journal_logo

GMS Journal for Medical Education

Gesellschaft für Medizinische Ausbildung (GMA)

ISSN 2366-5017


Dies ist die deutsche Version des Artikels. Die englische Version finden Sie hier.
Forschungsarbeit
Lernumgebung

[Validierung einer Kurzform der Deutschen Version der Classroom Community Scale (CCS-D-SF)]

Harald Knof 1,2
Victoria Huber 1,2
 Thomas Shiozawa 1,2

1 Eberhard Karls Universität Tübingen, Medizinische Fakultät, Institut für Klinische Anatomie und Zellanalytik, Tübingen, Deutschland
2 Eberhard Karls Universität Tübingen, Medizinische Fakultät, TIME – Tübingen Institute for Medical Education, Tübingen, Deutschland

Zusammenfassung

Hintergrund: Kollaboratives Lernen in der medizinischen Ausbildung basiert sowohl auf sozialer Integration als auch auf kognitivem Engagement. Die Classroom Community Scale (CCS) erfasst das Gemeinschaftsgefühl von Studierenden anhand von zwei Dimensionen: Verbundenheit und Lernen. In deutschsprachigen Ländern wurde die CCS bereits in ihrer Langform (CCS-D) validiert. Während eine englischsprachige Kurzform (CCS-SF) existiert, fehlte bislang eine validierte deutsche. Ziel dieser Studie war es, eine Kurzform der deutschen CCS (CCS-D-SF) zu entwickeln und zu validieren.

Methoden: Die CCS-D wurde systematisch auf eine Kurzform mit zehn Items reduziert unter Verwendung von Hauptkomponentenanalysen (PCA) und iterativen Reliabilitätsanalysen. Die Daten für die Kurzform wurden von N=171 Medizinstudierenden im ersten Semester an der Universität Tübingen erhoben. Die interne Konsistenz wurde anhand von Cronbachs Alpha bewertet. Die Konstruktvalidität wurde mithilfe einer konfirmatorischen Faktorenanalyse (CFA) und einer PCA untersucht.

Ergebnisse: Die CCS-D-SF behielt eine Zwei-Faktoren-Struktur bei, die den Dimensionen Verbundenheit (5 Items) und Lernen (5 Items) entspricht. Die Gesamtskala zeigte eine gute interne Konsistenz (α=.81). Die Reliabilität der Subskalen Verbundenheit α=.86 und Lernen α=.65. Die CFA zeigte einen akzeptablen Modellfit (χ2/df=2.16, RMSEA=.083, SRMR=.059, CFI=.93, TLI=.91). Auch die PCA bestätigte die Zwei-Faktoren-Struktur.

Diskussion: Die CCS-D-SF stellt ein valides und praktikables Instrument zur Erfassung des Gemeinschaftsgefühls bei Medizinstudierenden im ersten Studienjahr dar. Die Reliabilität reicht von einer knapp akzeptablen Reliabilität für Lernen bis zu einer sehr guten Reliabilität für Verbundenheit. Die Reliabilität der Gesamtskala kann als gut eingestuft werden. Die Kürze des Fragebogens reduziert die Belastung der Teilnehmenden, ohne die psychometrische Qualität wesentlich zu beeinträchtigen, und macht das Instrument für die Bildungsforschung sowie die diagnostische Erfassung der Klassengemeinschaft geeignet. Die CCS-D-SF kann zudem Hinweise für Interventionen liefern, die darauf abzielen, die soziale Integration sowie das Lernengagement in kollaborativen Lernumgebungen zu stärken.


Schlüsselwörter

medizinische Ausbildung, interdisziplinäre Verwendung, konfirmatorische Faktorenanalyse, Validierung, Classroom Community

1. Einleitung

Kollaboratives Lernen hat in der medizinischen Ausbildung zunehmend an Bedeutung gewonnen, sowohl als Lehr- als auch als Lernformat. Solche Ansätze fördern Teamarbeit, Kommunikationsfähigkeiten und die Übernahme von Verantwortung für die individuelle sowie die gemeinsame Leistung. Diese Kompetenzen sind für die professionelle Berufsausübung und die Qualität der Gesundheitsversorgung von entscheidender Bedeutung [1], [2]. Im Folgenden werden zunächst die Konzepte des kollaborativen Lernens und des Gemeinschaftsgefühls näher erläutert, da sie die zentralen theoretischen Grundlagen der Classroom Community Scale darstellen, einem weit verbreiteten Instrument zur Messung des Gemeinschaftsgefühls in Lernumgebungen [3]. Ein detaillierterer konzeptioneller Rahmen wurde bereits von Knof und Shiozawa vorgestellt [4]. Anschließend wird die Begründung für die Entwicklung einer Kurzform dieser Skala dargestellt.

1.1. Kollaboratives Lernen in der Medizinischen Ausbildung

Kollaborative und teambasierte Lernansätze werden zunehmend in der Hochschulbildung und der medizinischen Ausbildung eingesetzt und können in Präsenz, sowie synchron oder asynchron online umgesetzt werden [5], [6], [7].

Trotz seiner Vorteile für die Förderung von Teamarbeit und Kommunikation bringt kollaboratives Lernen auch Herausforderungen mit sich. Die Beteiligung kann ungleich verteilt sein, die Kommunikation kann ineffektiv sein und zwischenmenschliche Konflikte können entstehen, was Lernergebnisse beeinträchtigen kann [8], [9], [10]. Ein wesentlicher Faktor für eine effektive Zusammenarbeit ist der Grad, in dem sich Studierende in ihre Lernumgebung integriert fühlen. Dieses als Gemeinschaftsgefühl bezeichnete Konstrukt steht sowohl in Präsenz- als auch in Online-Lernumgebungen in einem signifikanten Zusammenhang mit Engagement, Zusammenarbeit und akademischen Leistungen [11], [12], [13], [14], [15]. Ein schwaches Gemeinschaftsgefühl innerhalb der Lerngruppe steht mit einer geringeren Beteiligung und einem erhöhten Abbruchrisiko in Zusammenhang und unterstreicht die Bedeutung der Förderung von Vertrauen, Zusammenarbeit und gemeinsamer Verantwortung [16], [17], [18].

1.2. Gemeinschaftsgefühl

Eine weit verbreitete Definition des „sense of community“(Gemeinschaftsgefühl) stammt von McMillan und Chavis: „sense of community ist das Gefühl, dass Mitglieder ein Gefühl der Zugehörigkeit haben, das Gefühl, dass die Mitglieder einander und der Gruppe wichtig sind, und ein gemeinsamer Glaube, dass die Bedürfnisse der Mitglieder durch ihr Engagement, zusammen zu sein, erfüllt werden“ ([19], p.9). Zu den wesentlichen Elementen gehören Vertrauen, gegenseitige Unterstützung, Interaktivität, gemeinsame Werte und Gruppenzusammenhalt [20], [21], [22], wobei die konkrete Ausprägung dieses Konstrukts je nach Kontext, in dem es auftritt, variieren kann [23], [24], [25].

Eine Klassengemeinschaft als kollaborative Lernumgebung umfasst im Wesentlichen zwei Hauptkomponenten: Verbundenheit erfasst das Gefühl der zwischenmenschlichen Verbundenheit, während Lernen die Wahrnehmung von Interaktion und Beteiligung innerhalb der Lerngruppe erfasst [21]. Zur Messung des Gemeinschaftsgefühls in kollaborativen Lernumgebungen entwickelte Rovai die Classroom Community Scale (CCS) [3].

1.3. Classroom Community Scale

Die Classroom Community Scale (CCS) besteht aus 20 Items in zwei Subskalen: Verbundenheit (10 ungerade nummerierte Items) und Lernen (10 gerade-nummerierte Items) (siehe Anhang 1 [Anh. 1], Tabelle S1) [3]. Teilnehmende bewerten jedes Item auf einer 5-stufigen Likert-Skala von „stimme überhaupt nicht zu“ bis „stimme vollständig zu“. Die Gesamtpunktzahl reicht von 20 bis 80, wobei jede Subskala Werte von 10 bis 40 umfasst. Höhere Werte weisen auf ein stärkeres Gemeinschaftsgefühl hin [3].

