Bildungsdiversität im sozialen Netzwerk. Erhöht eine hohe Vielfalt den Karriereerfolg?

Inhaltsverzeichnis

Tabellen- und Abbildungsverzeichnis

Zusammenfassung

Abstract

1. Einleitung

2 Theoretischer Hintergrund und Fragestellung
2.1 Karriereerfolg
2.1.1 Karriereerfolg in der Wissenschaft
2.2 Social Capital, Unterstützung und Bildungsdiversität als Prädiktoren für Karriereerfolg
2.2.1 Social Capital
2.2.2 Social Capital als Prädiktor für Karriereerfolg
2.2.3 Entwicklungsnetzwerke
2.2.4 Bildungsdiversität sozialer Netzwerke

3. Methode
3.1 Untersuchungsdesign
3.2 Stichprobe und Stichprobenerhebung
3.2.1 Teilnehmende
3.2.2 Entwicklungsnetzwerke der Teilnehmenden
3.3 Messinstrumente
3.3.1. Bildungsdiversität im sozialen Netzwerk
3.3.2. Subjektiver und objektiver Karriereerfolg
3.3.3. Unterstützung
3.4 Statistische Analyse
3.4.1 Statistisches Modell

4. Ergebnisse
4.1 Vorbereitende Analysen und deskriptive Statistik
4.2 Ergebnisse der Mediationsanalysen
4.3 Explorative Untersuchung

5. Diskussion
5.1 Interpretation der Ergebnisse
5.1.2 Effekte der Bildungsdiversität des Entwicklungsnetzwerkes
5.1.3 Effekte der Unterstützung
5.1.4 Mediationseffekte
5.1.5 Unterschiede zwischen Pre- und Post-Docs
5.2 Grenzen der Untersuchung
5.3 Theoretische Implikationen
5.4 Praktische Implikationen
5.5 Fazit

Literaturverzeichnis

Anhang

Tabellen- und Abbildungsverzeichnis

Tabelle 1 Mittelwerte, Standardabweichungen und Interkorrelationen der Variablen der Hypothesentestung

Tabelle 2 Ergebnisse des totalen Effekts der Bildungsdiversität im sozialen Netzwerk auf den Karriereerfolg (H1)

Tabelle 3 Signifikante Ergebnisse des direkten Effekts der Bildungsdiversität im sozialen Netzwerk auf die karrierebezogene Unterstützung (H2.2)

Tabelle 4 Ergebnisse des direkten Effekts der Unterstützungsdimensionen auf den Karriereerfolg (H3.1 und H3.2)

Tabelle 5 Signifikante Ergebnisse des indirekten Effekts der Bildungsdiversität im sozialen Netzwerk auf den Karriereerfolg über die karrierebezogene Unterstützung (H4)

Abbildungsverzeichnis

Abbildung 1. Mediationsmodell zur Untersuchung des Einflusses der Bildungsdiversität im sozialen Netzwerk auf den subjektiven und objektiven Karriereerfolg, mediiert durch die Unterstützung

Zusammenfassung

Soziale Netzwerke gelten als bedeutender Prädiktor für Karriereerfolg. Dabei erweist sich besonders die Diversität von Netzwerkkontakten als förderlich, da mit ihr eine Vielfalt an Ressourcen einhergeht, aus denen diverse Kompetenzen und Fähigkeiten erworben werden können. Wissenschaftler/-innen sollten hinsichtlich vieler Aspekte ein diverses Entwicklungsnetzwerk besitzen, das ihnen auf privater und karrierebezogener Ebene Unterstützung bieten kann. Dabei wird angenommen, dass Kontakte aus unterschiedlichen sozialen Kontexten mit verschiedenen Bildungshintergründen ein wichtiges Merkmal von nützlichen Unterstützungsnetzwerken sind. In der vorliegenden Bachelorarbeit wurde der Einfluss der Bildungsdiversität sozialer Netzwerke auf den Karriereerfolg von 519 Wissenschaftler/-innen untersucht. Bei diesem Zusammenhang wurde eine Mediation über die zwei Unterstützungsdimensionen private und karrierebezogene Unterstützung angenommen. Innerhalb mehrerer Mediationsanalysen wurde der Effekt auf die Karrierezufriedenheit und den erlebten Karriereerfolg als subjektive Erfolgskriterien, sowie auf die Gesamtzahl wissenschaftlicher Publikationen und die Anzahl bewilligter Drittmittelprojekte als objektive Erfolgskriterien, untersucht. Signifikante Ergebnisse konnten für den indirekten Effekt über den Mediator karrierebezogene Unterstützung auf beide subjektiven Erfolgskriterien gefunden werden. Bei der Testung von zeitversetzten Effekten wurde zusätzlich ein indirekter Effekt auf die Gesamtzahl wissenschaftlicher Publikationen erkannt. Zukünftige Forschung sollte weitere Diversitätsdimensionen als Prädiktoren für den Karriereerfolg untersuchen.

Schlagwörter: Diversität, Bildungsunterschiede, soziale Netzwerke, Entwicklungsnetzwerke, wissenschaftlicher Karriereerfolg, Wissenschaft, Unterstützungsdimensionen.

Abstract

Social networks are an important predictor for career success. The diversity of network contacts proves to be conducive because it involves a variety of resources from which diverse skills and abilities can be acquired. Scientists should have a diverse developmental network in many aspects that can provide them with support on a personal and career-related level. It is assumed that contacts from different social contexts with different educational backgrounds are an important feature of useful developmental networks. This bachelor thesis investigates the influence of educational diversity of social networks on the career success of 519 scientists. In this context, the influence is said to be mediated by two support dimensions, private and career-related support. The mediation effect was examined on career satisfaction and perceived career success as subjective success criteria, as well as on the total number of scientific publications and the number of approved third-party funded projects as objective criteria. The results showed a significant indirect effect via the mediator career-related support on both criteria of subjective career success. An additional indirect effect on the total number of scientific publications was detected at a later timepoint. Future research should examine further diversity dimensions as predictors of career success.

Keywords: Diversity, educational diversity, social networks, developmental networks, career success in academia, science, support dimensions

1. Einleitung

Welche Rolle spielen soziale Netzwerke für die berufliche Entwicklung einer Person? Ist eine hohe Diversität in dem eigenen Netzwerk von Vor- oder Nachteil? Wie wirken sich Kontakte unterschiedlicher Bildungshintergründe auf den persönlichen Karriereerfolg aus?

Die Berufswahl und -ausübung gilt für die meisten Menschen als wesentliches Merkmal für ein gelungenes Erwachsenenleben und stellt eines der wichtigsten Zielsetzungen in dem persönlichen Werdegang dar (Abele, 2002; Abele, Andrä & Schute, 1999). Laut Dette (2005) haben Berufs- und Karriereerfolg nicht nur eine ökonomische und gesellschaftliche Bedeutung, sondern leisten ebenso einen maßgebenden Beitrag zur eigenen Identitätsfindung. Damit nehmen Beruf und Karriere insbesondere bei Personen im Alter von ca. 20 bis ca. 65 Jahren einen zentralen Stellenwert in der Lebensplanung und -gestaltung ein (Spurk, Volmer & Adele, 2013; v. Rosenstiel, 2001). Ein erfolgreiches Berufsleben gilt außerdem als eine wesentliche Quelle von Laufbahn- und Lebenszufriedenheit (Abele, Hagmaier & Spurk, 2016; Dette, 2005). Laut Hall und Chandler (2005) stellt der Laufbahnerfolg eine bedeutende Lebensressource dar, weshalb die Identifizierung seiner Prädiktoren im Fokus der Forschung liegt (Ng & Feldman, 2014a). Neben dem Ziel, möglichst präzise Prognosen und Handlungsempfehlungen für individuelle Karriereverläufe abgeben zu können, kommt der Erforschung des Karriereerfolgs in der Wissenschaft auch aus gesellschaftlicher Perspektive eine wichtige Verantwortung zu. Nachwuchswissenschaftler/-innen leisten einen entscheidenden Beitrag zu Innovation, sowie zum wissenschaftlichen und gesellschaftlichen Erkenntnisgewinn. Sie sind die Voraussetzung, um zukünftige qualifizierte Arbeitskräfte in der modernen Wissensgesellschaft sicherstellen zu können, weshalb ihre Erforschung eine verantwortungstragende Rolle innerhalb der Gesellschaft darstellt (Konsortium Bundesbericht Wissenschaftlicher Nachwuchs, 2017).

