10.1 Erkenntnisinteresse BDGS
-
H2: Je ausgeprägter das BDGS, desto positiver die kognitiven, affektiven und konativen Komponenten der Einstellung gegenüber datenbasierten KI-Anwendungen.
10.2 Anmerkungen zur Durchführung der empirischen Arbeit und der Reichweite der Befunde
10.3 Erhebungskontexte
10.3.1 Erhebung 2.1 – Big Data, KI und europäische Politikentscheidungen
-
H2.1a: Je ausgeprägter das BDGS, desto höher die Wahrnehmung der Legitimität von ADM für Politikentscheidungen auf Ebene der EU.
-
H2.1b: Je ausgeprägter das BDGS, desto höher die Wahrnehmung der Legitimität von hybrider Entscheidungsfindung für Politikentscheidungen auf Ebene der EU.
10.3.2 Erhebung 2.2 – Die Bedrohungswahrnehmung von Künstlicher Intelligenz
Most empirical research works with operational definitions of computer phobia [sic] using self-report rating scales. (…) However, a test score is an insufficient criterion for real ‘cyberphobia’; it can at best efficiently reproduce a pre-existing expert judgement, which, as it seems, is more suggested by popular expectations, than by insisting on phenomenological evidence. (S. 102–105)
-
“Decision-making, i. e., choosing between known, discrete alternatives
-
Generating, i. e., producing or creating something
-
Acting, i. e., executing goal-oriented actions (e.g., movement, navigate, control)” (P. Hofmann et al., 2020, S. 9).
-
H2.2: Je ausgeprägter das BDGS, desto geringer die Bedrohungswahrnehmung des Einsatzes von Künstlicher Intelligenz.
10.3.3 Erhebung 2.3 – Big Data im Krankenversicherungssystem
Sorge, dass die Annahme einer allen gemeinsamen Vulnerabilität gegenüber Krankheitsrisiken, die nicht sicher zu antizipieren sind, als Grundlage der Solidargemeinschaft in der gesetzlichen Krankenversicherung und der fairen Vertragsgestaltung in der privaten Krankenversicherung infrage gestellt werden könnte. Dann könnten Niedrigrisikogruppen verstärkt die Solidargemeinschaft verlassen, wodurch für Letztere erhebliche Mehrbelastungen entstünden. (S. 34)
-
H2.3: Je ausgeprägter das BDGS, desto höher ist die Wechselbereitschaft.
10.3.4 Erhebung 2.4 – Big Data und KI im Hochschulbereich
-
H2.4a: Je ausgeprägter das BDGS, desto höher das Vertrauen in die Richtigkeit der KI-basierten Auswahlentscheidung.
-
FF2.4: Unterscheidet sich der Einfluss der Überzeugungen von der Genauigkeit der Daten auf das Vertrauen in die Richtigkeit der Zulassungsentscheidung von denen anderen Dimensionen des BDGS?
-
H2.4b: Je ausgeprägter das BDGS, desto höher die Reputation der Hochschule, die eine KI-basierte Auswahlentscheidung einführt.
-
H2.4c: Je ausgeprägter das BDGS, desto geringer die Protestneigung gegen eine KI-basierte Auswahlentscheidung.
10.4 Präregistrierung
10.5 Feldphasen, Sample und Fragebogenaufbau
10.5.1 Erhebung 2.1 EU und KI
10.5.2 Erhebung 2.2 KI-Bedrohung
10.5.3 Erhebung 2.3 Krankenversicherung
10.5.4 Erhebung 2.4 KI und Hochschule
10.6 Operationalisierung der untersuchten Konstrukte
10.6.1 Erhebung 2.1 EU und KI
-
der Ausbau der Verkehrswege, Energienetze und Kommunikationsverbindungen zwischen den EU-Ländern,
-
der Schutz der Umwelt in ganz Europa,
-
die Erhöhung der weltweiten Wettbewerbsfähigkeit der europäischen Wirtschaft,
-
die Förderung grenzüberschreitender Zusammenschlüsse europäischer Wissenschaftler und Forscher.
-
Menschen wie ich konnten den Entscheidungsprozess beeinflussen. (Item-ID IL1, Referenzindikator)
-
Menschen wie ich konnten im Entscheidungsprozess ihre Meinung äußern. (Item-ID IL2)
-
Alle BürgerInnen hatten die Möglichkeit am Entscheidungsprozess teilzunehmen. (Item-ID IL3)
-
fair. (Item ID TL1, Referenzindikator)
-
zufriedenstellend. (Item ID TL2)
-
angemessen. (Item ID TL3)
„Nun geht es um Ihre persönliche Einschätzung, ob der Entscheidungsprozess, den Sie gerade gelesen haben, dazu geeignet ist, die übergeordneten Ziele der EU zu erreichen. Inwiefern stimmen Sie den folgenden Aussagen zu?“
-
Der beschriebene Entscheidungsprozess führt zu …
-
einem Ausbau der Verkehrswege, Energienetze und Kommunikationsverbindungen zwischen den EU-Ländern. (Item ID ZE1)
-
einem verbesserten Schutz der Umwelt in ganz Europa. (Item ID ZE2)
-
einer Erhöhung der weltweiten Wettbewerbsfähigkeit der europäischen Wirtschaft. (Item ID ZE3)
-
einer Förderung grenzüberschreitender Zusammenschlüsse europäischer Wissenschaftler und Forscher. (Item ID ZE4)
„Im Folgenden interessiert uns Ihre persönliche Meinung zum Ergebnis des Entscheidungsprozesses, über den Sie gerade gelesen haben. Inwiefern stimmen Sie den Aussagen zu?“
-
Ich akzeptiere die Entscheidung. (Item ID OL1)
-
Ich bin mit der Entscheidung einverstanden. (Item ID OL2, Referenzindikator)15
-
Die Entscheidung stellt mich zufrieden. (Item ID OL3)
10.6.2 Erhebung 2.2 KI-Bedrohung
Item
|
Dimension
|
---|---|
Wenn Sie nun an den Einsatz von KI im Bereich [ANWENDUNGSBEREICH] denken, für wie bedrohlich halten Sie Computersysteme mit Künstlicher Intelligenz, die…
|
Recognition – Erkennung/Identifikation
|
[OBJEKT] erkennen.