Die CCS wurde in verschiedenen Ländern und in unterschiedlichen Lernumgebungen, darunter Präsenzunterricht, Blended Learning und Online-Lernumgebungen, umfassend untersucht [26], [27], [28], [29], [30], [31]. Jedoch war bislang keine validierte deutschsprachige Version vorhanden. Die Autoren übersetzten die CCS ins Deutsche (CCS-D) und stellten fest, dass ihre Validität mit der der Originalversion und anderer Übersetzungen vergleichbar ist [4].

1.4. Rationale für die Entwicklung einer Kurzform

Während lange Fragebögen bei Erhebungen gewisse Vorteile bieten, bringen sie auch zusätzliche Herausforderungen für Forschende mit sich [32]. Längere Fragebögen gehen mit einer höheren Belastung der Teilnehmenden einher, was zu Ermüdung, einer geringeren Sorgfalt bei der Beantwortung und unvollständigen Antworten führen kann [33], [34]. Darüber hinaus weisen längere Instrumente im Vergleich zu kürzeren Befragungen häufig höhere Verweigerungsraten auf [33]. Diese Aspekte können sich negativ auf die Datenqualität auswirken und letztlich die Validität der Forschungsergebnisse beeinträchtigen [35], [36]. Die Entwicklung von Kurzformen ist daher nicht nur deshalb sinnvoll, weil sie die Belastung für Teilnehmende und Forschende reduziert, sondern auch, weil kürzere Fragebögen die Datenqualität verbessern können, indem sie die Anzahl fehlender Antworten verringern, auffällige Antwortmuster reduzieren und die Rücklaufquote erhöhen [37]. Der Bedarf an kürzeren und zugleich psychometrisch robusten Skalen ist in der Forschung weithin anerkannt [33], [38], [39].

Die Validierung der Langform der CCS zeigte Kreuzladungen mehrerer Items über die zugrundeliegenden theoretischen Dimensionen hinweg [4]. Diese Ergebnisse stimmen mit früheren Untersuchungen überein, die ebenfalls deutliche Kreuzladungen und Schwierigkeiten bei der Ermittlung einer aussagekräftigen Konstruktvalidität über verschiedene Versionen der CCS hinweg festgestellt haben [26], [31], [40], [41].

Diese Kreuzladungen weisen darauf hin, dass die Items nicht ausschließlich einer einzelnen latenten Dimension zugeordnet sind, sondern vielmehr Aspekte sowohl von Verbundenheit als auch von Lernen erfassen. Solche Muster können die Validität schwächen und die konzeptionelle Klarheit der zugrunde liegenden Konstrukte beeinträchtigen [42]. So können Items mit hohen Ladungen auf mehr als einen Faktor zusätzliche Messfehler verursachen und die Interpretation der Skalen erschweren [43]. Werden Kreuzladungen nicht berücksichtigt, kann die resultierende Faktorenstruktur an Stabilität verlieren, wodurch das Risiko einer Fehlspezifikation des Modells steigt und möglicherweise ungenaue oder fehlerhafte theoretische Interpretationen entstehen [44].

Diese Überlegungen legen nahe, dass eine weitere Präzisierung des Messmodells erforderlich ist. Ein Ansatz zur Weiterentwicklung des Instruments besteht in der Entwicklung einer Kurzform der Skala.

Im Einklang mit etablierten Prinzipien der Skalenkonstruktion wird grundsätzlich eine sparsame und klar strukturierte Faktorenlösung bevorzugt [32], [45]. Dementsprechend sollte bei der Auswahl der Items der Fokus auf Items liegen, die eindeutig auf einen einzelnen vorgesehenen Faktor laden, sodass jedes Item seinen zugewiesenen Inhaltsbereich möglichst präzise abbildet [45]. Entsprechend dienen explorative Faktorenanalysen in der Regel als Grundlage für die Entfernung von Items mit schwachen Hauptladungen oder ausgeprägten Ladungen auf mehreren Faktoren. Items, die wiederholt Kreuzladungen aufweisen, werden daher häufig als ungeeignet für die Beibehaltung in der Skala angesehen [42], [43].

Der Empfehlung von Barnard-Brak und Shiu folgend, die Faktorenstruktur mithilfe explorativer Faktorenanalysen und einer Analyse auf Itemebene anzupassen, um das Instrument weiterzuentwickeln, wendeten Cho und Demmans Epp diesen Ansatz auf Daten aus Online-Lernumgebungen an [26], [41]. Daraus entstand eine englischsprachige Kurzform der CCS (CCS-SF), die in der Literatur weiterhin validiert wurde [41], [46]. Diese Version wurde jedoch auf Grundlage anderer Datensätze und in einem abweichenden Kontext entwickelt, nämlich in Online-Lernumgebungen.

Da die Validierung der CCS-D bereits Unterschiede in den Itemladungen im Vergleich zur ursprünglichen CCS gezeigt hatte [4], erschien es notwendig, eine Kurzform auf Grundlage des vorliegenden Datensatzes zu entwickeln. Da Übersetzungsprozesse subtile semantische Veränderungen hervorrufen können, die sich auf die Interpretation der Items auswirken, ist eine empirische Validierung im deutschen Kontext von besonderer Bedeutung.

Die Verkürzung einer Skala bringt jedoch methodische Herausforderungen mit sich. Es besteht kein methodischer Konsens darüber, wie viele Items bei der Entwicklung einer Kurzform optimalerweise beibehalten werden sollten [47]. Eine zu starke Reduktion der Items kann die Inhaltsvalidität und Reliabilität beeinträchtigen, wenn die verschiedenen Bereiche des Konstrukts nicht ausreichend abgebildet werden [48]. Daher sollte die Auswahl der Items nach sorgfältigen und transparenten Verfahren erfolgen, um mögliche Einbußen bei der Qualität von Erhebungen zu minimieren [37].

2. Methoden

2.1. Protokoll der systematischen Itemreduktion des CCS-D-Fragebogens

Ausgehend von den oben dargestellten Begründungen und Herausforderungen wurde auf Grundlage der bereits übersetzten Version des Instruments ein systematisches Verfahren zur Itemreduktion entwickelt und umgesetzt. Ziel war es, den Fragebogen auf insgesamt zehn Items zu verkürzen, fünf pro Subskala, ohne dabei die psychometrische Qualität, theoretische Grundlage oder die inhaltliche Abdeckung der Subskalen wesentlich zu beeinträchtigen.

Die Entscheidung, eine Kurzversion mit zehn Items zu entwickeln, basierte auf mehreren methodischen und konzeptionellen Überlegungen.

Methodische Forschung deutet darauf hin, dass weniger als vier Items pro Faktor zu einer unzureichenden internen Reliabilität führen können [47], [49]. Darüber hinaus betont die Literatur zur Skalenentwicklung, dass Instrumente ausreichend viele Items enthalten sollten, um den jeweiligen Inhaltsbereich des Konstrukts angemessen abzubilden und eine Unterrepräsentation des Konstrukts zu vermeiden [50]. Folglich betonen Empfehlungen zur Skalenreduktion die Bedeutung eines ausgewogenen Verhältnisses zwischen Kürze, einer angemessenen Abdeckung des Konstrukts und der Reliabilität [33], [35], [37], [51].

Unter den Annahmen der klassischen Testtheorie steigt die interne Konsistenz tendenziell mit der Anzahl der Items, insbesondere bei der Verwendung von Cronbachs Alpha, sofern die Items dasselbe zugrunde liegende Konstrukt messen [52], [53], [54]. Die Beibehaltung einer etwas größeren Anzahl von Items in einer Zehn-Item-Version im Vergleich zu einer stärker verkürzten Acht-Item-Version trägt daher zu stabileren Messeigenschaften bei.

