Abkürzungsverzeichnis
Zeichenverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
2 Grundlagen
2.1 Soziale Online Netzwerke
2.2 Literaturüberblick
2.3 Methodik
3 Empirische Untersuchung
3.1 Stichprobe
3.2 Datenauswertung
3.3 Gütebeurteilung
3.3.1 Reflektives Messmodell
3.3.2 Formatives Messmodell
3.3.3 Strukturmodell
4 Ergebnisse und Diskussion
5 Zusammenfassung und Ausblick
Anhang
Literaturverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Struktur- und Messmodell
Abbildung 2: Strukturmodell mit R² und Pfadkoeffizienten
Tabelle 1: Formative Indikatoren
Tabelle 2: Reflektive Indikatoren
Tabelle 3: Altersverteilung
Tabelle 4: Schulabschlüsse
Tabelle 5: Mitgliedschaft in anderen SON
Tabelle 6: Gütebeurteilung des reflektiven Messmodells
Tabelle 7: Gewichte und Signifikanz der formativen Indikatoren
Tabelle 8: Effektstärken
Heutzutage ist das Internet mit vielen Bereichen des täglichen Lebens verzahnt und oftmals gar nicht mehr wegzudenken. Dazu zählt seit einigen Jahren auch das gesellschaftliche und soziale Umfeld. Denn hier gewinnt eine neue Art von Webanwendung zunehmenden Einfluss: Soziale Online-Netzwerke (SON) bieten ihren Nutzern eine Plattform, auf der sie mit ihren Freunden und Bekannten Kontakte pflegen oder sich anderweitig die Zeit vertreiben können. Dieses soziale Bedürfnis teilen Menschen aus allen Kulturkreisen [KrVe10, 1], was wohl einer der Hauptgründe für das rapide Wachstum der weltweiten Nutzerzahlen bei SON ist. Doch mit diesem vermutlich nützlichen Aspekt geht eine ständige Diskussion zum Thema Datenschutz einher, wenn von SON gesprochen wird. Denn nahezu alle Informationen über den Nutzer, von Angaben zur Person bis hin zum Surfverhalten, werden von den SON-Betreibern gespeichert und kommerziell verwertet. Die daraus resultierende Tatsache, dass ein Unternehmen über eine solch umfassende Datenbank von persönlichen Angaben verfügen kann, mag beunruhigend sein und wird in Wissenschaft und Medien immer wieder diskutiert (z.B. [Dwor11]). Neben der Frage, welche und wie viele persönliche Daten den SON-Betreibern anvertraut werden sollten, werden in diesem Zusammenhang noch weitere kontroverse Debatten, beispielsweise über digitale Überwachung, Datenmissbrauch oder Cyber-Stalking, geführt [Köhl10, 95ff].
Ziel dieser Arbeit ist es, genauere Erkenntnisse über die Nutzungsabsichten und -einstellungen von SON-Nutzern zu gewinnen und wie diese Faktoren durch deren Datenschutzbedenken (DSB) beeinflusst werden. Dabei wird auch der Zusammenhang mit weiteren Faktoren, welche Menschen dazu bewegen, an SON teil- oder nicht teilzunehmen, untersucht. Um dies herauszufinden, stützt diese Arbeit ihre Ergebnisse auf eine Befragung von Mitgliedern und Nichtmitgliedern des weltweit größten SON Facebook [Kirk10, 301ff].
Die Arbeit ist aufgebaut wie folgt: In Kapitel 2 werden zunächst einige weitreichendere Informationen zu SON, insbesondere Facebook, gegeben. Anschließend soll ein Literaturüberblick zeigen, inwieweit bereits ähnliche Themen in der Wissenschaft diskutiert wurden. Am Ende des Kapitels wird das Kausalmodell vorgestellt, auf welches sich diese Arbeit stützt und das die Grundlage der empirischen Untersuchung darstellt. In Kapitel 3 erfolgt dann die Auswertung und Gütebeurteilung der aus der Umfrage hervorgegangenen Datensätze. Die Ergebnisse der vorangegangenen Berechnungen werden in Kapitel 4 genauer betrachtet und interpretiert. In Kapitel 5 werden noch einmal die wichtigsten Erkenntnisse dieser Arbeit zusammengefasst, einige Umstände kritisch reflektiert und weitere Forschungsfelder aufgezeigt.
SON sind „Internetplattformen, die es den NutzerInnen ermöglichen, Kontakte herzustellen und aufrechtzuerhalten und Features enthalten“ [Fuch10, 453]. In den letzten Jahren sind zahlreiche solcher SON im Internet gestartet. Dabei entstand eine Vielzahl an verschiedenen Angeboten, Möglichkeiten und Webauftritten, mit denen sich die einzelnen SON von den Konkurrenzplattformen abheben wollen. Da ein SON nur erfolgreich ist, wenn es auch von vielen Menschen genützt wird, entsteht automatisch ein harter Wettbewerb zwischen den einzelnen Plattformen. So sind, wie bei vielen anderen SON auch [Schr11], beispielsweise die Mitgliederzahlen von MySpace seit einiger Zeit stark rückläufig, da immer mehr aktive Nutzer zu Facebook übergehen [Klin11].
