und Entwicklung der Studienabbruchquote an deutschen Hochschulen. Hannover: Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW).Google Scholar
  25. Hochschulrektorenkonferenz (2016). Erfolgversprechende Faktoren für extracurriculare Maßnahmen in der Studieneingangsphase. Empfehlung des Runden Tisches Ingenieurwissenschaften des Projekts nexus der HRK. Bonn: HRK.Google Scholar
  26. Karlson, K. B., Holm, A., & Breen, R. (2012). Comparing regression coefficients between same-sample nested models using Logit and Probit: a new method. Sociological Methodology, 42(1), 286–313.Google Scholar
  27. Klein, D. (2014). MIMRGNS: stata module to run margins after mi estimate. Boston College Department of Economics: statistical software components. https://ideas.repec.org/c/boc/bocode/s457795.html. Zugegriffen: 14. Juli 2017.Google Scholar
  28. Kohler, U., Karlson, K. B., & Holm, A. (2011). Comparing coefficients of nested nonlinear probability models. The Stata Journal, 11(3), 420–438.Google Scholar
  29. Kuh, G. D., Kinzie, J., Buckley, J. A., Bridges, B. K., & Hayek, J. C. (2006). What matters to student success: a review of the literature. Commissioned report for the National Symposium on Postsecondary Student Success: spearheading a dialog on student success. Wahsington: National Postsecondary Education Cooperative (NPEC).Google Scholar
  30. Larsen, M. S., Kornbeck, K. P., Kristensen, R., Larsen, M. R., & Sommersel, H. B. (2013). Dropout phenomena at universities. What is dropout? Why does dropout occur? What can be done by the universities to prevent or reduce it? Kopenhagen: Danish Clearinghouse for educational research.Google Scholar
  31. Long, J. S. (1997). Regression models for categorical and limited dependent variables (Advanced quantitative techniques in the social sciences, Bd. 7). Thousand Oaks: SAGE.Google Scholar
  32. Mannan, M. A. (2001). An assessment of the academic and social integration as perceived by the students in the University of Papua New Guinea. Higher Education, 41(3), 283–298.Google Scholar
  33. Mannan, M. A. (2007). Student attrition and academic and social integration: application of Tinto’s model at the University of Papua New Guinea. Higher Education, 53(2), 147–165.Google Scholar
  34. Mayhew, M. J., Rockenbach, A. N., Bowman, N. A., Seifert, T. A. D., Wolniak, G. C., Pascarella, E. T., & Terenzini, P. T. (2016). How college affects students (3. Aufl.). San Francisco: Jossey-Bass.Google Scholar
  35. McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2. Aufl., Monographs on statistics and applied probability, Bd. 37). London: Chapman & Hall.Google Scholar
  36. Middendorff, E., Apolinarski, B., Poskovsky, J., Kandulla, M., & Netz, N. (2013). Die wirtschaftliche und soziale Lage der Studierenden in Deutschland 2012. 20. Sozialerhebung des Deutschen Studentenwerks durchgeführt durch das HIS-Institut für Hochschulforschung. Hannover: Hochschul-Informations-System GmbH.Google Scholar
  37. Multrus, F. (2016). Der Studierendensurvey. Konzept, Aufbau und theoretische Grundlagen (Hefte zur Bildungs- und Hochschulforschung Nr. 87). Konstanz: Universität Konstanz.Google Scholar
  38. Neugebauer, M. (2015). The introduction of bachelor degrees and the under-representation of students from low social origin in higher education in Germany. A pseudo-panel approach. European Sociological Review, 31(5), 591–602.Google Scholar
  39. Pascarella, E. T., & Chapman, D. W. (1983). Validation of a theoretical model of college withdrawal. Interaction effects in a multi-institutional sample. Research in Higher Education, 19(1), 25–48.Google Scholar
  40. Pascarella, E. T., & Terenzini, P. T. (1979). Interaction effects in Spady and Tinto’s conceptual models of college attrition. Sociology of Education, 52(4), 197–210.Google Scholar
  41. Pascarella, E. T., & Terenzini, P. T. (1980). Predicting freshman persistence and voluntary dropout decisions from a theoretical model. The Journal of Higher Education, 51(1), 60–75.Google Scholar