Darüber hinaus ermöglicht eine Skala dieser Länge eine umfassendere inhaltliche Abdeckung des zugrunde liegenden Konstrukts. Dies ist für die Konstruktvalidität von wesentlicher Bedeutung, da eine Reduktion der Items zu einer unzureichenden Abbildung relevanter Aspekte führen kann [48], [50]. Insbesondere bei multidimensionalen Konstrukten wie der Klassengemeinschaft kann eine zu starke Reduktion der Items die konzeptionelle Breite des Instruments einschränken und seine Fähigkeit schwächen, das zugrunde liegende Konstrukt angemessen abzubilden [48], [50].

Weiterhin stellt die Zehn-Item-Version einen praktischen Kompromiss zwischen Messgenauigkeit und Effizienz dar, da sie die Bearbeitungszeit der Teilnehmenden deutlich reduziert und gleichzeitig die psychometrische Qualität des Instruments bewahrt [51].

Der systematische Reduktionsprozess wurde in einem dreistufigen Verfahren durchgeführt. Das Vorgehen orientierte sich dabei sowohl an der iterativen Methodik von Cho und Demmans Epp bei der Validierung ihrer CCS-Kurzform [41] als auch an den Leitlinien von Hinkin [45].

Das zur Reduktion zu verwendende Protokoll wurde zu Beginn des Überarbeitungsverfahrens festgelegt, um einen durch die Forschenden bedingten Selektionsbias zu minimieren. Als Ausgangspunkt diente der vollständige CCS-D-Datensatz von Knof und Shiozawa [4]. Zur Untersuchung der Faktorenstruktur wurde eine Hauptkomponentenanalyse (PCA) mit Varimax-Rotation durchgeführt, während die interne Konsistenz der Skalen mithilfe von Cronbachs Alpha bestimmt wurde. Anschließend wurde ein iterativer Reduktionsprozess gemäß dem vorab definierten Protokoll eingeleitet. Ziel des Verfahrens war die Optimierung des Konstrukts unter gleichzeitiger Wahrung der inhaltlichen Abdeckung und nicht die Maximierung der Koeffizienten der internen Konsistenz.

In jeder Iteration begann das Verfahren mit Schritt 1: Alle Items, die Kreuzladungen aufwiesen, also sekundäre Ladungen ≥.30, oder deren Hauptladungen auf einem nicht vorgesehenen Faktor lagen, wurden gleichzeitig entfernt. Hauptladungen auf einem nicht vorgesehenen Faktor wurden als Items definiert, die stärker auf einen anderen Faktor luden als auf die theoretisch erwartete Dimension, basierend auf der ursprünglichen Skalenstruktur und dem oben beschriebenen theoretischen Rahmen von Rovai. Diese Items bilden kein einzelnes latentes Konstrukt eindeutig ab und können daher die Validität der Skala beeinträchtigen [43], [53]. Wurden in Schritt 1 ein oder mehrere Items entfernt, wurde unmittelbar eine neue PCA durchgeführt und Cronbachs Alpha neu berechnet, wodurch eine neue Iteration begann. Erfüllte kein Item in Schritt 1 die Kriterien für eine Entfernung, wurde Schritt 2 angewendet. In diesem Schritt wurde dasjenige Item entfernt, dessen Ausschluss zu einer Verbesserung der internen Konsistenz führte, gemessen anhand von Cronbachs Alpha bei Entfernung des jeweiligen Items. Nach jeder Entfernung in Schritt 2 wurden erneut eine PCA durchgeführt und Cronbachs Alpha berechnet, bevor das Verfahren in der nächsten Iteration zu Schritt 1 zurückkehrte. Führten weder Schritt 1 noch Schritt 2 zur Entfernung eines Items, wurde Schritt 3 durchgeführt. Dabei wurden gleichzeitig alle Items mit den niedrigsten Ladungen auf ihren theoretisch zugeordneten Faktoren entfernt, um die übergeordnete Konstruktvalidität der Skala zu bewahren und eine angemessene Repräsentation der zugrunde liegenden theoretischen Dimensionen aufrechtzuerhalten [43], [53]. Wie in den vorherigen Schritten wurden nach jeder Entfernung eine PCA und eine Neuberechnung von Cronbachs Alpha durchgeführt, bevor der Prozess erneut bei Schritt 1 begann. Dieses iterative Verfahren wurde fortgesetzt, bis keine weiteren Items gemäß den vorab definierten Kriterien entfernt werden konnten. Dadurch entstand eine psychometrisch optimierte Kurzform mit einer gleichmäßigen Repräsentation beider Subskalen mit jeweils fünf Items pro Faktor, wodurch die strukturelle Symmetrie des Messmodells der Klassengemeinschaft gewährleistet ist.

Die Validierung der Kurzform wurde unter Verwendung einer unabhängigen Stichprobe gemäß den Empfehlungen guter wissenschaftlicher Praxis durchgeführt [33], [39], [48], [55]. Dieser Schritt ist wichtig, da die Antworten auf Items durch den umgebenden Kontext der Befragung beeinflusst werden können [33]. Daher könnte die Validierung des verkürzten Instruments anhand desselben Datensatzes, der für die Itemauswahl verwendet wurde, zu Verzerrungen führen.

2.2. Datenerhebung

Am Ende des Sommersemesters 2025 wurden Medizinstudierende des ersten Semesters an der Medizinischen Fakultät der Universität Tübingen mithilfe eines Fragebogens befragt. Zu diesem Zeitpunkt hatten die Teilnehmenden alle Lehrveranstaltungen ihres ersten Semesters abgeschlossen. Die Rekrutierung erfolgte persönlich durch den Erstautor und die Zweitautorin. Vor der Teilnahme willigten alle Studierenden nach entsprechender Aufklärung schriftlich in die Teilnahme ein. Sie wurden über den Zweck der Studie, mögliche Vorteile und Risiken, Rechte und Pflichten sowie die Freiwilligkeit der Teilnahme informiert. Die Daten wurden pseudonymisiert erhoben, und alle Teilnehmenden stimmten der Veröffentlichung anonymisierter Daten zu. Darüber hinaus wurden sie informiert, dass die Einwilligung jederzeit ohne negative Konsequenzen widerrufen werden konnte. Ein Ethikvotum für die Studie wurde von der Ethikkommission der Eberhard Karls Universität Tübingen erteilt (Nr.: 086/2022BO2).

2.3. Datenanalyse

Analog zur Validierung der CCS-D wurde dasselbe Validierungsverfahren angewendet [4]. Es wurde eine deskriptive Analyse durchgeführt, um die Stichprobe darzustellen und die Skalen- sowie Itemmerkmale des CCS-D-SF zu bestimmen. Cronbachs Alpha verwendet, um die interne Konsistenz der Subskalen sowie die Konsistenz des gesamten Fragebogens zu bewerten. Werte von .70 oder höher gelten als zufriedenstellend [54].

Die Konstruktvalidität der Zwei-Faktoren-Struktur der CCS-D-SF wurde mithilfe einer konfirmatorischen Faktorenanalyse (CFA) unter Verwendung der Maximum-Likelihood-Methode (ML) untersucht.

In der CFA wurden die beobachteten Variablen, bestehend aus fünf Items zur Verbundenheit und fünf Items zum Lernen, als Indikatoren ihrer jeweiligen latenten Variablen Verbundenheit und Lernen spezifiziert. Die Modellgüte wurde anhand internationaler Richtlinien bewertet [56], [57], [58].

Folgende Indizes wurden verwendet:

  • Normierter Chi-Quadrat-Güteindikator (χ2/df): eine akzeptable Modellgüte wird durch Werte <3 [59].
  • Comparative Fit Index (CFI) und Tucker–Lewis Index (TLI): gute Modellpassung bei ≥.95 [60].
  • Root Mean Square Error of Approximation (RMSEA): Werte zwischen .05 und .08 gelten als akzeptabel [61], [62], [63].
  • Standardized Root Mean Square Residual (SRMR): akzeptable Modellgüte bei Werten <.08 [60].

