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

Technologieadoptionsmodelle

Erstellt 2026-08-18 · Aktualisiert 2026-10-10

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

Technologieadoptionsmodelle sind die theoretischen Rahmen, die genutzt werden, um zu erklären und vorherzusagen, warum Personen und Institutionen neue Technologien akzeptieren, übernehmen und weiterhin nutzen —, und, in der Forschung zu KI in der Bildung, warum Lernende, Lehrkräfte und Organisationen generative KI-Werkzeuge übernehmen. Statt eines einzelnen Modells ist dies eine Familie von Theorien, die Wurzeln in der Informationssystem- und Sozialpsychologieforschung teilen, von denen das Technology Acceptance Model (TAM) das am weitesten angewandte ist. Die Wissensdatenbank behandelt diese Modelle gemeinsam, weil GenAI-Adoptionsstudien sie routinemäßig kombinieren (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) und weil ihre Kernkonstrukte —, wahrgenommener Nutzen, wahrgenommene einfache Nutzung und sozialer Einfluss —, über nahezu jede Studie zu KI-Akzeptanz in der Bildung wiederkehren.

Fragen zum Nachdenken

  • Denken Sie an eine Zeit, in der Sie eine neue App, ein neues Werkzeug oder einen neuen KI-Dienst übernahmen —, und eine Zeit, in der Sie einen liegen ließen. Was trieb jeweils die Entscheidung: wie nützlich es schien, wie leicht es war, oder was Menschen um Sie herum taten? Welcher Faktor zählt Ihrer Vermutung nach am meisten, und kann eine Befragung das wirklich erfassen?
  • Eine verbreitete Überzeugung ist, dass „wenn ein Werkzeug klar nützlich ist, werden Menschen es nutzen“. Haben Sie Situationen gesehen, in denen eine echt nützliche Technologie dennoch nicht ankam, oder eine klar begrenzte sich dennoch verbreitete? Was könnte die Lücke zwischen objektivem Nutzen und tatsächlicher Übernahme erklären?
  • Adoptionsrahmen wie TAM wurden in den 1980er Jahren für ziemlich einfache Systeme entworfen. Wenn Sie generative KI genutzt haben, worin unterscheidet sie sich von einer Textverarbeitung oder einem Lernmanagementsystem —, und warum könnte ein um „einfache Nutzung“ und „Nutzen“ gebautes Modell kämpfen, zu erfassen, wie Menschen sich auf etwas beziehen, das zurückspricht?
  • Forschende sagen oft, wahrgenommenes Risiko und Vertrauen zählten für KI-Adoption weniger als erwartet. Was sagen Sie vor dem Weiterlesen voraus: Übernehmen Studierende KI, weil sie ihr vertrauen, trotz Risiken, oder sind jene Bedenken tatsächlich gering neben Bequemlichkeit und sozialem Druck?
  • Die Seite argumentiert, Adoptionsrahmen behandelten die Nutzung eines Werkzeugs als einmalige Entscheidung, doch wirksame Nutzung könne ein laufendes Urteil sein. Wo in Ihrer eigenen Praxis oder jener Ihrer Studierenden scheint die Linie zwischen „sich für KI-Nutzung entscheiden“ und „laufend entscheiden, wie man sie gut nutzt“ zu verschwimmen —, und was würde sich ändern, wenn wir das messen würden statt bloße Übernahme?
  • Einige Forschende clustern Lernende in verschiedene „Adoptions-Personas“, statt anzunehmen, ein Modell passe allen. Welche Unterschiede sehen Sie unter Ihren eigenen Lernenden, Kolleginnen und Kollegen oder Studierenden, die ein einzelnes Durchschnittsmodell der Adoption verdecken könnte —, und wie könnten jene Unterschiede formen, wie Sie sie unterstützen?

