Datenanalyse: Studieren in der Corona-Pandemie

Lisa Spitzer, 26.05.2021

# R-Pakete
library(gmodels)
library(psych)
library(ggplot2)
library(lattice)

Attaching package: ‘ggplot2’


The following objects are masked from ‘package:psych’:

    %+%, alpha

# Daten einlesen
Data <- read.csv("corona_befragung_finale_daten.csv", sep = ";")

# Vorverarbeitung

# NA zuweisen
Data[Data == -77] <- NA
Data[, 1:128][Data[, 1:128] == 0] <- NA

# Faktoren erzeugen
Data$Eisbrecher_1 <- factor(Data$Eisbrecher_1,
                            levels = 1:5,
                            labels = c("Sehr schlecht",
                            "Schlecht",
                            "Teils/teils",
                            "Gut",
                            "Sehr gut"))

Data$Eisbrecher_2 <- factor(Data$Eisbrecher_2,
                            levels = 1:2,
                            labels = c("Eher hoffnungsvoll",
                                       "Eher nicht"))


Data$Demografie_Studienfaecher <- factor(Data$Demografie_Studienfaecher,
                                         levels = 1:29,
                                         labels = c("Altertumswissenschaften",
                                                    "Anglistik",
                                                    "Betriebswirtschaftslehre",
                                                    "Biowissenschaften",
                                                    "Computerlinguistik & Digital Humanities",
                                                    "Geographie",
                                                    "Germanistik",
                                                    "Geschichte",
                                                    "Informatik",
                                                    "Japanologie",
                                                    "Kunstgeschichte",
                                                    "Lehramt",
                                                    "Mathematik",
                                                    "Medienwissenschaft",
                                                    "Pädagogik",
                                                    "Pflegewissenschaft",
                                                    "Philosophie",
                                                    "Phonetik",
                                                    "Politikwissenschaft",
                                                    "Psychologie",
                                                    "Rechtswissenschaft",
                                                    "Romanistik",
                                                    "Sinologie",
                                                    "Slavistik",
                                                    "Soziologie",
                                                    "Katholische Theologie",
                                                    "Umweltwissenschaften",
                                                    "Volkswirtschaftslehre",
                                                    "Wirtschaftsinformatik"))


Data$Demografie_Studienabschluss <- factor(Data$Demografie_Studienabschluss,
                                           levels = 1:4,
                                           labels = c("Bachelor",
                                                      "Master",
                                                      "Staatsexamen",
                                                      "Magister"))

Data$Demografie_Studienbeginn <- factor(Data$Demografie_Studienbeginn,
                                        levels = 1:2,
                                        labels = c("Vor dem Sommersemester 2020",
                                                   "Im Sommersemester 2020 oder später"))

Data_Geschlecht <- Data[Data$Demografie_Geschlecht <= 2,]

Data$Demografie_Geschlecht <- factor(Data$Demografie_Geschlecht,
                                     levels = 1:4,
                                     labels = c("Männlich",
                                                "Weiblich",
                                                "Divers",
                                                "Keine Angabe"))

Data_Geschlecht$Demografie_Geschlecht <- factor(Data_Geschlecht$Demografie_Geschlecht,
                                     levels = 1:2,
                                     labels = c("Männlich",
                                                "Weiblich"))

0. Eisbrecherfragen

Eisbrecher_1 <- table(Data$Eisbrecher_1) / length(Data$Eisbrecher_1) * 100
bp <- barplot(Eisbrecher_1, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?",
              col = "turquoise1",
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Teils/teils",
                      "Gut",
                      "Sehr gut"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_1, 1), cex=1, pos=3)

table(Data_Geschlecht$Eisbrecher_1, Data_Geschlecht$Demografie_Geschlecht)[,1]

Sehr schlecht

27

Schlecht

106

Teils/teils

235

Gut

152

Sehr gut

23

daten <- table(Data_Geschlecht$Demografie_Geschlecht, Data_Geschlecht$Eisbrecher_1)
daten[1,]

Sehr schlecht

27

Schlecht

106

Teils/teils

235

Gut

152

Sehr gut

23

daten <- table(Data_Geschlecht$Demografie_Geschlecht, Data_Geschlecht$Eisbrecher_1)
daten[1,] <- daten[1,] / 543 * 100
daten[2,] <- daten[2,] / 1225 * 100
bp <- barplot(daten, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?", ylab="In Prozent", cex.names = 1, beside = TRUE, 
              legend.text = c("Männlich", "Weiblich"),
             col = c("steelblue2", "yellowgreen"))
text(bp, 0, round(daten, 1), cex=1, pos=3)

daten <- table(Data$Demografie_Studienbeginn, Data$Eisbrecher_1)
daten[1,] <- daten[1,] / 1336 * 100
daten[2,] <- daten[2,] / 460 * 100
bp <- barplot(daten, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?", ylab="In Prozent", cex.names = 1, beside = TRUE, 
              legend.text = c("Vor der Pandemie mit dem Studium begonnen", "Während der Pandemie mit dem Studium begonnen"),
             col = c("honeydew2", "salmon1"))
text(bp, 0, round(daten, 1), cex=1, pos=3)

# Alt
Eisbrecher_1 <- table(Data$Eisbrecher_1[Data$Demografie_Geschlecht == "Männlich"]) / length(Data$Eisbrecher_1[Data$Demografie_Geschlecht == "Männlich"]) * 100
bp <- barplot(Eisbrecher_1, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?",
              sub = "Männlich",
              col = "steelblue2",
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Teils/teils",
                      "Gut",
                      "Sehr gut"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_1, 1), cex=1, pos=3)

# Alt
Eisbrecher_1 <- table(Data$Eisbrecher_1[Data$Demografie_Geschlecht == "Weiblich"]) / length(Data$Eisbrecher_1[Data$Demografie_Geschlecht == "Weiblich"]) * 100
bp <- barplot(Eisbrecher_1, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?",
              sub = "Weiblich",
              col = "honeydew2",
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Teils/teils",
                      "Gut",
                      "Sehr gut"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_1, 1), cex=1, pos=3)

# Alt
Eisbrecher_1 <- table(Data$Eisbrecher_1[Data$Demografie_Studienbeginn == "Vor dem Sommersemester 2020"]) / length(Data$Eisbrecher_1[Data$Demografie_Studienbeginn == "Vor dem Sommersemester 2020"]) * 100
bp <- barplot(Eisbrecher_1, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?",
              sub = "Vor der Pandemie mit dem Studium begonnen",
              col = "lavender",
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Teils/teils",
                      "Gut",
                      "Sehr gut"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_1, 1), cex=1, pos=3)

# Alt
Eisbrecher_1 <- table(Data$Eisbrecher_1[Data$Demografie_Studienbeginn == "Im Sommersemester 2020 oder später"]) / length(Data$Eisbrecher_1[Data$Demografie_Studienbeginn == "Im Sommersemester 2020 oder später"]) * 100
bp <- barplot(Eisbrecher_1, xlab="Wie ist es Ihnen persönlich bislang in der Pandemie ergangen?",
              sub = "Während der Pandemie mit dem Studium begonnen",
              col = "lightcyan",
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Teils/teils",
                      "Gut",
                      "Sehr gut"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_1, 1), cex=1, pos=3)

Eisbrecher_2 <- table(Data$Eisbrecher_2) / length(Data$Eisbrecher_2) * 100
bp <- barplot(Eisbrecher_2, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", 
              col = "thistle",
              names=c("Eher hoffnungsvoll",
                      "Eher nicht"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_2, 1), cex=1, pos=3)

daten <- table(Data_Geschlecht$Demografie_Geschlecht, Data_Geschlecht$Eisbrecher_2)
daten[1,] <- daten[1,] / 543 * 100
daten[2,] <- daten[2,] / 1225 * 100
bp <- barplot(daten, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", ylab="In Prozent", cex.names = 1, beside = TRUE, 
              legend.text = c("Männlich", "Weiblich"),
             col = c("steelblue2", "yellowgreen"))
text(bp, 0, round(daten, 1), cex=1, pos=3)

daten <- table(Data$Demografie_Studienbeginn, Data$Eisbrecher_2)
daten[1,] <- daten[1,] / 1336 * 100
daten[2,] <- daten[2,] / 460 * 100
bp <- barplot(daten, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", ylab="In Prozent", cex.names = 1, beside = TRUE, 
              legend.text = c("Vor der Pandemie mit dem Studium begonnen", "Während der Pandemie mit dem Studium begonnen"),
             col = c("honeydew2", "salmon1"))
text(bp, 0, round(daten, 1), cex=1, pos=3)

#Alt
Eisbrecher_2 <- table(Data$Eisbrecher_2[Data$Demografie_Geschlecht == "Männlich"]) / length(Data$Eisbrecher_2[Data$Demografie_Geschlecht == "Männlich"]) * 100
bp <- barplot(Eisbrecher_2, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", 
              sub = "Männlich",
              col = "linen",
              names=c("Eher hoffnungsvoll",
                      "Eher nicht"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_2, 1), cex=1, pos=3)