Die Prädiktoren von Laufbahnerfolg wurden bereits von verschiedenen Wissenschaftlern untersucht (Dries, Pepermans & Carlier, 2008; Heslin, 2005; Hirschi, 2015). Dabei ergaben bisherige Studien, dass eine Vielzahl von Faktoren den Karriereerfolg hervorsagen (Ng, Eby, Sorensen & Feldman, 2005). Zu den Vorhersagefaktoren zählen organisationale, motivationale, (sozio-)demografische, Persönlichkeits- und Humankapital Variablen, welche sich in unterschiedlichem Ausmaß positiv auf den objektiven und subjektiven Karriereerfolg auswirken (Judge, Cable, Boudreau & Bretz, Jr., 1995; Ng et al., 2005). Auch das Sozialkapital gilt als bedeutender Prädiktor und hat einen positiven Einfluss auf den Laufbahnerfolg (Seibert, Kraimer & Liden, 2001). Es bildet sich durch soziale Strukturen aus, beinhaltet die sozialen Beziehungen und kann damit als soziales Netzwerk zusammengefasst werden (Adler & Kwon, 2002). Bei der Betrachtung sozialer Netzwerke erwies sich eine Diversität von Kontaktpersonen als förderlich für die persönliche Entwicklung und die Karrierelaufbahn (Seibert et al., 2001; Staw & Sutton, 2000a). Die Erforschung von Diversitätsdimensionen nimmt zwar bislang keinen zentralen Platz in der Karriereforschung ein (Prasad, D’Abate & Prasad, 2007), dennoch ist die Wirkung verschiedener Diversitätsaspekte auf den Karriereerfolg, wie z.B. das Geschlecht, Internationalität, Expertisen oder die hierarchische Position, bereits beleuchtet worden (Chanland & Murphy, 2018). Laut Chanland und Murphy (2018) sind die Eigenschaften der Diversität für ein optimales soziales Netzwerk noch nicht hinreichend ausdifferenziert und erforscht. Daher gilt es ihre Aspekte weiterhin zu untersuchen, um daraus fördernde Erkenntnisse für den idealen Person-Network-Fit gewinnen zu können. Vor allem zur Diversität von Bildungsunterschieden der Netzwerkkontakte sind in der aktuellen Literatur keine konkreten Hinweise zu entdecken. Diesem Mangel soll mit den Untersuchungen in dieser Arbeit entgegengewirkt werden. Ziel der Arbeit ist es, die Wirkung von Bildungsunterschieden der Kontakte im persönlichen Netzwerk zu erforschen. Es soll erfasst werden, wie sich eine hohe Bildungsdiversität im sozialen Netzwerk auf den Karriereerfolg auswirkt, um zu erkennen inwiefern der Karriereerfolg durch eine Vielzahl von Kontakten aus verschiedenen Bildungsbereichen unterstützt werden kann. Mithilfe dieser Untersuchung soll ein Beitrag zur Präzisierung der Prädiktoren für subjektiven und objektiven Karriereerfolg von Wissenschaftler/-innen, als auch Handlungsempfehlungen zur gesellschaftlichen Struktur geleistet werden.

Im Folgenden werden alle bedeutsamen Begriffsbestimmungen zur Erläuterung der Fragestellungen und Hypothesen aufgeführt und in den theoretischen Kontext eingebettet.

2. Theoretischer Hintergrund und Fragestellung

2.1 Karriereerfolg

Durch welche Faktoren wird eine erfolgreiche Berufslaufbahn definiert?

Karriereerfolg oder career success wird von Judge et al. (1995) als „the real or perceived achievements individuals have accumulated as a result of their work experiences“ (S.486) beschrieben. Er wird somit als die positiven psychologischen und arbeitsbezogenen Ergebnisse aus den Arbeitserfahrungen eines Individuums zusammengefasst (Seibert, Crant & Kraimer, 1999). Der Laufbahnerfolg setzt sich aus den objektiven und subjektiven Erfolgen zusammen, die eine Person im Laufe ihres beruflichen Werdegangs erzielt (Spurk, Abele & Volmer, 2010). Dabei wird der Erfolg über die gesamte Zeitspanne hinweg betrachtet und inhaltlich oder zeitlich nicht auf eine bestimmte Arbeitsstelle oder einen Abschnitt beschränkt (Dette, Abele & Renner, 2004). Zur Erfassung wird gängiger Weise zwischen subjektivem und objektivem Karriereerfolg unterschieden (Ng et al., 2005).

Der subjektive oder intrinsische Karriereerfolg umfasst die interne Auffassung und Bewertung der eigenen Karriere über verschiedene Dimensionen hinweg, die für das Individuum von Bedeutung sind (Arthur, Khapova & Wilderom, 2005). Individuen besitzen damit unterschiedliche Wertevorstellungen über einzelne Faktoren, wie z. B. die Arbeits- und Karrierezufriedenheit (Judge, Higgins, Thoresen & Barrick, 1999). Die Arbeitszufriedenheit, welche sich im Gegensatz zur Karrierezufriedenheit auf die aktuelle Jobposition beschränkt, wird als ausschlaggebender Faktor von Karriereerfolg angenommen (Judge & Bretz, Jr., 1994; Judge et al., 1999). Die Erhebung subjektiver Kriterien erfolgt lediglich über Selbstauskünfte, z.B. Fragebögen oder Interviews, die auf einer individuellen Einschätzung beruhen (Abele & Spurk, 2009). Sie können durch selbst-referenzielle (self-referent) und fremd-referenzielle (other-referent) Ansätze gemessen werden. Selbst-referenzielle Aspekte beinhalten die eigene Einschätzung des Erfolgs über explizite und implizite eigene Standards, beispielsweise der eigene Anspruch oder persönliche Karriereziele (Heslin, 2003). Der fremd­referenzielle Ansatz zeichnet sich durch die Evaluation der eigenen Kriterien mittels eines externen Vergleichsstandards aus, z.B. gegenüber Kollegen oder normativen Erwartungen (Kauffeld & Spurk, 2018). Weitere subjektive Kriterien für Laufbahnerfolg können die Work­Life-Balance oder Sinnhaftigkeit für die eigene Tätigkeit sein (Heslin, 2005).

Objektiver oder extrinsischer Karriereerfolg ist prinzipiell durch Beobachtungen erfassbar und beinhaltet von außen sichtbare und von anderen evaluierbare Faktoren. Er wird anhand neutraler, vergleichbarer Kennzahlen gemessen. Je höher die Ausprägung auf den Kriteriumsvariablen, als desto erfolgreicher kann die Laufbahn der Person eingestuft werden (Barthauer, Estel, Dubbel, Kauffeld & Spurk, 2016). Beispiele sind die Höhe des Einkommens, die Anzahl der Beförderungen, die hierarchische Position oder unter Wissenschaftler/-innen die Anzahl an Publikationen (Judge et al., 1995; Judge et al., 1999).

Subjektiver und objektiver Karriereerfolg unterscheiden sich konzeptionell und in der Art der Erfassung voneinander, weshalb die Berücksichtigung beider Formen bedeutsam ist, um ein möglichst realitätsentsprechendes Abbild zu erfassen (Gattiker & Larwood, 1989). Die Differenzierung beider Dimensionen ist von hoher Relevanz, da sich beispielsweise viele extrinsisch erfolgreiche Individuen nicht zugleich subjektiv erfolgreich oder zufrieden mit ihrer Leistung fühlen (Korman, Wittig-Berman & Lang, 198l). Dennoch sind beide Formen von Karriereerfolg keine voneinander unabhängigen Konstrukte (Abele & Spurk, 2009).

Zahlreiche plausible Erklärungsansätze existieren über die Richtung des Einflusses zwischen beiden Konstrukten, in den meisten Fällen wird jedoch eine Abhängigkeit des subjektiven vom objektiven Karriereerfolg unterstellt (Arthur et al., 2005).

Die eben aufgeführten Kriterien von subjektivem und objektivem Karriereerfolg zielen auf die Definition von klassischen Karrieren im wirtschaftlichen Kontext ab (Judge et al., 1995; Ng et al., 2005). Laut Heslin (2005) ist die Konzeptualisierung von Karriereerfolg jedoch abhängig von kontextuellen und individuellen Faktoren, weshalb seine Definition abhängig vom jeweiligen Individuum, Berufsfeld oder der Organisation ist (Abele, Spurk & Volmer, 2011; Baruch & Hall, 2004). Neuere Erkenntnisse zeigen, dass in der Wissenschaft ein etwas anderes Verständnis von Karriereerfolg als in der Wirtschaft vorliegt (Barthauer et al., 2016). Da in dieser Bachelorarbeit eine Untersuchung mit Wissenschaftler/-innen durchgeführt wurde, wird im Folgenden das Konstrukt Karriereerfolg in der Wissenschaft getrennt erläutert.