Zur weiteren Untersuchung der Robustheit des Modells und zur Exploration zugrunde liegender datenbasierter Muster, die durch die CFA möglicherweise nicht erfasst wurden, wurde zusätzlich eine PCA durchgeführt. Die PCA erfolgte mit Varimax-Rotation und Kaiser-Normalisierung. Items mit Faktorladungen von ≥|.30| auf eine oder beiden Dimensionen wurden beibehalten [59], [67]. Dieser ergänzende Ansatz folgte Empfehlungen, die die kombinierte Anwendung von CFA und explorativen Verfahren zur Sicherstellung der Modellrobustheit betonen [64], [65], [66]. Die Datenaufbereitung und die deskriptiven Analysen wurden mit IBM SPSS Statistics 30 (IBM Corp., Armonk, NY) durchgeführt. Die CFA wurde mit IBM SPSS AMOS 26 (IBM Corp., Armonk, NY) durchgeführt.

3. Ergebnisse

3.1. Stichprobe

Insgesamt wurden N=178 Medizinstudierende des ersten Semesters an der Medizinischen Fakultät Tübingen befragt. Maximal hätten 205 Studierende in die Untersuchung eingeschlossen werden können, was einer Rücklaufquote von 86,8% entspricht. Um die Bedingungen für die Nutzung von AMOS in der weiteren Analyse zu erfüllen, wurden alle Teilnehmer mit fehlenden Daten zu den CCS-D-SF-Items ausgeschlossen. Dadurch verblieben 171 Befragte.

Die Studienteilnehmenden waren zu 68,4% weiblich, was der Geschlechterverteilung der zugelassenen Studierenden entsprach. Das Alter reichte von 18 bis 29 Jahren, das Durchschnittsalter betrug 20,43 Jahre (SD=1,97). Die Mehrheit der Teilnehmenden waren Medizinstudierende (87,1%), gefolgt von Zahnmedizinstudierenden (12,9%).

3.2. Systematische Itemreduktion des CCS-D-Fragebogens

Die Validierung der schrittweisen Itemreduktion für die Kurzform basierte auf der PCA des CCS-D-Datensatzes, die eine gute interne Konsistenz zeigte (Cronbach’s α=.87; siehe Anhang 1 [Anh. 1], Tabelle S2) [4].

Auf Grundlage dieser Analyse wurde Schritt 1 des Itemreduktionsprotokolls durchgeführt. Alle Items mit ausgeprägten Kreuzladungen (Items 9, 10, 14 und 16) wurden entfernt. Anschließend wurde eine PCA durchgeführt und Cronbachs Alpha erneut berechnet, um die Grundlage für die nächste Iteration zu schaffen. Dies führte zur ersten Iteration der CCS-D-SF mit einem Cronbachs Alpha von .84 (siehe Anhang 1 [Anh. 1], Tabelle S3).

In der ersten Iteration der CCS-D-SF zeigten keine Items Kreuzladungen oder Hauptladungen auf einen nicht vorgesehenen Faktor. Entsprechend wurde Schritt zwei ausgeführt, der zur Entfernung des Items 6 führte, da dieser Ausschluss zur Erhöhung von Cronbach’s Alphaführte. Die daraufhin durchgeführten PCA und Reliabilitätsanalysen führten zur CCS-D-SF Iteration 2 (Cronbach’s Alpha=.84) (siehe Anhang 1 [Anh. 1], Tabelle S4).

In CCS-D-SF Iteration 2 wurden die Items 5 und Item 17 aufgrund ihrer Kreuzladungen entfernt. Die folgende PCA und Berechnung von Cronbach’s Alpha führte zu CCS-D-SF Iteration 3 (Cronbach’s Alpha=.82) (siehe Anhang 1 [Anh. 1], Tabelle S5).

In Iteration 3 wurde Item 1 entfernt, da es Ladungen auf mehr als einen Faktor aufwies. Die folgende PCA und Berechnung von Cronbach’s Alpha führte zu CCS-D-SF Iteration 4 (Cronbach’s Alpha=.80) (siehe Anhang 1 [Anh. 1], Tabelle S6).

In Iteration 4 wiesen keine Items Kreuzladungen oder Hauptladungen auf einen nicht vorgesehenen Faktor auf. Schritt 2 zeigte keine Verbesserungen von Cronbach’s Alpha, entsprechend wurde Schritt 3 ausgeführt, was zur Entfernung der Items 7 und 2 führte, da diese die niedrigsten Faktorladungen aufwiesen.

Die resultierende 10-Item Version enthielt fünf Items pro Subskala. Eine abschließende PCA und Berechnung von Cronbach’s Alpha führte zu CCS-D-SF Iteration 5 (Cronbach’s Alpha=.79) (siehe Anhang 1 [Anh. 1], Tabelle S7).

Um die Nutzbarkeit zu verbessern, wurden die Items in abwechselnder Reihenfolge ihrer Subskalen neu geordnet und entsprechend nummeriert, dem originalen CCS-Format folgend (siehe Tabelle 1 [Tab. 1]). Die finale CCS-D-SF enthält zwei Subskalen: Verbundenheit (fünf ungerade-nummerierte Items) und Lernen (fünf gerade-nummerierte Items). Jedes Item wird auf einer fünfstufigen Likert-Skala bewertet: Wie im originalen CCS Instrument gilt für die Items 1, 3, 5, 7, 9, folgende Skala: stimme vollständig zu=4, stimme zu=3, neutral=2, stimme nicht zu=1, stimme überhaupt nicht zu=0; für die Items 2, 4, 6, 8, 10 lautete die Bewertungsskala: stimme vollständig zu=0, stimme zu=1, neutral=2, stimme nicht zu=3, stimme überhaupt nicht zu=4 [3]. Für die weitere Analyse müssen diese Item-Scores invertiert werden. Diese Items sind in den Tabellen und Abbildungen dieser Arbeit mit einem „i“ gekennzeichnet.

Tabelle 1: Finale Version der CCS-D-SF

3.3. Validierung der CCS-D-SF

3.3.1. Skalenmerkmale und interne Konsistenz

Die deskriptiven Statistiken für die einzelnen Items (siehe Tabelle 2 [Tab. 2]) sowie für die gesamte CCS-D-SF und jede Subskala sind unten dargestellt (siehe Tabelle 3 [Tab. 3]). Die gesamte CCS-D-SF (Cronbach’s Alpha=.81) sowie die Subskala Verbundenheit (Alpha=.86) zeigten eine gute interne Konsistenz. Die Subskala Lernen weist einen Cronbach’s Alpha von .65 auf.

Tabelle 2: Deskriptive Statistik der CCS-D-SF-Items

Tabelle 3: Deskriptive Statistik der CCS-D-SF-Subskalen

3.3.2. Konfirmatorische Faktorenanalyse

Das CFA-Modell für das 2-Faktoren-Modell ist in Abbildung 1 [Abb. 1] dargestellt.

Abbildung 1: CCS-D-SF CFA-Modell

Das CFA-Modell zeigte übergreifend eine akzeptable Modellanpassung. Die zwei latenten Faktoren waren moderat korreliert (r=.51). Das normierte Chi-Quadrat (χ2 [34, n=171]=73.529, p<.001; χ2/df=2.163) zweigt eine ausreichende Passung. Die RMSEA (.083) überschritt den Grenzwert für einen akzeptablen Modellfit, während der SRMR (.059) auf einen guten Modellfit hinwies. Die vergleichenden Fit-Indizes CFI (.93) und TLI (.91) lagen im akzeptablen Bereich, erreichten jedoch nicht den Schwellenwert für einen guten Modellfit.

3.3.3. Hauptkomponentenanalyse

Das Kaiser-Meyer-Olkin-Maß betrug .811 und wies damit auf eine relativ gute Eignung der Daten für eine Faktorenanalyse hin. Der Bartlett-Test auf Sphärizität war signifikant (approx. χ2=581.215; p<.001), , was darauf hindeutet, dass die Daten keine Einheitsmatrix bilden und für eine Faktorenanalyse geeignet sind. Es wurden nur Faktoren mit Eigenwerten ≥1 beibehalten [68], [69]. Basierend auf dem Kaiser-Kriterium und dem Scree-Plot wurden zwei Faktoren mit Eigenwerten größer als 1 bebehalten, die zusammen 54,9% der Gesamtvarianz erklärten.

