Advertisement

Vorhersage des Studienabbruchs in naturwissenschaftlich-technischen Studiengängen

  • Jens FleischerEmail author
  • Detlev Leutner
  • Matthias Brand
  • Hans Fischer
  • Martin Lang
  • Philipp Schmiemann
  • Elke Sumfleth
Schwerpunkt
  • 112 Downloads

Zusammenfassung

Vor dem Hintergrund vergleichsweise hoher Abbruchquoten in den naturwissenschaftlich-technischen Studiengängen kommt der Untersuchung des Studienerfolgs insbesondere in diesen Studiengängen eine besondere Relevanz zu. Im vorliegenden Beitrag werden Prädiktoren des Studienabbruchs in der Eingangsphase naturwissenschaftlich-technischer Studiengänge untersucht. Hierbei zeigen sich das fachliche Vorwissen, das mathematische Wissen, das fachbezogene Studieninteresse, die Erwartungskomponente der Studienmotivation, das Engagement im Studium sowie die Zufriedenheit mit den Studieninhalten als relevante Prädiktoren sowohl für die Studienabbruchsintention als auch für das Risiko eines tatsächlichen Studienabbruchs. Die Zufriedenheit mit den Studieninhalten erweist sich dabei als Mediator, über den ein Teil der Effekte der anderen Prädiktoren auf die Abbruchsintention vermittelt wird. Die Abbruchsintention stellt wiederum einen frühen Indikator für das Risiko eines späteren Studienabbruchs dar. Die Ergebnisse zeigen sowohl Gemeinsamkeiten als auch Unterschiede zwischen den betrachteten Studiengängen hinsichtlich der Bedeutung der einzelnen Prädiktoren.

Schlüsselwörter

Studienerfolg Studienabbruchsintention Studienabbruch Studienzufriedenheit Naturwissenschaftlich-technische Studiengänge 

Prediction of student drop-out in STEM study programs

Abstract

The relatively high number of students in the STEM fields not completing their program successfully makes the investigation of students’ study success particularly important in these disciplines. The present study analyses predictors of student drop-out in different STEM study programs. Subject-related prior knowledge, mathematical knowledge, domain-specific interest, study motivation (expectancy), student engagement, and satisfaction with study content are identified as relevant predictors of both drop-out intentions as well as actual drop-out risk. Satisfaction with study content proves to partially mediate the effects of the other predictors on drop-out intentions. In turn, drop-out intentions represent an early indicator of later actual drop-out risk. Results show similarities as well as differences between study programs regarding the significance of the predictors.

Keywords

Drop-out intentions STEM study programs Student drop-out Student study satisfaction Student study success 

Notes

Förderung

Diese Veröffentlichung wurde ermöglicht durch Sachbeihilfen der Deutschen Forschungsgemeinschaft (Kennz.: LE 645/15‑1, BR 2894/12‑1, FI 477/23‑1, LA 3574/1‑1, SCHM 2664/2‑1 und SU 187/14-1) in der Forschungsgruppe „Akademisches Lernen und Studienerfolg in der Eingangsphase naturwissenschaftlich-technischer Studiengänge“ (ALSTER; FOR 2242). Wir danken allen an ALSTER beteiligten Wissenschaftlerinnen und Wissenschaftlern sowie insbesondere allen Doktorierenden der einzelnen Teilprojekte, die an der Datenerhebung beteiligt waren.

