Advertisement

Zeitschrift für Erziehungswissenschaft

, Volume 22, Issue 4, pp 899–924 | Cite as

Das Zusammenspiel von Selbstbildern, motivationalen und emotionalen Orientierungen sowie deren Einfluss auf die Mathematikleistung in der PISA-Studie 2012

  • Sina MewsEmail author
  • Andreas Pöge
Allgemeiner Teil
  • 154 Downloads

Zusammenfassung

Individuelle Schülermerkmale wie Selbstbilder, motivationale und emotionale Orientierungen sind bedeutende Ursachen schulischer Leistungen und beeinflussen diese in einem komplexen Wirkgeflecht. In der vorliegenden Arbeit werden mittels eines linearen Strukturgleichungsmodells die Beziehungen zwischen diesen individuellen Merkmalen sowie deren Einfluss auf die Mathematikleistung untersucht. Als theoretische Rahmenmodelle fungieren das Erwartungs-mal-Wert-Modell von Eccles und die Kontroll-Wert-Theorie von Pekrun. Für die empirischen Analysen werden Daten der PISA-Studie 2012 mit 4168 15-jährigen Schülerinnen und Schülern, die überwiegend die neunte Jahrgangsstufe besuchten, verwendet. Die Ergebnisse zeigen, dass die Selbstbilder (Selbstkonzept und Selbstwirksamkeit) zusammen mit der instrumentellen motivationalen Orientierung die emotionalen Orientierungen (Freude und Interesse sowie Ängstlichkeit) im Unterrichtsfach Mathematik sehr gut erklären können. Darüber hinaus nimmt das Selbstkonzept eine zentrale Rolle bei der Erklärung der übrigen Merkmale ein, während die Selbstwirksamkeit den stärksten positiven Effekt auf die Mathematikleistung darstellt.

Schlüsselwörter

Emotionale Orientierungen Mathematikleistung Motivationale Orientierung PISA 2012 Selbstbilder 

The interplay between self-beliefs, motivational and emotional orientations as well as their effects on mathematics achievement in PISA 2012

Abstract

Individual student characteristics like self-beliefs, motivational and emotional orientations are major factors in school performance and influence the latter based on a complex network of direct and indirect effects. This study explores the relations between these individual characteristics as well as their effects on students’ mathematics achievement using a linear structural equation model. As a theoretical framework, the expectancy-value theory of Eccles as well as the control-value theory of Pekrun are utilised. The empirical analyses are based on a data set from the 2012 PISA study comprising 4168 15-year-old students, who predominantly attended the ninth grade. The results show that self-beliefs (i.e. self-concept and self-efficacy) in conjunction with instrumental motivational orientation account very well for differences in emotional orientations (i.e. enjoyment and interest as well as anxiety) in mathematics. Moreover, self-concept plays a central role in explaining the other personality traits, while self-efficacy has the strongest positive effect on mathematics achievement.

Keywords

Emotional orientations Math achievement Motivational orientation PISA 2012 Self-beliefs 