2.1.1 Karriereerfolg in der Wissenschaft.

Da sich Laufbahnen von Wissenschaftler/- innen hinsichtlich verschiedener Aspekte von Laufbahnen in der Wirtschaft unterscheiden, geht man von anderen Kriterien bezüglich der Bedeutung von Karriereerfolg aus (Barthauer et al., 2016). Vergangene Studien haben sich auf die Parameter Promotionsdauer oder Forschungsproduktivität als Erfolgskriterium in der Wissenschaft konzentriert. Zur subjektiven Wahrnehmung von Karriereerfolg existierten jedoch kaum Forschungsbefunde. Auf Grund der unzureichenden Kenntnisse über die Bedeutung und Erfassung von Karriereerfolg im Wissenschaftssystem, entwickelten Barthauer und al. (2016) ein Kategoriensystem, um eine differenzierte Darstellung der Bedeutung von Laufbahnerfolg bei Wissenschaftler/-innen zu erarbeiten. In diesem System wurden subjektive und objektive Laufbahnerfolgskriterien anhand qualitativer Interviews erfasst und anschließend zu Kategorien zugeteilt. Insgesamt konnten sechs Kategorien im Bereich der objektiven Kriterien und zehn im Bereich der subjektiven Kriterien identifiziert werden.

Objektive Kriterien wurden unterteilt in die Sparten Finanzierung, Entfristung/Sicherheit, Leistungsposition, Leistung/Ergebnisse, Lehrevaluationen und Arbeitgeber-Ranking. Hierbei wurde die Leistungsposition als häufigste Kategorie gewählt. Sie gilt als zentrales Erfolgskriterium in der Wissenschaft und bildet die Voraussetzung zum Erreichen anderer objektiver Kriterien wie z.B. die Entfristung und die damit einhergehende langfristige Finanzierung. Letztere Kriterien sind daher ebenso von besonderer Relevanz für Wissenschaftler/-innen. Die nächsthäufig angesprochene Kategorie Leistung/Ergebnisse ist ebenfalls eine wichtige Voraussetzung zum Erreichen einer Leistungsposition. Sie beinhaltet die Arbeitsergebnisse und wissenschaftlichen Leistungen wie z.B. erfolgreich eingeworbene Drittmittel, Publikationen oder die Anzahl an Zitationen. Der wissenschaftliche Output in Form von Publikationen und die daran hängende Anzahl an Zitationen erhöhen die Forschungsproduktivität und gelten als zwei der wichtigsten Erfolgskriterien in der Wissenschaft (Baruch & Hall, 2004; Horta & Santos, 2016). Der Erwerb von Drittmitteln stellt eine wichtige Ressourcenquelle der Hochschulen für die Finanzierung von Forschung dar und wird zur Evaluation und Zielvereinbarung von Wissenschaftler/-innen herangezogen (Gross & Jungbauer-Gans, 2007; Zwick, 2010). Damit lassen sich die Publikations- und Drittmittelanzahl als die dominanten Indikatoren zur Messung von Forschungsqualität und folglich auch von wissenschaftlichem Karriereerfolg identifizieren (Münch, 2006).

Subjektive Kriterien wurden den Subkategorien Zufriedenheit/Well-being, Balance, Autonomie, Reputation, Generativität, Zielerreichung, Entwicklung/Lernen, Sinnerleben, Kompetenzen/Eigenschaften und Kooperationen zugeordnet. Die Wissenschaftler/-innen schätzten hierbei am meisten Zufriedenheit/Well-being, Autonomie und Reputation. Die Karrierezufriedenheit wird auch von Sutherland (2017) als wichtigstes Kriterium für den subjektiven Karriereerfolg in der Wissenschaft vorgestellt. Die Untersuchung zeigte auf, dass der Anteil genannter subjektiver Kriterien in den Interviews signifikant höher war als der Anteil objektiver Aspekte (Barthauer et al., 2016). Daraus lässt sich schließen, dass der subjektive Karriereerfolg bei Wissenschaftler/-innen einen höheren Stellenwert einnimmt.

Laut Sutherland (2017) berücksichtigen noch immer wenige Studien die Bedeutung von Karriereerfolg in der Wissenschaft, sodass es gilt, sich weiterhin mit seiner Ausdifferenzierung zu befassen. Auch die ursächlichen Einflussfaktoren gelten bislang als nicht hinreichend erforscht (Kauffeld, Spurk, Barthauer, Kaucher, Wagner & Nixon, 2014), womit diese Bachelorarbeit für vier ausgewählte Kriterien zur Messung des Karriereerfolgs einen fördernden Beitrag leistet. Als gängige Kriterien zur Erfassung des objektiven Karriereerfolgs von Wissenschaftler/-innen zählen die Gesamtzahl wissenschaftlicher Publikationen sowie die Anzahl der bewilligten Drittmittelprojekte (Schubert & Engelage, 2011). Sie gelten als wichtigste Faktoren für den erfolgreichen Verlauf einer wissenschaftlichen Karriere und wurden von Mitgliedern der Deutschen Gesellschaft für Psychologie (DGPs) als maßgebende Kriterien für die Berufung auf eine Professur genannt (Abele-Brehm & Bühner, 2016). Außerdem lässt sich empirisch belegen, dass eine hohe Anzahl an Publikationen ein wichtiger Indikator für den Verbleib in der Wissenschaft ist und die Wahrscheinlichkeit für ein Ausscheiden aus der Wissenschaft um ungefähr sechs Prozent verringert (Balsmeier & Pellens, 2014).

Subjektiver Karriereerfolg wird in dieser Arbeit mittels der Kriterien Karrierezufriedenheit und dem erlebten Karriereerfolg abgebildet. Die vorliegende Untersuchung konzentriert sich auf diese zwei subjektiven Erfolgskriterien, da sie als beste Prädiktoren für Sozialkapital gelten und maßgeblich von sozialer Unterstützung hervorgesagt werden (Kram, 1985; Whitley et al., 1991). Damit gelten sie als zuverlässige Parameter zur Messung der Zusammenhänge in dieser Untersuchung. Anhand der vier eben aufgezeigten Erfolgskriterien soll der Einfluss eines bildungsdiversen Netzwerkes auf den Karriereerfolg einer Person erfolgreich aufgezeigt werden.

2.2 Social Capital, Unterstützung und Bildungsdiversität als Prädiktoren für Karriereerfolg

Da in dieser Bachelorarbeit der Fokus auf dem Einfluss der Bildungsdiversität im sozialen Netzwerk auf den Karriereerfolg liegt, werden im Folgenden die relevanten Prädiktoren Social Capital, Unterstützung und Bildungsdiversität vorgestellt.

2.2.1 Social Capital.

Social Capital wird von Adler und Kwon (2002) definiert als “the goodwill available to individuals or groups. Its source lies in the structure and content of the actor's social relations. Its effects flow from the information, influence, and solidarity it makes available to the actor.“ (S.23). Das Sozialkapital beinhaltet damit Informationsgehalt und Ressourcen, die bereitgestellt werden durch die Struktur und den Inhalt von sozialen Beziehungen sowie die daraus resultierenden Handlungsmöglichkeiten für die einzelnen Akteure im sozialen Netzwerk (Adler & Kwon, 2002; Coleman, 1990). Das soziale Netzwerk bezeichnet damit ein Geflecht von Verbindungen zwischen bestimmten sozialen Akteuren (Seibert et al., 2001). Die im Zentrum des Netzwerks liegende Person wird in der Netzwerkforschung als Ego bezeichnet, seine Verbindungspunkte im Netzwerk Alteri (Dobrow, Chandler, Murphy & Kram, 2012). Im persönlichen sozialen Netzwerk befinden sich alle Personen, zu denen der zentrale Akteur jegliche Art von Relation hält, z. B. Familie, Freunde oder Arbeitskollegen. Die potentiellen Ressourcen werden für das Ego durch direkte und indirekte Verbindungen zu anderen Akteuren (external) oder innerhalb einer Kollektivität (internal) wirksam (Staw & Sutton, 2000b). Bei Betrachtung der Qualität der Beziehungen wird laut Granovetter (1973) zwischen starken Verbindungen (strong ties) und schwachen Verbindungen (weak ties) unterschieden. Starke Verbindungen (strong ties) finden sich oft in Freundschaft und Familie. Sie zeichnen sich durch eine häufige Interaktion aus und bieten sozio-emotionale Unterstützung sowie die Möglichkeit der Übermittlung komplexer Informationen (Barthauer & Kauffeld, 2018; Hansen, 1999; Seibert et al., 2001). Schwache Verbindungen (weak ties) dagegen sind von der Kontakthäufigkeit und der sozio-emotionalen Nähe weniger intensiv, dadurch jedoch weniger kostenintensiv und deshalb häufiger vorhanden als starke Verbindungen (strong ties). Durch ihre Beschaffenheit haben sie eher die Fähigkeit Mitglieder verschiedener kleiner Gruppen zu verbinden, wohingegen starke Verbindungen üblicherweise innerhalb bestimmter Gruppen konzentriert sind (Granovetter, 1973). Schwache Verbindungen (weak ties) liefern vor allem Zugang zu unterschiedlicher, non-redundanter Information (Barthauer & Kauffeld, 2018; Seibert et al., 2001).