Literatur

  1. Abele, A., Stief, M., & Andrä, M. S. (2000). Zur ökonomischen Erfassung beruflicher Selbstwirksamkeitserwartung – Neukonstruktion der BSW-Skala. Zeitschrift für Arbeits- und Organisationspsychologie, 44, 145–151.CrossRefGoogle Scholar
  2. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, 179–211.  https://doi.org/10.1016/0749-5978(91)90020-T.CrossRefGoogle Scholar
  3. Alesi, B., Bürger, S., Kehm, B., & Teichler, U. (2005). Bachelor- und Master-Studiengänge in ausgewählten Ländern Europas im Vergleich zu Deutschland. Fortschritte im Bolognaprozess. Berlin: BMBF.Google Scholar
  4. Allmendinger, J., & Ebner, C. (2006). Arbeitsmarkt und demografischer Wandel. Die Zukunft der Beschäftigung in Deutschland. Zeitschrift für Arbeits- und Organisationspsychologie, 50, 227–239.  https://doi.org/10.1026/0932-4089.50.4.227.CrossRefGoogle Scholar
  5. Blüthmann, I. (2012). Individuelle und studienbezogene Einflussfaktoren auf die Zufriedenheit von Bachelorstudierenden. Zeitschrift für Erziehungswissenschaft, 15(2), 273–303.  https://doi.org/10.1007/s11618-012-0270-3.CrossRefGoogle Scholar
  6. Blüthmann, I., Thiel, F., & Wolfgram, C. (2011). Abbruchtendenzen in den Bachelorstudiengängen. Individuelle Schwierigkeiten oder mangelhafte Studienbedingungen? Die Hochschule, 20, 110–116.Google Scholar
  7. Borkenau, P., & Ostendorf, F. (1993). NEO-Fünf-Faktoren Inventar nach Costa und McCrae. Göttingen: Hogrefe.  https://doi.org/10.1026//0084-5345.28.2.145.CrossRefGoogle Scholar
  8. Van Bragt, C. A. C., Bakx, A. W. E. A., Bergen, T. C. M., & Croon, M. A. (2011). Looking for students’ personal characteristics predicting study outcome. Higher Education, 61, 59–75.  https://doi.org/10.1007/s10734-010-9325-7.CrossRefGoogle Scholar
  9. Brandstätter, H., Grillich, L., & Farthofer, A. (2006). Prognose des Studienabbruchs. Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 38, 121–131.  https://doi.org/10.1026/0049-8637.38.3.121.CrossRefGoogle Scholar
  10. Buschhüter, D., Spoden, C., & Borowski, A. (2016). Mathematische Kenntnisse und Fähigkeiten von Physikstudierenden zu Studienbeginn. Zeitschrift für Didaktik der Naturwissenschaften, 22, 61–75.  https://doi.org/10.1007/s40573-016-0041-4.CrossRefGoogle Scholar
  11. Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14, 464–504.  https://doi.org/10.1080/10705510701301834.CrossRefGoogle Scholar
  12. Cheung, G. W., & Rensvold, R. B. (2001). The effects of model parsimony and sampling error on the fit of structural equation models. Organizational Research Methods, 4, 236–264.  https://doi.org/10.1177/109442810143004.CrossRefGoogle Scholar
  13. Cordier, H. (1994). Studienabbruch bis zur Mitte des ersten Hochschulsemesters. Hannover: HIS.Google Scholar
  14. DeWitz, S. J., Woolsey, M. L., & Walsh, W. B. (2009). College student retention: an exploration of the relationship between self-concept beliefs and purpose in life among college students. Journal of College Student Development, 50, 19–34.  https://doi.org/10.1353/csd.0.0049.CrossRefGoogle Scholar
  15. Dresel, M., & Grassinger, R. (2013). Changes in achievement motivation among university freshmen. Journal of Education and Training Studies, 1, 159–173.  https://doi.org/10.11114/jets.v1i2.147.CrossRefGoogle Scholar
  16. Eccles, J. S., & Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53, 109–132.  https://doi.org/10.1146/annurev.psych.53.100901.135153.CrossRefGoogle Scholar
  17. Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39, 175–191.CrossRefGoogle Scholar
  18. Fellenberg, F., & Hannover, B. (2006). Kaum begonnen, schon zerronnen? Psychologische Ursachenfaktoren für die Neigung von Studienanfängern, das Studium abzubrechen oder das Fach zu wechseln. Empirische Pädagogik, 20, 381–399.Google Scholar