Im mittels Varimax-Rotation rotierten Zwei-Faktoren-Modell (siehe Tabelle 4 [Tab. 4]) luden die meisten Items primär auf einen einzelnen Faktor, mit Ausnahme von Item 10 („Ich habe das Gefühl, dass dieser Kurs die Lernmotivation nicht fördert.“). Die zugrunde liegende Faktorenstruktur der CCS-D-SF kann somit bestätigt werden, wobei die ungerade-nummerierten Items hoch auf Faktor 1 und die gerade-nummerierten Items auf Faktor 2 luden. Diese repräsentieren die Dimensionen Verbundenheit und Lernen.

Tabelle 4: Hauptkomponentenanalyse

4. Diskussion

Die CCS-D-SF weist eine gute Reliabilität auf und repliziert in der CFA die Faktorenstruktur der Originalversion. In einer abschließenden PCA konnte zudem sichergestellt werden, dass sich die Faktorenlösung nach der Entfernung der Items nicht verändert hatte [51].

Bei Betrachtung der Modellfit-Indizes zeigt die CCS-D-SF eine bessere Passung als die CCS-D.

Zwischen den Subskalen Verbundenheit und Lernen wurde eine moderate Korrelation festgestellt. Dies deutet darauf hin, dass sie einen erheblichen Anteil gemeinsamer Varianz aufweisen und gleichzeitig unterschiedliche Konstrukte repräsentieren. Die Beziehung weist jedoch darauf hin, dass die beiden Dimensionen der Klassengemeinschaft nicht vollständig unabhängig voneinander sind. Die geringfügig erhöhte RMSEA könnte teilweise auf die erhebliche Überschneidung zwischen Verbundenheit und Lernen zurückzuführen sein. Eine ähnlich hohe Korrelation zwischen den Subskalen wurde bereits in der Literatur berichtet [30].

Diese Beziehung steht im Einklang mit dem Community-of-Inquiry-Modell, das davon ausgeht, dass soziale Präsenz (Verbundenheit) und kognitive Präsenz (Lernengagement) dynamisch miteinander interagieren und dadurch Lernerlebnisse fördern [12], [70]. Studierende, die sich sozial in einen Kurs integriert fühlen, beteiligen sich mit höherer Wahrscheinlichkeit auch kognitiv am Lernprozess. Umgekehrt kann eine intensive kognitive Auseinandersetzung das Gefühl der Zugehörigkeit und der sozialen Verbundenheit verstärken [11]. Die Subskala Verbundenheit zeigte eine sehr gute interne Konsistenz, während Lernen lediglich eine knapp akzeptable Reliabilität aufwies. Die geringere Reliabilität der Subskala Lernen steht im Einklang mit früheren Studien, die die CCS untersuchten und eine niedrigere interne Konsistenz für lernbezogene Items berichteten [26], [27], [71]. Die reduzierte Anzahl an Items in der CCS-D-SF erfasst diese konzeptionelle Breite möglicherweise nicht vollständig, wodurch die interne Konsistenz geringer ausfallen und möglicherweise auch die Korrelation zwischen den Subskalen beeinflusst werden könnte. Darüber hinaus könnte Lernen stärker kontextabhängig sein als Verbundenheit, da die Wahrnehmung des Lernens durch die Art der Instruktionen, den Lehrstil und die Prüfungen beeinflusst wird.

Die Kreuzladung von Item 10 („Ich habe das Gefühl, dass dieser Kurs die Lernmotivation nicht fördert“) auf die Subskala Verbundenheit unterstützt diese Interpretation zusätzlich. Dieses Muster könnte die Art und Weise widerspiegeln, wie Studierende den Begriff „Kurs“ wahrnehmen, der sowohl als Inhalt und Struktur der Lehrveranstaltung, als soziale Gruppe der Teilnehmenden oder als Kombination aus beiden verstanden werden kann. Darüber hinaus können externe Faktoren wie die Persönlichkeit und das Auftreten der Lehrperson die Wahrnehmung der Studierenden hinsichtlich sozialer Präsenz und Klassengemeinschaft beeinflussen und dadurch sowohl Verbundenheit als auch Lernen beeinflussen [72], [73]. Auch die Erwartungen der Studierenden an zukünftige Interaktionen mit ihren Mitstudierenden in weiteren Lehrveranstaltungen könnten ihre Motivation zur Entwicklung eines Gemeinschaftsgefühls beeinflussen und somit zur beobachteten Korrelation zwischen den Subskalen beitragen [74].

Aus pädagogischer Perspektive hat diese wechselseitige Abhängigkeit zwischen Verbundenheit und Lernen wichtige Implikationen. Lehrstrategien, die gezielt den sozialen Zusammenhalt fördern, beispielsweise Gruppenprojekte, Peer-Mentoring oder strukturierte Reflexionen, können nicht nur die Verbundenheit stärken, sondern auch die Lernergebnisse verbessern [12], [24]. Ebenso könnten Curriculumdesigns, die die kollaborative Konstruktion von Wissen in den Mittelpunkt stellen, sowohl das soziale Zugehörigkeitsgefühl als auch das kognitive Engagement stärken. Die CCS-D-SF könnte daher als diagnostisches Instrument für Lehrende dienen, um Ungleichgewichte zwischen diesen beiden Dimensionen zu identifizieren und gezielte Interventionen zur Verbesserung der Klassengemeinschaft anzuleiten.

Es gibt mehrere Limitationen dieser Studie, die berücksichtigt werden sollten. Bei Studierendengemeinschaften kann eine Homogenisierung beobachtet werden, die durch ähnliche soziale und persönliche Herausforderungen, einschließlich der mit dem Übergang in die Hochschulbildung verbundenen Unsicherheiten, begünstigt wird [75]. Studierende im ersten Semester konzentrieren sich typischerweise auf den Aufbau persönlicher Beziehungen und die Etablierung eines für ihr Studium relevanten beruflichen Netzwerks [76]. Dies kann beeinflussen, wie Studierende Verbundenheit und Lernen wahrnehmen oder priorisieren, da soziale Integration und der Aufbau von Netzwerken vorübergehend eine größere Bedeutung haben können als akademisches Engagement oder lernorientierte Interaktionen. Im Gegensatz zur vorliegenden Studie, in der das Gemeinschaftsgefühl über einen gesamten Studiengang hinweg gemessen wurde, konzentrierte sich der Großteil der bisherigen Forschung unter Verwendung der CCS auf einzelne Kurse oder Unterrichtseinheiten [77].

Bei der Interpretation der Ergebnisse des Skalenreduktionsprozesses sollten mehrere methodische Aspekte berücksichtigt werden. Faktorenanalytische Verfahren werden häufig zur Verkürzung von Skalen eingesetzt, da Faktorladungen die Stärke der Beziehung zwischen Items und den zugrunde liegenden latenten Dimensionen anzeigen [33], [78]. Dementsprechend stützen sich viele Reduktionsverfahren auf psychometrische Kennwerte wie Faktorladungen, Item-Gesamtwert-Korrelationen und Reliabilitätsschätzungen [35]. In der vorliegenden Studie basierte die Weiterentwicklung der Skala jedoch nicht ausschließlich auf Faktorladungen. Als ergänzendes Kriterium wurde die interne Konsistenz des Gesamtinstruments berücksichtigt, um die Stabilität des Messmodells während des gesamten Reduktionsprozesses sicherzustellen [50], [52]. Eine ausschließliche Orientierung an statistischen Kriterien kann jedoch zu verkürzten Skalen führen, die zwar psychometrisch homogen, konzeptionell jedoch eng gefasst sind und deren inhaltliche Abdeckung zu restriktiv ist [34], [50]. Zudem besteht die Möglichkeit, dass solche Instrumente geringfügig andere Aspekte des Konstrukts erfassen als die Langform [33]. Um diesen Bedenken zu begegnen, wurde darauf geachtet, eine gleichmäßige Repräsentation der beiden zugrunde liegenden Dimensionen der Klassengemeinschaft, Verbundenheit und Lernen, zu erhalten [3].

