Veranstaltungsprogramm

Unter Wachstumsorientierung bzw. Growth Mindset (Dweck, 1999; 2006) versteht man die Überzeugung, dass Intelligenz veränderbar ist und durch Bemühen gesteigert werden kann, im Gegensatz zum Fixed Mindset, nach welchem Intelligenz unveränderbar ist.

Studien berichten positive Auswirkungen im Schulkontext: Eine Intervention zu Wachstumsorientierung verbesserte die Schulleistungen leistungsschwacher Schüler*innen, auch zeigten sich positive Zusammenhänge zwischen Wachstumsorientierung und Schulleistungen, sowie negative Zusammenhänge zwischen Fixed Mindset und selbstberichteten Schulnoten.

Die Wachstumsorientierung von Lehrenden spielt auch eine Rolle: Eine Intervention zur Förderung von Wachstumsorientierung bei Schüler*innen führte nur dann zu besseren Schulnoten, wenn die Lehrpersonen auch Wachstumsorientierung zeigten. Universitäre Lehrbeauftragte mit Fixed Mindset schrieben Studierenden niedrige Fähigkeiten zu und gaben tröstendes, demotivierendes Feedback. Demotivierendes Feedback senkte bei Studierenden Motivation und Erwartungen an die eigene Leistung. Schüler*innen erreichten weiters bessere Testergebnisse, wenn sie einer Lehrperson mit Wachstumsorientierung zugeteilt waren, und Wachstumsorientierung von Lehrpersonen war positiv mit der Mathematikleistung von Schüler*innen assoziiert. Eine Meta-Analyse konnte keinen Zusammenhang zwischen der Wachstumsorientierung von Lehrpersonen und den Leistungen ihrer Schüler*innen nachweisen, aber positive Zusammenhänge mit der Selbstwirksamkeit und Lernzielorientierung der Lehrpersonen.

Untererforscht ist, welche Faktoren Wachstumsorientierung beeinflussen. Bei Lehrpersonen finden sich Hinweise darauf, dass sich Wachstumsorientierung im Laufe der Lehramtsausbildung - durch aktive Teilnahme an Unterrichtspraxis, Seminaren zu Mindsets, Mindset-Interventionen - bzw. durch Interventionen im Rahmen von Fort- und Weiterbildung steigern lässt.

Zudem stellt sich die Frage, ob sich Wachstumsorientierung von Lehrpersonen in Unterrichtspraktiken niederschlägt. Studien legen nahe, dass Lehrpersonen mit Wachstumsorientierung vermehrt lernzielorientierte Unterrichtspraktiken anwenden, auf Lernprozesse fokussiertes pädagogisches Denken aufweisen, maßgeschneiderte Bewertungsmöglichkeiten bevorzugen, sowie Verantwortung für ganzheitliche Entwicklung der Schüler*innen zeigen.

Dies führt zu folgenden Forschungsfragen:

- Unterscheidet sich bei Lehrpersonen in Österreich die Ausprägung ihrer Wachstumsorientierung nach Ausbildungsart, Schulart, Berufserfahrung, Alter?

- Hängt Wachstumsorientierung mit unterschiedlichen Unterrichtspraktiken, Ausprägungen von Selbstwirksamkeit und der Motivation als Lehrperson tätig zu sein, die auf sozialer Nützlichkeit beruht, zusammen?

Die Analysen basieren auf Österreich-Daten von Lehrpersonen aus TALIS 2024 (N = 4335). Wachstumsorientierung wird durch den Fragebogen zur Theorie von Intelligenz (Dweck et al., 1995; Dweck, 1999) erfasst. Als Outcomes werden Klassenführung, Kognitive Aktivierung, Klarheit der Instruktion, adaptives Unterrichten, progressionsbasiertes Lernen, Soziale Nützlichkeit als Motivation für Unterrichten, sowie Formen der Selbstwirksamkeit (Klassenführung, Unterrichten, Schüler*innenmotivation, Unterrichten multikultureller Klassen, Umgang mit besonderen Bildungsbedürfnissen und Heterogenität) erfasst.

Zur Berücksichtigung der genesteten Datenstruktur (Lehrpersonen in Schulen) wird eine Mehrebenenregression durchgeführt. Zudem werden Skalenfits, Korrelationen und Little’s MCAR berechnet.

Das Forschungsvorhaben erweitert die Mindset-Forschung durch repräsentative TALIS-Daten und ermöglicht die Analyse eines schulweiten Mindsets der Wachstumsorientierung

Lehrkräftemangel ist zu einer strukturellen Herausforderung im Bildungswesen geworden. Daher ist es wichtig, jene Faktoren besser zu verstehen, die mit der Absicht von Lehrkräften zusammenhängen, den Beruf zu verlassen. Auf Basis von Daten aus TALIS 2024 (Teaching and Learning International Survey; OECD, 2025) untersucht diese Studie Einflussfaktoren der Ausstiegsabsicht in einer vergleichenden Perspektive: Österreich wird dem internationalen TALIS-Gesamtsample gegenübergestellt. Neben der Replikation etablierter inferenzstatistischer Befunde prüfen wir, ob erklärbare Machine-Learning Verfahren die Vorhersage auf Individualebene verbessern können, ohne die Interpretierbarkeit der Ergebnisse zu mindern.

Ausgehend vom Job Demands–Resources-Modell (Demerouti et al., 2001) fassen wir Ausstiegsabsichten als Ergebnis eines Ungleichgewichts zwischen beruflichen Anforderungen und verfügbaren Ressourcen auf. Im Fokus stehen Prädiktoren, die in TALIS-Berichten und der einschlägigen Forschung wiederholt als relevant beschrieben werden, darunter Arbeitszufriedenheit, arbeitsbezogener Stress, Selbstwirksamkeit, Unterstützung im Arbeitsumfeld sowie der wahrgenommene gesellschaftliche Wert des Lehrberufs. Als Dropout definieren wir den Entschluss, den Lehrberuf innerhalb der nächsten fünf Jahre zu verlassen (Ruhestand ausgenommen); was als binäre Variable operationalisiert wird.