|
|
[OBJEKT] erfassen.
|
|
[OBJEKT] identifizieren.
|
|
Prediction – Vorhersage
|
|
Entwicklungen von [OBJEKT] vorhersagen.
|
|
die Entwicklung von [OBJEKT] prognostizieren.
|
|
die Entwicklung von [OBJEKT] berechnet.
|
|
Recommendation – Entscheidungsempfehlung
|
|
[HANDLUNG] empfehlen.
|
|
[HANDLUNG] vorschlagen.
|
|
[HANDLUNG] nahelegen.
|
|
Decision-Making – Entscheidung
|
|
über [HANDLUNG] entscheiden.
|
|
[HANDLUNG] festlegen.
|
|
[HANDLUNG] vorgeben.
|
10.6.3 Erhebung 2.3 Krankenversicherung
10.6.4 Erhebung 2.4 KI und Hochschule
Bitte stellen Sie sich vor, die Universität, an der Sie sich um einen Studienplatz bewerben, setzt ein Computersystem mit Künstlicher Intelligenz ein, um über die Zulassung zu entscheiden. Inwieweit stimmen Sie den folgenden Aussagen zu oder stimmen ihnen nicht zu?
-
Es ist eine Universität, bei der ich ein gutes Gefühl habe. (Item-ID Rep1, Referenzindikator)
-
Es ist eine Universität, der ich vertrauen kann. (Item-ID Rep2)
-
Es ist eine Universität, die ich bewundere und respektiere. (Item-ID Rep3)
-
Die Universität hat insgesamt einen guten Ruf. (Item ID-Rep4)
-
Ich würde mich aktiv gegen das Auswahlverfahren einsetzen. (Item-ID Prot1; Referenzindikator)
-
An einer Demonstration gegen das Auswahlverfahren würde ich teilnehmen. (Item-ID Prot2)
-
Ich würde eine Petition gegen das Auswahlverfahren unterschreiben. (Item-ID Prot3)
-
Ich würde einen Protest gegen das Auswahlverfahren unterstützen. (Item-ID Prot4)
10.7 Datenauswertung für das ‚Big-Data-Glaubenssystem‘ in den Erhebungen 2.1 bis 2.4
Modell
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
Δ Χ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
M1: Unrestringiertes Modell
(konfigurale Messinvarianz)
|
187.378
|
144
|
.009
|
.993
|
.018 (.010; .025)
|
‒
|
|||
M2: Invarianz der Regressionsgewichte
der latenten Faktoren
|
214.780
|
160
|
.003
|
.992
|
.020 (.012; .026)
|
M1
|
27.402* (16)
|
.001
|
.002
|
M3: Invarianz der Regressionskonstanten
|
241.761
|
184
|
.003
|
.993
|
.019 (.011; .025)
|
M2
|
26.981 (24)
|
.001
|
.001
|
M4: Invarianz der Kovarianzen
|
274.942
|
204
|
.001
|
.992
|
.020 (.013; .026)
|
M3
|
33.181* (20)
|
.001
|
.001
|
M5: Messfehlerinvarianz
|
344.903
|
228
|
< .001
|
.988
|
.024 (.019; .029)
|
M4
|
69.961*** (24)
|
.004
|
.004
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Model
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
---|---|---|---|---|---|
Erhebung 2.1 EU und KI
|
95.803
|
48
|
< .001
|
.986
|
.042 [.029, .054]
|
Erhebung 2.2 KI-Bedrohung a
|
274.942
|
204
|
.001
|
.992
|
.020 [.013; .026]
|
Erhebung 2.3a Krankenversicherung – Laboruntersuchung
|
75.735
|
48
|
.007
|
.965
|
.060 [.032, .084]
|
Erhebung 2.3b Krankenversicherung – Online-
Befragung
|
43.315
|
48
|
.665
|
1.000
|
.000 [.000, .026]
|
Erhebung 2.4 KI und Hochschule
|
92.291
|
48
|
< .001
|
.970
|
.055 [.038, .072]
|
Notizen. a Im Model wurden zwischen den Kontexten 2.2a – Medizin, 2.2b – Personalwesen sowie 2.2c – Bankensektor unterschieden, Fit-Maße für das Modell mit starker faktorieller Messinvarianz (siehe M4 in Tabelle 10.2).