Die Autoren erkennen an, dass der vorliegende Ansatz eine von mehreren derzeit diskutierten methodischen Strategien zur Skalenreduktion darstellt. Kurzformen von Instrumenten werden häufig entwickelt, indem Items bestehender längerer Fragebögen auf Grundlage psychometrischer Kennwerte schrittweise entfernt werden [32]. Obwohl diese Ansätze vergleichsweise einfach umzusetzen sind, berücksichtigen sie häufig nur eine begrenzte Anzahl psychometrischer Kriterien und können daher zu Schwächen wie unzureichenden Faktorenstrukturen, mangelnder Reliabilität oder fehlender Messinvarianz führen [79]. In letzter Zeit wurden algorithmische Ansätze vorgeschlagen, die bei der Entwicklung von Kurzformen vielversprechende Ergebnisse gezeigt haben [79], [80]. Heuristische Optimierungsverfahren können jedoch nicht garantieren, dass eine einzelne optimale Lösung identifiziert wird, und können bei wiederholten Analysen zu unterschiedlichen Kombinationen von Items führen [32]. Diese Entwicklungen verdeutlichen, dass die Verkürzung von Skalen nicht als rein mechanisches Optimierungsverfahren verstanden werden sollte, sondern vielmehr als kontextabhängiger Prozess, der sowohl statistische als auch theoretische Überlegungen erfordert [79], [80].

Da datenbasierte Verfahren zur Itemreduktion gegenüber stichprobenspezifischen Merkmalen empfindlich sein können, wurde die resultierende Kurzform mithilfe einer CFA in einer unabhängigen Validierungsstichprobe untersucht [45], [55]. Dieser Ansatz ermöglicht zudem die Beurteilung der Stabilität und Replizierbarkeit der Faktorenstruktur und berücksichtigt, dass Evidenz der Validität, die für Langformen von Skalen gewonnen wurde, nicht zwangsläufig auf verkürzte Versionen übertragbar ist [45], [55]. Alternative Strategien, wie beispielsweise eine Split-Sample-Validierung innerhalb des ursprünglichen Datensatzes, hätten das Risiko eines stichprobenspezifischen Overfittings verringern können. Die Umsetzung eines Split-Sample-Ansatzes hätte jedoch die für die Itemauswahl und Faktorenanalyse verfügbare effektive Stichprobengröße reduziert. Dies ist insbesondere vor dem Hintergrund problematisch, dass Faktorenanalysen bei kleineren Stichproben instabil werden können [63], [81]. Die vorliegende Studie umfasste keine externen Validierungskriterien, die einen direkten Vergleich der Validität der Kurzform ermöglicht hätten. Ohne solche externen Bezugskriterien kann letztlich nicht abschließend beurteilt werden, ob dieses Instrument tatsächlich dasselbe zugrunde liegende Konstrukt erfasst [33]. Verbesserungen in der Modellgüte nach der Skalenreduktion sollten nicht grundsätzlich als Hinweis auf eine überlegene Messqualität interpretiert werden, da Fit-Indizes empfindlich auf die Modellkomplexität, die Länge des Instruments und die Homogenität der Items reagieren [82], [83].

Zukünftige Forschung sollte daher die Zusammenhänge zwischen der CCS-D-SF und theoretisch verwandten Konstrukten untersuchen, um die Konstruktvalidität der Skala weiter zu belegen.

5. Schlussfolgerung

Diese Studie zeigt die systematische Entwicklung und Validierung einer Kurzform der deutschen Version der Classroom Community Scale (CCS-D-SF).

Die CCS-D-SF zeigte eine gute Reliabilität, die mit bisherigen Befunden aus der Literatur vergleichbar ist. Die konfirmatorische Faktorenanalyse bestätigte die Zwei-Faktoren-Struktur der Skala, wobei die Modellfit-Indizes sogar etwas besser ausfielen als die für die Langversion der CCS-D berichteten Werte. Die Faktorenstruktur wurde zudem durch die Hauptkomponentenanalyse gestützt.

Insgesamt stellt die CCS-D-SF ein praktisches und psychometrisch fundiertes Instrument zur Messung des Gemeinschaftsgefühls bei Medizinstudierenden im ersten Studienjahr dar. Durch ihre Kürze reduziert sie die Belastung der Teilnehmenden, während die Messqualität erhalten blieb oder sogar verbessert werden konnte.

Zukünftige Forschung sollte sich auf die Anwendung der CCS-D-SF in deutschsprachigen Ländern sowie auf die weitere Untersuchung ihrer Eignung in unterschiedlichen Bildungskontexten konzentrieren.

Tagungsvortrag

Auszüge aus diesem Manuskript wurden auf der Jahrestagung der DACH-Gesellschaft für Medizinische Ausbildung (GMA) 2026 in Dresden vorgestellt [84].

ORCIDs der Autor*innen

Danksagung

Die Autoren möchten Prof. Alfred P. Rovai von der Regent University (Virginia Beach, VA, USA) für die Genehmigung zur Nutzung und Übersetzung seines CCS-Instruments danken.

Des Weiteren danken die Autoren Prof. Dr. Peter Martus für die statistische Beratung.

Den Studierenden der Medizinischen Fakultät Tübingen sind die Autoren dankbar für ihre Teilnahme an dieser Studie.

Die Autoren danken für die Unterstützung durch den Open-Access-Publikationsfonds der Universität Tübingen.

Interessenkonflikt

Die Autoren erklären, dass keine Interessenkonflikte bestehen. Allein die Autoren sind für den Inhalt und das Schreiben dieses Artikels verantwortlich. Die Autoren geben an, dass die Forschung in Abwesenheit jeglicher kommerzieller oder finanzieller Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.