Supplementary material

Literatur

  1. Andersen, L., & Cross, T. L. (2014). Are students with high ability in math more motivated in math and science than other students? Roeper Review, 36(4), 221–234.CrossRefGoogle Scholar
  2. Arzheimer, K. (2009). Gewichtungsvariation. In H. Schoen, H. Rattinger & O. W. Gabriel (Hrsg.), Vom Interview zur Analyse: methodische Aspekte der Einstellungs- und Wahlforschung (S. 361–388). Baden-Baden: Nomos.Google Scholar
  3. Bandura, A. (1977). Social learning theory. New York: General Learning Press.Google Scholar
  4. Bong, M., & Skaalvik, E. M. (2003). Academic self-concept and self-efficacy: how different are they really? Educational Psychology Review, 15(1), 1–40.CrossRefGoogle Scholar
  5. Budde, J. (2009). Mathematikunterricht und Geschlecht. Empirische Ergebnisse und pädagogische Ansätze. Bonn: BMBF.Google Scholar
  6. Deci, E. L., & Ryan, R. M. (2000). The “What” and “Why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.CrossRefGoogle Scholar
  7. Diener, E. (2000). Subjective well-being. American Psychologist, 55(1), 34–43.CrossRefGoogle Scholar
  8. Eccles, J. S. (1983). Expectancies, values and, academic behaviors. In J. T. Spence (Hrsg.), Achievement and achievement motives: psychological and sociological approaches (S. 75–146). San Francisco: W. H. Freeman.Google Scholar
  9. Enders, C. K. (2010). Applied missing data analysis. New York: Guilford.Google Scholar
  10. Ferla, J., Valcke, M., & Cai, Y. (2009). Academic self-efficacy and academic self-concept: reconsidering structural relationships. Learning and Individual Differences, 19, 499–505.CrossRefGoogle Scholar
  11. Ganley, C. M., & Lubienski, S. T. (2016). Mathematics confidence, interest and performance: examining gender patterns and reciprocal relations. Learning and Individual Differences, 47, 182–193.CrossRefGoogle Scholar
  12. Graham, J. W. (2009). Missing data analysis: making it work in the real world. Annual Review of Psychology, 60, 549–576.CrossRefGoogle Scholar
  13. Guo, J., Parker, P. D., Marsh, H. W., & Morin, A. J. S. (2015). Achievement, motivation, and educational choices: a longitudinal study of expectancy and value using a multiplicative perspective. Developmental Psychology, 51(8), 1163–1176.CrossRefGoogle Scholar
  14. Heine, J.-H., Sälzer, C., Borchert, L., Sibberns, H., & Mang, J. (2013). Technische Grundlagen des fünften internationalen Vergleichs. In M. Prenzel, C. Sälzer, E. Klieme & O. Köller (Hrsg.), PISA 2012. Fortschritte und Herausforderungen in Deutschland (S. 309–346). Münster: Waxmann.Google Scholar
  15. Helmke, A., & Weinert, F. E. (1997). Bedingungsfaktoren schulischer Leistungen. In F. E. Weinert (Hrsg.), Psychologie der Schule und des Unterricht (Enzyklopädie der Psychologie, Bd. 3, S. 71–176). Göttingen: Hogrefe.Google Scholar
  16. Kenward, M. G., & Molenberghs, G. (1998). Likelihood based frequentist inference when data are missing at random. Statistical Science, 13, 236–247.CrossRefGoogle Scholar
  17. Knoche, N., & Lind, D. (2005). Strukturanalysen zur Mathematikleistung und eine differentielle Itemanalyse der PISA-2000-Items zu den Faktoren Bildungsgang und Geschlecht. In Gesellschaft für Didaktik der Mathematik (Hrsg.), Beiträge zum Mathematikunterricht 2005 (39. Jahrestagung der Gesellschaft für Didaktik der Mathematik, Bielefeld, 28.2. bis 4.3.2005, S. 207–314). Hildesheim: Franzbecker.Google Scholar
  18. Köller, O., Baumert, J., & Schnabel, K. (2001). Does interest matter? The relationship between academic interest and achievement in mathematics. Journal for Research in Mathematics Education, 32(5), 448–470.CrossRefGoogle Scholar
  19. Kriegbaum, K., Jansen, M. C., & Spinath, B. (2015). Motivation: a predictor of PISA’s mathematical competence beyond intelligence and prior test achievement. Learning and Individual Differences, 43, 140–148.CrossRefGoogle Scholar
  20. Lens, W., Paixão, M. P., & Herrera, D. (2009). Instrumental motivation is extrinsic motivation: so what??? Psychologica, 50, 21–40.CrossRefGoogle Scholar
