Typische Profile digitaler Kompetenzen: Eine clusteranalytische Untersuchung digitaler Kompetenzen im Arbeitskontext

Bei digitalen Kompetenzen handelt es sich um Wissen, Fähig- und Fertigkeiten sowie weitere Merkmale wie z. B. Einstellungen, die Beschäftigte bei der erfolgreichen Ausführung von Arbeitsaufgaben mit digitalen Medien unterstützen (Oberländer et al. 2020). In einer Literaturstudie (van Laar et al. 2017) konnten zwölf digitale Kompetenzen (21st Century Skills) identifiziert werden:

Bedeutsame, trennscharfe und wohldefinierte Dimensionen sind Voraussetzungen, um aus Merkmalen eine sinnvolle Typologie abzuleiten (Blank und Groselj 2014), weswegen in der vorliegenden Arbeit auf die Verwendung des Modells der 21st Century Skills als Dimensionen für die Typologisierung zurückgegriffen wird.

Bei den 21st Century Skills handelt es sich um ein dimensionales Modell mit klar trennbaren Faktoren. Werden Individuen in Typen gruppiert, sodass sich Individuen desselben Typs in ihren Merkmalen möglichst ähnlich sind (Kuckartz 2020), ist dies einerseits eine unzulässige Vereinfachung der Wirklichkeit (Kersting 2013). Andererseits ermöglichen es Typologien, typspezifische Interventionen abzuleiten (Kuckartz 2020), vorliegend zur Bekämpfung der negativen Digitalisierungsfolgen.

Zur Typenbildung sind Stichproben von mehreren hundert Personen notwendig, um der Gefahr wenig robuster Ergebnisse zu begegnen (Neyer und Asendorpf 2018). Daher wird die Typologisierung vorliegend anhand einer großen Stichprobe mit zwei verschiedenen Clusteralgorithmen vorgenommen, die entstandene Typologie drei bisherigen Ansätzen in der Literatur gegenübergestellt und externe Kriterien damit vorhergesagt. Dies zeigt die Generalisierbarkeit, Stabilität und Bedeutsamkeit der entstandenen Typologie.

Die Typologie der Mediennutzung wurde in einer Literaturstudie mit 22 Studien aufgestellt, die sich u. a. der vorliegend verwendeten Methodik der Clusteranalyse bedienten (Brandtzæg 2010). In weiteren Studien (Brandtzæg et al. 2011; Borg und Smith 2018) wurden die anfänglich acht auf folgende fünf Typen reduziert:

Ein zweiter Ansatz zur Typologisierung identifizierte basierend auf der Grundorientierung zu Tradition und Neuorientierung und der sozialen Lage in zwölf Fokusgruppen folgende sieben Internetmilieus (Lutz 2016). Um diese in der später folgenden Tab. 1 den anderen Typologien gegenüberzustellen, werden zueinander ähnliche Milieus in der folgenden Aufzählung zusammengefasst:

Eine dritte, spezifisch auf die Digitalisierung der Arbeit bezogene Typologie wurde in 20 Tiefeninterviews mit Führungskräften aufgestellt (Fitzek et al. 2015) und im Rahmen zweier Fragebogenstudien mit anschließenden Clusteranalysen bestätigt (Merchel et al. 2022):

Auf Basis dieser Beschreibungen können die Typen der drei Typologien zueinander inhaltlich passend zugeordnet werden, wie Tab. 1 zeigt. Lediglich die Nicht-Nutzenden finden keine Entsprechung in den anderen beiden Typologien.

In der vorliegenden Arbeit soll dieses Vier-Typen-Schema (unter Auslassung der Nicht-Nutzenden, die durch einen Online-Fragebogen nicht erreicht werden könnten) in den digitalen Kompetenzen der Beschäftigten auf Basis des Modells der 21st Century Skills repliziert werden. Gelingt dies, ist davon auszugehen, dass das Vier-Typen-Schema die Einstellungen und Kompetenzen von Beschäftigten zur Digitalisierung generalisierbar und stabil beschreibt, unabhängig davon, welche konkreten Merkmale zur Bildung der Typen herangezogen werden.