Generell lassen sich SON in Plattformen für Privatnutzer und für Geschäftsnutzer untergliedern [Frau08, 59ff]. Bekannte Vertreter von SON für Privatnutzer sind MySpace, Schüler/StudiVZ, wer-kennt-wen, StayFriends, Lokalisten und Facebook. Vor allem in den jüngeren Generationen lässt sich heute kaum mehr jemand finden, der nicht in einem solchen präsent ist. MySpace startete im Jahre 2003 in den USA, um Künstlern, vor allem Musikbands, eine Präsentationsplattform zu bieten. Es kamen aber auch zahlreiche Privatpersonen dazu und die Mitgliederzahl stieg in kurzer Zeit auf knapp 200 Millionen an. Im Gegensatz zu anderen SON bietet MySpace seinen Nutzern mehr Freiheiten bei der Gestaltung der eigenen Profilseite und bietet die Möglichkeit, eigene externe Anwendungen dort einzubauen [Frau08, 59]. Auch können auf MySpace eigene Musikstücke hochgeladen werden, was die Plattform heute noch für zahlreiche Musikbands interessant macht. Im Juni 2011 wurde die Zahl der Nutzer auf 30 Millionen geschätzt [Spie11a]. Bei StudiVZ und SchülerVZ handelt es sich um zwei deutsche Plattformen. Der Dienst StudiVZ (kurz für Studierendenverzeichnis) ging im Jahre 2005 [Kirk11, 185f] online, kurz darauf auch SchülerVZ (kurz für Schülerverzeichnis). Wie die Namen bereits andeuten, fokussiert sich StudiVZ auf die Hauptzielgruppe von deutschen Studenten, während SchülerVZ für Schüler ausgelegt ist [Frau08, 61]. Von der Oberfläche und den angebotenen Funktionalitäten (z.B. Pinnwand, Gruppen, Nachrichtendienst) ist Schüler/StudiVZ dem US-Amerikanischen Vorbild Facebook sehr ähnlich. Anfang 2011 zählte StudiVZ sechs Millionen und SchülerVZ 5,5 Millionen Mitglieder [Spie11b]. Bei wer-kennt-wen handelt es sich ebenfalls um ein deutsches SON, welches seit 2006 verfügbar ist. Hier steht das Finden neuer Kontakt und das Wiederfinden von alten Bekannten im Mittelpunkt. Laut Angaben des Unternehmens waren im Juli 2011 9,3 Millionen Mitglieder bei wer-kennt-wen registriert [Werk11]. Ähnlich dazu bietet das 2002 [Stay11a] gegründete SON StayFriends an, alte Schulfreunde wiederzufinden und Infos über Klassentreffen zu erhalten. Die Plattform behauptet, mit über zwölf Millionen Mitgliedern die Nummer eins in Deutschland zu sein [Stay11b]. Lokalisten wurde 2005 gegründet und hielt ursprünglich einen großen Mitgliederkreis, der eher im süddeutschen Raum angesiedelt war [Frau08, 62]. Im Juli 2010 zählte das Unternehmen 3,6 Millionen Mitglieder [Loka11]. Von den angebotenen Möglichkeiten ist Lokalisten wieder stark mit Facebook vergleichbar. Das SON Facebook wird am Ende dieses Unterkapitels ausführlicher beschrieben.
Die zweite Art von SON sind Plattformen für Geschäftsnutzer. Hier seien kurz das US-Amerikanische LinkedIn und XING aus Deutschland erwähnt. LinkedIn ist seit 2002, XING seit 2003 verfügbar. Beide Dienste richten sich vor allem an Menschen, die mithilfe des SON geschäftliche Kontakte ausbauen und pflegen wollen [Frau08, 62f]. Wie bei den Plattformen für Privatnutzer, gibt es auch hier sogenannte Gruppen, in denen sich die Mitglieder über bestimmte Themen austauschen können. Bei LinkedIn und XING stehen jedoch nicht überwiegend private, sondern geschäftliche Interessen im Vordergrund. Auch helfen sich hier einige Nutzer gegenseitig mit ihrem Expertenwissen [Frau08, 62f]. Eine Besonderheit der Plattformen für Geschäftsnutzer ist, dass diese zum Teil kostenpflichtig sind. So bieten LinkedIn und XING eine sogenannte „Premium-Mitgliedschaft“ für eine monatliche Gebühr an. Diese Mitglieder genießen dann exklusive Vorteile und können beispielsweise erweiterte Suchfunktionen nutzen oder rückverfolgen, wer ihr Profil angesehen hat [Seeb10]. Laut Angaben der Unternehmen zählen LinkedIn derzeit über 120 [Link11], XING über 11,1 Millionen Mitglieder [Xing11], wovon bei letzterem etwa acht Prozent eine Premium-Mitgliedschaft besitzen [Spie11c].
Gemessen an seinen Nutzerzahlen ist Facebook das weltweit größte SON [Kirk10, 301ff] und gehört zu den Plattformen für Privatnutzer. Es wurde am 4. Februar 2004 von Mark Zuckerberg, damals 19-jähriger Student in Harvard, USA, mit einigen Kommilitonen gegründet. Anfänglich war die Seite noch unter „thefacebook.com“ zu erreichen und nur Studenten bestimmter Universitäten konnten sie nutzen [Kirk11, 32]. Doch mittlerweile ist die Plattform für fast alle Menschen mit einem stationären oder mobilen Internetanschluss weltweit und in 76 verschiedenen Sprachen [Face11a] zugänglich und erfreut sich einer stetig wachsenden Anzahl von Mitgliedern. So verkündete der Chief Executive Officer Mark Zuckerberg am 6. Juli 2011, dass bereits 750 Millionen Menschen Facebook aktiv nutzen würden [Swar11] und Schätzungen zufolge kommen jede Sekunde sechs neue Mitglieder hinzu [Dwor11, 114]. Schon jetzt ist Facebook die meist genutzte Webseite nach Google [Alex11]. Wie die meisten SON macht Facebook einen Großteil seines Umsatzes mit der Auswertung von Nutzerdaten. Diese werden verwendet, um Anzeigen von Werbekunden zielgerichtet auf den Facebook-Seiten, auf denen sich potentielle Kunden aufhalten, zu präsentieren [Face11b]. Der Wert des nicht börsennotierten Unternehmens wurde Mitte des Jahres 2011 auf 100 Milliarden US-Dollar geschätzt [Swar11], was also rechnerisch bedeuten würde, dass jeder Nutzer-Datensatz über 133 US-Dollar wert ist. Alle monetären Absichten und Bestrebungen beiseitegeschoben, möchte Facebook es seinen Nutzern ermöglichen, mit den Menschen in ihrem „Leben in Verbindung zu treten und Inhalte mit diesen zu teilen“ [Face11c]. Ausgangspunkt dafür ist die eigene Profilseite, auf der sich jeder Nutzer präsentieren und eine Vielzahl von Informationen, wie Wohnort, Beziehungsstatus oder religiöse Ansicht, von sich preisgeben kann. Weiterhin werden verschiedene Möglichkeiten, wie beispielsweise Nachrichtendienste, eine Foto-Plattform oder Online-Spiele angeboten. Jeder Facebook-Kontakt, welcher dort „Freund“ genannt wird, kann die Meldungen und Fotos der Anderen kommentieren oder seine Zustimmung mithilfe des „Gefällt mir“-Buttons ausdrücken. All diese Informationen geben die Anwender freiwillig preis, können diese jedoch mittels der Privatsphäre-Einstellungen [Face11d] in ihrer Sichtbarkeit einschränken. Doch darüber hinaus speichert Facebook noch eine Vielzahl an weiteren Daten über jeden Nutzer. Diese werden unter anderem aus Zugangsgeräten, Cookie-Informationen oder Interaktionen mit anderen Webseiten gewonnen [Face11e]. Wikileaks Gründer Julian Assange bezeichnete Facebook deshalb jüngst als eine „fürchterliche Bespitzelungsmaschine“, welche „die weltweit umfassendste Datenbank über Personen, ihre Beziehungen, ihre Namen, ihre Adressen, Standorte und die Kommunikation untereinander“ [Assa11] darstellt und warnte dabei gleichzeitig vor der Überwachung durch Geheimdienste, welche sich diese Datenbank zu Nutzen machen [Assa11]. Letztendlich macht Facebook aber keinen Hehl daraus, dass es, in einfachen Worten gesagt, sämtliche personenbezogenen Daten auswertet. All dies steht in den Nutzungsbedingungen und Datenschutzrichtlinien [Face11b; Face11e], die bei der Registrierung akzeptiert werden müssen, aber aufgrund des großen Umfangs von den Wenigsten wohl auch gelesen werden.