Soziale Verbindungen einer Art oder Stärke (z. B. Freundschaft) können zu verschiedenen Zwecken (z. B. materielle Unterstützung, emotionaler und beruflicher Rat) genutzt werden, wodurch eine Breite an Vorteilen aus nur einer sozialen Beziehung gezogen werden kann (Adler & Kwon, 2002). Dieses Merkmal von sozialem Kapital, das alle sozialen Komponenten und Verbindungen beinhaltet, wird von Coleman (1988) als Appropriability bezeichnet. Sozialkapital ist damit eine der Kapitalformen, die am wenigsten greifbar ist, da ihr Inhalt in zwischenmenschlichen Beziehungen verankert ist (Hirschi, 2012). Sie unterscheidet sich von den anderen darin, dass sie nicht innerhalb der Akteure lokalisiert ist, sondern erst durch Verbindungen zu anderen Akteuren in Kraft tritt (Coleman, 1990). Folglich fordert es eine beidseitige Vereinbarung und Kooperation, um aufgebaut werden zu können (Burt, 1992). Daraus schlussfolgernd bedarf Social Capital einer Instandhaltung bzw. Aufrechterhaltung. Soziale Bindungen müssen stetig bestätigt oder erneuert werden, um ihre Funktion nicht zu verlieren (Adler & Kwon, 2002).

2.2.2 Social Capital als Prädiktor für Karriereerfolg.

Social Capital gilt als bedeutender Parameter für den individuellen Werdegang (Staw & Sutton, 2000a) und gehört zu den Kategorien, die beide Kriterien beruflichen Erfolgs gleichermaßen gut vorhersagen (Volmer & Köppe, 2019). Zahlreiche Wissenschaftler/-innen konnten positive Effekte von Social Capital auf subjektive und objektive Erfolgskriterien herausfinden (Kauffeld & Spurk, 2018). Eine der fundamentalen Theorien ist die von Seibert und al. (2001), in der positive Zusammenhänge zwischen Social Capital und Karriereerfolg herausgefunden wurden, die durch drei maßgebende Faktoren bestimmt sind: Social Capital liefert Zugang zu mehr Informationen, Ressourcen und Berufsförderung und -unterstützung. Es konnten positive Effekte auf die Kriterien Gehalt, Anzahl an Beförderungen und die Karrierezufriedenheit festgestellt werden (Seibert et al., 2001).

In der bisherigen Netzwerkforschung wurde ausgiebig der Einfluss von Mentoring im Beruf untersucht. Hierbei wird die professionelle und psychosoziale Entwicklung eines Individuums von einem Mentor unterstützt und betreut (Janasz & Sullivan, 2004; Kram, 1985; Russell & Adams, 1997). Dementsprechend kann der Mentor seinem Protégé mittels laufbahnbezogener und psychosozialer Unterstützung zur Seite stehen (Kram, 1988). Mentoring durch eine erfahrene Person wirkt sich positiv auf die eigene Karriereentwicklung und den -fortschritt, sowie auf die Karrierezufriedenheit aus (Dreher & Ash, 1990; Fagenson, 1989; Higgins & Thomas, 2001a). Laut einer Metaanalyse von Allen, Eby, Poteet, Lentz und Lima (2004) erbringen mentorierte Personen eine bessere berufliche Leistung, erzielen ein größeres Einkommen und erfahren häufigere Beförderungen. Sowohl die laufbahnbezogene als auch die psychosoziale Unterstützung des Mentors erweisen sich für alle genannten Kriterien als förderlich. Die traditionelle Mentoringforschung geht von einer dyadischen Beziehung (Zweierbeziehung) mit einem einzelnen Mentor aus, der meistens der eigenen Organisation entstammt (Allen, 2007; Forret & Janasz, 2005; Haggard, Dougherty, Turban & Wilbanks, 2011; Scandura & Williams, 2001). House (1981) führte jedoch erstmalig an, dass die Gesamtheit einer Diversität von sozialen Beziehungen die gleichen Unterstützungsfunktionen wie ein einzelner Mentor hervorbringen kann. Die Diversität der Kontakte gewährleistet dem Individuum vielfältige Ressourcen, welche seine persönliche Entwicklung und die Karrierelaufbahn positiv beeinflussen (Seibert et al., 2001; Staw & Sutton, 2000a). Diesen Ansatz beschreibt auch das Networking-Modell, das von einem größeren sozialen Netzwerk innerhalb oder außerhalb der eigenen Organisation ausgeht, auf das der Protégé zurückgreifen kann (Bozionelos, 2015; Dobrow et al., 2012). Networking beschreibt das Aufbauen und Pflegen informeller Kontakte, um einen Nutzen für die persönliche Laufbahn daraus zu ziehen (Wolff & Moser, 2006). Das eigene Netzwerkverhalten bestimmt dabei die erhaltene Mentoringunterstützung, die hierarchische Position, das Einkommen und die Karrierezufriedenheit (Wingender & Wolff, 2017).

Die berufliche und psychosoziale Unterstützung eines Individuums geht somit nicht nur von einer Person aus, sondern von mehreren, die einem Unterstützungsnetzwerk angehören, das über das eigene Unternehmen hinausgeht (Baugh & Scandura, 1990; Higgins, 2000a; Kram, 1985). Laut Higgins und Kram (2001) müssen Individuen zunehmend außerhalb ihres eigenen Unternehmens nach vielseitigen Beziehungen schauen, um eine nützliche entwicklungsfördernde Unterstützung zu erhalten. Vorliegende Studien belegen, dass soziale Kontakte aus vielfältigen Bereichen förderlich für die eigene berufliche Entwicklung sind (Eby, Butts & Lockwood, 2003; Higgins, 2001). Der technologische Wandel und die zunehmend internationale Vernetzung in der modernisierten Arbeitswelt bevorzugen jene Individuen, die ihre persönlichen Kontakte aus unterschiedlichen Quellen beziehen (Higgins & Kram, 2001). Durch die größere Diversität erhalten diese mehr Zugang zu unterschiedlichen Informationen, aus denen sie vielfältigere Kompetenzen erwerben können (Higgins & Kram, 2001). Diverse Kontakte gewährleisten damit Zugang zu neuem, unbekannten Wissen und eröffnen neue Möglichkeiten (Higgins & Thomas, 2001b). Laut Arthur (1994) öffnen diverse Kontakte außerdem Zugang zu weiteren neuen Kontakten, aus denen sich z.B. neue Jobperspektiven ergeben können (Eby et al., 2003a), welche sich im objektiven Karriereerfolg widerspiegeln. Eine hohe Anzahl an Kontakten außerhalb der eigenen Organisation soll zudem zu einer besseren Leistung und einer höheren Karrierezufriedenheit führen (Kirchmeyer, 2005). Auch bei der Betrachtung von Wissenschaftler/-innen stellte sich heraus, dass sich diese für individuellen Karriereerfolg auf ein diverses Entwicklungsnetzwerk konzentrieren sollten, um aus diversen Fähigkeiten und Ressourcen profitieren zu können (Janasz & Sullivan, 2004; Sargent & Waters, 2004).

Des Weiteren erläutert Burts (2001) Ansatz struktureller Löcher den Vorteil von Akteuren im Netzwerk, die durch die Überbrückung fehlender Verbindungen zwischen einzelnen Alteri Zugang zu nicht verbundenen Gruppen erhalten. Durch ihre zentrale Positionierung im Netzwerk gelangen sie zu non-redundanter Information, welches für sie einen Vorteil in der Informationsbereitstellung erbringt. Bezugspersonen aus unterschiedlichen sozialen Bereichen zu beziehen, beinhaltet somit Zugang zu diverser non­redundanter Information zu erhalten (Burt, 2000). Hierbei gilt, je größer der Netzwerkumfang und je weniger verbunden die Kontakte untereinander, desto weniger redundant ist die bereitgestellte Information (Higgins & Kram, 2001). Neben der Größe, sind auch die Spannweite und Dichte des Netzwerks weitere Netzwerkstrukturen, die den Karriereerfolg beeinflussen (Dobrow et al., 2012). Burts Ansatz fokussiert sich auf die Vorteile struktureller Aspekte von Verbindungen in Netzwerken. Er konzentriert sich auf die vorteilerbringende Positionierung auf struktureller Ebene, wodurch der Einfluss der unterschiedlichen Merkmalsausprägungen der Kontakte außer Acht gelassen wird. Durch das Fehlen der Betrachtung der Netzwerkkontakte auf der Merkmalsebene, bleibt auch die Auswirkung unterschiedlicher Bildungsausprägungen der Kontakte unberücksichtigt. Dem Ansatz der Diversität auf Merkmalsebene gilt es in der Forschung nachzugehen, wofür die vorliegende Untersuchung im Bereich der Diversität in der Bildung einen Beitrag leistet.

