Hedonische Motivation als Prädiktor der Nutzungsabsicht von Künstlicher Intelligenz in der Unterrichtspraxis
Eine explorative Studie mit österreichischen Lehrkräften
DOI:
https://doi.org/10.21243/mi-26-03-13Schlagworte:
Künstliche Intelligenz, Lehrkräfte, hedonische Motivation, Verhaltensabsicht, UTAUT2, Schularten, TechnologieakzeptanzAbstract
Die zunehmende Bedeutung Künstlicher Intelligenz (KI) im Bildungskontext erfordert ein vertieftes Verständnis der motivationalen Faktoren, die die Nutzungsabsicht von Lehrkräften beeinflussen. Diese quantitative Studie untersucht auf Basis des UTAUT2-Modells (Venkatesh et al., 2012) den Zusammenhang zwischen hedonischer Motivation und Verhaltensabsicht (BI) bei der Nutzung von KI-Werkzeugen im Unterricht. Zudem werden demografische Merkmale wie Dienstalter, Schulart und Geschlecht als zusätzliche Einflussfaktoren auf die Verhaltensabsicht untersucht. Die Datenerhebung erfolgte mittels Online-Fragebogen (adaptierte Skalen nach Guo et al., 2025 und Noerman et al., 2025) an einer Stichprobe von 50 österreichischen Lehrkräften verschiedener Schularten (MS, FMS, AHS). Die Ergebnisse zeigen eine signifikante positive Korrelation (r=0,535; 95%-KI [0,368; 0,743], p<0,001) zwischen hedonischer Motivation und Verhaltensabsicht, die etwa R² = 0,286 (28,6 %) der Varianz erklärt. Für Dienstalter, Schulart und Geschlecht ergaben sich in der vorliegenden Stichprobe keine statistisch signifikanten Zusammenhänge bzw. Unterschiede hinsichtlich der Verhaltensabsicht. Die Befunde weisen auf die Relevanz emotionaler und intrinsischer motivationaler Faktoren für die KI-Integration hin und liefern erste Anhaltspunkte für die Gestaltung von Fortbildungsangeboten.
Literaturhinweise
Acosta-Enriquez, B. G., Villena Zapata, L. I., Huamaní Jordan, O., López Roca, C., Cabrera Cipirán, B. M., Saavedra Villacrez, W., & Arbulu Perez Vargas, C. G. (2025). Acceptance of artificial intelligence as a teaching strategy among university professors: The role of habit, hedonic motivation, and competence for technology integration. Human Behavior and Emerging Technologies, 2025(1), Article 5933157.
Almekhlafi, A. G., & Almeqdadi, F. A. (2010). Teachers’ perceptions of technology integration in the United Arab Emirates school classrooms. Educational Technology & Society, 13(1), 165–175.
Altman, D. G., & Bland, J. M. (1995). Absence of evidence is not evidence of absence. BMJ, 311(7003), 485.
Brislin, R. W. (1970). Back-Translation for Cross-Cultural Research. Journal of Cross-Cultural Psychology, 1(3), 185–216. https://doi.org/10.1177/135910457000100301
Choi, S., Jang, Y., & Kim, H. (2023). Influence of Pedagogical Beliefs and Perceived Trust on Teachers’ Acceptance of Educational Artificial Intelligence Tools. Education and Information Technologies, 29(4), 910–922. https://doi.org/10.1080/10447318.2022.2049145
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Cumming, G. (2014). The New Statistics: Why and How. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
Davis, F. D., & Warshaw, P. R. (1994). What do intention scales measure? The Journal of General Psychology, 119(4), 391–407.
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
Du, W., Cao, Y., Tang, M., Wang, F., & Wang, G. (2025). Factors influencing AI adoption by Chinese mathematics teachers in STEM education. Scientific Reports, 15(1), Article 20429.
https://doi.org/10.1038/s41598-025-06476-x
Gefen, D., & Straub, D. W. (1997). Gender Differences in the Perception and Use of E-Mail: An Extension to the Technology Acceptance Model. MIS Quarterly, 21(4), 389–400.
https://doi.org/10.2307/249720
Geriş, A., & Kulaksız, T. (2025). Predicting teachers’ intentions to use virtual reality in education: A study based on the UTAUT-2 framework. Research in Learning Technology, 33, Article 3429.
https://doi.org/10.25304/rlt.v33.3429
Guo, S., Shi, L., & Zhai, X. (2025). Developing and validating an instrument for teachers’ acceptance of artificial intelligence in education. Education and Information Technologies, 30, 13439–13461.
https://doi.org/10.1007/s10639-025-13338-6
Hertzog, M. A. (2008). Considerations in determining sample size for pilot studies. Research in Nursing & Health, 31(2), 180–191. https://doi.org/10.1002/nur.20247
Møgelvang, A., Cipriani, E., & Grassini, S. (2025). Generative AI in Action: Acceptance and Use Among Higher Education Staff Pre- and Post-training. Technology, Knowledge and Learning. Advance online publication. https://doi.org/10.1007/s10758-025-09915-w
Noerman, T., Riyadi, Y., Yuliaji, E. S., & Natasha, C. A. M. (2025). The impacts of social influence and hedonic motivation on experience and continuance intention of using AI in SMEs’ HRM. Cogent Business & Management, 12(1), Article 2542422. https://doi.org/10.1080/23311975.2025.2542422
Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
Rogers, E. M. (1983). Diffusion of innovations (3rd ed.). The Free Press.
Russo, C., Romano, L., Clemente, D., Iacovone, L., Gladwin, T. E., & Panno, A. (2025). Gender differences in artificial intelligence: The role of artificial intelligence anxiety. Frontiers in Psychology, 16, Article 1559457.
Schönbrodt, F. D., & Perugini, M. (2013). At what sample size do correlations stabilize? Journal of Research in Personality, 47(5), 609–612. https://doi.org/10.1016/j.jrp.2013.05.009
Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178.
Wangdi, T., Dhendup, S. & Gyelmo, T. (2023). Factors influencing teachers’ intention to use technology: Role of TPACK and facilitating conditions. International Journal of Instruction, 16(2), 1017–1036
Yu, D. S. F., Lee, D. T. F., & Woo, J. (2004). Issues and Challenges of Instrument Translation. Western Journal of Nursing Research, 26(3), 307–320. https://doi.org/10.1177/0193945903260554
Zheng, H., Han, F., Huang, Y., Wu, Y., & Wu, X. (2025). Factors influencing behavioral intention to use e-learning in higher education during the COVID-19 pandemic: A meta-analytic review based on the UTAUT2 model. Education and Information Technologies, 30, 12015-12053.
Downloads
Veröffentlicht
Zitationsvorschlag
Ausgabe
Rubrik
Lizenz
Copyright (c) 2026 Thomas Benesch
Dieses Werk steht unter einer Creative Commons Namensnennung - Nicht-kommerziell - Keine Bearbeitung 3.0 International -Lizenz.