Diese Arbeit befasst sich schwerpunktmäßig mit dem SON Facebook sowie dem Thema Datenschutz. Deswegen lohnt es sich, nach bereits existierenden wissenschaftlichen Arbeiten rund um diese Bereiche zu suchen.
Welche Faktoren die Nutzung und die Einstellung gegenüber Informationstechnologien generell beeinflussen, behandelt Venkatesh et al. in seiner Unified Theory of Acceptance and Use of Technology (UTAUT). Diese wird in Kapitel 2.3 genauer erläutert. Auf die Fragestellung, warum SON genutzt werden, geht Krasnova et al. [KHGK+08] ein. Ihr Konferenzbeitrag stützt sich auf Ergebnisse einer empirischen Studie, an der 129 deutsche Studenten teilnahmen [KHGK+08, 6]. Dabei wurde festgestellt, dass die Hauptdeterminanten der Teilnahme an SON die Befriedigung der persönlichen Bedürfnisse, der Wunsch nach Selbstdarstellung und der Druck des sozialen Umfeldes seien [KHGK+08, 10]. Ähnliche Aussagen zu der Nutzungsabsicht (Intention to Use, IU) der jüngeren Generation in den USA werden von Boyd [Boyd07, 17] getroffen. Verhagen et al. [VFHM09] beschäftigte sich mit der Einstellung zur Nutzung (Attitude towards use, ATT) von virtuellen Welten, wie beispielsweise Second Life [VFHM09, 2]. Dabei stellten die Wissenschaftler empirisch fest, dass sich vor allem die wahrgenommene Nützlichkeit (Perceived Usefulness, PU) und der Unterhaltungswert positiv auf die ATT auswirkt [VFHM09, 9]. Hasebrink [Hase11] betrachtet in seinem Beitrag die gesellschaftlichen und kommunikationstechnischen Auswirkungen von SON. Er stellt fest, dass sich durch SON Individual- und Massenkommunikation vermischen. Weiterhin verschwimmen auch öffentliche mit privaten Bereichen sowie klassische Informationsanbieter mit -rezipienten [Hase11, 191]. Da zu SON generell erst wenige wissenschaftliche Erkenntnisse gewonnen werden konnten, weißt Fuchs auf einen bestehenden Forschungsbedarf zum Nutzungsverhalten, der Einstellung der Nutzer gegenüber der Privatsphäre sowie der personalisierten Werbung innerhalb SON hin [Fuch10, 457]. Themen, die in dieser Arbeit behandelt werden.
Im Jahre 2008 veröffentlichte das Fraunhofer Institut eine Studie [Frau08], welche die Datenschutzmaßnahmen und die Sicherheit von sieben SON untersucht. Dabei erhielt Facebook bei den Privatplattformen die beste und Lokalisten die schlechteste Bewertung. Dennoch wies das Institut auch bei Facebook auf zahlreiche Mängel hinsichtlich des Privatsphärenschutzes hin [Frau08, 117]. DSB, mehr jedoch das Vertrauen in den Dienstanbieter, werden von Malhotra et al. [MaKA04] oder auch von Pavlou [Pavl01] untersucht. Die Forscher beziehen sich allerdings nicht auf SON, sondern auf E-Commerce. Einen weiteren Schritt in die Richtung dieser Arbeit gehen Krasnova und Veltri [KrVe10], welche sich mit den Unterschieden der DSB von deutschen und US-amerikanischen SON-Nutzern beschäftigen. Demnach haben US-amerikanische Nutzer mehr DSB als deutsche. Die US-Amerikaner haben jedoch mehr Vertrauen in Facebook und denken, dass das Unternehmen verantwortungsvoll mit ihren Daten umgeht. Die Deutschen hingegen schätzen die Wahrscheinlichkeit, Opfer von Datenmissbrauch zu werden, und dessen negative Folgen höher ein [KrVe10, 9]. Dwyer et al. [DwHP07] stellen ebenfalls einen Vergleich an, untersuchen dabei jedoch nicht nationale Unterschiede, sondern vergleichen DSB und Vertrauen von Nutzern der SON Facebook und MySpace. Dabei kommen sie zu dem Schluss, dass Facebook-Nutzer mehr Vertrauen in die Seite und deren Mitglieder haben, und im Vergleich zu MySpace-Nutzern mehr Informationen über sich preisgeben [DwHP07, 9]. Krasnova et al. [KSKH10] identifizieren in ihrer Forschungsarbeit Faktoren, welche die Selbstoffenlegung, also die aktive Teilnahme und damit die Generierung von Daten in einem SON, anregen. Dabei gehen sie auch auf die empfundenen Datenschutzrisiken der Nutzer ein und kommen zu dem Ergebnis, dass Nutzer von SON sich weniger beteiligen, wenn sie hohe DSB haben, diese jedoch oftmals von den Vorteilen durch die Nutzung von SON ausgeglichen werden [KSKH10, 122]. Krasnova et al. stützen sich dabei auf eine Umfrage mit einem Teilnehmerkreis von 259 Personen und einem ausschließlich reflektiven Modell [KSKH10, 116].