Um die Bedeutsamkeit einer Typologie zu demonstrieren, sollen die Typen Unterschiede in relevanten externen Kriteriumsvariablen aufweisen (Brusco et al. 2017). Die Rolle bestimmter Kompetenzen wurde bereits im Rahmen des Job-Demands-Resources-Modells (JDRM, z. B. Bakker und Demerouti 2007) untersucht, wodurch geeignete externe Kriterien abgeleitet werden können. Kompetenzen für die berufliche Karriere wirken als Mediator zwischen Arbeitsressourcen (z. B. Lernmöglichkeiten oder soziale Unterstützung) und dem Arbeitsengagement, d. h. die Arbeitsressourcen stärken die Kompetenzen, was wiederum zu erhöhtem Arbeitsengagement führt (Akkermans et al. 2013).

In das JDRM kann eine Vielzahl verschiedener Ressourcen integriert werden (Pejtersen et al. 2010). Besonders relevant scheinen vorliegend die beruflichen Entwicklungsmöglichkeiten, die auch bereits bei Akkermans et al. (2013) Zusammenhänge zu Kompetenzen zeigten. Das Ziel formeller oder informeller Lernprozesse bei der Arbeit ist die Entwicklung von Kompetenzen, d. h. Bildung führt zu Änderungen in Kompetenzaspekten wie Wissen, Fähigkeiten oder Werten (Ellström und Kock 2008). Somit sollte die Schaffung organisationaler Lernmöglichkeiten die Zugehörigkeit zu einem der Kompetenzcluster beeinflussen.

Die aus dem JDRM plausiblen Zusammenhänge zwischen berufsrelevanten Kompetenzen und dem Arbeitsengagement von Beschäftigten konnten bereits empirisch bestätigt werden (Mendes und Stander 2011; Walker und Campbell 2013). Somit sollte auch die Zugehörigkeit zu einem digitalen Kompetenzcluster das spezifische Engagement bei der Arbeit mit digitalen Arbeitswerkzeugen beeinflussen.

Ein weiteres naheliegendes Kriterium zur externalen Validierung ist die Persönlichkeit, die sich als stabiler Prädiktor für Arbeitskompetenzen selbst über Jahrzehnte hinweg erwies (Shiner und Masten 2012). Der stärkste Prädiktor für akademische Leistungen, Arbeitskompetenzen sowie für Trainingserfolge ist stets das Persönlichkeitsmerkmal der Offenheit (Barrick et al. 2001; Shiner und Masten 2012). Somit sollte Offenheit über Trainingseffekte die Zugehörigkeit zu den kompetenteren Typen der Begeisterten und Balancierten begünstigen und dort höher ausgeprägt sein.

Der Online-Fragebogen wurde über die Plattform Unipark (Tivian 2023) erhoben. Er enthielt u. a. demografische Angaben und Items zur Erfassung der digitalen Kompetenzen, der wahrgenommenen Lernmöglichkeiten, des Techno-Engagements sowie der Persönlichkeit.

Der Fragebogen zur Erfassung der digitalen Kompetenzen wurde durch einen iterativen Prozess in Vorstudien entwickelt: Auf Basis der Definitionen sowie weiterer Literatur zu den jeweiligen Kompetenzen wurden Items zur Erfassung der 21st Century Skills entwickelt, die wiederholt mehreren Stichproben von Beschäftigten verschiedener Arbeitsbereiche (n₁ = 68, n₂ = 171, n₃ = 131, n₄ = 239) vorgelegt wurden. Nach jeder Befragung wurden mit Reliabilitäts- und Faktorenanalysen Items mit unzureichenden statistischen Eigenschaften entfernt und bei Bedarf neue Items konstruiert. Hierbei mussten die Items für die Dimensionen der Problemlösung, der Selbststeuerung und der Flexibilität entfernt werden, da sie mit den konstruierten Items zu den anderen Kompetenzen nicht abgrenzbar (diskriminanzvalide) erschienen. Der Zwischenstand nach der zweiten Stichprobenziehung (April bis Juni 2020) ist bei Merchel et al. (2021) ersichtlich, die dritte und vierte Stichprobenziehung erfolgten von Mai bis Juli 2021. Der verbleibende Fragebogen, der mit jeweils vier Items neun digitale Kompetenzen mittels einer sechsstufigen Likert-Skala misst, wies in der finalen Stichprobe (3.2) sehr gute Reliabilitäts- (α, ω ≥ 0,81, r_it(i) ≥  0,60, λ ≥ 0,66, AVE ≥ 0,52) und Validitätskennwerte (Erfüllung des Fornell-Larcker-Kriteriums sowie χ²/df = 2,223, RMSEA = 0,046, SRMR = 0,043 und CFI = 0,943) auf. Der finale Fragebogen ist in Onlinematerial 1 aufgeführt.