Einleitung

Meta-analytische Evidenz zu KI-Adoption. Eine Metaanalyse der KI-Adoption von Tertiärstudierenden (233 Korrelationen, 32 Studien, N = 16.977) findet mäßige positive Korrelationen für individuelle (r = 0.57), kontextuelle (r = 0.53) und technologische (r = 0.50) Faktoren, wobei Nutzungsabsichten der stärkste Prädiktor sind (r = 0.64) und wahrgenommene Risiken/Vertrauen schwächer als erwartet. Ihre zentrale Kritik ist, dass das Feld traditionelle TAM/UTAUT-Rahmen übernutzt, die modernen intelligenten Systemen vorausgehen, und KI-spezifische Faktoren wie Anthropomorphismus und Ethik vernachlässigt —, mit dem Argument, diese Lücken zählten für die Weiterentwicklung von Theorie und evidenzbasierter Politik.

Die Modellfamilie

Technology Acceptance Model (TAM)

Von Davis (1989) vorgeschlagen, erklärt TAM Adoption über zwei Kernüberzeugungen —, Perceived Usefulness (PU) und Perceived Ease of Use (PEOU) —, die die Attitude (ATT) der Nutzenden formen, dann die Behavioral Intention (BI), dann die tatsächliche Nutzung. Gegründet in der Informationssystemtheorie (adaptiert aus der Theory of Reasoned Action), ist TAM zum dominanten Rahmen für GenAI-Adoption in der Bildung geworden. In der Bildungs-GenAI-Forschung wird er häufig um KI-Kompetenz, Vertrauen, sozialen Einfluss, Selbstbestimmung und kritischen Gebrauch erweitert, um Adoptionskomplexität über einfache Übernahme hinaus zu erfassen.

UTAUT / UTAUT2 / UTAUT3

Die Unified Theory of Acceptance and Use of Technology konsolidiert TAM mit acht früheren Modellen zu vier Kerndeterminanten —, Leistungserwartung, Aufwandserwartung, sozialer Einfluss und erleichternde Bedingungen (wobei UTAUT2 hedonische Motivation, Preisnutzen und Gewohnheit hinzufügt; UTAUT3 persönliche Innovationsfreude). Die Wissensdatenbank wendet UTAUT über Lehrkraft- und Studierendenpopulationen an: österreichische Sekundarstufen-Mathematiklehrkräfte (UTAUT mit 448 Lehrkräften), angehende Naturwissenschaftslehrkräfte in Ghana (UTAUT + TPB) und Studierende in Lesotho (UTAUT3 + ARCS, unter Nutzung von PLS-SEM und fsQCA). Jácome-Vásconez et al. erweitern UTAUT2 um erklärbare KI (Random Forest, SHAP, NCA, IPMA, K-Means) für 522 Universitätsstudierende und finden Gewohnheit als stärksten Prädiktor der ChatGPT-Absicht, und zeigen, dass Aufwandserwartung eine notwendige Bedingung statt eines linearen Treibers ist —, ein Ergebnis, das nur sichtbar wird, wenn XAI die Regression ergänzt.

Theory of Planned Behavior (TPB)

TPB erklärt Absicht über Einstellung, subjektive Normen und wahrgenommene Verhaltenskontrolle. Sie wird in KI-Adoptionsstudien häufig mit TAM/UTAUT gepaart —, z. B. integrieren Rizun et al. TAM, TPB, UTAUT und den FATE-Rahmen (Fairness, Rechenschaftspflicht, Transparenz, Ethik), um die verhaltensbezogenen und ethischen Treiber der ChatGPT-Adoption durch Studierende zu modellieren.

Adoptionsforschung endet üblicherweise bei der Absicht; eine TPB-Erweiterung, die stattdessen Verzögerung trotz echter Absicht maß, fand wahrgenommene Verhaltenskontrolle als stärksten negativen Prädiktor von GenAI-gestützter Lernprokrastination (β = −0.331) über 1.243 Studierende, wobei die Absicht-Verzögerung-Verbindung nur bei mäßiger bis hoher Lern-GenAI-Angst signifikant war (Li et al. (2026)).