Der Literaturüberblick soll anhand der beispielhaft genannten Forschungsarbeiten zeigen, dass bislang zwar schon einige Werke zu den Themen SON und DSB existieren, deren Schwerpunkte jedoch anders als in dieser Arbeit gelegt wurden. Ein weiterer Forschungsbedarf, mit dem sich diese Arbeit befasst, ist die Verwendung eines Kausalmodells mit überwiegend formativen Konstrukten und einer großen, vierstelligen Stichprobe.
Warum Facebook genutzt wird, welche Einstellung die Menschen diesem SON gegenüber haben und wie sie mit dem Thema Datenschutz umgehen, soll durch ein vorgegebenes Kausalmodell untersucht werden. Allgemein lässt sich ein solches Modell in ein Struktur- und ein Messmodell untergliedern. Im Strukturmodell (inneres Modell) werden Konstrukte (latente Variablen), also die zu untersuchenden Eigenschaften, sowie deren hypothetische Beziehungen zueinander dargestellt. Konstrukte können sich gegenseitig positiv, negativ oder gar nicht beeinflussen und werden deshalb als abhängig (endogen) oder unabhängig (exogen) bezeichnet. Allerdings handelt es sich bei Konstrukten um nicht direkt messbare Größen, weshalb die Bestimmung über Indikatoren erfolgen muss. Indikatoren und deren Beziehungen zu ihren Konstrukten werden im Messmodell (äußeres Modell) dargestellt und können entweder reflektiver oder formativer Natur sein [FaEg05, 36ff]. Bei reflektiven Indikatoren „wird unterstellt, dass die latente Variable ihre zugeordneten Indikatoren verursacht“ [FaEg05, 35], weshalb diese vom Inhalt her möglichst ähnlich sein sollten. Genau gegensätzlich verhält es sich bei den formativen Indikatoren. Hier verursachen also die Indikatoren ihre Konstrukte, weshalb diese möglichst viele verschiedene Teilaspekte des Konstrukts darstellen sollten [FaEg05, 36ff].
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1 : Struktur- und Messmodell
Das vorgegebene Modell (siehe Abbildung 1) wurde von einem Expertenteam entwickelt und dabei aus in der Forschung etablierten Modelltheorien abgeleitet und um weitere Konstrukte ergänzt. So wurden Elemente des Technology Acceptance Model (TAM) verwendet, welches unter anderem versucht, die IU bei Informationstechnologien durch die PU des Nutzers zu erklären [Davi89]. Das Konstrukt der subjektiven Norm (SN), also der soziale Druck, der auf einer Person lastet, ein bestimmtes Verhalten auszuführen oder zu unterlassen [Ajze91, 188], stammt aus der Theory of Planned Behaviour (TPB) und kommt ursprünglich aus dem Bereich der Sozialwissenschaft [Ajze91]. Ebenso wird in der TPB das Konstrukt der Attitude toward the behaviour, also welche positiven oder negativen Gefühle eine Person gegenüber einem bestimmten Verhalten hat [Ajze91, 188], eingeführt. Anstatt eines Verhaltens wird in dieser Arbeit die Einstellung zur Nutzung des SON Facebook untersucht, weshalb das Konstrukt im Modell mit ATT, für Attitude towards use, bezeichnet wird. Die aus TAM, TPB und weiteren Konzepten kombinierte UTAUT überträgt die SN und die Attitude toward the behaviour auf Informationssysteme (IS) [VMDD03]. Zusätzlich zu diesen wurden noch weitere Konstrukte dem Modell hinzugefügt. Diese sind das wahrgenommene Vergnügen (Perceived Enjoyment, PE), also wie viel Spaß die Nutzung von Facebook macht, die Datenverfügbarkeit (DVB), die die Anzahl der Daten innerhalb von Facebook darstellt, und die DSB.
Die hypothetischen Beziehungen der Konstrukte untereinander werden im Strukturmodell durch die nummerierten Pfeile angegeben. Ein hochgestelltes „+“ steht dabei für eine positive, ein „-“ für eine negative Wirkungsbeziehung. Im Folgenden werden die 15 aufgestellten Hypothesen kurz erläutert.
Je mehr Menschen aus dem sozialen Umfeld Facebook nutzen und dies weiterempfehlen, desto größer ist auch die Wahrscheinlichkeit, dass sich der Einzelne beim SON anmeldet und aktiv daran teilnimmt. Beispiele hierfür sind das Anschlussfinden in verschiedenen Freundeskreisen oder ein Gefühl von Ausgrenzung, wenn nicht am SON teilgenommen wird. Bereits in der TPB wird ein solcher Zusammenhang zwischen der SN und der IU angenommen [Ajze91, 182ff].
H1a+:SNhateinenpositivenEinflussaufIU
Je mehr Spaß die Nutzung von Facebook verspricht, desto intensiver wird am SON auch teilgenommen. Diese Annahme, bezogen auf das PE und die IU diverser IS, findet sich ebenfalls in einigen anderen Forschungsarbeiten (z.B. [PoGo11, 28]) und lässt sich nachvollziehbar auch auf Facebook übertragen.
H1b+:PEhateinen positiven Einfluss aufIU.
Je größer der persönliche Nutzen von Facebook scheint, desto eher wird der Einzelne daran auch teilnehmen. Dieser direkte Zusammenhang zwischen der PU und der IU wird auch im TAM angenommen [VeDa00, 188ff].
H1c+:PUhateinen positiven Einfluss aufIU.
Sollten bei Facebook oder generell im Umgang mit dem Internet Bedenken oder Misstrauen bezüglich der Sicherheit der persönlichen Daten bestehen, so führt dies zur Verminderung der Teilnahme [KSKH10, 114] oder gar zur Nichtteilnahme am SON.
H1d -:DSBhateinen negativen Einfluss aufIU.
Wenn jemand eine positive Einstellung gegenüber Facebook hat, dann wird er das SON auch wahrscheinlicher oder intensiver nutzen. In der UTAUT wird ebenfalls ein solcher Zusammenhang zwischen der ATT und der IU bei IS angenommen [VMDD03, 458].
H1e+:ATThateinen positiven Einfluss aufIU.