  21. Lohbeck, A., Hagenauer, G., & Moschner, B. (2016). Zum Zusammenspiel zwischen schulischem Selbstkonzept, Lernfreude, Konzentration und Schulleistungen im Grundschulalter. Zeitschrift für Bildungsforschung, 6, 53–69.CrossRefGoogle Scholar
  22. Ma, X., & Kishor, N. (1997). Assessing the relationship between attitude toward mathematics and achievement in mathematics: a meta-analysis. Journal for Research in Mathematics Education, 28(1), 26–47.CrossRefGoogle Scholar
  23. Maker, C. J. (1982). Teaching models in education of the gifted. Rockville: Aspen Systems Corp.Google Scholar
  24. Marsh, H. W. (1987). The big-fish-little-pond effect on academic self-concept. Journal of Educational Psychology, 79(3), 280–295.CrossRefGoogle Scholar
  25. Marsh, H. W. (2005). Big-fish-little-pond effect on academic self-concept. Zeitschrift für Pädagogische Psychologie, 19(3), 119–127.CrossRefGoogle Scholar
  26. Marsh, H. W., & Martin, A. J. (2011). Academic self-concept and academic achievement: relations and causal ordering. The British Journal of Educational Psychology, 81, 59–77.CrossRefGoogle Scholar
  27. Marsh, H. W., Trautwein, U., Lüdtke, O., Köller, O., & Baumert, J. (2005). Academic self-concept, interest, grades, and standardized test scores: reciprocal effects models of causal ordering. Child Development, 76(2), 397–416.CrossRefGoogle Scholar
  28. McLeod, D. B. (1992). Research on affect in mathematics education: A reconceptualization. In D. A. Grouws (Hrsg.), Handbook of research on mathematics learning and teaching (S. 575–596). New York: Macmillan.Google Scholar
  29. Meece, J.L., Wigfield, A., & Eccles, J.S. (1990). Predictors of math anxiety and its influence on young adolescents’ course enrollment intentions and performance in mathematics. Journal of Educational Psychology, 82(1), 60–70.CrossRefGoogle Scholar
  30. Mittag, W., Kleine, D., & Jerusalem, M. (2002). Evaluation der schulbezogenen Selbstwirksamkeit von Sekundarschülern. In M. Jerusalem & D. Hopf (Hrsg.), Selbstwirksamkeit und Motivationsprozesse in Bildungsinstitutionen (Zeitschrift für Pädagogik: 44. Beiheft, S. 145–173). Weinheim: Beltz.Google Scholar
  31. Möller, J., & Trautwein, U. (2015). Selbstkonzept. In E. Wild & J. Möller (Hrsg.), Pädagogische Psychologie (2. Aufl., S. 177–199). Heidelberg: Springer.Google Scholar
  32. OECD (2014a). PISA 2012 results: What students know and can do. Student performance in mathematics, reading and science. Paris: OECD Publishing. (Volume I, Revised edition)Google Scholar
  33. OECD (2014b). PISA 2012 technical report. http://www.oecd.org/pisa/pisaproducts/PISA-2012-technical-report-final.pdf. Zugegriffen: 24. Sept. 2018.Google Scholar
  34. Opp, K.-D. (2010). Kausalität als Gegenstand der Sozialwissenschaften und der multivariaten Statistik. In C. Wolf & H. Best (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 9–38). Wiesbaden: VS.CrossRefGoogle Scholar
  35. Pajares, F., & Miller, M. D. (1994). Role of self-efficacy and self-concept beliefs in mathematical problem solving: a path analysis. Journal of Educational Psychology, 86(2), 193–203.CrossRefGoogle Scholar
  36. Pekrun, R. (2006). The control-value theory of achievement emotions: assumptions, corollaries, and implications for educational research and practice. Educational Psychology Review, 18, 315–341.CrossRefGoogle Scholar
  37. Pekrun, R., Frenzel, A. C., Goetz, T., & Perry, R. P. (2007). The control-value theory of achievement emotions: an integrative approach to emotions in education. In I. P. A. Schutz & R. Pekrun (Hrsg.), Emotion in education (S. 13–36). Amsterdam: Academic Press.CrossRefGoogle Scholar
  38. Pinxten, M., Marsh, H. W., De Fraine, B., Van Den Noortgate, W., & Van Damme, J. (2014). Enjoying mathematics or feeling competent in mathematics? Reciprocal effects on mathematics achievement and perceived math effort expenditure. British Journal of Educational Psychology, 84, 152–174.CrossRefGoogle Scholar
  39. R Core Team (2018). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.Google Scholar
  40. Reinecke, J. (2014). Strukturgleichungsmodelle in den Sozialwissenschaften (2. Aufl.). München: Oldenbourg.Google Scholar
