AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Quantitative Forschung

Erstellt 2026-08-24 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Quantitative Forschung — die Familie empirischer Methoden, die numerische Daten erheben und analysieren, um Muster zu beschreiben, Beziehungen zu testen und kausale Effekte zu schätzen. In der KI in der Bildung quantifizieren quantitative Methoden, ob und wie KI-Werkzeuge Lernoutcomes, Engagement, Motivation und Selbstwirksamkeit beeinflussen, und modellieren die psychologischen und verhaltensbezogenen Mechanismen der KI-Nutzung. Sie liefern die Breite, Präzision und kausale Schlussfolgerungskraft, die qualitative Methoden für Tiefe und Kontext eintauschen.

Fragen zum Nachdenken

  • „Studierende, die einen KI-Tutor nutzen, punkten höher" — ist das vor der Lektüre eine Behauptung über Kausalität oder Korrelation, und welches einzelne Stück Evidenz würde eine in die andere verwandeln?
  • Eine Querschnitt-Erhebung kann ein komplexes mediationales Modell testen und dennoch nie Kausalität etablieren. Warum könnten zwei Variablen in einer Erhebung korrelieren, selbst wenn keine die andere verursacht? Können Sie an eine Weise denken, in der man in der Bildung durch solche Korrelation echt irregeführt werden könnte?
  • Quantitative Instrumente sind nur so gut wie das, was sie messen – und die Seite hält fest, dass Instrumente das falsche Konstrukt messen können. Wenn Sie eine Selbstauskunfts-Erhebung zu „Konfidenz" oder „Engagement" ausfüllen, was könnte sie stattdessen tatsächlich erfassen, und wie würden Sie das herausfinden?
  • Ein RCT weist Lernende zufällig Bedingungen zu, um einen kausalen Effekt zu schätzen. Was macht zufällige Zuweisung mächtig, und welche praktischen und ethischen Probleme entstehen, wenn die „Behandlung" ein möglicherweise hilfreiches KI-Werkzeug ist, das manchen Studierenden vorenthalten wird?
  • Longitudinale Designs verfolgen dieselben Lernenden über Zeit – unverzichtbar, um KI-aufgeblähte Leistung von dauerhaftem Lernen zu unterscheiden. Warum würde eine einzelne Momentaufnahme hoher Punktzahlen nicht offenbaren, ob Lernen tatsächlich stattfand?
  • Quantitative Arbeit liefert Breite und kausale Kraft; qualitative Arbeit liefert Tiefe und Bedeutung. Wo haben Zahlen allein Sie Ihrer Ansicht nach vor der Lektüre der Paarung am wahrscheinlichsten über eine Lernbehauptung irregeführt, und welche Methode würden Sie hinzufügen, um das zu prüfen?

Einführung

Quantitative Forschung umspannt deskriptive Designs (Prävalenz und Muster messen), korrelative/beobachtende Designs (Beziehungen zwischen Variablen testen) sowie experimentelle und quasi-experimentelle Designs (kausale Effekte schätzen). Was sie eint, ist die systematische Reduktion von Beobachtungen auf Zahlen, analysiert mit Statistik, und die Priorität, die auf Reliabilität, Validität und Generalisierbarkeit gelegt wird – den zentralen Anliegen der Bildungsmessung.

Wichtige quantitative Ansätze

Erhebungs- und korrelative Forschung

Querschnitt-Erhebungen messen selbstberichtete Einstellungen, Wahrnehmungen, Motivation, Selbstwirksamkeit und Technologieakzeptanz, oft modelliert mit Regression oder Strukturgleichungsmodellierung (SEM/PLS-SEM), um hypothetische Beziehungen und Mediatoren zu testen. Diese dominieren den Korpus der Wissensbasis, besonders für Akzeptanz-, Motivations- und psychologische-Mechanismus-Fragen. Akzeptanz KI-gestützter englischer Werkzeuge baut auf dem TAM mit SEM auf; GenAI-Adoptionspfade nutzen PLS-SEM, fsQCA und Importance-Performance-Mapping; KI-Kompetenz von Lehrkräften nutzt faktorvalidierte Erhebungen, verankert in der Selbstbestimmungstheorie.

  • Stärken: große Stichproben; breite, kostengünstige Abdeckung; testet komplexe mediationale Modelle; praktikabel für Einstellungen, die schwer zu beobachten sind.
  • Grenzen: Querschnitt-Daten können keine Kausalität etablieren; Selbstauskunfts-Bias; Convenience-Sampling begrenzt Generalisierbarkeit; Mediatoren aus Kovarianz inferiert, nicht aus Manipulation. Siehe Selbstauskunftsmaße für die instrumentenseitige Behandlung dieser Grenzen.