Menschen aus dem persönlichen Umfeld haben nicht nur Einfluss auf die IU (siehe H1a+), sondern beeinflussen auch Einstellung und Denkensweise gegenüber Facebook. Diese Annahme bezüglich der SN und der ATT wird auch in der UTAUT getroffen [VMDD03, 458].
H2a+:SNhateinen positiven Einfluss aufATT.
Je mehr Spaß der Einzelne bei der Nutzung von Facebook hat, desto besser wird er das SON auch finden. Auch diese Annahme wird in der UTAUT getroffen [VMDD03, 458].
H2b+:PEhateinen positiven Einfluss aufATT.
Je nützlicher dem Einzelnen Facebook erscheint, desto besser wird er es auch finden. Dies ist eine fundamentale Annahme aus dem TAM und wurde auch von Verhagen et al. in deren Arbeit zu virtuellen Welten verwendet und empirisch bestätigt [VFHM09, 9].
H2c+:PUhateinen positiven Einfluss aufATT.
Die von Facebook gegebenen Möglichkeiten, wie beispielsweise die Gestaltung der eigenen Profilseite oder die Privatsphäre-Einstellungen, werden vom Nutzer positiv wahrgenommen. All diese Möglichkeiten nehmen natürlich Einfluss auf die DVB. Deshalb wird ein direkter Zusammenhang der DVB auf die ATT angenommen.
H2d +:DVBhateinen positiven Einfluss aufATT.
Je größer die DSB sind, desto negativer wird die Einstellung gegenüber Facebook. Empfindet eine Person Facebook beispielsweise als unsichere Plattform, auf der sensible Nutzerdaten leicht gestohlen oder manipuliert werden können, oder traut er dem Unternehmen seine persönlichen Daten nicht an, dann hat die Person gleichzeitig eine schlechtere Meinung dem SON gegenüber.
H2e-:DSBhateinen negativen Einfluss auf ATT.
Der empfundene Nutzen von Facebook ist größer, wenn die Nutzung auch Spaß macht [PoGo11, 28]. Diese Annahme lässt sich auch auf Facebook übertragen.
H3+:PEhateinen positiven Einfluss aufPU.
Je mehr Menschen aus dem persönlichen Umfeld Facebook nützen, desto geringer sind die DSB des Einzelnen. Eine mögliche Begründung dieser Annahme wäre beispielsweise der Gedanke des Nutzers, dass wenn viele der Freunde bei Facebook aktiv sind, das Thema Datenschutz dann nicht so dramatisch sein kann, da sich diese sonst ja erst gar nicht dort angemeldet hätten.
H4-:SNhateinen negativen Einfluss aufDSB.
Je mehr Daten verfügbar sind, desto höher ist auch die Wahrscheinlichkeit, Opfer von Datenmissbrauch zu werden. Daher steigen mit der DVB auch die DSB.
H5a+:DVBhateinen positiven Einfluss aufDSB.
Je mehr Daten auf Facebook für den Einzelnen sicht- und nutzbar sind, desto nützlicher empfindet er das SON. Denn ein Netzwerk erhält seinen Nutzen erst durch die Teilnahme seiner Mitglieder, wobei dies natürlich mit dem Preisgeben und Hinterlassen von Daten einhergeht.
H5b+:DVBhateinen positiven Einfluss aufPU
Je größer die DSB, desto unnützer erscheint Facebook. Denn mit zunehmenden DSB steigt die Angst vor Datenmissbrauch, welcher möglicherweise Schaden nach sich zieht.
H6-:DSBhateinen negativen Einfluss aufPU.
Um möglichst genaue Aussagen über den Aufbau und Zusammenhang der Konstrukte treffen zu können, wurden alle Konstrukte, mit Ausnahme von der IU und der ATT, mithilfe formativer Indikatoren gemessen. Hierfür wurden die Indikatoren des Modells sukzessive für jedes einzelne Konstrukt identifiziert. Am Ende wurden nochmals vier Facebook-Nutzer zu den einzelnen Konstrukten befragt um herauszufinden, ob die definierten Indikatoren verständlich sind, sich nicht überschneiden und das Konstrukt bestmöglich abdecken. So äußerte sich beispielsweise eine Nutzerin, dass sie Facebook sehr nützlich finde, da anstatt Handy-Kurznachrichten (Short Message Service, SMS) einfach die Nachrichtenfunktion von Facebook genutzt werden könne und dadurch SMS-Kosten gespart würden. So wurde der Indikator PU3, Geldersparnis, in das Messmodell aufgenommen.
PU wird mithilfe von zehn formativen Indikatoren beschrieben. Diese lassen sich weitgehend in Effizienz (PU3 – PU5), Effektivität (PU10) und in Geselligkeitsmehrwerte (PU1, PU2, PU6) gruppieren [PoGo11, 31]. PU7 befasst sich mit der Möglichkeit, durch Facebook aktuell zu bleiben, und PU8 und PU9 decken die persönlichen Bedürfnisse des Nutzers ab.
Sechs formative Indikatoren beschreiben das Konstrukt PE. Diese gehen auf den Spaßfaktor bei der Kommunikation über Facebook (PE1, PE2), aber auch auf das Online-Spielangebot (PE3) ein. Weiterhin sollte mit PE4 untersucht werden, ob es Nutzer gibt, bei denen sich ein leichter Hang zum sogenannten Cybermobbing, also zum Ärgern von anderen Nutzern innerhalb der Facebook-Gemeinschaft erkennen lässt. PE5 und PE6 beschreiben ihr Konstrukt dahingehend, was den Nutzern keinen Spaß macht.
SN wird durch fünf formative Indikatoren beschrieben. SN2 bis SN4 beinhaltet die Empfehlung zur Nutzung von Facebook, wohingegen SN1 und SN5 die Präsenz des SON im alltäglichen Umfeld aufgreifen.
Mit 13 formativen Indikatoren ist DSB das größte Konstrukt im Modell. Die einzelnen Indikatoren lassen sich jedoch nicht immer eindeutig einer bestimmten Gruppierung zuordnen. So spielen die aktuelle Wahrnehmung des Themas Datenschutz, beispielsweise durch die Medien (DSB1), eigene Erfahrungen (DSB2) oder die generelle Einstellung gegenüber dem Internet (DSB3, DSB4, DSB10 – DSB13), eine wichtige Rolle. Eine weitere Indikatorengruppe beinhaltet das Vertrauen in Facebook (DSB5), in die anderen Nutzer (DSB6) und in die deutschen Gesetze (DSB7), welches Facebook-Nutzer haben oder nicht haben. Als letztes wurde noch die Einschätzung zum eigenen Einfluss auf den Datenschutz gemessen (DSB8, DSB9).