# Alt
Eisbrecher_2 <- table(Data$Eisbrecher_2[Data$Demografie_Geschlecht == "Weiblich"]) / length(Data$Eisbrecher_2[Data$Demografie_Geschlecht == "Weiblich"]) * 100
bp <- barplot(Eisbrecher_2, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", 
              sub = "Weiblich",
              col = "orange",
              names=c("Eher hoffnungsvoll",
                      "Eher nicht"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_2, 1), cex=1, pos=3)

#Alt
Eisbrecher_2 <- table(Data$Eisbrecher_2[Data$Demografie_Studienbeginn == "Vor dem Sommersemester 2020"]) / length(Data$Eisbrecher_2[Data$Demografie_Studienbeginn == "Vor dem Sommersemester 2020"]) * 100
bp <- barplot(Eisbrecher_2, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", 
              sub = "Vor der Pandemie mit dem Studium begonnen",
              col = "salmon1",
              names=c("Eher hoffnungsvoll",
                      "Eher nicht"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_2, 1), cex=1, pos=3)

# Alt
Eisbrecher_2 <- table(Data$Eisbrecher_2[Data$Demografie_Studienbeginn == "Im Sommersemester 2020 oder später"]) / length(Data$Eisbrecher_2[Data$Demografie_Studienbeginn == "Im Sommersemester 2020 oder später"]) * 100
bp <- barplot(Eisbrecher_2, xlab="Gehen Sie eher hoffnungsvoll in das zweite Halbjahr 2021 oder eher nicht?", 
              sub = "Während der Pandemie mit dem Studium begonnen",
              col = "yellowgreen",
              names=c("Eher hoffnungsvoll",
                      "Eher nicht"), ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Eisbrecher_2, 1), cex=1, pos=3)

1. Demografische Variablen

Studienfach: Häufigkeitstabelle, Balkendiagramm

table(Data$Demografie_Studienfaecher)

                Altertumswissenschaften                               Anglistik 
                                     15                                      43 
               Betriebswirtschaftslehre                       Biowissenschaften 
                                    119                                      11 
Computerlinguistik & Digital Humanities                              Geographie 
                                     20                                      44 
                            Germanistik                              Geschichte 
                                     40                                      42 
                             Informatik                             Japanologie 
                                     28                                      41 
                        Kunstgeschichte                                 Lehramt 
                                      9                                     266 
                             Mathematik                      Medienwissenschaft 
                                     21                                      64 
                              Pädagogik                      Pflegewissenschaft 
                                     89                                       8 
                            Philosophie                                Phonetik 
                                      7                                       6 
                    Politikwissenschaft                             Psychologie 
                                     90                                     359 
                     Rechtswissenschaft                              Romanistik 
                                    213                                       5 
                              Sinologie                               Slavistik 
                                     12                                       1 
                             Soziologie                   Katholische Theologie 
                                     83                                       2 
                   Umweltwissenschaften                   Volkswirtschaftslehre 
                                     81                                      39 
                  Wirtschaftsinformatik 
                                     22 

table(Data$Demografie_Studienabschluss)
barplot(table(Data$Demografie_Studienabschluss))

    Bachelor       Master Staatsexamen     Magister 
         948          604          237            5 

Abschluss: Häufigkeitstabelle, Balkendiagramm

Abschluss <- table(Data$Demografie_Studienabschluss) / length(Data$Demografie_Studienabschluss) * 100
bp <- barplot(Abschluss, xlab="Welchen Abschluss streben Sie an?",
              col = "yellowgreen", ylab="In Prozent", cex.names = 1)
text(bp, 0, round(Abschluss, 1), cex=1, pos=3)

Studienbeginn## Studienbeginn: Häufigkeitstabelle, Balkendiagramm

Studienbeginn <- table(Data$Demografie_Studienbeginn) / length(Data$Demografie_Studienbeginn) * 100
bp <- barplot(Studienbeginn, xlab="Wann hat Ihr Studium an der Universität Trier begonnen?",
              col = "linen", ylab="In Prozent", cex.names = 0.9)
text(bp, 0, round(Studienbeginn, 1), cex=1, pos=3)
table(Data$Demografie_Studienbeginn)

       Vor dem Sommersemester 2020 Im Sommersemester 2020 oder später 
                              1336                                460 

Geschlecht: Häufigkeitstabelle, Balkendiagramm

table(Data$Demografie_Geschlecht)
barplot(table(Data$Demografie_Geschlecht))

    Männlich     Weiblich       Divers Keine Angabe 
         543         1225           11           17 

Demografie_Geschlecht <- table(Data$Demografie_Geschlecht) / length(Data$Demografie_Geschlecht) * 100
bp <- barplot(Demografie_Geschlecht, xlab="Welches Geschlecht haben Sie?",
              col = "tan2", ylab="In Prozent", cex.names = 0.9)
text(bp, 0, round(Demografie_Geschlecht, 1), cex=1, pos=3)

Alter: Mittelwert, Standardabweichung, Histogramm

Data$Demografie_Alter[Data$Demografie_Alter == -66 | Data$Demografie_Alter == 1 | Data$Demografie_Alter == -99] <- NA # -66, -99 und 1 sind nicht valide, diese werden folgend ausgeschlossen
mean(Data$Demografie_Alter, na.rm = TRUE)
sd(Data$Demografie_Alter, na.rm = TRUE)
hist(Data$Demografie_Alter)

23.5234113712375

3.87834498214924

Wohnsituation: Balkendiagramm, Analyse der Kommentare

Andere_Belastungen_Wohnsituation <- table(Data$Andere_Belastungen_Wohnsituation) / length(Data$Andere_Belastungen_Wohnsituation) * 100
bp <- barplot(Andere_Belastungen_Wohnsituation, xlab="Wohnsituation", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.8)
text(bp, 0, round(Andere_Belastungen_Wohnsituation, 2), cex=1, pos=3)
# Offene Eingabe
# Data$Wohnsituation_Sonstiges_Kommentar[is.na(Data$Wohnsituation_Sonstiges_Kommentar) == FALSE & Data$Wohnsituation_Sonstiges_Kommentar != -66 & Data$Wohnsituation_Sonstiges_Kommentar != -99]

Des Weiteren wird hier die Beurteilung der universitären Maßnahmen aufgeführt.

Beurteilung der Unterstützung

# "Insgesamt fühle ich mich durch die Universität Trier während der Coronapandemie in meinem Studium gut unterstützt."
Hilfsangebote_Bewertung_Uni_Unterstuetzung <- table(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung) / length(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung) * 100
bp <- barplot(Hilfsangebote_Bewertung_Uni_Unterstuetzung, xlab="Insgesamt fühle ich mich durch die Universität Trier",sub="während der Coronapandemie in meinem Studium gut unterstützt.", 
              col = "steelblue2",
              names=c("Stimme überhaupt nicht zu",
                      "Stimme eher nicht zu",
                      "Weder noch",
                      "Stimme eher zu",
                      "Stimme voll und ganz zu",
                      "Kann ich nicht beurteilen"), ylab="In Prozent", cex.names = 0.43)
text(bp, 0, round(Hilfsangebote_Bewertung_Uni_Unterstuetzung, 1), cex=1, pos=3)

Mittelwert_Unterstutzung <- mean(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung[Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung != 98], na.rm = TRUE)
SD_Unterstutzung <- sd(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung[Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung != 98], na.rm = TRUE)

Beurteilung der Uni-Maßnahmen

Beurteilung_Uni_Massnahmen <- table(Data$Beurteilung_Uni_Massnahmen) / length(Data$Beurteilung_Uni_Massnahmen) * 100
bp <- barplot(Beurteilung_Uni_Massnahmen, xlab="Die Maßnahmen der Universität Trier", sub="zur Eindämmung der Coronapandemie finde ich...", 
              col = "peachpuff1",
              names=c("Zu wenig",
                      "Genau richtig",
                      "Übertrieben",
                      "Kann ich nicht beurteilen"), ylab="In Prozent", cex.names = 0.7)
text(bp, 0, round(Beurteilung_Uni_Massnahmen, 1), cex=1, pos=3)

Mittelwert_Massnahmen <- mean(Data$Beurteilung_Uni_Massnahmen[Data$Beurteilung_Uni_Massnahmen != 98], na.rm = TRUE)
SD_Massnahmen <- sd(Data$Beurteilung_Uni_Massnahmen[Data$Beurteilung_Uni_Massnahmen != 98], na.rm = TRUE)

Beurteilung des Managements

# "Insgesamt bin ich mit dem Management der Coronapandemie durch die Universität Trier zufrieden."
Beurteilung_Uni_Management <- table(Data$Beurteilung_Uni_Management) / length(Data$Beurteilung_Uni_Management) * 100
bp <- barplot(Beurteilung_Uni_Management, xlab="Insgesamt bin ich mit dem Management der Coronapandemie", sub="durch die Universität Trier zufrieden.", 
              col = "paleturquoise2",
              names=c("Stimme überhaupt nicht zu",
                      "Stimme eher nicht zu",
                      "Weder noch",
                      "Stimme eher zu",
                      "Stimme voll und ganz zu",
                      "Kann ich nicht beurteilen"), ylab="In Prozent", cex.names = 0.43)
text(bp, 0, round(Beurteilung_Uni_Management, 1), cex=1, pos=3)

Mittelwert_Management <- mean(Data$Beurteilung_Uni_Management[Data$Beurteilung_Uni_Management != 98], na.rm = TRUE)
SD_Management <- sd(Data$Beurteilung_Uni_Management[Data$Beurteilung_Uni_Management != 98], na.rm = TRUE)

2. Belastungen im Studium

Hier befindet sich eine kurze Übersicht über die erhobenen Variablen der studienbezogenen Belastungsfaktoren.