  41. Reinecke, J., & Pöge, A. (2010). Strukturgleichungsmodelle. In C. Wolf & H. Best (Hrsg.), Handbuch der sozialwissenschaftlichen Datenanalyse (S. 775–804). Wiesbaden: VS.CrossRefGoogle Scholar
  42. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36.CrossRefGoogle Scholar
  43. Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. New York: Wiley.CrossRefGoogle Scholar
  44. Sälzer, C., & Prenzel, M. (2013). PISA 2012 – eine Einführung in die aktuelle Studie. In I. M. Prenzel, C. Sälzer, E. Klieme & O. Köller (Hrsg.), PISA 2012. Fortschritte und Herausforderungen in Deutschland (S. 11–45). Münster: Waxmann.Google Scholar
  45. Schiepe-Tiska, A., & Schmidtner, S. (2013). Mathematikbezogene emotionale und motivationale Orientierungen, Einstellungen und Verhaltensweisen von Jugendlichen in PISA 2012. In M. Prenzel, C. Sälzer, E. Klieme & O. Köller (Hrsg.), PISA 2012. Fortschritte und Herausforderungen in Deutschland (S. 99–121). Münster: Waxmann.Google Scholar
  46. Schöber, C., Schütte, K., Köller, O., McElvany, N., & Gebauer, M. M. (2018). Reciprocal effects between self-efficacy and achievement in mathematics and reading. Learning and Individual Differences, 63, 1–11.CrossRefGoogle Scholar
  47. Schrader, F.-W., & Helmke, A. (2008). Determinanten der Schulleistung. In M. Schweer (Hrsg.), Lehrer-Schüler-Interaktion. Inhaltsfelder, Forschungsperspektiven und methodische Zugänge (2. Aufl., S. 285–302). Wiesbaden: VS.Google Scholar
  48. Schunk, D. H. (1991). Self-efficacy and academic motivation. Educational Psychologist, 26(3), 207–231.CrossRefGoogle Scholar
  49. Törnroos, J., Ingemansson, I., Pettersson, A., & Kupari, P. (2006). Affective factors and their relation to the mathematical literacy performance of students in the Nordic countries. In I. J. Mejding & A. Roe (Hrsg.), Northern Lights on PISA 2003—a reflection from the Nordic countries (S. 103–116). Copenhagen: Nordic Council of Ministers.Google Scholar
  50. Trautwein, U., Marsh, H. W., Nagengast, B., Lüdtke, O., Nagy, G., & Jonkmann, K. (2012). Probing for the multiplicative term in modern expectancy–value theory: a latent interaction modeling study. Journal of Educational Psychology, 104(3), 763–777.CrossRefGoogle Scholar
  51. Um, A. E. K. (2005). Motivation and mathematics performance: a structural equation analysis. Dissertation, Columbia University. https://www.researchgate.net/publication/315811529_Motivation_and_Mathematics_Performance_A_Structural_Equation_Analysis_Doctoral_Dissertation_Columbia_University. Zugegriffen: 6. Sept. 2018.
  52. Uysal, S. (2015). Factors affecting the mathematics achievement of Turkish students in PISA 2012. Educational Research and Reviews, 10(12), 1670–1678.CrossRefGoogle Scholar
  53. Valentine, J. C., DuBois, D. L., & Cooper, H. (2004). The relation between self-beliefs and academic achievement: a meta-analytic review. Educational Psychologist, 39(2), 111–133.CrossRefGoogle Scholar
  54. Van der Beek, J. P. J., Van der Ven, S. H. G., Kroesbergen, E. H., & Leseman, P. P. M. (2017). Self-concept mediates the relation between achievement and emotions in mathematics. British Journal of Educational Psychology, 87, 478–495.CrossRefGoogle Scholar
  55. Watermann, R., Szczesny, M., & Kühnel, S. (2012). Strukturgleichungsmodelle. In S. Maschke & L. Stecher (Hrsg.), Enzyklopädie Erziehungswissenschaft Online. Fachgebiet Methoden der empirischen erziehungswissenschaftlichen Forschung, Quantitative Forschungsmethoden. Weinheim: Juventa.Google Scholar
  56. Wigfield, A., & Eccles, J. S. (2000). Expectancy-value theory of achievement motivation. Contemporary Educational Psychology, 25(1), 68–81.CrossRefGoogle Scholar
  57. Willliams, T., & Williams, K. (2010). Self-efficacy and performance in mathematics: Reciprocal determinism in 33 nations. Journal of Educational Psychology, 102(2), 453–466.CrossRefGoogle Scholar

Copyright information

© The Editors of the Journal 2019

Authors and Affiliations

  1. 1.Fakultät für WirtschaftswissenschaftenUniversität BielefeldBielefeldDeutschland
  2. 2.Fakultät für SoziologieUniversität BielefeldBielefeldDeutschland

Personalised recommendations