Weiterhin wurden die Lernmöglichkeiten mit vier auf den digitalen Kontext angepassten Items aus dem Copenhagen Psychosocial Questionnaire II (COPSOQ; Pejtersen et al. 2010), das Techno-Engagement mit drei Items (Mäkiniemi et al. 2020) sowie die Persönlichkeit mit dem Big Five Inventory 2 (BFI‑2; Danner et al. 2019) erfasst. Die Beantwortung des BFI‑2 war freiwillig, um eventuellen Bedenken der Teilnehmenden im Umgang mit sensiblen Persönlichkeitsdaten Rechnung zu tragen und somit Abbrüche zu verhindern. Daher lag die Offenheit nur für 229 der n = 645 Teilnehmenden vor.

Die Teilnahmevoraussetzung lag in einer Arbeitstätigkeit von mindestens vier Stunden pro Woche. Der Fragebogen wurde von 825 Personen beantwortet, von denen nach Datenbereinigung basierend auf sinnhaften demografischen Angaben und Kontrollitems (z. B. „Bitte kreuzen Sie hier ’trifft voll zu’ an.“) n = 645 Teilnehmende verblieben. Die Stichprobe weist folgende Charakteristika auf:

Vorliegend sollten die n = 645 Teilnehmenden in k = 4 Cluster zusammengefasst werden, sodass sich die digitalen Kompetenzen der Personen innerhalb eines Clusters möglichst ähnlich sind (Backhaus et al. 2018). Hierzu wurde der bewährte (Bortz und Schuster 2010) k‑means-Algorithmus verwendet, der zu Beginn zufällig vier Fälle des Datensatzes auswählt, welche dann die Clusterzentren bilden (Jain 2010). Alle Fälle werden dem nächstgelegenen Clusterzentrum zugeordnet, woraufhin wiederholt eine Neuberechnung der Clusterzentren und Neuzuordnung der Fälle stattfindet, bis die Clusterlösung konvergiert (Jain 2010). Da der Prozess durch die anfängliche Wahl der Clusterzentren vom Zufall abhängt, empfiehlt sich eine wiederholte Ausführung (Brusco et al. 2017): Der Algorithmus wird 5000 Mal durchgeführt und diejenige Clusterlösung ausgewählt, zu der die meisten Startpunkte konvergieren.

Es ist sinnvoll, mehrere Clusteralgorithmen auszuführen und die entstandenen Strukturen zu vergleichen (Jain 2010). Daher wurde ergänzend die etablierte (Bortz und Schuster 2010) hierarchische Clusteranalyse mit der Ward-Methode durchgeführt, die Fälle schrittweise zu Clustern fusioniert. Die Übereinstimmung der k‑means-Lösung mit der Ward-Lösung kann mit Cohens Kappa κ berechnet werden (Bortz und Schuster 2010), wobei ein κ ≥ 0,61 für eine substanzielle Übereinstimmung spräche (Landis und Koch 1977). Dies würde indizieren, dass die Clusterstruktur dem Datensatz innewohnt und nur gering von der verwendeten Methode beeinflusst wird.