|
Dimension
|
Erhebung
|
||||||
---|---|---|---|---|---|---|---|
2.1
|
2.2a –
Medizin
|
2.2b –
Personalwesen
|
2.2c –
Bankensektor
|
2.3a –
Laboruntersuchung
|
2.3b –
Online-Befragung
|
2.4
|
|
Cronbachsche α (standardisiert)
|
|||||||
Genauigkeit
|
.859
|
.886
|
.852
|
.917
|
.836
|
.842
|
.795
|
Wissensgewinn
|
.825
|
.802
|
.834
|
.842
|
.825
|
.814
|
.811
|
Individueller Nutzen
|
.904
|
.912
|
.909
|
.938
|
.829
|
.886
|
.875
|
Gesellschaftlicher Nutzen
|
.907
|
.893
|
.909
|
.905
|
.870
|
.901
|
.886
|
Durchschnittlich extrahierte Varianz (DEV)a
|
|||||||
Genauigkeit
|
.660
|
.731
|
.668
|
.786
|
.636
|
.648
|
.566
|
Wissensgewinn
|
.616
|
.583
|
.633
|
.672
|
.616
|
.614
|
.609
|
Individueller Nutzen
|
.761
|
.777
|
.773
|
.837
|
.620
|
.722
|
.720
|
Gesellschaftlicher Nutzen
|
.757
|
.736
|
.770
|
.763
|
.696
|
.754
|
.701
|
Notizen. a Die DEV wurde auf Grundlage der standardisierten Regressionswerte (Faktorladungen) im Gesamtmodell berechnet.
|
Item-ID
|
Itemformulierung „Digitale Daten …“
|
B (SE)
|
95 % CI [LL; UL]
|
ß (SE)
|
λ
|
---|---|---|---|---|---|
Genauigkeit
|
|||||
GE1
|
… ermöglichen ein genaues Verständnis der Welt.
|
3.883 (.061)
|
[3.762; 3.997]
|
1a
|
.858
|
GE2
|
… ermöglichen ein exaktes Verständnis der Welt.
|
3.542 (.061)
|
[3.410; 3.661]
|
.948*** (.043)
|
.810
|
GE3
|
… ermöglichen ein objektives Verständnis der Wirklichkeit.
|
3.577 (.062)
|
[3.441; 3.697]
|
.912*** (.047)
|
.767
|
Wissensgewinn
|
|||||
W1
|
… verhelfen zu neuem Wissen.
|
5.061 (.057)
|
[4.946; 5.177]
|
1a
|
.871
|
W2
|
… führen zu neuen Fakten.
|
4.638 (.063)
|
[4.521; 4.759]
|
.852*** (.051)
|
.667
|
W3
|
… verhelfen zu neuen Erkenntnissen.
|
5.063 (.054)
|
[4.952; 5.170]
|
.884*** (.042)
|
.802
|
Individueller Nutzen
|
|||||
IN1
|
… erzeugen für mich persönlich einen Mehrwert.
|
3.612 (.064)
|
[3.488; 3.758]
|
1a
|
.875
|
IN2
|
… führen für mich zu Vorteilen.
|
3.759 (.060)
|
[3.630; 3.874]
|
.917*** (.033)
|
.865
|
IN3
|
… haben für mich persönlich positive Auswirkungen.
|
3.701 (.061)
|
[3.577; 3.826]
|
.947*** (.034)
|
.877
|
Gesellschaftlicher Nutzen
|
|||||
GN1
|
… erzeugen einen Mehrwert für die Gesellschaft.
|
3.976 (.058)
|
[3.824; 4.086]
|
1a
|
.895
|
GN2
|
… führen zu gesellschaftlichen Vorteilen.
|
3.778 (.057)
|
[3.661; 3.899]
|
.918*** (.033)
|
.847
|
GN3
|
… sind ein gesellschaftlicher Gewinn.
|
3.850 (.059)
|
[3.703; 3.962]
|
.985*** (.034)
|
.868
|
Notizen. CI = Konfidenzintervall; LL = Untere Grenze; UL = Obere Grenze. a Referenzindikator; * p < .05, ** p < .01, *** p < .001
|
Item-ID
|
Itemformulierung
„Digitale Daten …“
|
Bb (SE)
|
95 % CI [LL; UL]
|
ß (SE)
|
Medizin
|
Personalwesen
|
Bankensektor
|
---|---|---|---|---|---|---|---|
λ
|
λ
|
λ
|
|||||
Genauigkeit
|
|||||||
GE1
|
… ermöglichen ein genaues Verständnis der Welt.
|
3.931 (.056)
|
[3.802; 4.032]
|
1a
|
.881
|
.896
|
.882
|
GE2
|
… ermöglichen ein exaktes Verständnis der Welt.
|
3.572 (.055)
|
[3.465; 3.678]
|
.967*** (.028)
|
.863
|
.828
|
.893
|
GE3
|
… ermöglichen ein objektives Verständnis der Wirklichkeit.
|
3.697 (.055)
|
[3.585; 3.806]
|
.921*** (.030)
|
.804
|
.801
|
.850
|
Wissen
|
|||||||
W1
|
… verhelfen zu neuem Wissen.
|
5.125 (.048)
|
[5.026; 5.215]
|
1a
|
.856
|
.885
|
.888
|
W2
|
… führen zu neuen Fakten.
|
4.784 (.050)
|
[4.657; 4.876]
|
.782*** (.037)
|
.661
|
.658
|
.643
|
W3
|
… verhelfen zu neuen Erkenntnissen.
|
5.171 (.045)
|
[5.071; 5.250]
|
.911*** (.032)
|
.849
|
.830
|
.838
|
Individueller Nutzen
|
|||||||
IN1
|
… erzeugen für mich persönlich einen Mehrwert.