2.2.3 Entwicklungsnetzwerke.

Weg von der klassischen dyadischen Beziehung als Unterstützung für das Individuum, ist der Fokus auf eine Konstellation von Personen aus unterschiedlichen Lebensbereichen gewandert, welches von Higgins und Kram (2001) als developmental network (Entwicklungsnetzwerk) bezeichnet wird. Sie definieren developmental networks als “egocentric, content-based networks composed of people a protégé names as taking an active interest in and action to advance the protégé's career by providing developmental assistance.“ (Higgins & Kram, 2001, S. 268). Das Entwicklungs­oder Unterstützungsnetzwerk einer Person besteht folglich aus einer Vielzahl von Alteri, auch bezeichnet als Mentoren oder Entwickler, die das Individuum durch diverse Kompetenzen und Ressourcen in ihrer Entwicklung unterstützen (Higgins & Kram, 2001).

Die Beziehungsformen zwischen Ego und Entwicklern lassen sich unterteilen in instrumentelle und expressive Verbindungen (Molloy, 2005), wodurch die Form der Unterstützung in zwei verschiedene Arten klassifiziert werden kann: Instrumentelle Verbindungen bringen dem Ego berufliche und professionelle Vorteile, also rein karrierebezogene Aspekte. Darunter fallen Komponenten wie Sponsoring, Informationszugang, Kontaktaufnahme und Sichtbarkeit, Coaching, Schutz oder herausfordernde Aufgaben. Expressive Verbindungen bieten hingegen psychosoziale und emotionale Unterstützung, etwa wie Beratung, Akzeptanz, Bestätigung oder Freundschaft (Molloy, 2005).

Entwicklungsnetzwerke zeigen sich wertvoll, um eine Vielzahl von Karriereergebnissen zu erzielen, die von der Beförderung und Karriereentwicklung bis zur Klarheit der beruflichen Identität reichen (Dobrow & Higgins, 2005). Kram (1985) und Whitley und al. (1991) konnten außerdem einen positiven Zusammenhang zwischen Unterstützungsnetzwerken und der Anzahl an Gehaltserhöhungen feststellen, bei dem besonders Kontakte außerhalb der eigenen Organisation oder Mitgliedschaften in verschieden Gruppen zu höheren Gehältern führten (Boxman, De Graaf & Flap, 1991). Die Anzahl an Mentoren, die ein Individuum als solche identifiziert, korreliert positiv mit organisatorischem Engagement, der Arbeitszufriedenheit, Karriereerwartung und Vorstellungen von alternativen Jobmöglichkeiten (Baugh & Scandura, 1999). Außerdem kann das Unterstützungsnetzwerk einer Person mehr Variabilität bereitstellen als ein einzelner primärer Mentor (Higgins & Kram, 2001). Universelle Veränderungen wie Globalisierung, technologische Innovationen oder Änderungen in der (demographischen) Organisationsstruktur machen die Unterstützung von Personen, die verschiedene soziale Bereiche abdecken, für Individuen notwendiger denn je (Higgins & Kram, 2001).

Auch in den vier fundamentalen Attributen eines Unterstützungsnetzwerks ist das Kriterium von Kontakten aus unterschiedlichen sozialen Schichten im Netzwerk fest verankert (Dobrow et al., 2012). Als primäres Merkmal von Unterstützungsnetzwerken gilt das Ziel des Mentors, das er verfolgt, um in das Entwicklungsnetzwerk eingebunden zu werden, nämlich sich aktiv für die Karriere des Egos zu interessieren und entsprechende berufsfördernde Maßnahmen zu ergreifen. Entwicklungsnetzwerke können daher als Untergruppe des größeren sozialen Netzwerks des Egos angesehen werden, das speziell auf die Verbesserung des Karrierewachstums des Egos abzielt. Der zweite Aspekt ist das Vorkommen mehrerer Mentoren im Entwicklungsnetzwerk. Als drittes und für diese Arbeit bedeutsames Attribut, kennzeichnen sich Entwicklungsnetzwerke dadurch, dass sie ein breites Spektrum sozialer Bereiche einbeziehen. Entwickler können aus verschiedenen Positionen von innerhalb und außerhalb der eigenen Organisation kommen, unterschiedlichen Hierarchie- und Bildungsebenen entstammen, sowie aus einer Vielzahl von Bereichen außerhalb der Arbeit bezogen werden, wie z.B. Freunde, Familienmitglieder oder weitere Gemeinschaftsgruppen. Verwandte Konstrukte dagegen tendieren dazu eine begrenzte Auswahl an Mentoren oder Entwicklern zu definieren (Murphy & Kram, 2010). Im Vergleich zu diesen ist der Inhalt des Austauschs in Entwicklungsnetzwerken breiter, da vielfältige Entwickler unterschiedliche Beträge (z.B. hoch und niedrig) und Arten (z.B. karrierebezogene und psychosoziale) von Entwicklungsunterstützung bereitstellen können (Dobrow & Higgins, 2005).

Basierend auf diesem theoretischen Hintergrund kann davon ausgegangen werden, dass die Unterstützung aus dem sozialen Netzwerk ein elementarer Prädiktor ist, welcher den Karriereerfolg von Individuen maßgebend beeinflusst. Daraus leitet sich folgende erste Hypothese zur Überprüfung ab:

H1: Je höher die Unterstützung aus dem sozialen Netzwerk, desto höher ist der subjektive und objektive Karriereerfolg.

2.2.4 Bildungsdiversität sozialer Netzwerke.

Zahlreiche Forschungen haben bereits herausgearbeitet, weshalb Kontakte außerhalb der eigenen Organisation und solche aus unterschiedlichen Quellen wichtig für die persönliche Entwicklung und förderlich für den Laufbahnerfolg sind (Higgins & Kram, 2001; Seibert et al., 2001). Je vielseitiger die Quellen der Kontakte, desto verschiedener sind die bereitgestellten Informationen, aus denen das Ego reichhaltige Ressourcen und Kompetenzen erwerben kann. Individuen, die zudem separaten, sozialen Gruppen angehören, haben durch ihre Position im Netzwerk Zugang zu non­redundanter Information und erhalten dadurch potentielle Vorteile im Wettbewerb gegenüber anderen (Burt, 2000; Brass, 1995; Krackhardt, 1994). Des Weiteren erbringen diverse Merkmalsausprägungen der Netzwerkkontakte eine breite Auswahl an Vorteilen für das Individuum. So hat beispielsweise eine hohe Anzahl an Kontakten im Netzwerk mit einem Job eine positive Auswirkung auf die eigene Jobfindung (Flap & Boxman, 2000). Es wird außerdem davon ausgegangen, dass emotionale oder psychosoziale Unterstützung, welche als bedeutender Faktor für die persönliche Entwicklung gilt, als Konstrukt unabhängig von professioneller Unterstützung betrachtet werden kann (Dobrow & Higgins, 2005; Higgins & Kram, 2001; Molloy, 2005). Folglich ist sie unabhängig vom Bildungs- und sozialen Hintergrund und kann gleichermaßen von Akteuren aus einem anderen Bereich gewährleistet werden. Aus welchem sozialen Kontext die Unterstützer des Egos kommen, ist somit irrelevant, solange sie karrierebezogene oder psychosoziale Unterstützung bereitstellen (Barthauer, Sauer & Kauffeld, 2017; Chandler, Kram & Yip, 2011). Des Weiteren heben Dobrow und al. (2012) in den Attributen eines Entwicklungsnetzwerks die Notwendigkeit der Diversität hervor, nämlich ein breites Spektrum von Netzwerkkontakten hinsichtlich sozialer Bereiche und Hintergründe und unterschiedlicher Bildungs- und Tätigkeitsbereiche zu beinhalten.

Unterstützende Kontakte, die über die eigene Organisation hinausgehen, erwiesen sich in der bisherigen Forschung als förderlich, dennoch bleibt eine weiterführende Differenzierung der Eigenschaften bislang wenig erforscht (Chanland & Murphy, 2018). Die Unterscheidung innerhalb dieser Kontakte hinsichtlich ihrer Bildung oder sozialen Kontexte ist unberührt geblieben, sodass keine Aussage über den Einfluss dieses Aspekts getroffen werden kann. Die Bildungsdiversität bildet die Gesamtheit der Bildungshintergründe der sozialen Kontakte im Entwicklungsnetzwerk des Egos ab. Damit soll der Einfluss der Vielfalt der Bildungsstände der Bezugspersonen erfasst werden.