  19. Fleischer, J., Averbeck, D., Sumfleth, E., Leutner, D., & Brand, M. (2017). Entwicklung und Vorhersage von Studienzufriedenheit in MINT-Fächern. In C. Maurer (Hrsg.), Implementation fachdidaktischer Innovation im Spiegel von Forschung und Praxis. Gesellschaft für Didaktik der Chemie und Physik Jahrestagung in Zürich 2016 (S. 59–62).Google Scholar
  20. Freyer, K., Epple, M., Brand, M., Schiebener, J., & Sumfleth, E. (2014). Studienerfolgsprognose bei Erstsemesterstudierenden in Chemie: Eine Studie an einer Universität mittels moderierter multipler linearer Regressionsanalyse. Zeitschrift für Didaktik der Naturwissenschaften, 20, 129–142.  https://doi.org/10.1007/s40573-014-0015-3.CrossRefGoogle Scholar
  21. Gibney, A., Moore, N., Murphy, F., & O’Sullivan, S. (2011). The first semester of university life; ‘will I beable to manage it all? Higher Education, 62, 351–366.  https://doi.org/10.1007/s10734-010-9392-9.CrossRefGoogle Scholar
  22. Giesen, H., Gold, A., Hummer, A., & Jansen, R. (1986). Prognose des Studienerfolgs. Ergebnisse aus Längsschnittuntersuchungen. Frankfurt a. M.: Institut für Pädagogische Psychologie.Google Scholar
  23. Gold, A. (1999). Studienabbruch und Studienerfolg. Ergebnisse aus den Längsschnittuntersuchungen der Frankfurter Arbeitsgruppe Bildungslebensläufe. In M. Schröder-Gronostay & H.-D. Daniel (Hrsg.), Studienerfolg und Studienabbruch (S. 51–61). Berlin, Neuwied: Luchterhand.Google Scholar
  24. Haarala-Muhonen, A., Ruohoniemi, M., Parpala, A., Komulainen, E., & Lindblom-Ylänne, S. (2017). How do the different study profiles of first-year students predict their study success, study progress and the completion of degrees? Higher Education, 74, 949–962.  https://doi.org/10.1007/s10734-016-0087-8.CrossRefGoogle Scholar
  25. Hailikari, T. K., & Nevgi, A. (2010). How to diagnose at-risk students in chemistry: The case of prior knowledge assessment. International Journal of Science Education, 32, 2079–2095.  https://doi.org/10.1080/09500690903369654.CrossRefGoogle Scholar
  26. Heine, C., Briedis, K., Didi, H.-J., Haase, K., & Trost, G. (2006). Auswahl- und Eignungsfeststellungsverfahren beim Hochschulzugang in Deutschland und ausgewählten Ländern. Eine Bestandsaufnahme. Hannover: HIS.Google Scholar
  27. Heller, K. A., & Perleth, C. (2000). KFT 4‑12+R – Kognitiver Fähigkeits-Test für 4. bis 12. Klassen, Revision. Weinheim: Beltz.Google Scholar
  28. Heublein, U., & Schmelzer, R. (2018). Die Entwicklung der Studienabbruchquoten an den deutschen Hochschulen. Berechnungen auf Basis des Absolventenjahrgangs 2016. Hannover: DZHW.Google Scholar
  29. Heublein, U., & Wolter, A. (2011). Studienabbruch in Deutschland. Zeitschrift für Pädagogik, 57, 214–245.Google Scholar
  30. 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: DZHW.Google Scholar
  31. Heublein, U., Hutzsch, C., Schreiber, J., Sommer, D., & Besuch, G. (2010). Ursachen des Studienabbruchs in Bachelor- und in herkömmlichen Studiengängen. Hannover: HIS.Google Scholar
  32. Hosmer, D. H., & Lemeshow, S. (2000). Applied logistic regression. Hoboken: John Wiley & Sons Inc.CrossRefGoogle Scholar
  33. Klöpping, S., Scherfer, M., Gokus, S., Dachsberger, S., Krieg, A., Wolter, A., Bruder, R., Ressel, W., & Umbach, E. (Hrsg.). (2017). Studienabbruch in den Ingenieurwissen-schaften. Empirische Analyse und Best Practices zum Studienerfolg (acatech STUDIE). München: utzverlag.Google Scholar
  34. Kolland, F. (2002). Studienabbruch: Zwischen Kontinuität und Krise. Eine empirische Untersuchung an Österreichs Universitäten. Wien: Braumüller.Google Scholar