|
3.655 (.057)
|
[3.549; 3.771]
|
1a
|
.910
|
.913
|
.930
|
IN2
|
… führen für mich zu Vorteilen.
|
3.799 (.053)
|
[3.688; 3.904]
|
.859*** (.023)
|
.853
|
.845
|
.856
|
IN3
|
… haben für mich persönlich positive Auswirkungen.
|
3.680 (.054)
|
[3.566; 3.785]
|
.934*** (.021)
|
.883
|
.900
|
.941
|
Gesellschaftlicher Nutzen
|
|||||||
GN1
|
… erzeugen einen Mehrwert für die Gesellschaft.
|
3.971 (.051)
|
[3.876; 4.077]
|
1a
|
.874
|
.870
|
.890
|
GN2
|
… führen zu gesellschaftlichen Vorteilen.
|
3.784 (.050)
|
[3.697; 3.883]
|
.927*** (.028)
|
.816
|
.865
|
.834
|
GN3
|
… sind ein gesellschaftlicher Gewinn.
|
3.813 (.051)
|
[3.713; 3.919]
|
1.020*** (.028)
|
.881
|
.908
|
.884
|
Notizen. a Referenzindikator, b Aufgrund der Identitätsrestriktion für die Achsenabschnitte ist der jeweilige Wert für die Regressionskonstante über die Anwendungsbereiche identisch; * p < .05, ** p < .01, *** p < .001
|
Item-ID
|
Itemformulierung
„Digitale Daten …“
|
Erhebung 2.3a Krankenversicherung – Laboruntersuchung
|
Erhebung 2.3b Krankenversicherung – Online-Befragung
|
||||||
---|---|---|---|---|---|---|---|---|---|
B (SE)
|
95 % CI [LL; UL]
|
ß (SE)
|
λ
|
B (SE)
|
95 % CI [LL; UL]
|
ß (SE)
|
λ
|
||
Genauigkeit
|
|||||||||
GE1
|
… ermöglichen ein genaues Verständnis der Welt.
|
4.232 (.114)
|
[3.970; 4.465]
|
1a
|
.829
|
3.921 (.075)
|
[3.785; 4.073]
|
1a
|
.830
|
GE2
|
… ermöglichen ein exaktes Verständnis der Welt.
|
3.604 (.121)
|
[3.382; 3.854]
|
1.063*** (.099)
|
.832
|
3.508 (.076)
|
[3.358; 3.645]
|
1.039*** (.055)
|
.849
|
GE3
|
… ermöglichen ein objektives Verständnis der Wirklichkeit.
|
3.829 (.113)
|
[3.604; 4.049]
|
.871*** (.092)
|
.726
|
3.497 (.072)
|
[3.353; 3.633]
|
.849*** (.054)
|
.730
|
Wissensgewinn
|
|||||||||
W1
|
… verhelfen zu neuem Wissen.
|
5.518 (.081)
|
[5.359; 5.671]
|
1a
|
.805
|
5.256 (.064)
|
[5.136; 5.379]
|
1a
|
.843
|
W2
|
… führen zu neuen Fakten.
|
5.220 (.091)
|
[5.043; 5.402]
|
.979*** (.109)
|
.704
|
4.797 (.070)
|
[4.658; 4.940]
|
.784*** (.061)
|
.606
|
W3
|
… verhelfen zu neuen Erkenntnissen.
|
5.439 (.087)
|
[5.244; 5.617]
|
1.120*** (.107)
|
.839
|
5.203 (.063)
|
[5.085; 5.326]
|
1.017*** (.055)
|
.874
|
Individueller Nutzen
|
|||||||||
IN1
|
… erzeugen für mich persönlich einen Mehrwert.
|
3.933 (.113)
|
[3.695; 4.146]
|
1a
|
.784
|
3.658 (.075)
|
[3.515; 3.797]
|
1a
|
.889
|
IN2
|
… führen für mich zu Vorteilen.
|
4.152 (.112)
|
[3.921; 4.355]
|
1.076*** (.093)
|
.848
|
3.716 (.071)
|
[3.567; 3.838]
|
.884*** (.040)
|
.831
|
IN3
|
… haben für mich persönlich positive Auswirkungen.
|
4.152 (.109)
|
[3.902; 4.339]
|
1.070*** (.090)
|
.869
|
3.774 (.072)
|
[3.619; 3.924]
|
.961*** (.039)
|
.883
|
Gesellschaftlicher Nutzen
|
|||||||||
GN1
|
… erzeugen einen Mehrwert für die Gesellschaft.
|
4.348 (.095)
|
[4.123; 4.518]
|
1a
|
.772
|
3.926 (.067)
|
[3.804; 4.051]
|
1a
|
.883
|
GN2
|
… führen zu gesellschaftlichen Vorteilen.
|
4.244 (.097)
|
[4.023; 4.439]
|
1.066*** (.101)
|
.808
|
3.769 (.063)
|
[3.646; 3.902]
|
.884*** (.041)
|
.822
|
GN3
|
… sind ein gesellschaftlicher Gewinn.
|
4.220 (.096)
|
[4.040; 4.409]
|
1.023*** (.100)
|
.782
|
3.707 (.064)
|
[3.596; 3.833]
|
.918*** (.041)
|
.843
|
Notizen. CI = Konfidenzintervall; LL = Untere Grenze; UL = Obere Grenze. a Referenzindikator, b Die DEV wurde auf Grundlage der standardisierten Regressionswerte (Faktorladungen) im Gesamtmodell berechnet; * p < .05, ** p < .01, *** p < .001.