Zur Bestimmung der externalen Validität erfolgt die Prüfung der Hypothesen mit drei einfaktoriellen Varianzanalysen und Bonferroni-korrigierten post-hoc-Tests. Bei η² = 0,01 liegt ein kleiner, bei η² = 0,06 ein mittlerer und bei η² = 0,14 ein großer Zusammenhang zum Kriterium vor (Döring und Bortz 2016).

Von den 5000 Durchführungen des k‑means-Algorithmus konvergieren 1760 zu derselben Lösung, was gegenüber den anderen Lösungen die relative Mehrheit darstellt. Da sich die Beschreibungen der vier Cluster der Clusterlösung zur Nutzungstypologisierung in den Kompetenzprofilen inhaltlich wiederfinden, wird die Benennung der Cluster übernommen.

Die Clusterzentren der Kompetenzcluster sind mit z‑standardisierten Werten in Tab. 2 und Abb. 1 dargestellt.

Die prinzipiellen Profilverläufe eines generell kompetenten, eines ethisch bewussten, eines naiven und eines generell wenig kompetenten Clusters lassen sich auch beim Ward-Algorithmus finden. Tab. 3 zeigt die große Übereinstimmung zu den Ergebnissen der k‑means-Clusteranalyse, da 471 der 645 Beschäftigten (73 %, κ = 0,638) dem gleichen Cluster zugeordnet wurden. Somit ist davon auszugehen, dass das prinzipielle Muster der vier Clusterprofile ein stabiles Merkmal des Datensatzes ist und nur in geringem Maße von der verwendeten Methode abhängt.

In allen drei Kriterien liegen Unterschiede zwischen den k‑means-Clustern vor, weswegen die entsprechenden Varianzanalysen die Hypothesen bestätigen:

Die Kompetenzcluster unterscheiden sich in ihren Lernmöglichkeiten für digitale Kompetenzen (H1): F (3, 342,72) = 86,54, p < 0,001, η² = 0,273.

Die Kompetenzcluster unterscheiden sich in ihrem Techno-Engagement (H2): F (3, 641) = 176,37, p < 0,001, η² = 0,452.

Die Kompetenzcluster unterscheiden sich in ihrer Offenheit (H3): F (3, 225) = 13,02, p < 0,001, η² = 0,148.

Tab. 4 zeigt die Bonferroni-korrigierten post-hoc-Tests. Bei Lernmöglichkeiten und Techno-Engagement übertrifft das begeisterte Cluster die anderen Cluster, zudem weisen das balancierte und das naive Cluster höhere Werte als das ablehnende Cluster auf (große Effekte mit d ≥ 0,80). In der Offenheit weist das begeisterte Cluster höhere Werte als das naive und das ablehnende Cluster auf (große Effekte mit d ≥ 0,80), weiterhin übertrifft das balancierte Cluster ebenfalls das ablehnende Cluster (mittlerer Effekt mit d = 0,54).

Die Stichprobe ist nur eingeschränkt repräsentativ, da Beschäftigte zwischen 20 und 30 Jahren überrepräsentiert sind. Dies kann in der verwendeten Methodik eines Online-Fragebogens begründet liegen, was auch hiermit übereinstimmen würde, dass der zusätzliche Typ der „Nicht-Nutzenden“ (Brandtzæg et al. 2011) in dieser Studie nicht relevant war. Weiterhin ist eine gewisse Antwortverzerrung durch soziale Erwünschtheit anzunehmen, da digitale Umbrüche in der medialen politischen Diskussion häufig als wünschenswert dargestellt werden.

Zuletzt wurden mit den Lernmöglichkeiten, dem Techno-Engagement sowie der Offenheit drei valide externe Kriterien mit nennenswerter Varianzaufklärung entdeckt. Gleichwohl ließen sich aus Technologieakzeptanzmodellen wie dem TAM 3 (Venkatesh und Bala 2008) noch eine Vielzahl weiterer externer Kriterien (z. B. Computerselbstwirksamkeit) identifizieren, welche in zukünftiger Forschung zu untersuchen wären.