Diffusion of Innovation (DOI)

Rogers' DOI-Theorie erklärt Adoption als sozialen Prozess, in dem Innovationen über die Zeit durch Populationen diffundieren, und betont Innovationsattribute (relativer Vorteil, Kompatibilität, Komplexität, Erprobbarkeit, Beobachtbarkeit) und Übernehmerkategorien. Sie erscheint in den institutionellen-Analysen der Wissensdatenbank, z. B. kombinieren Al-Rahmi et al. den Technology–Organization–Environment-Rahmen (TOE) mit DOI, um organisatorische KI-Adoption an saudischen Hochschulen zu modellieren.

Technology–Organization–Environment (TOE)

TOE rahmt Adoption als geformt durch technologische, organisatorische und ökologische Kontexte —, eine Ergänzung zu individuellem TAM/UTAUT für das Studium institutioneller Adoption (siehe Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Anwendungen in der Wissensdatenbank

Adoptionsmodelle werden über die Wissensdatenbank angewandt, um die Übernahme von KI-Werkzeugen durch Studierende und Lehrkräfte zu modellieren:

  • Kritischer-Gebrauch-Erweiterung: Nguyen et al. erweiterten TAM um kritischen Gebrauch für Ingenieur- und Informatikstudierende und fanden, dass Einstellungen und kritischer Gebrauch Absicht direkt vorhersagen —, und dass kritischer Gebrauch gegen Überabhängigkeit schützt.
  • Einheitliches sozio-kognitives Modell: Asag & Al Mamun integrierten TAM mit UTAUT für Ingenieurstudierende in Bangladesch (64% der Nutzungsvarianz erklärend).
  • Personenzentrierte Profile: Statt variablenzentrierter Modelle clustern Saihi & Ahmed GenAI-Adoptions-Personas, und Chen et al. nutzen latente Profilanalyse, um vier ChatGPT-Akzeptanzprofile unter angehenden Lehrkräften zu identifizieren —, was den Schritt des Feldes über einmodellige, lineare Konten hinaus zeigt.
  • Kulturvergleichende Validierung: Martínez-Moreno et al. validieren adoptionsbezogene Motivationskonstrukte kulturvergleichend über die Schweiz und China.
  • Psychologische Korrelate: Wu et al. bauen auf TAM auf, um Motivation, Selbstwirksamkeit, Angst und Risikowahrnehmung auf die Akzeptanz KI-unterstützten Englischlernens zu beziehen.
  • Regulatorische Kompetenzkritik: Kim argumentiert, adoptionszentrierte TAM-Modelle behandelten Nutzung als stabile Entscheidung, während wirksame KI-Nutzung ein laufender Prozess aus Urteil, Überarbeitung und selektiver Aufnahme sei —, was KI-Kompetenz als regulatorische Kompetenz und kritisches Denken statt als Akzeptanz neu rahmt.

Das Hinzufügen einer TPACK-Familien-Fähigkeit neben Glaubensrahmen wie der Theory of Planned Behavior als parallele Prädiktoren lädt zu Konstruktüberlappung ein und lässt die kausale Ordnung von Fähigkeit, Einstellung und Kontrolle unentschieden; das Capability–Decision-Modell platziert stattdessen AI-TPACK-Fähigkeit stromaufwärts von Einstellung und wahrgenommener Verhaltenskontrolle (Mnguni (2026)).