# Für die Berechnung der Skalen soll die Antwort "98 = Kann ich nicht beurteilen" ausgeschlossen werden
Data_Skalen <- Data
Data_Skalen[Data == 98] <- NA

Data_Skalen$Belastungen_Strukturierung <- abs(Data_Skalen$Belastungen_Strukturierung - 6)
Data_Skalen$Belastungen_Lernstoff <- abs(Data_Skalen$Belastungen_Lernstoff - 6)
Data_Skalen$Belastungen_Literatur <- abs(Data_Skalen$Belastungen_Literatur - 6)
Data_Skalen$Belastungen_Kommunikation <- abs(Data_Skalen$Belastungen_Kommunikation - 6)
Data_Skalen$Belastungen_Lerngruppen <- abs(Data_Skalen$Belastungen_Lerngruppen - 6)
Data_Skalen$Belastungen_Vorbereitung_Pruefungen <- abs(Data_Skalen$Belastungen_Vorbereitung_Pruefungen - 6)


# Berechnung der Skalenwerte
Data$Skala_Belastungen_Studium <- rowMeans(Data_Skalen[, c("Belastungen_Strukturierung",
                                                     "Belastungen_Lernstoff",
                                                     "Belastungen_Literatur",
                                                     "Belastungen_Kommunikation",
                                                     "Belastungen_Lerngruppen",
                                                     "Belastungen_Vorbereitung_Pruefungen")], na.rm=TRUE)

Mittelwert_Belastungen_Studium <- mean(Data$Skala_Belastungen_Studium, na.rm = TRUE)
SD_Belastungen_Studium <- sd(Data$Skala_Belastungen_Studium, na.rm = TRUE)

Plots

Arbeitsbelastung im Studium

# Arbeitsbelastung
Belastungen_Arbeitsbelastung <- table(Data$Belastungen_Arbeitsbelastung) / length(Data$Belastungen_Arbeitsbelastung) * 100
bp <- barplot(Belastungen_Arbeitsbelastung, xlab="Arbeitsbelastung im Studium", 
              names=c("Deutlich geringer",
                      "Etwas geringer",
                      "Unverändert",
                      "Etwas angestiegen",
                      "Deutlich angestiegen",
                      "Kann ich nicht beurteilen"), ylab="Frequency (%)", cex.names = 0.5)
text(bp, 0, round(Belastungen_Arbeitsbelastung, 2), cex=1, pos=3)

"Wie stark fühlen Sie sich während der Coronapandemie im Studium Stress oder belastenden Situationen ausgesetzt (z. B. durch Pensum, Anforderungen, Perspektiven)?"

Belastungen_Stress_Studium <- table(Data$Belastungen_Stress_Studium) / length(Data$Belastungen_Stress_Studium) * 100
bp <- barplot(Belastungen_Stress_Studium, xlab="Wie stark fühlen Sie sich während der Coronapandemie", sub = "im Studium Stress oder belastenden Situationen ausgesetzt?", 
              names=c("Gar nicht",
                      "Selten",
                      "Manchmal",
                      "Häufig",
                      "Immer"), ylab="In Prozent",col = "salmon2", cex.names = 1)
text(bp, 0, round(Belastungen_Stress_Studium, 1), cex=1, pos=3)

3. Sorgen ums Studium

# Skala
Data$Skala_Sorgen <- rowMeans(Data_Skalen[c("Sorgen_Pruefungen_nicht_stattfinden",
                                      "Sorgen_Pruefungen_nicht_bestehen",
                                      "Sorgen_Studium_verlaengert",
                                      "Sorgen_Studienabbruch",
                                      "Sorgen_Praktikum",
                                      "Sorgen_Auslandssemester",
                                      "Sorgen_Studienabschluss",
                                      "Sorgen_Jobaussichten")], na.rm=TRUE)

Mittelwert_Sorgen <- mean(Data$Skala_Sorgen, na.rm = TRUE)
SD_Sorgen <- sd(Data$Skala_Sorgen, na.rm = TRUE)

Plot

# Plot: Sorgen bezüglichd es Stuiums oder der Studienpläne
Sorgen_Studiendauer <- table(Data$Sorgen_Studiendauer) / length(Data$Sorgen_Studiendauer) * 100
bp <- barplot(Sorgen_Studiendauer, xlab="Sorgen bezüglich des Studiums oder der Studienpläne", 
              names=c("Ja", "Nein"), ylab="Frequency (%)")
text(bp, 0, round(Sorgen_Studiendauer, 2), cex=1, pos=3)

4. Prüfungen

# Skala
Data$Skala_Pruefungen <- rowMeans(Data_Skalen[c("Pruefungen_Struktur",
                                          "Pruefungen_Vermittlung_Lernstoff",
                                          "Pruefungen_Engagement_Lehrende")], na.rm=TRUE)

Mittelwert_Pruefungen <- mean(Data$Skala_Pruefungen, na.rm = TRUE)
SD_Pruefungen <- sd(Data$Skala_Pruefungen, na.rm = TRUE)

Plots

# ...habe ich Prüfungen nicht absolvieren können.
Pruefungen_nicht_absolvieren <- table(Data$Pruefungen_nicht_absolvieren) / length(Data$Pruefungen_nicht_absolvieren) * 100
bp <- barplot(Pruefungen_nicht_absolvieren, xlab="...habe ich Prüfungen nicht absolvieren können.", 
              names=c("Ja", "Nein", "Kann ich nicht beurteilen"), ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_nicht_absolvieren, 2), cex=1, pos=3)

# ...sind Veranstaltungen nicht angeboten worden.
Pruefungen_Veranstaltungen_nicht_angeboten <- table(Data$Pruefungen_Veranstaltungen_nicht_angeboten) / length(Data$Pruefungen_Veranstaltungen_nicht_angeboten) * 100
bp <- barplot(Pruefungen_Veranstaltungen_nicht_angeboten, xlab="...sind Veranstaltungen nicht angeboten worden.", 
              names=c("Ja", "Nein", "Kann ich nicht beurteilen"), ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Veranstaltungen_nicht_angeboten, 2), cex=1, pos=3)

# Teilnahme an Veranstaltungen erschwert
Pruefungen_Veranstaltungen_erschwert <- table(Data$Pruefungen_Veranstaltungen_erschwert) / length(Data$Pruefungen_Veranstaltungen_erschwert) * 100
bp <- barplot(Pruefungen_Veranstaltungen_erschwert, xlab="Teilnahme an Veranstaltungen erschwert", 
              names=c("Ja", "Nein", "Kann ich nicht beurteilen"), ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Veranstaltungen_erschwert, 2), cex=1, pos=3)

# ...habe ich Veranstaltungen nicht besuchen können.
Pruefungen_Veranstaltungen_nicht_besuchen_koennen <- table(Data$Pruefungen_Veranstaltungen_nicht_besuchen_koennen) / length(Data$Pruefungen_Veranstaltungen_nicht_besuchen_koennen) * 100
bp <- barplot(Pruefungen_Veranstaltungen_nicht_besuchen_koennen, xlab="...habe ich Veranstaltungen nicht besuchen können.", 
              names=c("Ja", "Nein", "Kann ich nicht beurteilen"), ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Veranstaltungen_nicht_besuchen_koennen, 2), cex=1, pos=3)

# Mein Wissen über die Themen der Veranstaltungen...
Pruefungen_Wissen <- table(Data$Pruefungen_Wissen) / length(Data$Pruefungen_Wissen) * 100
bp <- barplot(Pruefungen_Wissen, xlab="Mein Wissen über die Themen der Veranstaltungen...", 
              names=c("Hat sich nicht verändert",
                      "Hat sich kaum verändert",
                      "Ist etwas gestiegen",
                      "Ist ziemlich gestiegen",
                      "Ist stark gestiegen",
                      "Kann ich nicht beurteilen"), cex.names = 0.5, ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Wissen, 2), cex=1, pos=3)