Literatur

[1] Rosen MA, DiazGranados D, Dietz AS, Benishek LE, Thompson D, Pronovost PJ, Weaver SJ. Teamwork in healthcare: Key discoveries enabling safer, high-quality care. Am Psychol. 2018;73(4):433-450. DOI: 10.1037/amp0000298
[2] Van Leuven AJ, Szymik BG, Ramsey LM, Hesse DW. A multi-year evaluation of medical student performance on and perceptions of collaborative gross anatomy laboratory examinations. Anat Sci Educ. 2023;16(3):557-566. DOI: 10.1002/ase.2223
[3] Rovai AP. Development of an instrument to measure classroom community. Internet High Educ. 2002;5(3):197-211. DOI: 10.1016/s1096-7516(02)00102-1
[4] Knof H, Shiozawa T. Validation of the German form of Classroom-Community-Scale (CCS-D). GMS J Med Educ. 2025;42(1):Doc13. DOI: 10.3205/zma001737
[5] Dillenbourg P. What do you mean by 'collaborative learning'? In: Dillenbourg P, editor. Collaborative Learning: Cognitive and Computational Approaches. Advances in learning and instruction series. 1st ed. London: Pergamon; 1999. (Advances in learning and instruction series). p.1-15.
[6] Sevenhuysen S, Haines T, Kiegaldie D, Molloy E. Implementing collaborative and peer-assisted learning. Clin Teach. 2016;13(5):325-331. DOI: 10.1111/tct.12583
[7] O'Brien BC, Forrest K, Wijnen‐Meijer M, ten Cate O. A Global View of Structures and Trends in Medical Education. In: Swanwick T, Forrest K, O’Brien BC, editors. Understanding Medical Education. 3rd ed. Hoboken: Wiley-Blackwill; 2018. p.7-22. DOI: 10.1002/9781119373780.ch2
[8] Almajed A, Winning T, Skinner V, Peterson R. Medical and Dental Students' Perceptions and Experiences of Collaborative Learning: A Systematic Review. JBI Libr Syst Rev. 2011;9(32 Suppl):1-13. DOI: 10.11124/01938924-201109321-00001
[9] Skinner VJ, Braunack-Mayer A, Winning TA. The Purpose and Value for Students of PBL Groups for Learning. Interdiscip J Problem-Based Learn. 2015;9(1). DOI: 10.7771/1541-5015.1499
[10] Pluta WJ, Richards BF, Mutnick A. PBL and beyond: trends in collaborative learning. Teach Learn Med. 2013;25 Suppl 1:S9-S16. DOI: 10.1080/10401334.2013.842917
[11] Chatterjee R, Correia A-P. Online Students’ Attitudes Toward Collaborative Learning and Sense of Community. Am J Distance Educ. 2019;34(1):53-68. DOI: 10.1080/08923647.2020.1703479
[12] Garrison DR, Anderson T, Archer W. The first decade of the community of inquiry framework: A retrospective. Internet High Educ. 2010;13(1-2):5-9. DOI: 10.1016/j.iheduc.2009.10.003
[13] Halic O, Lee D, Paulus T, Spence M. To blog or not to blog: Student perceptions of blog effectiveness for learning in a college-level course. Internet High Educ. 2010;13(4):206-213. DOI: 10.1016/j.iheduc.2010.04.001
[14] Lai KW. Knowledge construction in online learning communities: a case study of a doctoral course. Stud High Educ. 2013;40(4):561-579. DOI: 10.1080/03075079.2013.831402
[15] Rovai AP. Building Sense of Community at a Distance. Int Rev Res Open Dis. 2002;3(1):1-16. DOI: 10.19173/irrodl.v3i1.79
[16] Bruffee KA. Collaborative Learning: Higher Education, Interdependence, and the Authority of Knowledge. 1st ed. Baltimore: Johns Hopkins University Press; 1993.
[17] Tinto V. Classrooms as Communities. J High Educ. 1997;68(6):599-623. DOI: 10.1080/00221546.1997.11779003
[18] Sheets MF. Characteristics of Adult Education Students and Factors Which Determine Course Completion: A Review. New Horiz Adult Educ. 1992;6(1):3-18. DOI: 10.1002/nha3.10034
[19] McMillan D, Chavis D. Sense of Community: A Definition and Theory. J Community Psychol. 1986;14(1):6-23. DOI: 10.1002/1520-6629(198601)14:1<6::AID-JCOP2290140103>3.0.CO;2-I
[20] Hill JL. Psychological sense of community: Suggestions for future research. J Community Psychol. 1996;24(4):431-438. DOI: 10.1002/(Sici)1520-6629(199610)24:4<431::Aid-Jcop10>3.3.Co;2-Z
[21] Rovai AP. Sense of community, perceived cognitive learning, and persistence in asynchronous learning networks. Internet High Educ. 2002;5(4):319-332. DOI: 10.1016/s1096-7516(02)00130-6
[22] Shaffer C, Anundsen K. Creating community anywhere: Finding support and connection in a fragmented world. 1st ed. Los Angeles: Tarcher/Perigree; 1993.
[23] Rheingold H. The virtual community: Finding commection in a computerized world. 1st ed. Boston: Addison-Wesley Longman Publishing Co. Inc.; 1993.
[24] Strayhorn TL. College Students’ Sense of Belonging - A Key to Educational Success for All Students. 2nd ed. New York: Routlege; 2018. DOI: 10.4324/9781315297293
[25] Wang W, Gao Y, Pitts A, Dong L. A Bibliometric Analysis of Neighborhood Sense of Community. Sustainability. 2023;15(5):4183. DOI: 10.3390/su15054183
[26] Barnard-Brak L, Shiu W. Classroom Community Scale in the blended learning environment: A psychometric review. Int J E-Learn. 2010;9(3):303-311.
[27] Hur EH, Glassman M, Kim Y. Finding autonomy in activity: Development and validation of a democratic classroom survey. Educ Ass Eval Account. 2013;25(4):303-320. DOI: 10.1007/s11092-013-9173-y
[28] Ahmady S, Kohan N, Bagherzadeh R, Rakshhani T, Shahabi M. Validity testing of classroom community scale in virtual environment learning: A cross sectional study. Ann Med Surg (Lond). 2018;36:256-260. DOI: 10.1016/j.amsu.2018.08.021
[29] Yan J, Ding X, Xiong L, Liu E, Zhang Y, Luan Y, Qin L, Zhou C, Zhang W. Team-based learning: assessing the impact on anatomy teaching in People's Republic of China. Adv Med Educ Pract. 2018;9:589-594. DOI: 10.2147/AMEP.S169949
[30] Abdeldayem M, Aldulaimi SH, Aldulaimi MLA. Virtual Learning and Students’ Connectedness in the Time of Coronavirus. Int J Adv Sci. 2020;29(5):12634-12645.
[31] Perrucci V, Cacciamani S, Khanlari A, Balboni G. The Classroom Community Scale in a Face-to-Face University Context: Factorial Structure and Convergent/Divergent Validity. Test Psychom Methodol Appl Psychol. 2022;29(3):297-307. DOI: 10.4473/TPM29.3.2
[32] Franzen P, Arens AK, Greiff S, van der Westhuizen L, Fischbach A, Wollschläger R, Niepl C. Developing and Validating a Short-Form Questionnaire for the Assessment of Seven Facets of Conscientiousness in Large-Scale Assessments. J Pers Assess. 2022;104(6):759-773. DOI: 10.1080/00223891.2021.1998083
[33] Stanton JM, Sinar EF, Balzer WK, Smith PC. Issues and Strategies for Reducing the Length of Self‐Report Scales. Pers Psychol. 2002;55(1):167-194. DOI: 10.1111/j.1744-6570.2002.tb00108.x
[34] Passarelli M, Casetta L, Rizzi L, Chiorri C, Cassina F, Voi S, Rocco D. Short and sweet: Comparing strategies for the reduction of questionnaires on self-criticism and social safeness while preserving construct validity. Int J Psychol. 2024;59(6):1234-1244. DOI: 10.1002/ijop.13249
[35] Kilmen S, Bulut O. Shortening Psychological Scales: Semantic Similarity Matters. Educ Psychol Meas. 2025;85(5):910-934. DOI: 10.1177/00131644251319047
[36] Yarkoni T. The Abbreviation of Personality, or how to Measure 200 Personality Scales with 200 Items. J Res Pers. 2010;44(2):180-198. DOI: 10.1016/j.jrp.2010.01.002
[37] Alcaraz S, Viladrich C, Torregrosa M. Less time, better quality. Shortening questionnaires to assess team environment and goal orientation. Span J Psychol. 2013;16:E77. DOI: 10.1017/sjp.2013.74
[38] Fraser BJ. Development of Short Forms of Several Classroom Environment Scales. J Educ Meas. 1982;19(3):221-227. DOI: 10.1111/j.1745-3984.1982.tb00130.x
[39] Coste J, Guillemin F, Pouchot J, Fermanian J. Methodological approaches to shortening composite measurement scales. J Clin Epidemiol. 1997;50(3):247-252. DOI: 10.1016/s0895-4356(96)00363-0
[40] Lewis K, McVay-Dyche J, Chen H, Soto T. Examining Sense of Community among Medical Professionals in an Online Graduate Program. J Educ Online. 2015;12(1). DOI: 10.9743/jeo.2015.1.8