  35. Komarraju, M., Karau, S. J., & Schmeck, R. R. (2009). Role of the big five personality traits in predicting college students’ academic motivation and achievement. Learning and Individual Differences, 19, 47–52.  https://doi.org/10.1016/j.lindif.2008.07.001.CrossRefGoogle Scholar
  36. Kosovich, J. J., Hulleman, C. S., Barron, K. E., & Getty, S. (2015). A practical measure of student motivation: establishing validity evidence for the expectancy-value-cost scale in middle school. Journal of Early Adolescence, 35, 790–816.  https://doi.org/10.1177/0272431614556890.CrossRefGoogle Scholar
  37. Kuh, G. D., Kinzie, J., Buckley, J., Bridges, B., & Hayek, J. (2007). Piecing together the student success puzzle: research, propositions, and recommendations (ASHE higher education report, Vol. 32, No. 5). San Francisco: Jossey-Bass.Google Scholar
  38. Lewin, K. (1999). Studienabbruch in Deutschland. In M. Schröder-Gronostay & H.-D. Daniel (Hrsg.), Studienerfolg und Studienabbruch – Beiträge aus Forschung und Praxis (S. 17–50). Berlin: Luchterhand.Google Scholar
  39. MacKinnon, D. P. (2008). Introduction to statistical mediation analysis. Hillsdale: Erlbaum.Google Scholar
  40. Mäkinen, J., Olkinuora, E., & Lonka, K. (2004). Students at risk: students’ general study orientations and abandoning/prolonging the course of studies. Higher Education, 48, 173–188.  https://doi.org/10.1023/B:HIGH.0000034312.79289.ab.CrossRefGoogle Scholar
  41. Mashburn, A. J. (2000). A psychological process of college student dropout. Journal of College Student Retention, 2, 173–190.  https://doi.org/10.2190/U2QB-52J9-GHGP-6LEE.CrossRefGoogle Scholar
  42. Meulemann, H. (1991). Zufriedenheit und Erfolg in der Bildungslaufbahn. Ein Längsschnitt vom Gymnasium bis zum Studienabschluss. Zeitschrift für Sozialisationsforschung und Bildungssoziologie, 11, 215–238.Google Scholar
  43. Mühlenweg, A., Sprietsma, M., & Horstschräer, J. (2010). Humankapitalpotenziale der gestuften Hochschulabschlüsse in Deutschland. Auswertung zu Studienbeteiligung, Studienabbrüchen, Mobilität und Eingangsselektion. Mannheim: ZEW.Google Scholar
  44. Müller, F. H. (2001). Studium und Interesse: Eine empirische Untersuchung bei Studierenden. Münster: Waxmann.Google Scholar
  45. Müller, J., Stender, A., Fleischer, J., Borowski, A., Dammann, E., Lang, M., & Fischer, H. E. (2018). Mathematisches Wissen von Studienanfängern und Studienerfolg. Zeitschrift für Didaktik der Naturwissenschaften, 22, 1–17.  https://doi.org/10.1007/s40573-018-0082-y.CrossRefGoogle Scholar
  46. Muthén, L. K., & Muthén, B. O. (2012). Mplus user’s guide (7. Aufl.). Los Angeles: Muthén & Muthén.Google Scholar
  47. Neuville, S., Frenay, M., Schmitz, J., Boudrenghien, G., Noël, B., & Wertz, V. (2007). Tinto’s theoretical perspective and expectancy-value paradigm: A confrontation to explain freshmen’s academic achievement. Psychologica Belgica, 47, 31–50.  https://doi.org/10.5334/pb-47-1-31.CrossRefGoogle Scholar
  48. OECD (2011). Education at a glance 2011: OECD indicators. Paris: OECD.  https://doi.org/10.1787/eag-2011-en.CrossRefGoogle Scholar
  49. Ostendorf, F., & Angleitner, A. (2004). NEO-PI‑R – NEO Persönlichkeitsinventar nach Costa und McCrae – Revidierte Fassung. Göttingen: Hogrefe.Google Scholar
  50. Pintrich, P. R., & De Groot, E. V. (1990). Motivational and self-regulated learning components of classroom academic performance. Journal of Educational Psychology, 82, 33–40.CrossRefGoogle Scholar
  51. Pixner, J., & Schüpbach, H. (2008). Zur Vorhersagbarkeit von Studienabbrüchen als Kriterium des Studien(miss)erfolgs. In H. Schuler & B. Hell (Hrsg.), Studierendenauswahl und Studienentscheidung (S. 122–128). Göttingen: Hogrefe.Google Scholar