Sechs formative Indikatoren beschreiben die DVB. Dabei wurde zum einen die Einstellung des Nutzers gegenüber den verschiedenen aktiven Möglichkeiten gemessen, Daten zu hinterlassen (DVB1, DVB2, DVB5, DVB6). Zum anderen wurde nach der Einstellung zur Aktualität der Daten (DVB3) und der aktiven Möglichkeit zur Sichtbarkeitseinschränkung (DVB4), also zur Verminderung der DVB, gefragt.
Die meisten Indikatoren wurden später im Fragebogen so formuliert, dass sie einen positiven Einfluss zum Konstrukt aufwiesen. Die Indikatoren PE5, PE6, DSB3 bis DSB9, DSB13 und DVB4 hingegen wurden negativ zum jeweiligen Konstrukt formuliert, weshalb deren Werte dann später für die Auswertung umgedreht werden mussten [Boll84, 377].
Eine Auflistung und stichpunktartige Bezeichnung aller Indikatoren findet sich in Tabelle 1 und 2. Die einzelnen Fragen zu jedem Indikator sind im Anhang unter Punkt A aufgelistet. Ein „ * “ hinter dem jeweiligen Item bedeutet, dass es sich hier um einen negativ formulierten Indikator handelt.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1 : Formative Indikatoren
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 2 : Reflektive Indikatoren
Um das vorgestellte Modell zu testen wurde ein Fragebogen entwickelt (siehe Anhang, Punkt A und B). Dieser beinhaltete je Indikator eine Frage, welche mithilfe einer 5-stufigen Likert-Skala, reichend von „stimme nicht zu“ (bewertet mit dem Wert 1) über „neutral“ (Wert 3) bis „stimme zu“ (Wert 5), zu beantworten war. Um die Indikatoren von ATT zu messen, sollten die Befragten verschiedene Aussagen über ihr Empfinden zur Nutzung von Facebook treffen (z.B. finde ich „schlecht“ bis „gut“). Am Ende der Umfrage wurden dann noch einige Fragen zur Person, sowie die Mitgliedschaft bei Facebook und anderen SON erfragt. Der Fragebogen wurde innerhalb einer Expertenrunde entwickelt und im Rahmen eines Pre-Tests, der elf Facebook-Nutzern und -Nichtnutzern aus verschiedenen Altersklassen vorgelegt wurde, kritisch hinterfragt und verbessert. So konnten beispielsweise Fragen, die von Testpersonen missverstanden wurden, präziser gestellt werden, um verfälschte Messungen der betroffenen Indikatoren zu vermeiden.
Die Befragung fand online statt und wurde vom 13.04.2011 bis zum 15.07.2011 durchgeführt. Um eine möglichst große Anzahl an Teilnehmern zu gewinnen, wurde die Umfrage viral über Facebook und Xing, sowie über Webseiten einiger Print- und Online-Zeitschriften verbreitet (siehe Anhang, Punkt C). Weiterhin wurde per E-Mail ein Aufruf zur Teilnahme an alle Studierenden der Universität Augsburg geschickt. Als Anreiz zur Teilnahme wurde mit der Verlosung eines Einkaufsgutscheins beim Online-Versandhändler Amazon geworben. Weiterhin konnten die Befragten zum Ende der Umfrage ihre E-Mail Adresse angeben, wenn sie an einer Zusammenfassung von Ergebnissen der in diesem Rahmen durchgeführten Studie „Soziale Netzwerke und Datenschutz (SND1)“ interessiert waren.
Insgesamt nahmen 1993 Probanden an der Umfrage teil, wovon 281 Datensätze allerdings nicht vollständig ausgefüllt und deshalb eliminiert wurden. Neben diesem am häufigsten vorgekommenen Eliminationskriterium gab es noch einige weitere Regeln, durch welche versucht wurde, zwischen ernsthaften und zu leichtsinnig ausgefüllten Fragebögen zu unterscheiden. So wurden die Antworten von 34 weiteren Teilnehmern ausgeschlossen, da diese weniger als die Minimalzeit von 2:30 Min für die Beantwortung aller Fragen benötigten. Dies war die schnellste Zeit, die einer der Ersteller der Fragen benötigte, um die Umfrage komplett auszufüllen. Zwei Teilnehmer bewerteten alle Fragen durchgehend mit „stimme nicht zu“ und 15 Teilnehmer gaben bei über der Hälfte aller Fragen „neutral“ an. Auch wurden die Datensätze eliminiert, bei denen die Teilnehmer die Fragen zu DSB1 bis DSB3 alle mit „stimme nicht zu“ (10) oder „stimme zu“ (9) bewerteten, da DSB1 und DSB2 vom gemessenen Inhalt her genau gegensätzlich zu DSB3 sind. Zwei Teilnehmer fielen durch einen auffälligen Kommentar innerhalb des Freitextfeldes der Umfrage auf und sechs Personen nahmen laut E-Mail Adresse doppelt an der Umfrage teil, weshalb alle Datensätze dieser Personen eliminiert wurden. Insgesamt wurden also 365 ungültige Datensätze eliminiert.