|
Item-ID
|
Itemformulierung „Digitale Daten …“
|
B (SE)
|
95 % CI [LL; UL]
|
ß (SE)
|
λ
|
---|---|---|---|---|---|
Genauigkeit
|
|||||
GE1
|
… ermöglichen ein genaues Verständnis der Welt.
|
4.566 (.085)
|
[4.395; 4.707]
|
1a
|
.776
|
GE2
|
… ermöglichen ein exaktes Verständnis der Welt.
|
3.964 (.092)
|
[3.769; 4.138]
|
1.067*** (.088)
|
.763
|
GE3
|
… ermöglichen ein objektives Verständnis der Wirklichkeit.
|
4.151 (.090)
|
[3.960; 4.312]
|
.986*** (.089)
|
.717
|
Wissen
|
|||||
W1
|
… verhelfen zu neuem Wissen.
|
5.727 (.066)
|
[5.587; 5.862]
|
1a
|
.814
|
W2
|
… führen zu neuen Fakten.
|
5.388 (.072)
|
[5.253; 5.527]
|
.838*** (.077)
|
.627
|
W3
|
… verhelfen zu neuen Erkenntnissen.
|
5.638 (.065)
|
[5.501; 5.757]
|
1.071*** (.070)
|
.879
|
Individueller Nutzen
|
|||||
IN1
|
… erzeugen für mich persönlich einen Mehrwert.
|
4.273 (.090)
|
[4.075; 4.441]
|
1a
|
.884
|
IN2
|
… führen für mich zu Vorteilen.
|
4.405 (.083)
|
[4.252; 4.579]
|
.881*** (.049)
|
.838
|
IN3
|
… haben für mich persönlich positive Auswirkungen.
|
4.382 (.079)
|
[4.228; 4.543]
|
.825*** (.047)
|
.823
|
Gesellschaftlicher Nutzen
|
|||||
GN1
|
… erzeugen einen Mehrwert für die Gesellschaft.
|
4.523 (.078)
|
[4.378; 4.658]
|
1a
|
.878
|
GN2
|
… führen zu gesellschaftlichen Vorteilen.
|
4.242 (.076)
|
[4.274; 4.566]
|
.874*** (.054)
|
.784
|
GN3
|
… sind ein gesellschaftlicher Gewinn.
|
4.306 (.081)
|
[4.151; 4.464]
|
1.001*** (.056)
|
.847
|
Notizen. CI = Konfidenzintervall; LL = Untere Grenze; UL = Obere Grenze. a Referenzindikator; * p < .05, ** p < .01, *** p < .001
|
Genauigkeit
|
Wissensgewinn
|
Individueller
Nutzen
|
Gesellschaftlicher Nutzen
|
|
---|---|---|---|---|
Genauigkeit
|
||||
Erhebung 2.1 EU und KI
|
1
|
.685***
|
.617***
|
.663***
|
2.2a – Medizin
|
1
|
.716***
|
.643***
|
.759***
|
2.2b – Personalwesen
|
1
|
.713***
|
.625***
|
.685***
|
2.2c – Bankensektor
|
1
|
.719***
|
.657***
|
.797***
|
2.3a – Laboruntersuchung
|
1
|
.585***
|
.528***
|
.604***
|
2.3b – Online-Befragung
|
1
|
.629***
|
.530***
|
.648***
|
2.4
|
1
|
.665***
|
.466***
|
.627***
|
Wissensgewinn
|
||||
Erhebung 2.1 EU und KI
|
1
|
.633***
|
.680***
|
|
2.2a – Medizin
|
1
|
.661***
|
.741***
|
|
2.2b – Personalwesen
|
1
|
.664***
|
.740***
|
|
2.2c – Bankensektor
|
1
|
.533***
|
.694***
|
|
2.3a – Laboruntersuchung
|
1
|
.518***
|
.702***
|
|
2.3b – Online-Befragung
|
1
|
.515***
|
.594***
|
|
2.4
|
1
|
.549***
|
.613***
|
|
Individueller Nutzen
|
||||
Erhebung 2.1 EU und KI
|
1
|
.869***
|
||
2.2a – Medizin
|
1
|
.883***
|
||
2.2b – Personalwesen
|
1
|
.875***
|
||
2.2c – Bankensektor
|
1
|
.847***
|
||
2.3a – Laboruntersuchung
|
1
|
.870***
|
||
2.3b – Online-Befragung
|
1
|
.806***
|
||
2.4
|
1
|
.758***
|
||
Notizen. * p < .05, ** p < .01, *** p < .001
|
Model
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
ΔΧ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
M1: Unrestringiertes Modell
(konfigurale Messinvarianz)
|
496.192
|
336
|
< .001
|
.989
|
.038 [.030, .044]
|
‒
|
‒
|
‒
|
‒
|
M2: Metrische Invarianz
|
570.528
|
384
|
< .001
|
.989
|
.038 [.031, .044]
|
M1
|
74.336** (48)
|
.000
|
.000
|
M3: Skalare Invarianz
|
651.975
|
432
|
< .001
|
.988
|
.039 [.033, .045]
|
M2
|
81.447** (48)
|
.001
|
.001
|
M4: Residuale Invarianz
|
859.999
|
504
|
< .001
|
.983
|
.046 [.040, .051]
|
M3
|
208.024*** (72)
|
.005
|
.007
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Dimension
|
M (SE)
|
||||||
---|---|---|---|---|---|---|---|
2.1
|
2.2a
Medizin
|
2.2b
Personalwesen
|
2.2c
Bankensektor
|
2.3a
Laboruntersuchung
|
2.3b
Online-Befragung
|
2.4
|
|
Genauigkeit
|
‒.592c,d (.096)
|
‒.351b,c,d,e (.120)
|
‒.648a,d,e (.114)
|
‒.608d,e (.122)
|
‒.354a,d (.130)
|
‒.608b,d (.103)
|
0d
|
Wissensgewinn
|
‒.671a,b,c,d (.081)
|
‒.417c,d,e (.093)
|
‒.702a,b,d,e (.098)
|
‒.626a,d,e (.102)
|
‒.199a,d (.099)
|
‒.495a,b,d (.086)
|
0d
|
Individueller Nutzen
|
‒.700a,d (.100)
|
‒.557d,e (.123)
|
‒.694a,d (.121)
|
‒.813a,d,e (.124)
|
‒.278a,d (.132)
|
‒.665a,d (.107)
|
0d
|
Gesellschaftlicher Nutzen
|
‒.557a,d (.090)
|
‒.429a,b,d,e (.110)
|
‒.604a,d (.108)
|
‒.683a,d,e (.111)
|
‒.144a (.111)
|
‒.627a,b,d (.094)
|
0d
|
Notizen. a Werte, die einen gleichen Buchstaben teilen, unterscheiden sich anhand des Critical-Ratio-Tests signifikant mit p < .05.