  52. Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students’ academic performance: a systematic review and meta-analysis. Psychological Bulletin, 138, 353–387.  https://doi.org/10.1037/a0026838.CrossRefGoogle Scholar
  53. Riese, J., Kulgemeyer, C., Zander, S., Borowski, A., Fischer, H. E., Gramzow, Y., et al. (2015). Modellierung und Messung des Professionswissens in der Lehramtsausbildung Physik. In S. Blömeke & O. Zlatkin-Troitschanskaia (Hrsg.), Kompetenzen von Studierenden (Zeitschrift für Pädagogik: 61. Beiheft, S. 55–79). Weinheim: Beltz.Google Scholar
  54. Rindermann, H. (2005). Für ein bundesweites Auswahlverfahren von Studienanfängern über Fähigkeitsmessung. Psychologische Rundschau, 56, 127–129.  https://doi.org/10.1026/0033-3042.56.2.127.CrossRefGoogle Scholar
  55. Rindermann, H., & Oubaid, V. (1999). Auswahl von Studienanfängern durch Universitäten – Kriterien, Verfahren und Prognostizierbarkeit des Studienerfolgs. Zeitschrift für Differentielle und Diagnostische Psychologie, 20, 172–191.  https://doi.org/10.1024//0170-1789.20.3.172.CrossRefGoogle Scholar
  56. Robbins, S. B., Lauver, K., Le, H., Davis, D., Langley, R., & Carlstrom, A. (2004). Do psychosocial and study skill factors predict college outcomes? A meta-analysis. Psychological Bulletin, 130, 261–288.  https://doi.org/10.1037/0033-2909.130.2.261.CrossRefGoogle Scholar
  57. Sarcletti, A., & Müller, S. (2011). Zum Stand der Studienabbruchforschung. Theoretische Perspektiven, zentrale Ergebnisse und methodische Anforderungen an künftige Studien. Zeitschrift für Bildungsforschung, 1, 235–248.  https://doi.org/10.1007/s35834-011-0020-2.CrossRefGoogle Scholar
  58. Schaufeli, W. B., & Bakker, A. B. (2003). Utrecht work engagement scale: preliminary manual. Utrecht: Occupational Health Psychology Unit, Utrecht University.Google Scholar
  59. Schaufeli, W. B., Martinez, I., Marques Pinto, A., Salanova, M., & Bakker, A. B. (2002). Burnout and engagement in university students: across national study. Journal of Cross-Cultural Psychology, 33, 464–481.CrossRefGoogle Scholar
  60. Schiefele, U., Krapp, A., Wild, K. P., & Winteler, A. (1993). Der „Fragebogen zum Studieninteresse“ (FSI). Diagnostica, 39, 335–351.Google Scholar
  61. Schiefele, U., Streblow, L., & Brinkmann, J. (2007). Aussteigen oder Durchhalten. Was unterscheidet Studienabbrecher von anderen Studierenden? Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 39, 127–140.  https://doi.org/10.1026/0049-8637.39.3.127.CrossRefGoogle Scholar
  62. Schneider, M., & Preckel, F. (2017). Variables associated with achievement in higher education: a systematic review of meta-analyses. Psychological Bulletin, 143, 565–600.  https://doi.org/10.1037/bul0000098.CrossRefGoogle Scholar
  63. Schöne, C., Dickhäuser, O., Spinath, B., & Stiensmeier-Pelster, J. (2002). Die Skalen zur Erfassung des schulischen Selbstkonzepts (SESSKO). Göttingen: Hogrefe.Google Scholar
  64. Schröder-Gronostay, M. (1999). Studienabbruch. Zusammenfassung des Forschungsstandes. In M. Schröder-Gronostay & H.-D. Daniel (Hrsg.), Studienerfolg und Studienabbruch. Beiträge aus Forschung und Praxis (S. 209–240). Berlin: Luchterhand.Google Scholar
  65. Schuler, H., & Hell, B. (2008). Studierendenauswahl und Studienentscheidung aus eignungsdiagnostischer Sicht. In H. Schuler & B. Hell (Hrsg.), Studierendenauswahl und Studienentscheidung (S. 11–17). Göttingen: Hogrefe.Google Scholar
  66. Schwarzer, R. (1999). Selbstregulation (REG). In R. Schwarzer & M. Jerusalem (Hrsg.), Skalen zur Erfassung von Lehrer- und Schülermerkmalen. Dokumentation der psycho-metrischen Verfahren im Rahmen der Wissenschaftlichen Begleitung des Modellversuchs selbstwirksame Schulen (S. 92–94). Berlin: Freie Universität Berlin.Google Scholar