Experimentelle und quasi-experimentelle Forschung

Experimente weisen Lernende zufällig Bedingungen zu (z. B. KI-Tutor gegenüber menschlichem Tutor, oder KI-gescaffoldet gegenüber unassistiert), um kausale Effekte auf Ergebnisse zu schätzen. Randomisierte kontrollierte Studien (RCTs) sind der Goldstandard für interne Validität. Eine randomisierte Feldstudie zu menschlicher Unterstützung plus KI-Tutoring und ein RCT zu generativer KI im Unterricht nutzen Zuweisung, um kausale Effekte zu isolieren. Quasi-experimentelle Designs (Pre/Post, gematchte Gruppen ohne Randomisierung) sind in intakten Klassenräumen praktikabler, aber schwächer bei Kausalbehauptungen. Kestin et al. (2025) wählen stattdessen ein Within-Subject-Crossover: jede und jeder Studierende begegnet demselben Physikinhalt zweimal, einmal in einer Active-Learning-Stunde im Klassenraum und einmal durch den eigenen KI-Tutor des Kurses, mit Pre- und Post-Tests um jede davon, sodass jede lernende Person ihre eigene Kontrolle ist und Zwischenpersonen-Unterschiede sich aufheben.

  • Stärken: stärkste kausale Schlussfolgerung; saubere Ergebnismessung; unterstützt Effektstärkenschätzung und Wirksamkeitsbehauptungen.
  • Grenzen: kostspielig und langsam; künstliche Bedingungen reduzieren ökologische Validität; sich schnell verändernde KI-Werkzeuge datieren Experimente schnell; kleine Stichproben unterpowern die Detektion von Effekten; ethische Einschränkungen beim Vorenthalten hilfreicher Werkzeuge.

Longitudinale Forschung

Longitudinale Designs verfolgen dieselben Lernenden über Zeit und erfassen Veränderung, Wachstum und dauerhaftes Lernen, das Messung zu einem einzigen Zeitpunkt verpasst. Eine longitudinale LMS-Studie verfolgt Studierende über ein Schuljahr. Longitudinale Designs sind unverzichtbar, um KI-aufgeblähte Leistung von dauerhaftem Lernen zu unterscheiden.

Zwischen-Datensatz-Vergleiche brauchen einen fixierten Arbeitspunkt: eine strukturelle Prüfung synthetischer Bildungsdaten fand, dass die Analyse jedes Datensatzes an seiner eigenen Schwelle einen Kontrast umkehrte, der an einem geteilten Punkt hielt, und dass ihr Surrogat-Vergleich nur die synthetischen Daten und Permutationen ihrer selbst brauchte – eine permutationsbasierte Null statt einer absoluten Schwelle (Inoue & Yasutake (2026)).

Rechnerische und psychometrische Quantifizierung

Quantitative Methoden schließen außerdem die direkte Messung von Konstrukten über Instrumente ein – die Domäne der Bildungsmessung und der Item-Response-Theorie. Das GLAT der Wissensbasis ist ein 20-Item-quantitatives Instrument, validiert mit IRT; Messinstrumente über KI-Kompetenz, Akzeptanz und Selbstwirksamkeit hinweg liefern die validierten Skalen, auf denen Erhebungs- und Experimentalforschung angewiesen sind.

Wie quantitative Forschung in der Wissensbasis erscheint

Stärken und Grenzen

  • Stärken: Präzision und statistische Power; Generalisierbarkeit auf definierte Populationen; kausale Schlussfolgerung (mit experimentellen Designs); effiziente Großstichproben-Abdeckung; kumulativ und über Studien hinweg vergleichbar.
  • Grenzen: erfasst, was messbar ist, und verpasst oft Prozess, Bedeutung und Kontext (siehe qualitative Forschung); Selbstauskunfts-Bias; Instrumente können das falsche Konstrukt messen (siehe Messprobleme); Korrelation ohne Kausalität; kann künstlich und langsam sein relativ zur KI-Veränderung.

Quantitative und qualitative Methoden sind Komplemente – quantitative Arbeit liefert Breite und kausale Kraft, qualitative Arbeit liefert Tiefe und Bedeutung. Mixed-Methods-Designs kombinieren sie. Siehe Forschungsmethoden in der KI-Bildung für den vollen Methodenvergleich und die Kontraste zwischen experimentellen, Erhebungs-, qualitativen und anderen Designs.

Verbundene Konzepte

Verbundene Artikel

Metadaten

StudiendesignSurvey, Experiment
Assessment und MessungBildungsmessung
Forschungsmethoden und EvaluationQuantitative Forschung, Forschungsmethoden in der AIED
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.