|
10.8 Diskussion der Ergebnisse des BDGS in den Erhebungen 2.1 bis 2.4
10.9 Ergebnisse der Erhebung 2.1 EU und KI
10.9.1 Datenauswertung und Ergebnisse
Modell
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
ΔΧ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
M1: Ohne Gleichheitsrestriktionen der BDGS-Dimensionen
|
881.125
|
614
|
< .001
|
.959
|
.028 (.023; .032)
|
‒
|
‒
|
‒
|
‒
|
M2: Vollständige Gleichheitsrestriktionen der BDGS-Dimensionen
|
906.933
|
650
|
< .001
|
.963
|
.026 (.022; .030)
|
M1
|
25.808 (36)
|
.004
|
.002
|
M3: Partielle Gleichheitsrestriktionen der BDGS-Dimensionen
|
903.121
|
647
|
< .001
|
.963
|
.026 (.022; .030)
|
M2
|
.363 (1)
|
.000
|
.000
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Unabhängige Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Input-Legitimität
|
.028a (.017)
|
.097
|
.043
|
Wissensgewinn
|
.028a (.017)
|
.097
|
.040
|
|
Individueller Nutzen
|
.028a (.017)
|
.097
|
.046
|
|
Gesellschaftlicher Nutzen
|
.028a (.017)
|
.097
|
.042
|
|
Genauigkeit
|
Throughput-Legitimität
|
.031b (.017)
|
.074
|
.041
|
Wissensgewinn
|
.031b (.017)
|
.074
|
.038
|
|
Individueller Nutzen
|
.031b (.017)
|
.074
|
.033
|
|
Gesellschaftlicher Nutzen
|
.031b (.017)
|
.074
|
.041
|
|
Genauigkeit
|
Zielerreichung
|
.016c (.014)
|
.257
|
.024
|
Wissensgewinn
|
.016c (.014)
|
.257
|
.023
|
|
Individueller Nutzen
|
.016c (.014)
|
.257
|
.026
|
|
Gesellschaftlicher Nutzen
|
.016c (.014)
|
.257
|
.024
|
|
Genauigkeit
|
Akzeptanz der Entscheidung
|
.041d (.019)
|
.028
|
.049
|
Wissensgewinn
|
.041d (.019)
|
.028
|
.045
|
|
Individueller Nutzen
|
.041d (.019)
|
.028
|
.052
|
|
Gesellschaftlicher Nutzen
|
.041d (.019)
|
.028
|
.048
|
|
Notizen. a,b,c,d Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
Unabhängige Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Input-Legitimität
|
.019 (.069)
|
.783
|
.036
|
Wissensgewinn
|
‒.058 (.076)
|
.445
|
‒.102
|
|
Individueller Nutzen
|
‒.205 (.099)
|
.038
|
‒.411
|
|
Gesellschaftlicher Nutzen
|
.202 (.117)
|
.083
|
.376
|
|
Genauigkeit
|
Throughput-Legitimität
|
.061b (.015)
|
< .001.
|
.086
|
Wissensgewinn
|
.061b (.015)
|
< .001.
|
.080
|
|
Individueller Nutzen
|
.061b (.015)
|
< .001.
|
.092
|
|
Gesellschaftlicher Nutzen
|
.061b (.015)
|
< .001.
|
.085
|
|
Genauigkeit
|
Zielerreichung
|
.059c (.015)
|
< .001.
|
.080
|
Wissensgewinn
|
.059c (.015)
|
< .001.
|
.075
|
|
Individueller Nutzen
|
.059c (.015)
|
< .001.
|
.086
|
|
Gesellschaftlicher Nutzen
|
.059c (.015)
|
< .001.