# Mein Interesse an den Themen der Veranstaltungen...
Pruefungen_Interesse <- table(Data$Pruefungen_Interesse) / length(Data$Pruefungen_Interesse) * 100
bp <- barplot(Pruefungen_Interesse, xlab="Mein Interesse an den Themen der Veranstaltungen...", 
              names=c("Hat sich nicht verändert",
                      "Hat sich kaum verändert",
                      "Ist etwas gestiegen",
                      "Ist ziemlich gestiegen",
                      "Ist stark gestiegen",
                      "Kann ich nicht beurteilen"), cex.names = 0.5, ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Interesse, 2), cex=1, pos=3)

# Welche Formate digitaler Lehre bevorzugen Sie?
Pruefungen_Formate <- table(Data$Pruefungen_Formate) / length(Data$Pruefungen_Formate) * 100
bp <- barplot(Pruefungen_Formate, xlab="Welche Formate digitaler Lehre bevorzugen Sie?", 
              names=c("Eher synchrone Formate",
                      "Eher asynchrone Formate",
                      "Beides",
                      "Ist mir egal/keine Präferenz"), cex.names = 0.7, ylab="Frequency (%)")
text(bp, 0, round(Pruefungen_Formate, 2), cex=1, pos=3)

5. Technische Rahmenbedingungen

# Skala
Data$Skala_Technisch <- rowMeans(Data_Skalen[c("Technisch_Internetverbindung",
                                         "Technisch_Hardware",
                                         "Technisch_Software")], na.rm=TRUE)

Mittelwert_Technisch <- mean(Data$Skala_Technisch, na.rm = TRUE)
SD_Technisch <- sd(Data$Skala_Technisch, na.rm = TRUE)

6. Wahrnehmung von Unterstützungsangeboten

# Skalen
Data$Skala_Betreuung <- rowMeans(Data_Skalen[c("Unterstuetzung_Betreuung",
                                                       "Unterstuetzung_Erreichbarkeit",
                                                       "Unterstuetzung_Kommunikation")], na.rm=TRUE)

Data$Skala_Nutzung_Angebote <- rowMeans(Data_Skalen[c("Unterstuetzung_Hochschulgruppen",
                                                     "Unterstuetzung_Hochschulsport",
                                                     "Unterstuetzung_Mensa",
                                                     "Unterstuetzung_Bibliothek",
                                                     "Unterstuetzung_Private_Treffen",
                                                     "Unterstuetzung_Lerngruppen")], na.rm=TRUE)

Mittelwert_Betreuung <- mean(Data$Skala_Betreuung, na.rm = TRUE)
Mittelwert_Nutzung_Angebote <- mean(Data$Skala_Nutzung_Angebote, na.rm = TRUE)
SD_Betreuung <- sd(Data$Skala_Betreuung, na.rm = TRUE)
SD_Nutzung_Angebote <- sd(Data$Skala_Nutzung_Angebote, na.rm = TRUE)

7. Bewertung universitärer Hilfsangebote

# Skala
Data$Skala_Bewertung_Angebote <- rowMeans(Data_Skalen[c("Hilfsangebote_Studienberatung",
                                                       "Hilfsangebote_Fachstudienberatung",
                                                       "Hilfsangebote_Zentrum_fuer_Lehrerbildung",
                                                       "Hilfsangebote_Psychosoziale_Beratungsstelle",
                                                       "Hilfsangebote_Familienbuero",
                                                       "Hilfsangebote_Pruefungsamt",
                                                       "Hilfsangebote_ZIMK",
                                                       "Hilfsangebote_Bibliothek",
                                                       "Hilfsangebote_Studierendensekretariat",
                                                       "Hilfsangebote_BAfoeG",
                                                       "Hilfsangebote_Studierendenwerk",
                                                       "Hilfsangebote_Studierendenvertretung",
                                                       "Hilfsangebote_Andere",
                                                       "Hilfsangebote_Bewertung_Uni_Unterstuetzung")], na.rm=TRUE)

Mittelwert_Bewertung_Angebote <- mean(Data$Skala_Bewertung_Angebote, na.rm = TRUE)
SD_Bewertung_Angebote <- sd(Data$Skala_Bewertung_Angebote, na.rm = TRUE)

Plot

Hier ist noch einmal der Plot zur Bewertung der Uni-Unterstützung ("Insgesamt fühle ich mich durch die Universität Trier während der Coronapandemie in meinem Studium gut unterstützt.") aufgeführt.

# "Insgesamt fühle ich mich durch die Universität Trier während der Coronapandemie in meinem Studium gut unterstützt."
Hilfsangebote_Bewertung_Uni_Unterstuetzung <- table(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung) / length(Data$Hilfsangebote_Bewertung_Uni_Unterstuetzung) * 100
bp <- barplot(Hilfsangebote_Bewertung_Uni_Unterstuetzung, xlab="Beurteilung der Unterstützung", 
              names=c("Stimme überhaupt nicht zu",
                      "Stimme eher nicht zu",
                      "Weder noch",
                      "Stimme eher zu",
                      "Stimme voll und ganz zu",
                      "Kann ich nicht beurteilen"), ylab="Frequency (%)", cex.names = 0.5)
text(bp, 0, round(Hilfsangebote_Bewertung_Uni_Unterstuetzung, 2), cex=1, pos=3)

8. Belastete Lebensbereiche außerhalb des Studiums

# Skala
Data$Skala_Belastete_Lebensbereiche <- rowMeans(Data_Skalen[c("Andere_Belastungen_Wohnsituation",
                                                       "Andere_Belastungen_Finanzielle_Situation",
                                                       "Andere_Belastungen_Bezahlte_Beschaeftigung",
                                                       "Andere_Belastungen_Soziale_Kontakte",
                                                       "Andere_Belastungen_Familie",
                                                       "Andere_Belastungen_Kinderbetreuung",
                                                       "Andere_Belastungen_Sonstige")], na.rm=TRUE)

Mittelwert_Belastete_Lebensbereiche <- mean(Data$Skala_Belastete_Lebensbereiche, na.rm = TRUE)
SD_Belastete_Lebensbereiche <- sd(Data$Skala_Belastete_Lebensbereiche, na.rm = TRUE)

Plots

Andere_Belastungen_Wohnsituation <- table(Data$Andere_Belastungen_Wohnsituation) / length(Data$Andere_Belastungen_Wohnsituation) * 100
bp <- barplot(Andere_Belastungen_Wohnsituation, xlab="Wohnsituation", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Wohnsituation, 2), cex=1, pos=3)

Andere_Belastungen_Finanzielle_Situation <- table(Data$Andere_Belastungen_Finanzielle_Situation) / length(Data$Andere_Belastungen_Finanzielle_Situation) * 100
bp <- barplot(Andere_Belastungen_Finanzielle_Situation, xlab="Finanzielle Situation", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Finanzielle_Situation, 2), cex=1, pos=3)

Andere_Belastungen_Bezahlte_Beschaeftigung <- table(Data$Andere_Belastungen_Bezahlte_Beschaeftigung) / length(Data$Andere_Belastungen_Bezahlte_Beschaeftigung) * 100
bp <- barplot(Andere_Belastungen_Bezahlte_Beschaeftigung, xlab="Bezahlte (Neben-)Beschäftigung", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Bezahlte_Beschaeftigung, 2), cex=1, pos=3)

Andere_Belastungen_Soziale_Kontakte <- table(Data$Andere_Belastungen_Soziale_Kontakte) / length(Data$Andere_Belastungen_Soziale_Kontakte) * 100
bp <- barplot(Andere_Belastungen_Soziale_Kontakte, xlab="Soziale Kontakte", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Soziale_Kontakte, 2), cex=1, pos=3)

Andere_Belastungen_Familie <- table(Data$Andere_Belastungen_Familie) / length(Data$Andere_Belastungen_Familie) * 100
bp <- barplot(Andere_Belastungen_Familie, xlab="Familiäre Situation", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Familie, 2), cex=1, pos=3)

Andere_Belastungen_Sonstige <- table(Data$Andere_Belastungen_Sonstige) / length(Data$Andere_Belastungen_Sonstige) * 100
bp <- barplot(Andere_Belastungen_Sonstige, xlab="Sonstiges", 
              names=c("Stark verschlechtert",
                      "Verschlechtert",
                      "Unverändert",
                      "Verbessert",
                      "Stark verbessert"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Andere_Belastungen_Sonstige, 2), cex=1, pos=3)

9. Veränderungen bei der Arbeit

Grundgesamtheit hier geringer - nur Personen, die angaben, einen Job zu haben!