Nachdem die positiven Einflüsse und Eigenschaften der Diversität hinsichtlich verschiedener Aspekte in sozialen Netzwerken beleuchtet wurden, wird davon ausgegangen, dass Kontaktpersonen eines anderen Bildungsbereichs ebenfalls einen förderlichen Beitrag zum Karriereerfolg leisten können. Es wird ein positiver Effekt zwischen der Bildungsvielfalt im Netzwerk und dem subjektiven und objektiven Karriereerfolg erwartet. Aus diesen Annahmen resultieren folgende zwei Hypothesen:

H2: Je höher die Bildungsdiversität im sozialen Netzwerk, desto höher ist die Unterstützung für das Ego.

H3: Je höher die Bildungsdiversität im sozialen Netzwerk, desto höher ist der subjektive und objektive Karriereerfolg.

Die letzte Hypothese leitet sich aus dem Effekt der Bildungsdiversität auf den Karriereerfolg ab. Es wird angenommen, dass die Netzwerkkontakte mittels ihrer Unterstützung den Karriereerfolg des Egos beeinflussen. Der Effekt der Bildungsdiversität auf den Karriereerfolg wird folglich durch die Unterstützung mediiert. Daraus ergibt sich folgende letzte Hypothese:

H4: Der Einfluss der Bildungsdiversität im sozialen Netzwerk auf den subjektiven und objektiven Karriereerfolg wird mediiert von der Unterstützung der Alteri.

Nachdem die Hypothesen aufgeführt wurden, wird im Folgenden das Untersuchungsdesign zur Testung vorgestellt. Hierfür folgt eine Beschreibung der Stichprobe und Messinstrumente, mithilfe dessen die Daten erhoben wurden. Anschließend wird das statistische Verfahren erläutert, mit dem die vorliegenden Daten ausgewertet wurden, bevor im nächsten Kapitel zur Vorstellung der Ergebnisse übergegangen wird.

3. Methode

3.1 Untersuchungsdesign

In der vorliegenden Arbeit wurde der Zusammenhang der Bildungsdiversität sozialer Netzwerke mit dem subjektiven und objektiven Karriereerfolg untersucht. Innerhalb dieser Annahme wurde ein indirekter Einfluss über die Unterstützung der Kontakte im sozialen Netzwerk angenommen. Es handelt sich bei den angenommenen Wirkungszusammenhängen um ein Mediationsmodell, das zum ersten Messzeitpunkt analysiert wurde. Die hier untersuchten Konstrukte wurden somit alle zum selben Zeitpunkt erhoben. Um mögliche zeitverschobene Effekte aufzudecken, wurden im Anschluss zusätzlich Daten des zweiten Messzeitpunktes explorativ untersucht. Dafür wurden Prädiktor und Mediatoren erneut aus dem ersten Messzeitpunkt eingesetzt und Kriterien verwendet, die ein Jahr später gemessen worden sind. Das aufgestellte Mediationsmodell ist in Abbildung 1 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1. Mediationsmodell zur Untersuchung des Einflusses der Bildungsdiversität im sozialen Netzwerk auf den subjektiven und objektiven Karriereerfolg, mediiert durch die Unterstützung.

3.2 Stichprobe und Stichprobenerhebung

Zur Beantwortung der Fragestellungen wurde auf bereits erhobene Daten zurückgegriffen. Diese wurden innerhalb des aktuell laufenden und vom Bildungsministerium für Bildung und Forschung geförderten Forschungsprojekts ProWi+ - Quo vadis Post-Doc: Professur, Wirtschaft oder prekäres Arbeitsverhältnis? Individuelle, soziale und organisationale Faktoren für die Laufbahnentwicklung und den Laufbahnerfolg des wissenschaftlichen Nachwuchses (Kauffeld et al., 2014) seit 2014 jährlich online mittels Fragebögen, Videoaufnahmen und Interviews erhoben. Die längsschnittliche Studie befasst sich mit der Analyse von Laufbahnverläufen und dem Netzwerkverhalten von Wissenschaftler/-innen, um daraus Prädiktoren für den Laufbahnerfolg zu identifizieren und Erkenntnisse für eine erfolgreiche und gesunde Laufbahngestaltung und -entwicklung von Nachwuchswissenschaftler/-innen zu ziehen. Zur Untersuchung der Hypothesen in dieser Arbeit wurden die ersten beiden Messzeitpunkte T1 und T2 aus den Jahren 2014 und 2015 verwendet. Die ursprüngliche Stichprobe beläuft sich auf N = 1375 deutschen Wissenschaftlerinnen und Wissenschaftlern.

3.2.1 Teilnehmende.

Zur Erfassung des Einflusses der Bildungsdiversität im sozialen Netzwerk wurden vollständig ausgefüllte Netzwerkfragebogen der Teilnehmenden benötigt. Personen, die Angaben hinsichtlich der benötigten Messvariablen ausließen, wurden deshalb von der weiteren Datenanalyse ausgeschlossen (n = 830).

Die finale Stichprobe bestand aus n = 519 Personen in einem Alter von 24 bis 54 Jahren (M = 33 Jahre, SD = 5.1 Jahre). Von den Teilnehmenden waren n = 230 (44.3%) männliche und n = 289 (55.7%) weibliche Personen, wodurch das Geschlechterverhältnis annähernd ausgeglichen war. Mit n = 379 (73.%) war der Großteil der Teilnehmenden in Universitäten tätig, weitere n = 55 (10.6%) in außeruniversitären Forschungseinrichtungen, n = 33 (6.4%) in Fach- oder privaten Hochschulen, n = 12 (2.3%) in Unternehmen der Privatwirtschaft, n = 19 (3.7%) gaben einen sonstigen Arbeitgeber an und n = 21 (4%) gaben an selbstständig bzw. freiberuflich tätig zu sein. Annähernd gleichermaßen konnten die Probanden in Pre-Docs n = 227 (43.7%) und Post-Docs n = 292 (56.3%) unterteilt werden. Bezüglich des Fachgebiets stammten die meisten mit n = 161 (31%) aus den Naturwissenschaften und mit n = 155 (29.9%) aus den Sozialwissenschaften. Daneben gehörten n = 54 (10.4%) den Geisteswissenschaften, n = 52 (10%) den Wirtschaftswissenschaften, n = 51 (9.8%) der Technik, n = 30 (5.8%) der Informatik und n = 16 (3.1%) dem Fachbereich der Mathematik an.

3.2.2 Entwicklungsnetzwerke der Teilnehmenden.

Zur Erfassung des individuellen Entwicklungsnetzwerks der Teilnehmer, wurden diese in einem Netzwerkfragebogen gebeten Angaben zu ihren Bezugspersonen zu machen. Es konnten bis zu 15 Kontaktpersonen angegeben werden. Im Durchschnitt gab jede/r Teilnehmer/-in M = 6.2 (SD = 3.2) Kontakte an. Zur Prüfung der Hypothesen wurde unter anderem auf den Berufsabschluss der Bezugspersonen zurückgegriffen. Unter insgesamt N = 3219 angegebenen Netzwerkkontakten hatten n = 260 einen Ausbildungsabschluss, n = 99 einen Bachelor, n = 1686 einen Master bzw. ein Diplom, n = 763 einen Doktor, n = 344 eine Habilitation, sowie n = 67 keine abgeschlossene Berufsausbildung.

3.3 Messinstrumente

Die aus der ProWi+-Studie (Kauffeld et al., 2014) erhobenen Variablen bilden Prädiktor, Mediator und Prädiktor des untersuchten Mediationsmodells ab. Im Folgenden werden die verwendeten Messinstrumente dargestellt und beschrieben.

3.3.1. Bildungsdiversität im sozialen Netzwerk.

Die Teilnehmenden wurden gebeten ihr laufbahnbezogenes Netzwerk anzugeben, indem sie bis zu 15 Bezugspersonen nennen konnten, die sie in ihrer Laufbahnentwicklung unterstützten (z.B. Kollegen, Vorgesetzte, Freunde oder Familienmitglieder). Die Instruktion hierfür lautete: „Bitte nennen Sie [...] Personen, die Sie in Ihrer beruflichen Laufbahn unterstützen, Ihnen Informationen zukommen lassen, Ihnen Karrieremöglichkeiten eröffnen, Ihnen sozio-emotionale Unterstützung anbieten oder mit denen Sie kooperieren, über Probleme bei der Arbeit, alternative Arbeitsplätze oder langfristige berufliche und private Ziele sprechen.“ (Kauffeld et al., 2014). Anschließend wurden zu den angegebenen Kontakten unterschiedliche demographische Daten, wie Alter, Berufsfeld oder Tätigkeitsstatus, sowie beziehungsrelevante Inhalte, wie die Kontakthäufigkeit, Dauer der Beziehung, emotionale Nähe oder unterschiedliche Formen der Unterstützung, abgefragt.