  • ML-Determinanten der ChatGPT-Adoption: Ein explorativer ML-Ansatz untersuchte, wie Wahrnehmungen und Demografie der Studierenden mit beabsichtigter akademischer ChatGPT-Nutzung zusammenhängen, unter Nutzung von SHAP-Analyse, um zentrale lernbezogene Konstrukte zu identifizieren —, wobei Bildungsbedeutung über die Maximierung algorithmischer Leistung priorisiert wird (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
  • Erklärbarkeit und Domänenrelevanz als Akzeptanzhebel für Lehrkräfte: Unter Anpassung von Vertrauen-in-Automatisierung-Theorie an die Akzeptanz von KI-Empfehlungen durch Lehrkräfte fanden Feldman-Maggor et al. (2025), dass Verständlichkeit (erhöht durch erklärbare KI) positiv mit sowohl Vertrauen als auch Akzeptanz eines KI-Gruppierungswerkzeugs korrelierte, und dass domänengetriebene Erklärungen in curricularer Sprache datengetriebene Merkmalsbedeutungs-Erklärungen in allen drei übertrafen. Akzeptanz wurde zusätzlich durch pädagogische Ausrichtung und Arbeitslastreduktionspotenzial getrieben —, situative Faktoren jenseits von Vertrauen, die Standard-TAM/UTAUT-Konstrukte selten erfassen, was den Fall für die Erweiterung von Adoptionsmodellen um Kontext und Erklärbarkeit verstärkt.
  • Akzeptanz, gemessen auf der Ebene von Unterrichtsmaterialien (2026). Wang, Chuang and Wu (2026) operationalisierten Leistungserwartung, Aufwandserwartung, wahrgenommene Verspieltheit und Verhaltensabsicht für zwei altersgestufte KI-Kompetenz-Leitfäden, genutzt von 794 K-12-Studierenden und 37 Lehrkräften, validierten die Vier-Faktoren-Struktur mit Stichproben-gesplitteter EFA und CFA und stützten Messinvarianz über die 9-12- und 13-18-Ausgaben. Jüngere Lernende berichteten höhere Werte auf allen vier Konstrukten, und Verspieltheit war der stärkste Korrelat der Absicht in beiden Kohorten —, wobei der standardisierte Verspieltheit-zu-Absicht-Koeffizient in der jüngeren Gruppe 1.00 überstieg und ein HTMT von .950 zwischen den beiden Konstrukten lag. Die Autoren lesen das als Konstruktüberlappung und mögliche Unterdrückung statt als Riesen-Effekt, eine nützliche Erinnerung, dass auf Materialien angewandte Akzeptanzinstrumente empirisch verwickelte Faktoren produzieren können, die strukturelle Interpretation komplizieren.

Grenzen und Erweiterungen

TAMs kognitiver Fokus erfasst auch emotionale und relationale Dimensionen der KI-Nutzung unzureichend. Eine qualitative Studie zu Pflegestudierenden und -fakultäten fand, dass Teilnehmende —, hauptsächlich Studierende —, neben den vier klassischen TAM-Konstrukten KI als Quelle psychosozialer Unterstützung beschrieben: emotionalen Trost in Stress und einen vertraulichen Raum für Reflexion. Das erweitert wahrgenommenen Nutzen über Leistungsgewinne hinaus auf Wohlbefinden im stressreichen Berufstraining und legt nahe, Adoptionsmodelle sollten affektive und psychosoziale Faktoren beachten, nicht nur instrumentellen Nutzen.