Stress bei der Arbeit

Arbeit_Stress <- table(Data$Arbeit_Stress) / length(Data$Arbeit_Stress) * 100
bp <- barplot(Arbeit_Stress, xlab="Stress bei der Arbeit", 
              names=c("Weniger Stress", "", "Mehr Stress"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Arbeit_Stress, 2), cex=1, pos=3)

Arbeitszeit

Arbeit_Arbeitszeit <- table(Data$Arbeit_Arbeitszeit) / length(Data$Arbeit_Arbeitszeit) * 100
bp <- barplot(Arbeit_Arbeitszeit, xlab="Arbeitszeit", 
              names=c("Verringerte Arbeitszeit", "", "Erhöhte Arbeitszeit"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Arbeit_Arbeitszeit, 2), cex=1, pos=3)

Jobverlust

Arbeit_Jobverlust <- table(Data$Arbeit_Jobverlust) / length(Data$Arbeit_Jobverlust) * 100
bp <- barplot(Arbeit_Jobverlust, xlab="Jobverlust", 
              names=c("Ja", "Nein"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Arbeit_Jobverlust, 2), cex=1, pos=3)

10. Kinderbetreuung

Frage in Unipark fehlerhaft, daher nicht interpretierbar.

11. Psychisches Wohlbefinden

# Skalen
Data$Skala_Wohlbefinden_Situation <- rowMeans(Data_Skalen[c("Wohlbefinden_Wohnsituation",
                                                      "Wohlbefinden_finanzielle_Situation",
                                                      "Wohlbefinden_Familie",
                                                      "Wohlbefinden_soziale_Kontakte",
                                                      "Wohlbefinden_Studium",
                                                      "Wohlbefinden_Leben")], na.rm=TRUE)

Data$Skala_Wohlbefinden_Gesundheitszustand <- rowMeans(Data_Skalen[c("Wohlbefinden_seelisch_emotionale_Verfassung",
                                                               "Wohlbefinden_koerperliche_Verfassung",
                                                               "Wohlbefinden_Leistungsfaehigkeit",
                                                               "Wohlbefinden_Allgemeinbefinden")], na.rm=TRUE)


Data$Skala_Wohlbefinden_psychische_Symptome <- rowMeans(Data_Skalen[c("Wohlbefinden_Einsamkeit",
                                                                "Wohlbefinden_Konzentration",
                                                                "Wohlbefinden_Ruhelosigkeit",
                                                                "Wohlbefinden_kein_Zeitgefuehl",
                                                                "Wohlbefinden_Bewegung",
                                                                "Wohlbefinden_Schlaf",
                                                                "Wohlbefinden_Nicht_ein_noch_aus_wissen")], na.rm=TRUE)
# Wichtig: Hohe Werte deuten auf eine höhere Symptombelastung hin

Mittelwert_Wohlbefinden_Situation <- mean(Data$Skala_Wohlbefinden_Situation, na.rm = TRUE)
SD_Wohlbefinden_Situation <- sd(Data$Skala_Wohlbefinden_Situation, na.rm = TRUE)

Mittelwert_Wohlbefinden_Gesundheitszustand <- mean(Data$Skala_Wohlbefinden_Gesundheitszustand, na.rm = TRUE)
SD_Wohlbefinden_Gesundheitszustand <- sd(Data$Skala_Wohlbefinden_Gesundheitszustand, na.rm = TRUE)

Mittelwert_Wohlbefinden_psychische_Symptome <- mean(Data$Skala_Wohlbefinden_psychische_Symptome, na.rm = TRUE)
SD_Wohlbefinden_psychische_Symptome <- sd(Data$Skala_Wohlbefinden_psychische_Symptome, na.rm = TRUE)

Plot

Wohlbefinden_aktuell <- table(Data$Wohlbefinden_aktuell) / length(Data$Wohlbefinden_aktuell) * 100
bp <- barplot(Wohlbefinden_aktuell, xlab="Wie gut kommen Sie im Moment emotional und psychisch zurecht?", 
              names=c("Sehr schlecht",
                      "Schlecht",
                      "Es geht so",
                      "Gut",
                      "Sehr gut"),
              col = "lightblue", ylab="In Prozent", cex.names = 0.8)
text(bp, 0, round(Wohlbefinden_aktuell, 1), cex=1, pos=3)

12. Psychologische Beratung

Plots

# Filterfrage: "Haben Sie Informations- oder Hilfsangebote während der Coronapandemie genutzt, um Ihre psychische Gesundheit zu erhalten oder zu stärken?"
Filterfrage_Psychische_Hilfsangebote <- table(Data$Filterfrage_Psychische_Hilfsangebote) / length(Data$Filterfrage_Psychische_Hilfsangebote) * 100
bp <- barplot(Filterfrage_Psychische_Hilfsangebote, xlab="Informations-/Hilfsangebote für psychische Gesundheit", 
              names=c("Ja", "Nein"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Filterfrage_Psychische_Hilfsangebote, 2), cex=1, pos=3)

# Digitale Informationsangebote (Webseiten, Hotlines etc.)
Beratung_Digitale_Informationsangebote <- table(Data$Beratung_Digitale_Informationsangebote) / length(Data$Beratung_Digitale_Informationsangebote) * 100
bp <- barplot(Beratung_Digitale_Informationsangebote, xlab="Digitale Informationsangebote (Webseiten, Hotlines etc.)", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Digitale_Informationsangebote, 2), cex=1, pos=3)

# Analoge Informationsangebote (z. B. Broschüren, Ratgeber etc.)
Beratung_Analoge_Informationsangebote <- table(Data$Beratung_Analoge_Informationsangebote) / length(Data$Beratung_Analoge_Informationsangebote) * 100
bp <- barplot(Beratung_Analoge_Informationsangebote, xlab="Analoge Informationsangebote (z. B. Broschüren, Ratgeber etc.)", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Analoge_Informationsangebote, 2), cex=1, pos=3)

# Aufsuchen eines Hausarztes/Facharztes
Beratung_Hausarzt_Facharzt <- table(Data$Beratung_Hausarzt_Facharzt) / length(Data$Beratung_Hausarzt_Facharzt) * 100
bp <- barplot(Beratung_Hausarzt_Facharzt, xlab="Aufsuchen eines Hausarztes/Facharztes", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Hausarzt_Facharzt, 2), cex=1, pos=3)

# Psychotherapeutische Sprechstunde/ Psychotherapie
Beratung_Psychotherapeutische_Sprechstunde_Psychotherapie <- table(Data$Beratung_Psychotherapeutische_Sprechstunde_Psychotherapie) / length(Data$Beratung_Psychotherapeutische_Sprechstunde_Psychotherapie) * 100
bp <- barplot(Beratung_Psychotherapeutische_Sprechstunde_Psychotherapie, xlab="Psychotherapeutische Sprechstunde/ Psychotherapie", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Psychotherapeutische_Sprechstunde_Psychotherapie, 2), cex=1, pos=3)

# Psychosoziale Beratung des Studiwerks
Beratung_Psychosoziale_Beratung_Studiwerk <- table(Data$Beratung_Psychosoziale_Beratung_Studiwerk) / length(Data$Beratung_Psychosoziale_Beratung_Studiwerk) * 100
bp <- barplot(Beratung_Psychosoziale_Beratung_Studiwerk, xlab="Psychosoziale Beratung des Studiwerks", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Psychosoziale_Beratung_Studiwerk, 2), cex=1, pos=3)

# CampusOhr
Beratung_CampusOhr <- table(Data$Beratung_CampusOhr) / length(Data$Beratung_CampusOhr) * 100
bp <- barplot(Beratung_CampusOhr, xlab="CampusOhr", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_CampusOhr, 2), cex=1, pos=3)

# AStA-BUCK
Data$Beratung_Asta_Buck <- Data$Beartung_Asta_Buck
Beratung_Asta_Buck <- table(Data$Beratung_Asta_Buck) / length(Data$Beratung_Asta_Buck) * 100
bp <- barplot(Beratung_Asta_Buck, xlab="AStA-BUCK", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Asta_Buck, 2), cex=1, pos=3)

# Sonstige
Beratung_Sonstige <- table(Data$Beratung_Sonstige) / length(Data$Beratung_Sonstige) * 100
bp <- barplot(Beratung_Sonstige, xlab="Sonstige", 
              names=c("Nicht genutzt", "Genutzt", "Nicht bekannt"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beratung_Sonstige, 2), cex=1, pos=3)

13. Bewältigungsstrategien

Data_Skalen$Bewaeltigungsstrategien_Langeweile_umgepolt <- 6 - Data_Skalen$Bewaeltigungsstrategien_Langeweile
Data$Skala_Bewaltigungsstrategien <- rowMeans(Data_Skalen[c("Bewaeltigungsstrategien_Familie_und_Freunde",
                                                      "Bewaeltigungsstrategien_Unterstuetzungsangebote",
                                                      "Bewaeltigungsstrategien_anderen_Hilfe_anbieten",
                                                      "Bewaeltigungsstrategien_Tagesablauf",
                                                      "Bewaeltigungsstrategien_Aktivitaeten_entdeckt",
                                                      "Bewaeltigungsstrategien_mehr_Zeit",
                                                      "Bewaeltigungsstrategien_Langeweile_umgepolt",
                                                      "Bewaeltigungsstrategien_online")], na.rm=TRUE)

# Einige Items wurden ausgeschlossen oder verändert, da sie inhaltlich abweichen:
# Das Item zu Langeweile wurde umgepolt (da bessere Bewältigungsstrategien = weniger Langeweile)
# Das Item zu "weniger Autofahren" wurde ausgeschlossen, da es inhaltlich keine Bewältigungsstrategie ist

Mittelwert_Bewaltigungsstrategien <- mean(Data$Skala_Bewaltigungsstrategien, na.rm = TRUE)
SD_Bewaltigungsstrategien <- sd(Data$Skala_Bewaltigungsstrategien, na.rm = TRUE)

Plots

"Ich bin mit meinen Familie und Freundinnen/Freunden dauernd in Verbindung (über Telefon, digitale Medien etc.)."

