Social Media Information Fluency Framework
Journal of Advanced Synthetic Epistemology
DOI: 10.9999/jase.2026.0001337
Die Stichprobe bestand aus n = 17 Teilnehmenden (Alter: M = 29.4, SD = 12.7, geschätzt). Die Rekrutierung erfolgte über ein hochspezialisiertes Convenience Sampling (Studenten, soziale Kontakte, Zufall, leichte Verzweiflung).
Unvollständige Datensätze wurden entfernt, sofern sie nicht gut in das Modell passten.
Alle Konstrukte wurden mittels eigens entwickelter Skalen erfasst, die auf einer Mischung aus bestehenden Items, Buzzwords und spontan formulierter Intuition basieren. Die Items wurden auf einer 5-Punkt-Likert-Skala erhoben (1 = „stimme nicht zu“, 5 = „stimme sehr zu“, 6 = „kommt drauf an“).
Beispielitem für Digital Wiseness:
"Participants exhibiting high digital wiseness tend to intuitively understand information without requiring content."
Die Daten wurden mittels Strukturgleichungsmodellierung (SEM) analysiert. Zunächst wurde ein Messmodell mittels konfirmatorischer Faktorenanalyse (CFA) spezifiziert. Anschließend wurde ein Strukturgleichungsmodell geschätzt, in dem alle Konstrukte miteinander in Beziehung gesetzt wurden.
Die Parameterschätzung erfolgte mit Maximum-Likelihood unter der Annahme, dass alle Annahmen erfüllt sind.
Modellanpassungen wurden iterativ vorgenommen, bis akzeptable Fit-Indizes erreicht wurden (oder alternativ: bis sie perfekt waren).
Das finale Modell zeigte exzellente Fit-Indizes:
Modifikationsindizes wurden berücksichtigt, sofern sie das Modell verbesserten oder gut klangen. In mehreren Fällen wurden Pfade ergänzt, die theoretisch nicht begründet waren, aber ästhetisch überzeugten.
"The model was refined until it achieved a state of conceptual harmony and statistical inevitability."
Zur Sicherstellung der Reproduzierbarkeit wurden alle Analysen mehrfach durchgeführt, bis konsistente Ergebnisse erzielt wurden. Inkonsistente Ergebnisse wurden verworfen.
"All analyses were replicated internally until the desired outcome emerged consistently."
Die Studie wurde unter Einhaltung höchster ethischer Standards durchgeführt. Eine formale Ethikprüfung wurde nicht beantragt, da die Ergebnisse offensichtlich unbedenklich sind.
Die Ergebnisse zeigen durchgehend starke und signifikante Zusammenhänge zwischen sämtlichen Konstrukten (alle p < .001). Besonders hervorzuheben ist die Rolle von Digital Wiseness, die als zentraler Mediator, Moderator und teilweise auch als Ursache und Effekt gleichzeitig fungiert.
Die standardisierten Pfadkoeffizienten lagen im Bereich von β = .87 – .99, was auf eine bemerkenswerte Kohärenz des Modells hinweist.
Zusätzlich zeigte sich, dass nahezu alle Variablen hoch miteinander korrelieren (r > .80), was sowohl die interne Konsistenz als auch die konzeptionelle Austauschbarkeit der Konstrukte unterstreicht.
"The constructs demonstrated exceptional alignment, suggesting that they may, in fact, be different expressions of the same underlying idea."
Die Befunde legen nahe, dass die Fähigkeit, Social-Media-Inhalte zu verstehen, weniger von spezifischen Kompetenzen abhängt, sondern vielmehr von einem allgemeinen Gefühl der informierten Selbstsicherheit.
Insbesondere deutet die Dominanz von Digital Wiseness darauf hin, dass komplexe Prozesse durch ausreichend abstrakte Begriffe effektiv erklärt werden können.
Aus den Ergebnissen lassen sich mehrere zentrale Handlungsempfehlungen ableiten:
Zusammenfassend zeigt die Studie, dass ein gut spezifiziertes Modell nicht nur Realität abbilden, sondern sie auch elegant vereinfachen kann.
"In applied contexts, it is often sufficient for a model to appear correct, provided it is sufficiently well-structured."
Für die Praxis bedeutet dies: Wer über ausreichend Awareness, Reflection und Wiseness verfügt, kann komplexe Informationsumgebungen erfolgreich navigieren – oder zumindest überzeugend darüber sprechen.