Die Erfassung des Prädiktors Bildungsdiversität im sozialen Netzwerk wurde aus der Angabe des Berufsabschlusses der Bezugspersonen aufgebaut. Das entsprechende Item lautete: „Bitte nennen Sie den Berufsabschluss von X.“ und hatte folgende Antwortmöglichkeiten: 1) Keine abgeschlossene Berufsausbildung, 2) Ausbildung, 3) Bachelor, 4) Master, 5) Diplom, 6) Doktor und 7) Habilitation (Kauffeld et al., 2014). Da der Masterabschluss in seinen Qualifikationen und Berechtigungen mit dem Diplomabschluss gleichzustellen ist (Kultusministerkonferenz, 2016), wurden die Antwortmöglichkeiten Master und Diplom zur weiteren Berechnung zu einer gemeinsamen Ausprägung zusammengefügt.

Um das Maß der Bildungsdiversität der Teilnehmernetzwerke abzubilden, wurde mittels der Berufsabschlussangaben der Heterogenitätsindex für kategoriale Variablen von Blau (1977) in RStudio (RStudio Team, 2015) berechnet. Der Blau Index beträgt einen Wert von 0 bis 1, wobei 1 das höchste und 0 das niedrigste Maß an Diversität innerhalb des Netzwerks darstellt (Blau, 1977). Pro Teilnehmer konnte so ein Heterogenitätsindex ermittelt werden, der die Bildungsdiversität in seinem individuellen Netzwerk abbildete. Bei den n = 519 Teilnehmern betrug der Durchschnittswert für den Blau Index M = 0.45 (SD = 0.2) mit einer Spannweite von 0 - 0.8. Nachdem die neue Variable berechnet wurde, konnte sie dem Gesamtdatensatz zugefügt und zur weiteren Analyse verwendet werden.

3.3.2. Subjektiver und objektiver Karriereerfolg.

Der subjektive Karriereerfolg wurde mittels der Kriterien Karrierezufriedenheit und erlebtem Karriereerfolg operationalisiert. Die Karrierezufriedenheit gilt als häufigster eingesetzter Indikator und wird in dieser Untersuchung anhand einer deutschen Version der Career Satisfaction Scale von Greenhaus, Parasuraman und Wormley (1990) gemessen, welche von Spurk, Abele und Volmer (2011) übersetzt wurde. Sie weist ausgezeichnete psychometrische Gütekriterien vor und hat sich daher in der bisherigen Forschung etabliert (Hofmans, Dries & Pepermans, 2008; Spurk, Abele & Volmer, 2011). Die Skala enthält fünf Items (z.B. Item 1: „Ich bin mit den Erfolgen, die ich in meiner bisherigen Berufslaufbahn erzielt habe, zufrieden.“) und umfasst einen Wertebereich von 1 (trifft überhaupt nicht zu) bis 6 (trifft völlig zu). Sowohl zum ersten, also auch zum zweiten Messzeitpunkt liegt mit a 1 = .83 und a 2 = .84 eine hohe interne Konsistenz vor. Der erlebte Karriereerfolg zielt auf die Erhebung ab, inwieweit die eigene Laufbahn als erfolgreich wahrgenommen wird. Das Kriterium wurde mit einer auf Deutsch übersetzten Skala zu Perceived Career Success von Turban und Dougherty (1994) berechnet, welche mit fremd- und selbst-referentiellen Items beide Aspekte abdeckt und sich ebenfalls in vergangener Forschung bewährt hat (Shockley, Ureksoy, Rodopman, Poteat & Dullaghan, 2016). Die Skala enthält vier Items (z.B. Item 3: „Mein engstes soziales Umfeld schätzt meine Karriere als erfolgreich ein.“) und ebenfalls einen Wertebereich von 1 (trifft überhaupt nicht zu) bis 6 (trifft völlig zu). Cronbach's a beträgt zum ersten Messzeitpunkt a 1 = .84 und zum zweiten a 2 = .88.

Der objektive Karriereerfolg wurde anhand der Kriterien Gesamtzahl wissenschaftlicher Publikationen und Anzahl der bewilligten Drittmittelprojekte gemessen (Kauffeld et al., 2014). Diese sind laut Schubert und Engelage (2011) die in der Regel verwendeten Konstrukte, um den objektiven Erfolg von Wissenschaftler/-innen zu messen.

Das Kriterium Gesamtzahl wissenschaftlicher Publikationen wurde aus sieben Items zusammengefasst, die unter anderem Beiträge auf Tagungen oder Konferenzen, sowie Beiträgen in Zeitschriften, Büchern oder sonstige Publikationen abbilden. Bei der Anzahl bewilligter Drittmittelprojekte wurde lediglich auf die Gesamtanzahl zurückgegriffen. Beide objektiven Kriterien wurden am Gruppenmittelwert der einzelnen Fachrichtungen standardisiert, da die Publikationsrate und der Erwerb von Drittmitteln fächerabgängig sind (Kauffeld, Spurk, Barthauer & Kaucher, 2018).

3.3.3. Unterstützung.

Die Messung des Mediators Unterstützung wurde anhand von sechs Items zur Erfassung unterschiedlicher Formen von Unterstützung durchgeführt. Hierzu wurden fünf Items aus der deutschen Version einer Skala von Higgins und Kram (2001) verwendet, welche die Reziprozität der Beziehung (Strength of ties) nach Granovetter (1973) operationalisiert. Die Konstrukte decken verschiedene Aspekte der erhaltenen Unterstützung ab: Die Häufigkeit der Unterstützung, die Intensität fachlicher, sozial-emotionaler und karrierebezogener Unterstützung, sowie die Unterstützung im Privatleben (z.B. Item 1: „Ich werde häufig von X unterstützt.“ oder Item 3: „Ich erhalte von X fachliche Unterstützung (z.B. Hilfe bei fachbezogenen, inhaltlichen Fragen).“). Der Wertebereich beläuft sich auf 1 (trifft nicht zu) bis 5 (trifft zu). Das sechste Item bildet den Beitrag des Unterstützers zur beruflichen Entwicklung des Individuums ab (Blickle, Kuhnert & Rieck, 2003) und lautet: „Wie hilfreich ist die Beziehung zu X für Ihre berufliche Entwicklung?“, gemessen mit einer Werteskala von 1 (etwas hilfreich) bis 5 (sehr hilfreich). Nach der Durchführung einer explorativen Faktorenanalyse (Bühner, 2006), ließen sich eindeutige zwei Komponenten identifizieren. Die Konstrukte konnten inhaltlich zu gleichen Teilen (je drei Items) in private Unterstützung und karrierebezogene Unterstützung aufgeteilt werden, sodass für die folgende statistische Analyse mit zwei Dimensionen als Mediator gearbeitet wurde. Zur Berechnung des Gesamtmodells wurde jeweils der Gesamtscore der Skala verwendet, welcher für die private Unterstützung M = 3.55, SD = .58 und für die karrierebezogene Unterstützung M = 3.33, SD = .60 betrug. Die interne Konsistenz erzielte für beide neu erstellten Mediatorvariablen Werte im hohen Bereich mit Cronbach's a = .85 für private Unterstützung und a = .78 für karrierebezogene Unterstützung.

3.4 Statistische Analyse

Die statistische Analyse und Auswertung erfolgte mit dem Datenauswertungsprogramm IBM SPSS Statistics 25.0 (IBM, 2013). Die Testung der Hypothesen wurde innerhalb von Mediationsanalysen mit dem PROCESS-Makro für SPSS von Hayes (2013) durchgeführt.