Bewaeltigungsstrategien_Familie_und_Freunde <- table(Data$Bewaeltigungsstrategien_Familie_und_Freunde) / length(Data$Bewaeltigungsstrategien_Familie_und_Freunde) * 100
bp <- barplot(Bewaeltigungsstrategien_Familie_und_Freunde, xlab="Ich bin mit meinen Familie und Freundinnen/Freunden dauernd in Verbindung", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_Familie_und_Freunde, 2), cex=1, pos=3)

"Ich erhalte Unterstützungsangebote durch Familie, Freunde oder Nachbarn."

Bewaeltigungsstrategien_Unterstuetzungsangebote <- table(Data$Bewaeltigungsstrategien_Unterstuetzungsangebote) / length(Data$Bewaeltigungsstrategien_Unterstuetzungsangebote) * 100
bp <- barplot(Bewaeltigungsstrategien_Unterstuetzungsangebote, xlab="Ich erhalte Unterstützungsangebote durch Familie, Freunde oder Nachbarn.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_Unterstuetzungsangebote, 2), cex=1, pos=3)

"Ich biete anderen Hilfe an (z. B. mit Nachbarschaftshilfe beim Einkaufen)."

Bewaeltigungsstrategien_anderen_Hilfe_anbieten <- table(Data$Bewaeltigungsstrategien_anderen_Hilfe_anbieten) / length(Data$Bewaeltigungsstrategien_anderen_Hilfe_anbieten) * 100
bp <- barplot(Bewaeltigungsstrategien_anderen_Hilfe_anbieten, xlab="Ich biete anderen Hilfe an", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_anderen_Hilfe_anbieten, 2), cex=1, pos=3)

"Ich habe einen geregelten Tagesablauf für meinen Alltag in Bezug auf Schlaf, Arbeit oder körperliche Aktivitäten."

Bewaeltigungsstrategien_Tagesablauf <- table(Data$Bewaeltigungsstrategien_Tagesablauf) / length(Data$Bewaeltigungsstrategien_Tagesablauf) * 100
bp <- barplot(Bewaeltigungsstrategien_Tagesablauf, xlab="Geregelter Tagesablauf", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_Tagesablauf, 2), cex=1, pos=3)

"Ich habe für mich Aktivitäten entdeckt, die mir das Zuhausebleiben erleichtern."

Bewaeltigungsstrategien_Aktivitaeten_entdeckt <- table(Data$Bewaeltigungsstrategien_Aktivitaeten_entdeckt) / length(Data$Bewaeltigungsstrategien_Aktivitaeten_entdeckt) * 100
bp <- barplot(Bewaeltigungsstrategien_Aktivitaeten_entdeckt, xlab="Ich habe für mich Aktivitäten entdeckt, die mir das Zuhausebleiben erleichtern.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_Aktivitaeten_entdeckt, 2), cex=1, pos=3)

"Ich habe mehr Zeit für mich."

Bewaeltigungsstrategien_mehr_Zeit <- table(Data$Bewaeltigungsstrategien_mehr_Zeit) / length(Data$Bewaeltigungsstrategien_mehr_Zeit) * 100
bp <- barplot(Bewaeltigungsstrategien_mehr_Zeit, xlab="Ich habe mehr Zeit für mich.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_mehr_Zeit, 2), cex=1, pos=3)

"Ich langweile mich."

Bewaeltigungsstrategien_Langeweile <- table(Data$Bewaeltigungsstrategien_Langeweile) / length(Data$Bewaeltigungsstrategien_Langeweile) * 100
bp <- barplot(Bewaeltigungsstrategien_Langeweile, xlab="Ich langweile mich.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_Langeweile, 2), cex=1, pos=3)

"Ich mache jetzt sehr viel online."

Bewaeltigungsstrategien_online <- table(Data$Bewaeltigungsstrategien_online) / length(Data$Bewaeltigungsstrategien_online) * 100
bp <- barplot(Bewaeltigungsstrategien_online, xlab="Ich mache jetzt sehr viel online.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_online, 2), cex=1, pos=3)

"Ich fahre kaum noch Auto."

Bewaeltigungsstrategien_kaum_noch_Auto <- table(Data$Bewaeltigungsstrategien_kaum_noch_Auto) / length(Data$Bewaeltigungsstrategien_kaum_noch_Auto) * 100
bp <- barplot(Bewaeltigungsstrategien_kaum_noch_Auto, xlab="Ich fahre kaum noch Auto.", 
              names=c("Trifft überhaupt nicht zu",
                      "Trifft eher nicht zu",
                      "Weder noch",
                      "Trifft eher zu",
                      "Trifft voll und ganz zu"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Bewaeltigungsstrategien_kaum_noch_Auto, 2), cex=1, pos=3)

14. Vertrauen und Compliance

Hier sind erneut die Plots zur Beurteilung der Uni-Maßnahmen und des Managements aufgeführt.

Beurteilung der Uni-Maßnahmen: "Die Maßnahmen der Universität Trier zur Eindämmung der Coronapandemie finde ich..."

Beurteilung_Uni_Massnahmen <- table(Data$Beurteilung_Uni_Massnahmen) / length(Data$Beurteilung_Uni_Massnahmen) * 100
bp <- barplot(Beurteilung_Uni_Massnahmen, xlab="Beurteilung der Maßnahmen", 
              names=c("Zu wenig",
                      "Genau richtig",
                      "Übertrieben",
                      "Kann ich nicht beurteilen"), ylab="Frequency (%)", cex.names = 0.7)
text(bp, 0, round(Beurteilung_Uni_Massnahmen, 2), cex=1, pos=3)

Mittelwert_Massnahmen <- mean(Data$Beurteilung_Uni_Massnahmen[Data$Beurteilung_Uni_Massnahmen != 98], na.rm = TRUE)
SD_Massnahmen <- sd(Data$Beurteilung_Uni_Massnahmen[Data$Beurteilung_Uni_Massnahmen != 98], na.rm = TRUE)

Beurteilung des Managements: "Insgesamt bin ich mit dem Management der Coronapandemie durch die Universität Trier zufrieden."

Beurteilung_Uni_Management <- table(Data$Beurteilung_Uni_Management) / length(Data$Beurteilung_Uni_Management) * 100
bp <- barplot(Beurteilung_Uni_Management, xlab="Beurteilung des Managements", 
              names=c("Stimme überhaupt nicht zu",
                      "Stimme eher nicht zu",
                      "Weder noch",
                      "Stimme eher zu",
                      "Stimme voll und ganz zu",
                      "Kann ich nicht beurteilen"), ylab="Frequency (%)", cex.names = 0.5)
text(bp, 0, round(Beurteilung_Uni_Management, 2), cex=1, pos=3)

15.Abschlussfragen

Zuletzt sind hier zwei Plots abgebildet, welche jeweils die Wünsche der Studierenden für ihr Studium bzw. ihre Freizeit abbilden.