Autonomie-Wahrnehmung und Risikoaversion als werkzeugspezifische Erweiterungen. Eine Mixed-Methods-Befragung von 287 GenAI-erfahrenen Lehrkräften über 27 Länder und Regionen (Dai et al. (2026)) erweitert TAM in eine Richtung, die die Modellfamilie kaum berührt hat: die wahrgenommene Autonomie des Werkzeugs selbst. Unter Hinzufügen wahrgenommener künstlicher Autonomie (wie unabhängig Lehrkräfte glauben, dass GenAI eine zugewiesene Unterrichtsaufgabe ausführen kann) und Risikoaversion zu den klassischen Konstrukten erklärte ihr verfeinertes Strukturmodell 79.8% der Varianz in Verhaltensabsicht (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041), wobei wahrgenommener Nutzen erneut dominierte (PU → BI β =.832, p <.001) und einfache Nutzung Nutzen speiste (PEU → PU β =.479). Die lehrreichen Ergebnisse sind die Umwege. Künstliche Autonomie wirkte nicht direkt auf Absicht (β =.026, ns), sondern über Nutzen (AA → PU β =.188, p <.001; indirekt AA → PU → BI =.156, 95% CI [.082,.240]) —, Lehrkräfte, die GenAI als fähiger sahen, fanden es nützlicher, nicht sofort übernehmbarer. Risikoaversion senkte Absicht (RA → BI β = −.163, p <.001), ohne wahrgenommenen Nutzen zu senken (RA → PU ns), weil die Bedenken der Lehrkräfte sich auf Studierendennutzung zentrierten —, Schummeln und Integrität, geschwächtes Grundlagenwissen und höherordentliches Denken, Halluzinationen, reduzierte menschliche Interaktion, und ethische, rechtliche und Gerechtigkeitsrisiken —, statt auf ihre eigene. Einfache Nutzung war insgesamt nicht signifikant (PEU → BI β =.068), aber signifikant unter den 225 Lehrkräften, die KI tatsächlich im Unterricht genutzt hatten (β =.138, p <.05), das vertraute Muster, dass Aufwand sich erst nach echter Begegnung registriert; Einstellung musste fallen gelassen werden, als ihre Korrelation mit Absicht (r =.929) die Diskriminanzvalidität verletzte. Lehrkräfte verorteten GenAI auf halb-autonomen Stufen (130 auf Stufe 2, „teacher assistance“; 94 auf Stufe 3, „partial automation“; eine auf Stufe 6) und bestanden darauf, dass Adoptionsentscheidungen fallweise getroffen werden. TAM sagt Absicht weiterhin gut vorher, aber für lehrkraftseitige KI sind die Konstrukte, die den Ausschlag geben, werkzeugspezifisch: wie autonom das Werkzeug scheint, und wessen Nutzung das Risiko anhaftet. Das „frenemy“-Etikett der Autoren —, als Unterstützungswerkzeug geschätzt, als autonomer Agent misstraut —, ist das lehrkraftseitige Gegenstück zu den oben katalogisierten studierendenseitigen Erweiterungen.

Risikowahrnehmung als dimensionsspezifische Erweiterung. Eine Befragung von 814 chinesischen Universitätsstudierenden (Du, Ning, Shi & Chen (2026)) faltet Cognitive Appraisal Theory und Protection Motivation Theory in TAM/UTAUT2, um nicht zu fragen, ob Studierende generative KI übernehmen, sondern was sie daraus gewinnen. Die Annahme der Modellfamilie, dass Risiko Adoption gleichmäßig unterdrücke, überlebt nicht: Risikowahrnehmung spaltet sich in Informations-, Sicherheits-, technische, ethische und rechtliche Dimensionen, die Nutzen in entgegengesetzte Richtungen bewegen. Sicherheitsrisiko —, eine Bedrohung, von der Studierende glauben, sie durch Datenschutzpraxis bewältigen zu können —, war positiv mit wahrgenommener akademischer Unterstützung und Fertigkeitsentwicklung assoziiert, konsistent mit problemfokussierter Bewältigung, während Informationsrisiko, das Lernende nicht leicht verifizieren können, psychologische und emotionale Unterstützung, Alltags- und Freizeitnutzen über Vermeidung erodierte. Schwellenwertanalysen zeigten zudem Effekte, die jenseits dimensionsspezifischer Cut-Points das Vorzeichen wechseln, und Nutzungserfahrung zählte unabhängig: Studierende mit über einem Jahr GenAI-Nutzung berichteten höheren Nutzen über vier Domänen. Die praktische Implikation für Akzeptanzforschung ist, dass „wahrgenommenes Risiko“ ein zu grobes Konstrukt zum Modellieren ist —, Kontrollierbarkeit, nicht die bloße Gegenwart von Risiko, bestimmt, ob Studierende sich engagieren oder zurückziehen.

Die Verbindung von Risiko zu Nutzung hängt auch am System: Über die 49 TALIS-2024-Systeme, die die Items administrierten, war wahrgenommener KI-Nutzen in allen 49 positiv mit KI-Nutzung assoziiert, während wahrgenommenes Risiko in 40 negativ und in neun positiv assoziiert war (Fang & Jin (2026)).

Verbundene Konzepte

Verbundene Artikel

Metadaten

NiveauHigher Ed
ZielgruppeLearners
Technologien und VerfahrenGenerative KI, Technologieadoptionsmodelle
Forschungsmethoden und EvaluationForschungsmethoden in der AIED
Grundlagen von KI in der BildungKI-Kompetenz
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.