  67. Spinath, B., Stiensmeier-Pelster, J., Schöne, C., & Dickhäuser, O. (2002). Die Skalen zur Erfassung von Lern- und Leistungsmotivation (SELLMO). Göttingen: Hogrefe.Google Scholar
  68. Sumfleth, E., & Leutner, D. (in press). Studienerfolg in der Eingangsphase von naturwissenschaftlich-technischen Studiengängen. Unikate (im Druck).Google Scholar
  69. Thiel, F., Blüthmann, I., & Richter, M. (2010). Ergebnisse der Befragung der Studierenden in den Bachelorstudiengängen an der Freien Universität Berlin – Sommersemester 2010. https://www.fu-berlin.de/sites/qm/verfahren/qualitaetssicherungsverfahren/zentrale-befragungen/bachelorbefragung/bachelorbefragung-2010.pdf. Zugegriffen: 10. Jan. 2019.Google Scholar
  70. Thiel, F., Veit, S., Blüthmann, I., Lepa, S., & Ficzko, M. (2008). Ergebnisse der Befragung der Studierenden in den Bachelorstudiengängen an der Freien Universität Berlin – Sommersemester 2008. http://www.fu-berlin.de/universitaet/entwicklung/qualitaetsmanagement/bachelorbefragung/bachelorbefragung-2008.pdf. Zugegriffen: 10. Jan. 2019.
  71. Trapmann, S. (2008). Mehrdimensionale Studienerfolgsprognose: Die Bedeutung kognitiver, temperamentsbedingter und motivationaler Prädiktoren für verschiedene Kriterien des Studienerfolgs. Berlin: Logos.Google Scholar
  72. Trapmann, S., Hell, B., Weigand, S., & Schuler, H. (2007). Die Validität von Schulnoten zur Vorhersage des Studienerfolgs – eine Metaanalyse. Zeitschrift für Pädagogische Psychologie, 21, 11–27.CrossRefGoogle Scholar
  73. Trost, G. (2003). Deutsche und internationale Studierfähigkeitstests. Arten, Brauchbarkeit, Handhabung. Dokumentationen & Materialien (Bd. 51). Bonn: DAAD.Google Scholar
  74. Ulriksen, L., Møller Madsen, L., & Holmegaard, H. (2010). What do we know about the ex-planations for drop out/opt out among young people from STM higher education pro-grammes? Studies in Science Education, 46, 209–244.CrossRefGoogle Scholar
  75. Vedel, A. (2014). The big five and tertiary academic performance: a systematic review and meta-analysis. Personality and Individual Differences, 71, 66–76.  https://doi.org/10.1016/j.paid.2014.07.011.CrossRefGoogle Scholar
  76. Walpuski, M., Kauertz, A., Kampa, N., Fischer, H. E., Mayer, J., Sumfleth, E., & Wellnitz, N. (2010). ESNaS – Evaluation der Standards für die Naturwissenschaften in der Sekundarstufe. In A. Gehrmann, U. Hericks & M. Lüders (Hrsg.), Bildungsstandards und Kompetenzmodelle – Beiträge zu einer aktuellen Diskussion über Schule, Lehrerbildung und Unterricht (S. 171–184). Bad Heilbrunn: Klinkhardt.Google Scholar
  77. Westermann, R., Heise, E., Spies, K., & Trautwein, U. (1996). Identifikation und Erfassung von Komponenten der Studienzufriedenheit. Psychologie in Erziehung und Unterricht, 43, 1–22.Google Scholar
  78. Wild, K.-P., & Schiefele, U. (1994). Lernstrategien im Studium. Ergebnisse zur Faktorenstruktur und Reliabilität eines neuen Fragebogens. Zeitschrift für Differentielle und Diagnostische Psychologie, 15, 185–200.Google Scholar
  79. York, T. T., Gibson, C., & Rankin, S. (2015). Defining and measuring academic success. Practical Assessment, Research & Evaluation, 20(5), 1–20.Google Scholar

Copyright information

© The Editors of the Journal 2019

Authors and Affiliations

  1. 1.Lehrstuhl für Lehr-LernpsychologieUniversität Duisburg-EssenEssenDeutschland
  2. 2.Lehrstuhl Allgemeine Psychologie: KognitionUniversität Duisburg-EssenDuisburgDeutschland
  3. 3.Lehrstuhl Didaktik der PhysikUniversität Duisburg-EssenEssenDeutschland
  4. 4.Lehrstuhl Technologie und Didaktik der TechnikUniversität Duisburg-EssenEssenDeutschland
  5. 5.Lehrstuhl Didaktik der BiologieUniversität Duisburg-EssenEssenDeutschland
  6. 6.Lehrstuhl Didaktik der ChemieUniversität Duisburg-EssenEssenDeutschland

Personalised recommendations