|
.080
|
|
Genauigkeit
|
Akzeptanz der Entscheidung
|
.048d (.018)
|
.036
|
.054
|
Wissensgewinn
|
.048d (.018)
|
.036
|
.051
|
|
Individueller Nutzen
|
.048d (.018)
|
.036
|
.058
|
|
Gesellschaftlicher Nutzen
|
.048d (.018)
|
.036
|
.054
|
|
Notizen. b,c,d Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
Unabhängige Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Input-Legitimität
|
.038a (.016)
|
.016
|
.057
|
Wissensgewinn
|
.038a (.016)
|
.016
|
.053
|
|
Individueller Nutzen
|
.038a (.016)
|
.016
|
.061
|
|
Gesellschaftlicher Nutzen
|
.038a (.016)
|
.016
|
.056
|
|
Genauigkeit
|
Throughput-Legitimität
|
.030b (.015)
|
.049
|
.034
|
Wissensgewinn
|
.030b (.015)
|
.049
|
.032
|
|
Individueller Nutzen
|
.030b (.015)
|
.049
|
.037
|
|
Gesellschaftlicher Nutzen
|
.030b (.015)
|
.049
|
.034
|
|
Genauigkeit
|
Zielerreichung
|
.044c (.016)
|
.008
|
.027
|
Wissensgewinn
|
.044c (.016)
|
.008
|
.025
|
|
Individueller Nutzen
|
.044c (.016)
|
.008
|
.028
|
|
Gesellschaftlicher Nutzen
|
.044c (.016)
|
.008
|
.026
|
|
Genauigkeit
|
Akzeptanz der Entscheidung
|
.035d (.019)
|
.063
|
.042
|
Wissensgewinn
|
.035d (.019)
|
.063
|
.039
|
|
Individueller Nutzen
|
.035d (.019)
|
.063
|
.044
|
|
Gesellschaftlicher Nutzen
|
.035d (.019)
|
.063
|
.041
|
|
Notizen. a,b,c,d Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
10.9.2 Diskussion der Ergebnisse von Erhebung 2.1 EU und KI
10.10 Ergebnisse der Erhebung 2.2 KI-Bedrohung
10.10.1 Datenauswertung und Ergebnisse
Modell
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
ΔΧ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
1 – Ohne Gleichheitsrestriktionen
der Strukturgewichte der BDGS-Dimensionen
|
571.620
|
412
|
< .001
|
.985
|
.021 (.017; .025)
|
‒
|
‒
|
‒
|
‒
|
2 – Vollständige Gleichheitsrestriktionen
der Strukturgewichte der BDGS-Dimensionen
|
599.123
|
430
|
< .001
|
.985
|
.021 (.017; .025)
|
M1
|
27.053 (18)
|
.000
|
.000
|
3 – Partielle Gleichheitsrestriktionen
der Strukturgewichte der BDGS-Dimensionen
|
576.917
|
424
|
< .001
|
.986
|
.020 (.016; .024)
|
M2
|
22.205** (6)
|
.001
|
.001
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Exogene Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Empfehlung einer Behandlung
|
‒.117 (.055)
|
.034
|
‒.199
|
Wissensgewinn
|
‒.047a (.023)
|
.043
|
‒.058
|
|
Individueller Nutzen
|
‒.047a (.023)
|
.043
|
‒.080
|
|
Gesellschaftlicher Nutzen
|
‒.047a (.023)
|
.043
|
‒.069
|
|
Genauigkeit
|
Entscheidung über eine Behandlung (ADM)
|
‒.124b (.023)
|
< .001
|
‒.199
|
Wissensgewinn
|
.131 (.087)
|
.130
|
.152
|
|
Individueller Nutzen
|
‒.124b (.023)
|
< .001
|
‒.199
|
|
Gesellschaftlicher Nutzen
|
‒.124b (.023)
|
< .001
|
‒.172
|
|
Notizen. a,b Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
Exogene Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Empfehlung einer Personaleinstellung
|
‒.002 (.072)
|
.983
|
‒.002
|
Wissensgewinn
|
‒.177a (.053)
|
< .001
|
‒.238
|
|
Individueller Nutzen
|
.084 (.067)
|
.210
|
.137
|
|
Gesellschaftlicher Nutzen
|
‒.177a (.053)
|
< .001
|
‒.251
|
|
Genauigkeit
|
Entscheidung über eine Personaleinstellung (ADM)
|
‒.071 (.055)
|
.194
|
‒.138
|
Wissensgewinn
|
.118b (.047)
|
.013
|
.208
|
|
Individueller Nutzen
|
.118b (.047)
|
.013
|
.253
|
|
Gesellschaftlicher Nutzen
|
‒.260 (083)
|
.002
|
‒.484
|
|
Notizen. a,b Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
Exogene Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Empfehlung einer Kreditvergabe
|
‒.086a (.012)
|
< .001
|
‒.119
|
Wissensgewinn
|
‒.086a (.012)
|
< .001
|
‒.108
|
|
Individueller Nutzen
|
‒.086a (.012)
|
< .001
|
‒.129
|
|
Gesellschaftlicher Nutzen
|
‒.086a (.012)
|
< .001
|
‒.109
|
|
Genauigkeit
|
Entscheidung über eine Kreditvergabe (ADM)
|
‒.066b (.011)
|
< .001
|
‒.101
|
Wissensgewinn
|
‒.066b (.011)
|
< .001
|
‒.091
|
|
Individueller Nutzen
|
‒.066b (.011)
|
< .001
|
‒.109
|
|