Data$Abschlussfragen_Wunsch_Freizeit_Sonstiges <- Data$dupl1_Abschlussfragen_Wunsch_Sonstiges
Data$Abschlussfragen_Wunsch_Freizeit_Sonstiges_Kommentar <- Data$dupl1_Abschlussfragen_Wunsch_Sonstiges_Kommentar
# Beide Variablen waren gleich benannt, daher muss hier für die Freizeit-Kategorie eine neue Variable erstellt werden

# Labels erstellen
Abschlussfragen_Studium_Labels <- c("Präsenzveranstaltungen",
                                    "Vortrag im Seminar halten",
                                    "Lerngruppe auf dem Campus treffen",
                                    "Sich in einer Sprechstunde beraten lassen",
                                    "Mensa oder Cafeteria besuchen",
                                    "Soziale Aktivitäten an der Universität wahrnehmen",
                                    "Sonstiges")

Abschlussfragen_Freizeit_Labels <- c("Sich mit Freunden und Familie treffen",
                                     "Theater/Kino/Konzert",
                                     "Tagesausflug/Verreisen",
                                     "Lieblingsrestaurant/-Bar/-Kneipe besuchen",
                                     "Museum",
                                     "Öffentliche Feierlichkeiten",
                                     "Schwimmbad/Fitnessstudio",
                                     "Vereinsleben",
                                     "Sonstiges")


## Frequenzen zählen
Abschlussfragen_Studium_Summe <- c(sum(Data$Abschlussfragen_Wunsch_Praesenz, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Vortrag, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Lerngruppe, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Sprechstunde, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Mensa, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Soziale_Aktivitaeten, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Sonstiges, na.rm = TRUE))
Abschlussfragen_Studium_Prozent <- Abschlussfragen_Studium_Summe / length(Data$lfdn) * 100

Abschlussfragen_Freizeit_Summe <- c(sum(Data$Abschlussfragen_Wunsch_Treffen, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Theater_Kino_Konzert, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Verreisen, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Gastronomie, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Museum, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Feierlichkeiten, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Schwimmbad_Fitnessstudio, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Vereinsleben, na.rm = TRUE),
                  sum(Data$Abschlussfragen_Wunsch_Freizeit_Sonstiges, na.rm = TRUE))
Abschlussfragen_Freizeit_Prozent <- Abschlussfragen_Freizeit_Summe / length(Data$lfdn) * 100




## Plot zeichnen
# Wünsche bezüglich des Studiums
Abschlussfragen_Studium_Dataframe <- data.frame(Abschlussfragen_Studium_Labels, Abschlussfragen_Studium_Prozent)

Abschlussfragen_Studium_Dataframe$Abschlussfragen_Studium_Labels <- factor(Abschlussfragen_Studium_Dataframe$Abschlussfragen_Studium_Labels,
                                       levels = c("Präsenzveranstaltungen",
                                                  "Vortrag im Seminar halten",
                                                  "Lerngruppe auf dem Campus treffen",
                                                  "Sich in einer Sprechstunde beraten lassen",
                                                  "Mensa oder Cafeteria besuchen",
                                                  "Soziale Aktivitäten an der Universität wahrnehmen",
                                                  "Sonstiges"),
                                       labels = c("Präsenzveranstaltungen",
                                                  "Vortrag im Seminar halten",
                                                  "Lerngruppe auf dem Campus treffen",
                                                  "Sich in einer Sprechstunde beraten lassen",
                                                  "Mensa oder Cafeteria besuchen",
                                                  "Soziale Aktivitäten an der Universität wahrnehmen",
                                                  "Sonstiges"))

ggplot(Abschlussfragen_Studium_Dataframe, aes(x=Abschlussfragen_Studium_Labels,y=Abschlussfragen_Studium_Prozent))+
  geom_bar(stat="identity",position="dodge")+
  coord_flip()+
  xlab("Wünsche bezüglich des Studiums")+ylab("Häufigkeit der Nennung (%)")

# Wünsche bezüglich der Freizeit
Abschlussfragen_Freizeit_Dataframe <- data.frame(Abschlussfragen_Freizeit_Labels, Abschlussfragen_Freizeit_Prozent)

Abschlussfragen_Freizeit_Dataframe$Abschlussfragen_Freizeit_Labels <- factor(Abschlussfragen_Freizeit_Dataframe$Abschlussfragen_Freizeit_Labels,
                                       levels = c("Sich mit Freunden und Familie treffen",
                                                  "Theater/Kino/Konzert",
                                                  "Tagesausflug/Verreisen",
                                                  "Lieblingsrestaurant/-Bar/-Kneipe besuchen",
                                                  "Museum",
                                                  "Öffentliche Feierlichkeiten",
                                                  "Schwimmbad/Fitnessstudio",
                                                  "Vereinsleben",
                                                  "Sonstiges"),
                                       labels = c("Sich mit Freunden und Familie treffen",
                                                  "Theater/Kino/Konzert",
                                                  "Tagesausflug/Verreisen",
                                                  "Lieblingsrestaurant/-Bar/-Kneipe besuchen",
                                                  "Museum",
                                                  "Öffentliche Feierlichkeiten",
                                                  "Schwimmbad/Fitnessstudio",
                                                  "Vereinsleben",
                                                  "Sonstiges"))

ggplot(Abschlussfragen_Freizeit_Dataframe, aes(x=Abschlussfragen_Freizeit_Labels,y=Abschlussfragen_Freizeit_Prozent))+
  geom_bar(stat="identity",position="dodge")+
  coord_flip()+
  xlab("Wünsche bezüglich der Freizeit")+ylab("In Prozent")

Abschlussfragen_Studium_Dataframe
Abschlussfragen_Freizeit_Dataframe

A data.frame: 7 × 2

Abschlussfragen_Studium_Labels	Abschlussfragen_Studium_Prozent
<fct>	<dbl>
Präsenzveranstaltungen	60.02215
Vortrag im Seminar halten	20.43189
Lerngruppe auf dem Campus treffen	53.04540
Sich in einer Sprechstunde beraten lassen	11.90476
Mensa oder Cafeteria besuchen	69.37984
Soziale Aktivitäten an der Universität wahrnehmen	49.61240
Sonstiges	11.07420

A data.frame: 9 × 2

Abschlussfragen_Freizeit_Labels	Abschlussfragen_Freizeit_Prozent
<fct>	<dbl>
Sich mit Freunden und Familie treffen	64.174972
Theater/Kino/Konzert	36.267996
Tagesausflug/Verreisen	47.452935
Lieblingsrestaurant/-Bar/-Kneipe besuchen	49.390919
Museum	6.699889
Öffentliche Feierlichkeiten	45.847176
Schwimmbad/Fitnessstudio	24.086379
Vereinsleben	15.669989
Sonstiges	3.100775

Analysen

Folgend werden weitere Analysen, beispielsweise Untersuchungen von Korrelationen, abgebildet. Zunächst sollen hierfür die Verteilungen der Antworten einzelner Fragen (siehe extra Dokument: Übersicht_Items.pdf), sowie die Mittelwerte der Skalen nochmals zusammengefasst präsentiert werden.

Mittelwerte der Skalen

### Belastungen im Studium

round(Mittelwert_Belastungen_Studium, 2)
round(SD_Belastungen_Studium, 2)
# Skala: 1 = Deutlich schwieriger, 5 = Deutlich einfacher

3.92

0.71

### Sorgen ums Studium

round(Mittelwert_Sorgen, 2)
round(SD_Sorgen, 2)
# Skala: 1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu

3.2

0.71

### Veranstaltungen und Prüfungen

round(Mittelwert_Pruefungen, 2)
round(SD_Pruefungen, 2)
# Skala: 1 = Sehr Unzufrieden, 5 = Sehr zufrieden

3.29

0.92

### Technische Rahmenbedingungen

round(Mittelwert_Technisch, 2)
round(SD_Technisch, 2)
# Skala: 1 = Ungenügend, 6 = Sehr gut

4.71

1.03

### Bewertung der Betreuung

round(Mittelwert_Betreuung, 2)
round(SD_Betreuung, 2)
# Skala: 1 = Ungenügend, 6 = Sehr gut

4.08

1.14

### Nutzung der Unterstützungsangebote

round(Mittelwert_Nutzung_Angebote, 2)
round(SD_Nutzung_Angebote, 2)
# Skala: 1 = Gar nicht, 4 = Regelmäßig

1.57

0.43

### Bewertung der Hilfsangebote

round(Mittelwert_Bewertung_Angebote, 2)
round(SD_Bewertung_Angebote, 2)
# Skala: 1 = Gar nicht hilfreich, 5 = Überaus hilfreich

3.58

0.78

### Belastete Lebensbereiche

round(Mittelwert_Belastete_Lebensbereiche, 2)
round(SD_Belastete_Lebensbereiche, 2)
# Skala: 1 = Stark verschlechtert, 5 = Stark Verbessert

2.53

0.48

### Zufriedenheit mit der allgemeinen Situation

round(Mittelwert_Wohlbefinden_Situation, 2)
round(SD_Wohlbefinden_Situation, 2)
# Skala: 1 = Überhaupt nicht, 4 = Sehr

2.71

0.6

### Gesundheitszustand im Vergleich zu vor der Pandemie

round(Mittelwert_Wohlbefinden_Gesundheitszustand, 2)
round(SD_Wohlbefinden_Gesundheitszustand, 2)
# Skala: 1 = Viel schlechter, 5 = Viel besser

2.25

0.74

### Psychische Symptome

round(Mittelwert_Wohlbefinden_psychische_Symptome, 2)
round(SD_Wohlbefinden_psychische_Symptome, 2)
# Skala: 1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu

3.3

0.85

### Bewältigungsstrategien

round(Mittelwert_Bewaltigungsstrategien, 2)
round(SD_Bewaltigungsstrategien, 2)
# Skala: 1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu

3.18

0.55

Korrelationen der Skalen

Data_Korrelationen <- Data[, c("Skala_Belastungen_Studium",
             "Skala_Sorgen",
             "Skala_Pruefungen",
             "Skala_Technisch",
             "Skala_Betreuung",
             "Skala_Nutzung_Angebote",
             "Skala_Bewertung_Angebote",
             "Skala_Belastete_Lebensbereiche",
             "Skala_Wohlbefinden_Situation",
             "Skala_Wohlbefinden_Gesundheitszustand",
             "Skala_Wohlbefinden_psychische_Symptome",
             "Skala_Bewaltigungsstrategien")]

cor(Data_Korrelationen, use = "complete.obs")

A matrix: 12 × 12 of type dbl

	Skala_Belastungen_Studium	Skala_Sorgen	Skala_Pruefungen	Skala_Technisch	Skala_Betreuung	Skala_Nutzung_Angebote	Skala_Bewertung_Angebote	Skala_Belastete_Lebensbereiche	Skala_Wohlbefinden_Situation	Skala_Wohlbefinden_Gesundheitszustand	Skala_Wohlbefinden_psychische_Symptome	Skala_Bewaltigungsstrategien
Skala_Belastungen_Studium	1.00000000	0.27672412	-0.392740562	-0.22074656	-0.31529947	0.036542994	-0.3051396	-0.24869989	-0.32915807	-0.43065285	0.38581924	-0.2647264
Skala_Sorgen	0.27672412	1.00000000	-0.260068788	-0.23477397	-0.25385553	0.040077433	-0.1943912	-0.21405890	-0.29436965	-0.24334064	0.32544894	-0.1126487
Skala_Pruefungen	-0.39274056	-0.26006879	1.000000000	0.22213427	0.52492133	0.006938538	0.4040224	0.21479533	0.31926630	0.28024510	-0.31481675	0.2362558
Skala_Technisch	-0.22074656	-0.23477397	0.222134275	1.00000000	0.26994245	-0.020046668	0.2345927	0.27850956	0.30934271	0.14692466	-0.21342481	0.2132630
Skala_Betreuung	-0.31529947	-0.25385553	0.524921332	0.26994245	1.00000000	0.021373822	0.4168105	0.21404485	0.31016473	0.19502839	-0.25513654	0.2346068
Skala_Nutzung_Angebote	0.03654299	0.04007743	0.006938538	-0.02004667	0.02137382	1.000000000	0.1202913	0.01595785	0.05326837	0.03700695	-0.02257024	0.1620504
Skala_Bewertung_Angebote	-0.30513963	-0.19439118	0.404022440	0.23459268	0.41681051	0.120291311	1.0000000	0.24709282	0.35784495	0.24236054	-0.23317835	0.2557105
Skala_Belastete_Lebensbereiche	-0.24869989	-0.21405890	0.214795326	0.27850956	0.21404485	0.015957846	0.2470928	1.00000000	0.58772827	0.34565142	-0.29511640	0.2035580
Skala_Wohlbefinden_Situation	-0.32915807	-0.29436965	0.319266302	0.30934271	0.31016473	0.053268369	0.3578449	0.58772827	1.00000000	0.48999718	-0.46465064	0.3894916
Skala_Wohlbefinden_Gesundheitszustand	-0.43065285	-0.24334064	0.280245096	0.14692466	0.19502839	0.037006946	0.2423605	0.34565142	0.48999718	1.00000000	-0.57174754	0.3780810
Skala_Wohlbefinden_psychische_Symptome	0.38581924	0.32544894	-0.314816746	-0.21342481	-0.25513654	-0.022570244	-0.2331783	-0.29511640	-0.46465064	-0.57174754	1.00000000	-0.3154431
Skala_Bewaltigungsstrategien	-0.26472639	-0.11264873	0.236255791	0.21326304	0.23460684	0.162050398	0.2557105	0.20355804	0.38949155	0.37808100	-0.31544309	1.0000000

Plots zu den Skalen

h <- hist(Data$Skala_Belastungen_Studium)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "salmon1",
    main = "Skala: Belastungen im Studium",
    xlab =  "1 = Deutlich einfacher, 5 = Deutlich schwieriger",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Belastungen_Studium, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)


round(h$density,1)

1. 0.7
2. 1.2
3. 3.7
4. 6
5. 13.9
6. 27.7
7. 30.5
8. 16.2

h <- hist(Data$Skala_Sorgen)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "peachpuff",
    main = "Skala: Sorgen",
    xlab =  "1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Sorgen, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 1.5
2. 4.7
3. 13.3
4. 21.1
5. 26.2
6. 23.8
7. 7.1
8. 2.4

h <- hist(Data$Skala_Pruefungen)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "seashell1",
    main = "Skala: Veranstaltungen und Prüfungen",
    xlab =  "1 = Sehr Unzufrieden, 5 = Sehr zufrieden",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Pruefungen, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 2.2
2. 10.2
3. 9.4
4. 25.8
5. 12.5
6. 21.2
7. 8.7
8. 10.1

h <- hist(Data$Skala_Technisch)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "palevioletred",
    main = "Skala: Technische Rahmenbedingungen",
    xlab =  "1 = Ungenügend, 6 = Sehr gut",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Technisch, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 0.5
2. 1.1
3. 1.1
4. 7.3
5. 3.8
6. 12.8
7. 9.6
8. 28.2
9. 9.4
10. 26.2

h <- hist(Data$Skala_Betreuung)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "lightskyblue3",
    main = "Skala: Betreuung",
    xlab =  "1 = Ungenügend, 6 = Sehr gut",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Betreuung, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 2
2. 4.9
3. 3.1
4. 13.7
5. 6.1
6. 18.6
7. 10.4
8. 27.6
9. 4.4
10. 9.3

h <- hist(Data$Skala_Nutzung_Angebote)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "azure",
    main = "Skala: Nutzung der Angebote",
    xlab =  "1 = Gar nicht, 4 = Regelmäßig",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Nutzung_Angebote, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 24.1
2. 17.9
3. 18.5
4. 11.6
5. 15.7
6. 4.7
7. 2.9
8. 2.2
9. 1.2
10. 0.9
11. 0.1
12. 0.1
13. 0
14. 0
15. 0.1

h <- hist(Data$Skala_Bewertung_Angebote)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "limegreen",
    main = "Skala: Bewertung der Angebote",
    xlab =  "1 = Gar nicht hilfreich, 5 = Überaus hilfreich",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Bewertung_Angebote, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 1.4
2. 4.4
3. 5
4. 16.3
5. 18.2
6. 33.3
7. 14.1
8. 7.5

h <- hist(Data$Skala_Belastete_Lebensbereiche)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "orchid4",
    main = "Skala: Belastete Lebensbereiche",
    xlab =  "1 = Stark verschlechtert, 5 = Stark Verbessert",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Belastete_Lebensbereiche, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 2.5
2. 13.9
3. 29.7
4. 45.2
5. 6.6
6. 1.9
7. 0.2
8. 0.1

h <- hist(Data$Skala_Wohlbefinden_Situation)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "peachpuff",
   main = "Skala: Zufriedenheit mit der allgemeinen Situation",
    xlab =  "1 = Überhaupt nicht, 4 = Sehr",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Wohlbefinden_Situation, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 0.8
2. 1.3
3. 1.9
4. 2.9
5. 8.9
6. 6.5
7. 8.9
8. 8.3
9. 10.6
10. 21.6
11. 10
12. 6.9
13. 4.6
14. 3.5
15. 3.3

h <- hist(Data$Skala_Wohlbefinden_Gesundheitszustand)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "slateblue3",
   main = "Skala: Gesundheitszustand im Vergleich zu vor der Pandemie",
    xlab =  "1 = Viel schlechter, 5 = Viel besser",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Wohlbefinden_Gesundheitszustand, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 18.7
2. 28.6
3. 25.4
4. 17.1
5. 5.6
6. 2.7
7. 0.8
8. 1.1

h <- hist(Data$Skala_Wohlbefinden_psychische_Symptome)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "violetred",
   main = "Skala: Psychische Symptome",
    xlab =  "1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Wohlbefinden_psychische_Symptome, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)


round(h$density,1)

1. 3.7
2. 6.6
3. 7.4
4. 17.5
5. 19.9
6. 26.7
7. 11.5
8. 6.6

h <- hist(Data$Skala_Bewaltigungsstrategien)
h$density = h$counts/sum(h$counts)*100
plot(h,freq=FALSE,
    col = "yellowgreen",
   main = "Skala: Bewältigungsstrategien",
    xlab =  "1 = Trifft überhaupt nicht zu, 5 = Trifft voll und ganz zu",
    ylab = "In Prozent")
abline(v = mean(Data$Skala_Bewaltigungsstrategien, na.rm=TRUE),
 col = "chocolate3",
 lwd = 2)
legend(x = "topright", # location of legend within plot area
 "Mittelwert",
 col = "chocolate3",
 lwd = 2)

round(h$density,1)

1. 2.3
2. 10.4
3. 28.1
4. 34.9
5. 18.7
6. 5.1
7. 0.5