[41] Cho J, Demmans Epp C. Improving the Classroom Community Scale: Toward a Short-Form of the CCS. In: American Educational Research Association (AERA) Annual Meeting; 2019 Apr 5-9; Toronto, Canada. DOI: 10.3102/1432534
[42] Brown TA. Confirmatory factor analysis for applied research. 2nd ed. New York (NY): The Guilford Press; 2015.
[43] Hair JF, Black WC, Babin BJ, Anderson RE. Multivariate Data Analysis. 8th ed. Cheriton House: Cengage Learning; 2019.
[44] Li Y, Wen Z, Hau KT, Yuan KH, Peng Y. Effects of Cross-loadings on Determining the Number of Factors to Retain. Struct Equation Model. 2020;27(6):841-863. DOI: 10.1080/10705511.2020.1745075
[45] Hinkin TR. A Brief Tutorial on the Development of Measures for Use in Survey Questionnaires. Organ Res Method. 1998;1(1):104-121. DOI: 10.1177/109442819800100106
[46] Tackett M, Viel S, Manturuk K. A validation of the short-form classroom community scale for undergraduate mathematics and statistics students. J Uni Teach Learn Pract. 2023;20(1). DOI: 10.53761/1.20.01.08
[47] Jokovic A, Locker D, Guyatt G. Short forms of the Child Perceptions Questionnaire for 11-14-year-old children (CPQ11-14): development and initial evaluation. Health Qual Life Outcomes. 2006;4:4. DOI: 10.1186/1477-7525-4-4
[48] Smith GT, McCarthy DM, Anderson KG. On the sins of short-form development. Psychol Assess. 2000;12(1):102-111. DOI: 10.1037//1040-3590.12.1.102
[49] Watson D, Clark LA. Measurement and mismeasurement of mood: recurrent and emergent issues. J Pers Assess. 1997;68(2):267-296. DOI: 10.1207/s15327752jpa6802_4
[50] Clark LA, Watson D. Constructing validity: Basic issues in objective scale development. Psychol Assess. 1995;7(3):309-319. DOI: 10.1037/14805-012
[51] Worthington RL, Whittaker TA. Scale Development Research: A Content Analysis and Recommendations for Best Practices. Couns Psychol. 2006;34(6):806-838. DOI: 10.1177/0011000006288127
[52] Cortina JM. What is coefficient alpha? An examination of theory and applications. J Appl Psychol. 1993;78(1):98-104. DOI: 10.1037/0021-9010.78.1.98
[53] Osborne J. Best Practices in Exploratory Factor Analysis: Four Recommendations for Getting the Most From Your Analysis. Scotts Valley, CA: CreateSpace Independent Publishing; 2014.
[54] Nunnally JC. Psychometric theory. 2nd ed. New York (NY): McGraw-Hill; 1978.
[55] Kruyen PM, Emons WH, Sijtsma K. On the Shortcomings of Shortened Tests: A Literature Review. Int J Testing. 2013;13(3):223-248. DOI: 10.1080/15305058.2012.703734
[56] Crowley SL, Fan X. Structural equation modeling: basic concepts and applications in personality assessment research. J Pers Assess. 1997;68(3):508-531. DOI: 10.1207/s15327752jpa6803_4
[57] Hooper D, Coughlan J, Mullen M. Structural Equation Modeling: Guidelines for Determining Model Fit. Elect J Business Res Meth. 2007;6.
[58] Kline RB. Principles and practice of structural equation modeling. 4th ed. New York (NY): Guilford Press; 2016.
[59] Kline RB. Principles and practice of structural equation modeling. New York (NY): Guilford Press; 1998.
[60] Hu Lt, Bentler PM. Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Struct Equat Mod. 1999;6(1):1-55. DOI: 10.1080/10705519909540118
[61] Browne MW, Cudeck R. Alternative Ways of Assessing Model Fit. Sociol Methods Res. 1992;21(2):230-258. DOI: 10.1177/0049124192021002005
[62] Jöreskog KG, Sörbom D. LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International; 1993.
[63] MacCallum RC, Browne MW, Sugawara HM. Power analysis and determination of sample size for covariance structure modeling. Psychol Methods. 1996;1(2):130-149.
[64] Knekta E, Runyon C, Eddy S. One Size Doesn't Fit All: Using Factor Analysis to Gather Validity Evidence When Using Surveys in Your Research. CBE Life Sci Educ. 2019;18(1):rm1. DOI: 10.1187/cbe.18-04-0064
[65] Martin CR, Savage-McGlynn E. A ‘good practice’ guide for the reporting of design and analysis for psychometric evaluation. J Reprod Infant Psychol. 2013;31(5):449-455. DOI: 10.1080/02646838.2013.835036
[66] Fabrigar LR, Wegener DT, MacCallum RC, Strahan EJ. Evaluating the use of exploratory factor analysis in psychological research. Psychol Methods. 1999;4(3):272-299. DOI: 10.1037/1082-989x.4.3.272
[67] Comrey AL, Lee HB. A first course in factor analysis. 2nd ed. Hillsdale (NJ): L. Erlbaum Associates; 1992.
[68] Kaiser HF. The Application of Electronic Computers to Factor Analysis. Educ Psychol Meas. 1960;20(1):141-151. DOI: 10.1177/001316446002000116
[69] Guttman L. Some Necessary Conditions for Common-Factor Analysis. Psychometrika. 2025;19(2):149-161. DOI: 10.1007/bf02289162
[70] Arbaugh JB, Cleveland-Innes M, Diaz SR, Garrison DR, Ice P, Richardson JC, Swan KP. Developing a community of inquiry instrument: Testing a measure of the Community of Inquiry framework using a multi-institutional sample. Internet High Educ. 2008;11(3):133-136. DOI: 10.1016/j.iheduc.2008.06.003
[71] Zhang YY, Lin X, Xu M. Rovai’s Classroom Community Scale and Its Application in Chinese College English Class. Sino-US Engl Teach. 2011;8(9):592-598.
[72] Lowenthal PR, Trespalacios J. Classroom Community and Time: Comparing Student Perceptions in Traditional vs. Accelerated Online Courses. Online Learn. 2022;26(4):59-77. DOI: 10.24059/olj.v26i4.3498
[73] Trespalacios J, Lowenthal P. What do they really like? An investigation of students' perceptions of their coursework in a fully online educational technology program. Australas J Educ Technol. 2019;35(5):60-78. DOI: 10.14742/ajet.4364
[74] Lowenthal PR, Dunlap JC. Investigating students’ perceptions of instructional strategies to establish social presence. Distance Educ. 2018;39(3):281-298. DOI: 10.1080/01587919.2018.1476844
[75] Picton A, Greenfield S, Parry J. Why do students struggle in their first year of medical school? A qualitative study of student voices. BMC Med Educ. 2022;22(1):100. DOI: 10.1186/s12909-022-03158-4
[76] Traus A, Höffken K, Thomas S, Mangold K, Schröer W. Stu.diCo. – Studieren digital in Zeiten von Corona. Hildesheim: UVH - Universitätsverlag Hildesheim; 2020.
[77] Beeson E, Aideyan B, Shoney CO, Bowes DA, Ansell KL, Peterson HM. Predicting Sense of Community among Graduate Students in a Distance Learning Environment. Univers J Educ Res. 2019;7(3):746-753. DOI: 10.13189/ujer.2019.070314
[78] Floyd FJ, Widaman KF. Factor analysis in the development and refinement of clinical assessment instruments. Psychol Assess. 1995;7(3):286-299. DOI: 10.1037/1040-3590.7.3.286
[79] Olaru G, Witthöft M, Wilhelm O. Methods matter: Testing competing models for designing short-scale Big-Five assessments. J Res Person. 2015;59:56-68. DOI: 10.1016/j.jrp.2015.09.001
[80] Schroeders U, Wilhelm O, Olaru G. The influence of item sampling on sex differences in knowledge tests. Intelligence. 2016;58:22-32. DOI: 10.1016/j.intell.2016.06.003
[81] MacCallum R, Widaman K, Zhang S, Hong S. Sample Size in Factor Analysis. Psychol Methods. 1999;4:84-99. DOI: 10.1037/1082-989X.4.1.84
[82] Kenny DA, McCoach DB. Effect of the Number of Variables on Measures of Fit in Structural Equation Modeling. Struct Equ Modeling. 2009;10(3):333-351. DOI: 10.1207/s15328007sem1003_1
[83] Jackson DL, Gillaspy JA, Purc-Stephenson R. Reporting practices in confirmatory factor analysis: an overview and some recommendations. Psychol Methods. 2009;14(1):6-23. DOI: 10.1037/a0014694
[84] Knof H, Huber V, Shiozawa T. Validierung einer Kurzform der Deutschen Version der Classroom Community Scale (CCS-D-SF). In: Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA). Dresden, 17.-19.09.2026. Düsseldorf: German Medical Science GMS Publishing House; 2026. DocV-0701. DOI: 10.3205/26gma037


Anhänge

Anhang 1Zusätzliche Tabellen (Anhang_1.pdf, application/pdf, 153.26 KBytes)