Gesellschaftlicher Nutzen
|
‒.066b (.011)
|
< .001
|
‒.092
|
|
Notizen. a,b Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|
10.10.2 Diskussion der Ergebnisse von Erhebung 2.2 KI-Bedrohung
10.11 Ergebnisse der Erhebung 2.3 Krankenversicherung
10.11.1 Datenauswertung und Ergebnisse
Modell
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
ΔΧ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
M1: Unrestringiertes Modell
(konfigurale Messinvarianz)
|
205.054
|
160
|
.009
|
.987
|
.022 (.011; .030)
|
||||
M2: Invarianz der Regressionsgewichte
der latenten Faktoren
|
215.592
|
168
|
.008
|
.986
|
.022 (.012; .030)
|
M1
|
10.537 (8)
|
.001
|
.000
|
M3: Invarianz der Kovarianzen
|
232.752
|
189
|
.017
|
.989
|
.020 (.009; .028)
|
M2
|
17.161 (21)
|
.003
|
.002
|
M4: Messfehlerinvarianz
|
273.322
|
202
|
.001
|
.983
|
.024 (.016; .031)
|
M3
|
40.569*** (13)
|
.006
|
.004
|
M5: Invarianz der Pfadkoeffizienten
|
238.038
|
199
|
.030
|
.991
|
.018 (.006; .026)
|
M3
|
5.285 (10)
|
.002
|
.002
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Exogene Variablen (UV)
|
B (SE)a
|
p
|
ß
|
|
---|---|---|---|---|
Erhebung 2.3a
–
Laboruntersuchung
|
Erhebung 2.3b
–
Online-Befragung
|
|||
Individueller Profit (M1)
|
.270 (.102)
|
.008
|
.129
|
.156
|
Notwendigkeit der Datenabgabe (M2)
|
‒.256 (.102)
|
.012
|
‒.123
|
‒.147
|
Interaktion Manipulationen (M1*M2)
|
‒.019 (.144)
|
.893
|
‒.008
|
‒.009
|
Genauigkeit
|
.039 (.009)a
|
< .001
|
.049
|
.056
|
Wissensgewinn
|
.039 (.009)a
|
< .001
|
.035
|
.048
|
Individueller Nutzen
|
.039 (.009)a
|
< .001
|
.048
|
.060
|
Gesellschaftlicher Nutzen
|
.039 (.009)a
|
< .001
|
.041
|
.053
|
Notizen. Abhängige Variable (endogene Variable im Modell): Wechselbereitschaft; a identische Werte für beide Stichproben aufgrund von Gleichheitsrestriktionen der geschätzten Parameter.
|
10.11.2 Diskussion der Ergebnisse von Erhebung 2.3 Krankenversicherung
10.12 Ergebnisse der Erhebung 2.4 KI und Hochschule
10.12.1 Datenauswertung und Ergebnisse
Modell
|
Χ2
|
df
|
p
|
TLI
|
RMSEA
|
Vergleich mit
|
ΔΧ2 (Δdf)
|
ΔTLI
|
ΔRMSEA
|
---|---|---|---|---|---|---|---|---|---|
1 – Ohne Gleichheitsrestriktionen der Strukturgewichte der BDGS-Dimensionen
|
232.065
|
169
|
.001
|
.977
|
.035 (.023; .046)
|
‒
|
‒
|
‒
|
‒
|
2 – Vollständige Gleichheitsrestriktionen
der Strukturgewichte der BDGS-Dimensionen
|
252.577
|
178
|
< .001
|
.974
|
.037 (.026; .047)
|
M1
|
20.512* (9)
|
.003
|
.002
|
3 – Partielle Gleichheitsrestriktionen der Strukturgewichte der BDGS-Dimensionen
|
241.155
|
177
|
.001
|
.978
|
.035 (.023; .045)
|
M1
|
9.090 (8)
|
.001
|
.000
|
Notizen. * p < .05, ** p < .01, *** p < .001
|
Unabhängige Variablen (UV)
|
Endogene Variable (AV)
|
B (SE)
|
p
|
β
|
---|---|---|---|---|
Genauigkeit
|
Vertrauen in die Richtigkeit der Auswahlentscheidung
|
.504 (.112)
|
< .001
|
.391
|
Wissensgewinn
|
.032 (.039)a
|
.410
|
.020
|
|
Individueller Nutzen
|
.032 (.039) a
|
.410
|
.029
|
|
Gesellschaftlicher Nutzen
|
.032 (.039) a
|
.410
|
.025
|
|
Genauigkeit
|
Reputation der Hochschule
|
.027 (.011)b
|
.015
|
.035
|
Wissensgewinn
|
.027 (.011)b
|
.015
|
.028
|
|
Individueller Nutzen
|
.027 (.011)b
|
.015
|
.042
|
|
Gesellschaftlicher Nutzen
|
.027 (.011)b
|
.015
|
.036
|
|
Vertrauen in die Richtigkeit der Auswahlentscheidung
|
.406 (.031)
|
< .001
|
.685
|
|
Genauigkeit
|
Protest gegen die
KI-basierte Auswahlentscheidung
|
‒.022 (.015)c
|
.138
|
‒.025
|
Wissensgewinn
|
‒.022 (.015)c
|
.138
|
‒.020
|
|
Individueller Nutzen
|
‒.022 (.015)c
|
.138
|
‒.030
|
|
Gesellschaftlicher Nutzen
|
‒.022 (.015)c
|
.138
|
‒.026
|
|
Vertrauen in die Richtigkeit der Auswahlentscheidung
|
‒.334 (.040)
|
< .001
|
‒.519
|
|
Notizen. a,b,c Werte der Regressionskonstanten mit gleichen Buchstaben wurden mit Gleichheitsrestriktionen der Strukturgewichte spezifiziert und haben daher identische Parameterschätzungen.
|