1628 gültige Datensätze konnten ausgewertet werden. Eine Übersicht aller Antworten sowie deren Mittelwerte sind im Anhang unter Punkt D zu finden. Die Geschlechterverteilung war mit 45,88 % weiblichen und 54,12 % männlichen Teilnehmern fast ausgeglichen. Besonders weit erstreckte sich das Altersspektrum der Befragten, wobei die Gruppe der 21- bis 24-jährigen mit 36,12 % der gültigen Datensätze am stärksten vertreten waren. 17,75 % der Befragten waren älter als 30 Jahre. Insgesamt ergibt sich ein Altersdurchschnitt von 25,3 Jahren. Tabelle 3 zeigt die absolute und relative Altersverteilung der Befragten.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 3 : Altersverteilung
Der hohe Anteil an jüngeren Teilnehmern und die Werbung innerhalb der Universität schlugen sich in der Auswertung des höchsten erreichten Schulabschlusses nieder. Dementsprechend besaßen die meisten Befragten zu dieser Zeit das Fachabitur oder das Abitur (57,74 %). Immerhin gaben 13,02 % an, im Besitz eines Diplom-Abschlusses oder höher zu sein. Weitere Zahlen zum Bildungsgrad der Probanden lassen sich in Tabelle 4 ablesen.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 4 : Schulabschlüsse
Von den Teilnehmern der Umfrage waren 88,82 % Mitglied bei Facebook. Zusätzlich waren viele Befragte noch bei anderen SON, wie Schüler- oder StudiVZ (37,16 %), Lokalisten (27,27 %) oder Xing (19,59 %), als Mitglieder registriert. Mehrfachnennungen waren möglich. Der hohe Prozentsatz an Mitgliedern innerhalb der VZ-Gruppe lässt sich wohl auch wieder anhand der demografischen Verteilung erklären. 30,84 % gaben an, in keinem weiteren SON mehr aktiv zu sein. Tabelle 5 zeigt, wie viele der Probanden neben Facebook auch in anderen SON aktiv waren.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 5 : Mitgliedschaft in anderen SON
Am Gewinnspiel nahmen 75,49 % der Probanden der gültigen Datensätze teil. 67,38 % der gültigen Teilnehmer zeigten sich an einer Zusammenfassung von Ergebnissen der Studie interessiert.
Die Schätzung des Modells basierte auf dem Verfahren der Partiellen-Kleinste-Quadrate-Schätzung (Partial Least Squares, PLS), welche mittels voneinander unabhängigen einfachen oder multiplen Regressionsanalysen die Verteilungsfunktion der gemessenen Indikatoren [FoBo82, 442] und daraus die Konstrukte als Linearkombinationen der gewichteten Mittelwerte der jeweiligen Indikatoren schätzt [Fuch11, 20]. Der Grund für die Wahl der PLS-Methode lag darin, dass im Modell neben einigen reflektiven, hauptsächlich formative Indikatoren verwendet wurden. Eine andere mögliche Schätzmethode wäre die Kovarianzstrukturanalyse gewesen, welche jedoch zu einer inhaltlichen Fehlspezifizierung des Modells geführt hätte [Ring04, 6], da es mithilfe dieser Methode nicht möglich ist, formative Zusammenhänge im Messmodell zu berücksichtigen [FoBo82 , 447].
Zur Bestimmung der Anzahl gültiger Datensätze aus den Fragebögen, welche notwendig sind um eine zulässige Schätzung mittels der PLS-Methode zu garantieren, wird vorgeschlagen, die höchste Indikatorenzahl unter allen formativen Konstrukten zu bestimmen und diese mit zehn zu multiplizieren [Chin98, 331]. Die 1628 gültigen Datensätze übertrafen das vorgeschlagene Minimum (13 Indikatoren von DSB * 10 = 130) bei Weitem.
Innerhalb der Gütebeurteilung des Modells wurden zuerst die reflektiven und formativen Messmodelle und anschließend das Strukturmodell betrachtet. Durch diese Vorgehensweise sollte sichergestellt werden, dass die Schätzungen des Strukturmodells aus einem gültigen Satz von Indikatoren hervorgehen [PoGo11, 34]. Vor der Auswertung der Daten mussten jedoch noch die Werte der Indikatoren PE5, PE6, DSB3 bis DSB9, DSB13 und DVB4 umgekehrt werden (1 zu 5, 2 zu 4, 4 zu 2 und 5 zu 1), da diese Indikatoren von ihrer Fragestellung her eine negative Beziehung zum jeweiligen Konstrukt aufweisen. Alle nachfolgenden Berechnungen wurden mithilfe der statistischen Analysesoftwares SmartPLS und SPSS durchgeführt.
Beginnend wurden alle reflektiven Indikatoren und deren Konstrukte hinsichtlich ihrer Reliabilität und Validität untersucht. Die Reliabilität (Zuverlässigkeit) untersucht, inwieweit das Messergebnis begründbar und damit unabhängig von Messfehlern ist. Die Validität (Gültigkeit) gibt die Genauigkeit der Messung an und sagt aus, ob tatsächlich das gemessen wurde, was gemessen hätte werden sollen [Fuch11, 16]. Die Objektivität der Messung wurde von Anfang an als gegeben betrachtet, da alle Fragebögen unabhängig von den Untersuchenden ausgefüllt wurden.
„Die Indikatorreliabilität weist den Anteil der Varianz eines Indikators aus, der durch die zugrunde liegende latente Variable erklärt werden kann“ [KrGL05, 73]. Dabei werden die einzelnen Faktorladungen λ der Indikatoren gemessen und überprüft, ob mehr als 50 % der Varianz des Indikators vom Konstrukt erklärt werden kann. Folglich sollte λ mindestens einen Wert von 0,7 (abgerundete Quadratwurzel aus 0,5) besitzen, damit der dazugehörige Indikator als akzeptabel angesehen werden kann [BEPW06, 289ff]. Dieses Kriterium wurde im ersten Rechendurchgang von allen Faktorladungen, mit Ausnahme von IU2 und IU6, erfüllt. IU2 lag allerdings mit einer Faktorladung von 0,678 nur knapp unter dem vorgeschlagenen Mindestwert und wurde deshalb noch toleriert. Der Indikator IU6, also dass Facebook auch gegen Bezahlung genutzt werden würde, erreichte nur eine Faktorladung von 0,232. Dieser Indikator repräsentiert also nicht ausreichend das Konstrukt IU und wurde folglich eliminiert um die Güte des Messmodells zu steigern [FaEg05, 38]. „Weil die Indikatoren in einem reflektiven Modell grundsätzlich austauschbare Messungen der latenten Variable darstellen, ist eine Eliminierung einzelner Indikatoren aus messtheoretischer Sicht unproblematisch“ [FaEg05, 38]. Die einzelnen Faktorladungswerte, vor Elimination von IU6, können im Anhang dieser Arbeit unter Punkt E nachgesehen werden. Tabelle 7 und alle weiteren Berechnungen zeigen die Werte nach Elimination von IU6.