  42. Pascarella, E. T., & Terenzini, P. T. (1983). Predicting voluntary freshman year persistence/withdrawal behavior in a residential university. A path analytic validation of Tinto’s model. Journal of Educational Psychology, 75(2), 215–226.Google Scholar
  43. Pascarella, E. T., Smart, J. C., & Ethington, C. A. (1986). Long-term persistence of two-year college students. Research in Higher Education, 24(1), 47–71.Google Scholar
  44. Ramm, M. (2014). Response, Stichprobe und Repräsentativität. Zwei Dokumentationen zum Deutschen Studierendensurvey (Hefte zur Bildungs- und Hochschulforschung Nr. 72). Konstanz: Universität Konstanz.Google Scholar
  45. Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. Hoboken: John Wiley & Sons.Google Scholar
  46. Schnell, R., Hill, P. B., & Esser, E. (2008). Methoden der empirischen Sozialforschung (8. Aufl.). München: Oldenbourg.Google Scholar
  47. Schwarz, N. (2007). Retrospective and concurrent self-reports: the rationale for real-time data capture. In A. A. Stone, S. Shiffman, A. Atienza & L. Nebeling (Hrsg.), The science of real-time data capture. Self-reports in health research (S. 11–26). Oxford: Oxford University Press.Google Scholar
  48. Smith, J. P., & Naylor, R. A. (2001). Dropping out of university. A statistical analysis of the probability of withdrawal for UK university students. Journal of the Royal Statistical Society, 164(2), 389–405.Google Scholar
  49. Stage, F. K. (1989). Reciprocal effects between the academic and social integration of college students. Research in Higher Education, 30(5), 517–530.Google Scholar
  50. StataCorp (2011). Stata statistical software: release 12. College Station: StataCorp.Google Scholar
  51. Terenzini, P. T., & Pascarella, E. T. (1977). Voluntary freshman attrition and patterns of social and academic integration in a university. A test of a conceptual model. Research in Higher Education, 6(1), 25–43.Google Scholar
  52. Thomas, S. L. (2000). Ties that bind. A social network approach to understanding student integration and persistence. The Journal of Higher Education, 71(5), 591–615.Google Scholar
  53. Tinto, V. (1975). Dropout from higher education. A theoretical synthesis of recent research. Review of Educational Research, 45, 89–125.Google Scholar
  54. Tinto, V. (1987). Leaving college: rethinking the causes and cures for student attrition. Chicago: University of Chicago Press.Google Scholar
  55. Van Buer, J. (2011). Zur Fokussierung der empirischen Hochschulforschung auf das vorzeitige Ausscheiden aus dem Studium – warum wir so auf den Misserfolg blicken. In O. Zlatkin-Troitschanskaia (Hrsg.), Stationen empirischer Bildungsforschung. Traditionslinien und Perspektiven (S. 463–475). Wiesbaden: VS.Google Scholar
  56. Van Buuren, S., Brand, J. P. L., Groothuis-Oudshoorn, C. G. M., & Rubin, D. B. (2006). Fully conditional specification in multivariate imputation. Journal of Statistical Computation and Simulation, 76(12), 1049–1064.Google Scholar
  57. Von Hippel, P. T. (2007). Regression with missing Ys: an improved strategy for analyzing multiply imputed data. Sociological Methodology, 37, 83–117.Google Scholar
  58. White, I. R., Royston, P., & Wood, A. M. (2011). Multiple imputation using chained equations: issues and guidance for practice. Statistics in medicine, 30(4), 377–399.Google Scholar
  59. Wissenschaftsrat (2015). Empfehlungen zum Verhältnis von Hochschulbildung und Arbeitsmarkt. Zweiter Teil der Empfehlungen zur Qualifizierung von Fachkräften vor dem Hintergrund des demographischen Wandels. Bielefeld: WR.Google Scholar
  60. Wolff, H.-G., & Bacher, J. (2010). Hauptkomponentenanalyse und explorative Faktorenanalyse. In C. Wolf & H. Best (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 333–365). Wiesbaden: VS.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.INCHER-KasselUniversität KasselKasselDeutschland

Personalised recommendations