Modellierung und Förderung des selbstregulierten Lernens bei Studierenden

Im Mittelpunkt des Forschungsinteresses stehen zum einen die Modellierung des selbstregulierten Lernens bei Studierenden und die Einbettung dieser Ergebnisse in die State-Trait-Debatte. Dazu soll das selbstregulierte Lernen einerseits über einen Fragebogen erfasst werden, dessen Inhalte an die Komponenten des Prozessmodells von Zimmerman (2000) angepasst sind. Andererseits ist die Erfassung des selbstregulierten Lernens über ein Lerntagebuch in Anlehnung an das Prozessmodell von Schmidt (2009) geplant. Da sich gezeigt hat, dass die Konzeptualisierung des selbstregulierten Lernens sowohl als Trait als auch als State sinnvoll ist, kann solch eine Modellüberprüfung mittels Strukturgleichungsmodellen sowie ein Vergleich der Modellgütekriterien neue Erkenntnisse liefern. Außerdem soll überprüft werden, in welchem Zusammenhang das State- und das Trait-Modell des selbstregulierten Lernens stehen, also ob State-Variablen durch Trait-Variablen vorhergesagt werden können und umgekehrt. Zum anderen soll mit dem beantragten Projekt untersucht werden, ob eine länger andauernde Intervention auf State-Ebene Auswirkungen auf die Trait-Selbstregulation hat. Es ist daher geplant, ein Trainingsprogramm zu entwickeln und dieses im Hinblick auf seine Auswirkungen auf State- und Trait-Ebene zu evaluieren. Dabei sind eine längsschnittliche sowie eine prozessuale Trainingsevaluation geplant. Ein weiterer Fokus liegt dabei auf der Untersuchung differenzieller Effekte verschiedener Personenvariablen. Die Studierenden können z.B. mittels einer Clusteranalyse in verschiedene Gruppen eingeteilt werden, die jeweils ein spezifisches Profil aufweisen und in verschiedener Weise vom Training profitieren. Im Zuge dieser differenziellen Fragestellung soll außerdem überprüft werden, welche personenbezogenen Variablen das selbstregulierte Lernen und dessen Entwicklung im Verlauf des Studiums beeinflussen. Die derzeitige Befundlage weist auf die Bedeutsamkeit verschiedener Variablen im Zusammenhang mit selbstreguliertem Lernen und akademischem Erfolg hin. Dazu sollen sowohl das selbstregulierte Lernen als auch personenbezogene Variablen zu zwei Messzeitpunkten erfasst werden, so dass ein cross-lagged-Panel-Design verwirklicht werden kann.