Folgende Forschungsfragen werden adressiert: (1) In welchem Ausmaß tragen individuelle sowie situative/strukturelle Faktoren zur Vorhersage von Ausstiegsabsichten bei? (2) Sind Ergebnisse inferenzstatistischer Ansätze mit jenen aus Machine-Learning Modellen vergleichbar? (3) Welche Gemeinsamkeiten und Unterschiede zeigen sich zwischen Österreich und dem internationalen Kontext?

Die Analysen erfolgen getrennt für Österreich und das internationale Sample in zwei Schritten. Zuerst werden logistische Regressionsmodelle eingesetzt, um Odds Ratios (eine etablierte inferenzstatistische Referenz) zu berechnen. Im zweiten Schritt trainieren wir Machine-Learning Modelle (z.B. Breiman, 2001), um nichtlineare Effekte und Interaktionen höherer Ordnung abzubilden, die unter linearen Annahmen möglicherweise unentdeckt bleiben. Die Modellgüte wird anhand von Accuracy, AUC, F1-Score sowie Effektstärkemaßen beurteilt, um einen transparenten Vergleich über die beiden Ansätze hinweg zu gewährleisten.

Um Black-Box-Schlüsse zu vermeiden, nutzen wir erklärbare KI-Methoden (Explainable AI). Dadurch können Regressions-Effekte, Feature-Importance aus Machine Learning und individuelle Vorhersagen direkt gegenübergestellt werden. Erwartet wird, dass die zentralen Prädiktoren aus den inferenzstatistischen Modellen auch bei Anwendung von Machine-Learning Techniken hoch relevant bleiben, aber Machine-Learning zu weitaus besseren Vorhersagen führt. Zudem rechnen wir mit Unterschieden in der relativen Bedeutung einzelner Prädiktoren zwischen Österreich und dem internationalen Sample sowie zwischen inferenz- und vorhersageorientierten Verfahren. Durch die Verbindung von Inferenz, Vorhersage und Erklärung soll die frühe Identifikation von Lehrkräften mit erhöhtem Ausstiegsrisiko ermöglicht werden und zugleich ein Beitrag zur methodischen Diskussion geleistet werden, wie Large-Scale-Assessment-Daten sowohl erklärend als auch prädiktiv (auf Individualebene) genutzt werden können.

Professionelle Lerngemeinschaften (PLCs) werden zunehmend als Rahmenbedingungen professionellen Lehrkräftehandelns verstanden (OECD, 2016). In diesem Kontext stellen Datenteams eine zentrale Form professioneller Zusammenarbeit dar, die durch gemeinsame Analysen von Daten der Schülerinnen und Schüler kontinuierlich professionelle Weiterentwicklung ermöglichen (Schildkamp et al. 2016a).

Aufbauend auf Forschungsarbeiten zu Faktoren, die effektive datenbasierte Entscheidungsfindung erleichtern (z. B. Barnes et al. 2022; Schildkamp & Datnow 2020) wird untersucht, welche Faktoren kollegiales Feedback zu Lernendendaten in lokal und international fördern.

Als Basis für die Analysen wird der TALIS‑2024‑Lehrendendatensatz für Österreich (N = 4 335) sowie aller 55 an der TALIS-Studie teilnehmenden ISCED-2-Level-Länder verwendet. Als abhängige, binäre Variable dient kollegiales Feedback, das für das Vorhandensein oder Nichtvorhandensein von Datenteams an Schulen steht, wobei sich Lehrende über externe Ergebnisse, Umfragen zum Unterricht und zu schul- sowie klassenbasierten Ergebnissen der Schülerinnen und Schüler austauschen. Für die Beantwortung der Forschungsfrage wird die logistische Regression genutzt, um die Wahrscheinlichkeit zu schätzen, dass eine befragte Lehrkraft einer der beiden Gruppen angehört, wobei als Prädiktoren Führungs- (relationale und instruktionale Führung) und Kollaborationsskalen (Teacher Leadership sowie Austausch von Ideen und Informationen unter Lehrenden) dienen, kontrolliert wird für Berufserfahrung und Fortbildung zur Nutzung von Lernendendaten.

Für kollegiales Feedback zeigt sich, dass dieses rund 1/3 der Lehrkräfte nutzen. Erste Befunde, die mittels Korrelationsanalysen ermittelt wurden, deuten darauf hin, dass Schulen mit einem stärker kollaborativen und partizipativen Klima von höheren Ausprägungen für Führungsengagement – sowohl relational als auch instruktional – und stärkerer Kollaboration unter Lehrkräften berichten.

Erste logistische Regressionsanalysen zeigen, dass mehrere Faktoren signifikant vorhersagen, ob Lehrkräfte kollegiales Feedback zu Lernendendaten an ihren Schulen berichten: Fortbildung zur Nutzung von Lernendendaten, Austausch von Ideen und Informationen unter Lehrenden sowie Instructional und Teacher Leadership hängen positiv mit kollegialem Feedback zusammen. Die erklärte Varianz zeigt, dass die Modelle nur einen moderaten Anteil der Varianz erklären, was darauf hinweist, dass neben Führung und Kollaboration weitere kontextuelle Faktoren die Existenz von Datenteams beeinflussen.

Indem internationale Vergleichsdaten mit länderspezifischen Konstellationen verknüpft werden, adressiert das Projekt die Frage, welche Bedeutung der Kollaboration im Kontext von Globalisierung und Lokalisierung zukommt.