Aus der Typologie und dem zugrundeliegenden Kompetenzmodell ergeben sich Implikationen für Personalauswahl, Personalentwicklung und Change Management. Für die Personalauswahl zeigt die Typologie, dass unterschiedliche Kompetenzprofile mit unterschiedlichen Stärken und Schwächen existieren. Nach der Person-Environment-Fit-Theorie (Kristof-Brown et al. 2005) sollten die relevanten Kompetenzen einer Person zu ihren Arbeitsanforderungen passen. Da die einzelnen Typen unterschiedliche Stärken haben (z. B. Begeisterte in allen Kompetenzen außer ethischem Bewusstsein, Balancierte hingegen exakt dort, Naive in der Kommunikation), unterstreicht dies die Bedeutung von Anforderungsanalysen: Für jeden Job sollten diejenigen Kompetenzen identifiziert werden, die besonders relevant sind, und eine Person mit passendem Kompetenzprofil ausgewählt werden.

Für die Personalentwicklung ergibt sich, dass Schulungen mit unterschiedlichem Schwerpunkt konzipiert werden sollten: So kann nicht digitale Kompetenz per se trainiert werden, sondern es sollten auf Basis der Profile Schwerpunktschulungen für allgemeine technische Fähigkeiten, aber auch solche für Datenschutzbewusstsein und Quellenprüfung oder für den Umgang mit sozialen Medien und Kollaborationstools entwickelt werden. Nach einer Beantwortung des kurzen Kompetenzfragebogens (Onlinematerial 1) können den Beschäftigten dann die benötigten Schulungen zugewiesen werden.

Zuletzt sollte digitalen Umbrüchen der Arbeitswelt mit erfolgreichem Change Management begegnet werden. Cameron und Green (2009) nennen eine Vielzahl möglicher Maßnahmen, die für die verschiedenen Typen womöglich von unterschiedlicher Wichtigkeit sind: So könnte für die Balancierten die Stärkung von Risikobereitschaft besonders relevant sein, während Geduld und Unterstützung für die Naiven von größerer Bedeutung sind.

Zukünftiger Forschungsbedarf ergibt sich im Zusammenhang mit der praktischen Nutzung der Typologie und des Fragebogens. Zukünftige Forschung zur Personalauswahl könnte die digitalen Kompetenzen von Beschäftigten mit dem Fragebogen oder mit Tests messen und die Anforderung der jeweiligen Stelle bestimmen. Nach einer Einstellung kann geprüft werden, ob der Grad der Übereinstimmung zwischen Anforderungen und Kompetenzen mit Arbeitsleistung oder Berufserfolg zusammenhängt.

Ebenso könnten in einer Experimentalstudie die verschiedenen Typen die oben genannten Schwerpunktschulungen durchlaufen und mit Vorher-Nachher-Kompetenzmessungen geprüft werden, ob die typspezifischen Schulungen ggü. einer zufälligen Zuordnung zu den Schulungen zu einem besonderen Kompetenzzuwachs führen. Zuletzt müssten die Reaktionen unterschiedlicher Typen auf Maßnahmen des Change Management in zukünftiger Forschung detaillierter untersucht werden. So könnte geprüft werden, welche Maßnahmen für welches Kompetenzprofil am wichtigsten sind, um Begeisterung für die digitalen Umbrüche zu schaffen und Kompetenzlücken zu schließen.

Die vorliegende Studie fand empirische Evidenz für die Generalisierbarkeit, die Stabilität und die Bedeutsamkeit eines Vier-Typen-Ansatzes zur Clusterung von Reaktionen auf digitale Umbrüche: Die Kompetenzprofile können vereinfacht auf ein begeistertes, balanciertes, naives und ablehnendes Profil reduziert werden, was vorherige Forschung bestätigt. Dieser Ansatz und der zugrundeliegende Fragebogen können nun von Praxis und Forschung genutzt werden, um Beschäftigte zu einem Job zuzuordnen, der ihren Kompetenzen bestmöglich entspricht, um passgenaue Schulungen je nach Kompetenzprofil abzuleiten sowie Ängste und Skepsis durch ausgewählte Change-Management-Maßnahmen individuell zu adressieren.