„Die Inhaltsvalidität bezeichnet den Grad, zu dem die Variablen eines Messmodells dem inhaltlich-semantischen Bereich des Konstrukts angehören“ [Bohr70, 92]. Als Kennzahl dafür dient das Kaiser-Meyer-Olkin-Kriterium (KMO), welches die Varianz aller reflektiven Indikatoren zusammenfasst, die durch die Konstrukte begründbar sind. Eine Einzelbetrachtung auf Indikatorebene liefert die Messung der Stichprobenadäquanz (Measure of Sampling Adequacy, MSA). Beide Werte, MSA und KMO, sollten möglichst nah an Eins, mindestens jedoch 0,5 sein, um noch als akzeptabel zu gelten [KaRi74, 112]. Innerhalb des Messmodells wurden alle diese Anforderungen bei Weitem erfüllt.
„Die Konstruktreliabilität erfordert, dass Indikatoren, die demselben Konstrukt zugeordnet sind, eine starke Beziehung untereinander aufweisen“ [KrGL05, 74]. Dies kann mithilfe der internen Konsistenz (Internal Consistency Reliability, ICR) ermittelt werden. „Würde es sich bei den Indikatoren um fehlerfreie Messungen der latenten Variable handeln, besäßen alle Indikatoren untereinander einen Korrelationskoeffizienten von Eins“ [FaEg05, 37], was also wieder bedeutet, dass „ein höherer Wert auf eine bessere Qualität der Messung schließen lässt“ [Hans04, 24]. Alle gemessenen ICR-Werte waren größer als der vom Fornell-Larcker-Kriterium vorgeschlagene Wert von 0,7, weshalb keine Indikatorelimination vorgenommen werden musste [FoLa81, 45].
Die Diskriminanzvalidität „beschreibt das Ausmaß, mit dem die jeweils reflektiv operationalisierten latenten Variablen tatsächlich eigenständige Konstrukte darstellen“ [RiSp07, 213]. Zur Messung wird die durchschnittlich erfasste Varianz (Average Variance Extracted, AVE) der Konstrukte vorgeschlagen [FoLa81, 45f.], welche 0,5 übersteigen und größer als jede quadrierte Korrelation dieses Konstrukts mit einem anderen Konstrukt im Modell sein sollte [Fuch11, 17]. Beide AVE-Werte lagen im untersuchten Modell über dem empfohlenen Mindestwert und den jeweils quadrierten Korrelationen zu den anderen Konstrukten (siehe Anhang, Punkt F).
Tabelle 6 listet alle Werte für die oben beschriebenen Gütemaße des reflektiven Messmodells auf.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 6 : Gütebeurteilung des reflektiven Messmodells
Letztendlich, nach der Elimination von IU6, kann das reflektive Modell als reliabel und valide angesehen werden, da alle Gütekriterien erfüllt wurden [HeRS09, 300].
Die Gütebeurteilung eines formativen Messmodells kann nicht mit denselben Prüfverfahren eines reflektiven Modells durchgeführt werden [FaEg05, 38]. Deshalb werden hier andere Methoden angewandt.
Die Indikatorrelevanz überprüft den Beitrag jedes Indikators zur Konstruktbildung [KrGL05, 77ff] und liefert einen ersten Anhaltpunkt zur Validitätsprüfung formativer Konstrukte [Fuch11, 28]. Zur Gütebeurteilung wird die Schätzung der Multikollinearität vorgeschlagen [FoBo82, 442]. „Unter Multikollinearität versteht man den Grad der linearen Abhängigkeit der Indikatoren“ [FaEg05, 40]. Im Gegensatz zu reflektiven Messmodellen ist eine hohe Multikollinearität der Indikatoren bei formativen Konstrukten problematisch, da hier die Indikatoren das Konstrukt beschreiben und deshalb möglichst unabhängig voneinander sein sollen [Fuch11, 28f]. Eine Möglichkeit die Multikollinearität zu messen, ist der Varianzinflationsfaktor (Variance Inflation Factor, VIF), welcher für jeden Indikator kleiner als zehn sein sollte [KrGL05, 79]. Für diese Berechnung wurde der Indikator IU1 („Ich würde Facebook auf jeden Fall nutzen“) stellvertretend für das abhängige Konstrukt IU und alle formativen als unabhängige Indikatoren verwendet. Insgesamt lagen alle VIF-Werte zwischen eins und drei und damit alle Indikatoren deutlich unter dem vorgeschlagenen Maximalwert von zehn. Dies bedeutet, dass keine schwerwiegenden Multikollinearitäten vorliegen und die Indikatoren somit als weitgehend eigenständig angesehen werden können (siehe Anhang, Punkt G). Der Indikator DSB13 erreichte mit 1,117, den kleinsten, PU6 mit 2,381 den größten VIF-Wert.
Das Gewicht γ jedes Indikators sagt aus, wie stark der Einfluss auf das einzelne Konstrukt ist. Im formativen Messmodell werden die Gewichte über die multiple Regressionsanalyse bestimmt [FaEg05, 38]. Im Anschluss an die Berechnung der einzelnen Gewichte wurden diese mittels eines t-Testes auf ihre Signifikanz überprüft. Dies ermöglicht das nicht-parametrische Bootstrapping-Verfahren, welches mithilfe von Stichprobenziehungen einzelne Verteilungsannahmen der Gewichtungen trifft [Fuch11, 31ff]. Für die Schätzung wurden die 1628 gültigen Umfragedatensätzen als Fälle und 2000 Durchläufe („Ziehen mit Zurücklegen“) festgesetzt. Zur Beurteilung der Signifikanz wurden vier verschiedene Niveaus anhand der Irrtumswahrscheinlichkeiten p < 0,001 (***), < 0,01 (**), < 0,05 (*) und ≥ 0,05 (nicht signifikant, n.s.) festgelegt (siehe Anhang, Punkt H). Tabelle 7 zeigt das Gewicht und die jeweilige Signifikanz aller formativen Indikatoren.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 7 : Gewichte und Signifikanz der formativen Indikatoren
Die Mehrzahl der formativen Indikatoren des Modells wiesen eine hohe Signifikanz mit einer Irrtumswahrscheinlichkeit von p < 0,001 auf. Doch selbst die als nicht signifikant klassifizierten Indikatoren mussten weiterhin im Modell berücksichtigt und durften nicht eliminiert werden, da in einem formativen Messmodell die Indikatoren das jeweilige Konstrukt beschreiben [FaEg05, 39] und eine Elimination daher den konzeptionellen Inhalt des Konstrukt verändern würde [BoLe91, 308].
[...]