Vor Ausführung der Mediationsanalysen wurden zunächst die Voraussetzungen mittels Regressionsrechnungen nach den Vorgaben von Field (2013) geprüft. Da die Mediatoranalyse als Spezialfall der multiplen Regression gilt, muss sie dieselben Annahmen erfüllen: Keine Ausreißer, Normalverteilung und linearer Zusammenhang der Variablen, keine Multikollinearität zwischen den Prädiktoren, sowie die Normalverteilung, Homoskedastizität und Unabhängigkeit der Residualterme. Der Kolmogorov-Smirnov und Shapiro-Wilk Test zur Prüfung der Normalverteilungsannahme ergaben, dass die Variablen in der untersuchten Stichprobe nicht normalverteilt waren. Da nach dem zentralen Grenzwertsatz ab einer ausreichend großen Stichprobe (n = 30) von einer Normalverteilung der Populationswerte ausgegangen werden kann, konnte diese Annahme für unsere Variablen dennoch als erfüllt betrachtet werden (Bortz & Schuster, 2010). Ausreißer wurden zunächst visuell mittels deskriptiver Statistik in Boxplots, Streudiagrammen und Histogrammen aufgedeckt, sowie analytisch über neu berechnete Variablen ermittelt. Standardisierte und ausgeschlossene studentisierte Residuen ± 3.29 (Field, 2013), Cook-Distanzen > 1 (Cook & Weisberg, 1982) oder Hebelwerte > .2 (Huber, 1981) konnten als Ausreißer ausgeschlossen werden (n = 26). Die Unabhängigkeit der Residuen konnte anhand des Durbin-Watson Tests abgelesen werden und sollte einen Wert zwischen 1 und 3, möglichst nahe 2 erreichen. Ebenfalls innerhalb der Regressionsrechnungen erfolgte die Prüfung der Multikollinearität, welche als Ergebniswerte Toleranzwerte größer als .2 und VIF- Werte nicht höher als 10 ergeben sollte. Die Voraussetzungen der Homoskedastizität und der Normalverteilung der Residuen wurden mittels P-P Diagrammen und Streudiagrammen untersucht. Lineare Zusammenhänge zwischen den Variablen wurden visuell über Streudiagramme mit standardisierten Residuen (Y-Achse) und standardisierten vorhergesagten Werten (X-Ache) überprüft. Dieselben Diagramme konnten des Weiteren zur Aufdeckung von Homoskedastizität genutzt werden.

Die Linearität der Zusammenhänge zwischen Prädiktoren und Kriterien erschien nur schwach oder nicht erfüllt. Die Voraussetzungen der Unabhängigkeit der Residualterme und keiner Multikollinearität konnten dagegen als erfüllt angesehen werden. Homoskedastizität sowie die Normalverteilung der Modellfehler konnten nur teilweise erfüllt werden. Insbesondere die Residuen der objektiven Erfolgskriterien wiesen hierbei Verletzungen auf (Anhang A). PROCESS verwendet zur Berechnung des Mediationseffekts Bias-korrigierte Bootstrap-Konfidenzintervalle, welche als robust gegenüber Voraussetzungsverletzungen gelten. Vorliegende Verletzungen hatten somit keine Auswirkung auf die Berechnung und

Interpretation des indirekten Effekts (Field, 2013). Die Ergebnisse der Voraussetzungsüberprüfungen sind exemplarisch in Anhang A dargestellt.

3.4.1 Statistisches Modell.

Um herauszufinden, ob ein Mediationseffekt vorliegt, werden verschiedene Pfade im Rahmen der Mediationsanalyse in PROCESS auf Signifikanz getestet (Hayes, 2013).

1) Der totale Effekt des Prädiktors auf das Kriterium (Pfad c).
2) Der Effekt des Prädiktors auf den Mediator (Pfad a).
3) Der Effekt des Mediators auf das Kriterium (Pfad b).
4) Der direkte Effekt des Prädiktors auf das Kriterium (Pfad c‘).
5) Der indirekte Effekt des Prädiktors auf das Kriterium (Pfad ab).

Der direkte Effekt (Pfad c‘) unterscheidet sich vom totalen Effekt (Pfad c) dadurch, dass der Mediator in die Regressionsrechnung mit einbezogen und statistisch konstant gehalten wird. Folglich sollte der direkte Effekt vermindert oder gar verschwunden sein, wenn eine Mediation auftritt (Field, 2013). Der totale Effekt bildet die Summe aus dem direkten (Pfad c‘) und dem indirekten Effekt (Pfad ab) (Preacher & Hayes, 2008). Der indirekte Effekt (Pfad ab) bildet sich aus dem Produkt der Pfade a und b. Damit eine Mediation vorliegt, muss er signifikant sein, auch wenn kein totaler Effekt des Prädiktors auf das Kriterium vorhanden ist (Field, 2013; Preacher & Hayes, 2008). Des Weiteren wird zwischen einer partiellen und einer totalen Mediation unterschieden (Hayes, 2013). In der partiellen Mediation liegt ein indirekter (Pfad ab) und ein direkter Effekt (Pfad c‘) vor, der außerdem kleiner sein muss als der totale Effekt (c). Die totale Mediation liegt vor, wenn der Effekt vom Prädiktor auf das Kriterium komplett durch den Mediator interveniert wird, sodass keine direkte Beziehung mehr zwischen dem Prädiktor und dem Kriterium besteht (Urban & Mayerl, 2018).

Zur Untersuchung der Hypothesen innerhalb der Mediationsanalysen wurde das Konstrukt Bildungsdiversität im sozialen Netzwerk als Prädiktor eingesetzt, private Unterstützung oder karrierebezogene Unterstützung als Mediator und eine der vier Karriereerfolgsvariablen als Kriterium eingesetzt. Für den subjektiven Karriereerfolg wurden die zwei Kriterien Karrierezufriedenheit und erlebter Karriereerfolg verwendet. Zur Hypothesenprüfung wurde mit dem Gesamtscore der Skala zum ersten Messzeitpunkt T1 (M = 4.15, SD = 1.01) und zur explorativen Datenanalyse mit dem Gesamtscore der Skala zum zweiten Messzeitpunkt T2 (M = 4.18, SD = 1.01) gerechnet. Für den objektiven Karriereerfolg wurde die Gesamtzahl wissenschaftlicher Publikationen oder die Anzahl bewilligter Drittmittelprojekte als Kriterium eingesetzt. Die Hypothesenauswertung erfolgte auch hier mit dem Gesamtscore der Skala zum Messzeitpunkt T1 (M = 4.47, SD = 1.03) und zur explorativen Untersuchung mit dem Gesamtscore der Skala zum Messzeitpunkt T2 (M = 4.38, SD = 1.05). Somit wurde die Mediationsanalyse acht Mal durchgeführt, vier Mal je Kriteriumsvariable für beide Unterstützungsdimensionen. Auf Grund der hohen Anzahl fehlender Werte bei den Pre-Docs wurden die Analysen getrennt für Pre- und Post-Docs durchgeführt. Somit wurden insgesamt 16 Messmodelle berechnet.

Die Signifikanztestung des Mediationseffekts erfolgte über das Verfahren des Bootstrappings, bei dem durch das Ziehen von 5000 Stichproben mit Zurücklegen bias­korrigierte 95%-Konfidenzintervalle erstellt wurden. Um einen signifikanten Mediationseffekt zu identifizieren, durfte das Konfidenzintervall den Wert 0 nicht mit einschließen. Im Vergleich zu anderen Auslegungen einer Mediation, wird in diesem Verfahren ein signifikanter direkter Effekt nicht als Voraussetzung betrachtet (Urban & Mayerl, 2018). Bootstrapping weist unter anderem eine höhere statistische Power auf und wird daher gegenüber anderen Methoden bevorzugt (Preacher & Hayes, 2008).

Um mögliche zeitverschobene Einflüsse auf den Karriereerfolg der Wissenschaftler/- innen aufdecken zu können, wurden über die Hypothesen hinaus explorative Untersuchungen zum zweiten Messzeitpunkt T2 vorgenommen. Hierfür wurden als Kriterium die Karriereerfolgsvariablen aus der zweiten Messung eingefügt und anschließend die Berechnung der Mediationsanalysen in PROCESS wiederholt. Die Ergebnisse der beiden Messzeitpunkte konnten anschließend miteinander verglichen werden.

4. Ergebnisse

Im Folgenden werden die Ergebnisse der Mediationsanalysen vorgestellt. Zum Verständnis der Daten wird zunächst auf Auffälligkeiten in der vorbereitenden Analyse, sowie auf die deskriptive Statistik der Variablen eingegangen. Nachfolgend werden die Ergebnisse der Mediationsanalysen hypothesengeleitet vorgestellt und im Anschluss die Ergebnisse der explorativen Datenanalyse daran angeknüpft. Das Signifikanzniveau für die statistischen Tests liegt bei 5%. Ein p-Wert von < .05 wird als statistisch signifikant, < .01 als sehr signifikant und < .001 als hoch signifikant interpretiert (Sedlmeier & Renkewitz, 2013). P-Werte < .001 werden nicht exakt angegeben, sondern auf p < .001 gerundet. Die ausführliche Ergebnisdarstellung ist in Anhang B aufgeführt.

4.1 Vorbereitende Analysen und deskriptive Statistik

Neben den Voraussetzungsprüfungen wurden die Daten mittels deskriptiver Statistik analysiert und auf weitere Auffälligkeiten geprüft. In Tabelle 1 sind die Mittelwerte, Standardabweichungen und Korrelationen der Variablen dargestellt.

[...]