Projekt Data-Science in der Bildung

Analyse: Digitalen Kompetenzen und Nutzung generativer KI in Europa

Forschungsfrage und Hypothese

Forschungsfrage:

Gibt es in Europa einen Zusammenhang zwischen dem Niveau digitaler Kompetenzen und der Nutzung generativer KI?

Hypothese:

In Ländern, in denen die Bevölkerung höhere digitale Kompetenzen aufweist, zeigt sich auch eine höhere Nutzung generativer KI. Je höher das Niveau digitaler Kompetenzen, desto höher ist tendenziell die Nutzung generativer KI.

Datengrundlage

Niveau der digitalen Kompetenzen in Europa (ab. 2021)

https://ec.europa.eu/eurostat/databrowser/view/isoc_sk_dskl_i21__custom_17534566/default/table

Nutzung von generativer KI in Europa (2025)

https://ec.europa.eu/eurostat/databrowser/view/isoc_ai_iaiu/default/table?lang=de&category=isoc.isoc_i.isoc_ai

1. Daten vorbereiten

Pakete installieren und laden

library(readr)
library(dplyr)

## 
## Attache Paket: 'dplyr'

## Die folgenden Objekte sind maskiert von 'package:stats':
## 
##     filter, lag

## Die folgenden Objekte sind maskiert von 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

Datensätze einlesen

# Datensatz zu digitalen Kompetenzen einlesen
digitalskills <- read.csv("C:\\Users\\susan\\OneDrive\\Dokumente\\PH ELMEB\\Modul 8\\Data Science\\Projekt\\Niveau digitale Kompetenzen neu.csv")

# Datensatz zu KI Nutzung einlesen
aiusage<- read.csv("C:\\Users\\susan\\OneDrive\\Dokumente\\PH ELMEB\\Modul 8\\Data Science\\Projekt\\Nutzung von KI neu.csv")

Exploration der Daten

Betrachtung der Struktur und erste Übersicht über die Datensätze:

# Datensatz zur digitalen Kompetenz in Europa 
str(digitalskills)

## 'data.frame':    111 obs. of  11 variables:
##  $ DATAFLOW   : chr  "ESTAT:ISOC_SK_DSKL_I21(1.0)" "ESTAT:ISOC_SK_DSKL_I21(1.0)" "ESTAT:ISOC_SK_DSKL_I21(1.0)" "ESTAT:ISOC_SK_DSKL_I21(1.0)" ...
##  $ LAST.UPDATE: chr  "17/04/26 11:00:00" "17/04/26 11:00:00" "17/04/26 11:00:00" "17/04/26 11:00:00" ...
##  $ freq       : chr  "Jährlich" "Jährlich" "Jährlich" "Jährlich" ...
##  $ ind_type   : chr  "Alle Personen" "Alle Personen" "Alle Personen" "Alle Personen" ...
##  $ indic_is   : chr  "Personen, die insgesamt höher als grundlegende digitale Kenntnisse haben (alle fünf Teilindikatoren sind höher "| __truncated__ "Personen, die insgesamt höher als grundlegende digitale Kenntnisse haben (alle fünf Teilindikatoren sind höher "| __truncated__ "Personen, die insgesamt höher als grundlegende digitale Kenntnisse haben (alle fünf Teilindikatoren sind höher "| __truncated__ "Personen, die insgesamt höher als grundlegende digitale Kenntnisse haben (alle fünf Teilindikatoren sind höher "| __truncated__ ...
##  $ unit       : chr  "Prozent der Personen" "Prozent der Personen" "Prozent der Personen" "Prozent der Personen" ...
##  $ geo        : chr  "Albanien" "Albanien" "Albanien" "Österreich" ...
##  $ TIME_PERIOD: int  2021 2023 2025 2021 2023 2025 2021 2023 2025 2021 ...
##  $ OBS_VALUE  : num  4.01 7.77 8.07 33.28 32.04 ...
##  $ OBS_FLAG   : logi  NA NA NA NA NA NA ...
##  $ CONF_STATUS: logi  NA NA NA NA NA NA ...

# Datensatz zur generativen KI Nutzung in Europa
str(aiusage)

## 'data.frame':    37 obs. of  11 variables:
##  $ DATAFLOW   : chr  "ESTAT:ISOC_AI_IAIU(1.0)" "ESTAT:ISOC_AI_IAIU(1.0)" "ESTAT:ISOC_AI_IAIU(1.0)" "ESTAT:ISOC_AI_IAIU(1.0)" ...
##  $ LAST.UPDATE: chr  "05/06/26 11:00:00" "05/06/26 11:00:00" "05/06/26 11:00:00" "05/06/26 11:00:00" ...
##  $ freq       : chr  "Jährlich" "Jährlich" "Jährlich" "Jährlich" ...
##  $ ind_type   : chr  "Alle Personen" "Alle Personen" "Alle Personen" "Alle Personen" ...
##  $ indic_is   : chr  "Nutzung von generativer KI: in den letzten 3 Monaten" "Nutzung von generativer KI: in den letzten 3 Monaten" "Nutzung von generativer KI: in den letzten 3 Monaten" "Nutzung von generativer KI: in den letzten 3 Monaten" ...
##  $ unit       : chr  "Prozent der Personen" "Prozent der Personen" "Prozent der Personen" "Prozent der Personen" ...
##  $ geo        : chr  "Albanien" "Österreich" "Bosnien und Herzegowina" "Belgien" ...
##  $ TIME_PERIOD: int  2025 2025 2025 2025 2025 2025 2025 2025 2025 2025 ...
##  $ OBS_VALUE  : num  27.3 39.4 20.3 42 22.5 ...
##  $ OBS_FLAG   : logi  NA NA NA NA NA NA ...
##  $ CONF_STATUS: logi  NA NA NA NA NA NA ...

Beide Datensätze wurden bereits in einer reduzierten Version heruntergeladen. Dennoch haben sie jeweils 11 Variablen, von denen ich für den weiteren Verlauf nur drei Stück benötige: Europäisches Land, Jahr und prozentualer Anteil der Bevölkerung. Die Datentypen chr, int und num können beibehalten werden.

Datenbereinigung

Hier erstelle ich nun jeweils einen Datensatz der nur die drei benötigten Variablen/Spalten beinhaltet.

Datensatz: Digitale Kompetenz. Hier werden jetzt auch nur die Messungen aus dem Jahr 2025 einbezogen.

digitalskills_2025 <- digitalskills %>%
  select("geo", "TIME_PERIOD", "OBS_VALUE") %>%
  rename(country = "geo", year = "TIME_PERIOD", skills_score = "OBS_VALUE") %>%
  filter(year == 2025)

Die Variable skills_score gibt für jedes Land den Anteil der Bevölkerung an, der im jeweiligen Jahr über mehr als grundlegende allgemeine digitale Kompetenzen verfügt. Damit sind Personen gemeint, die in allen fünf Teilbereichen des Eurostat-Kompetenzrahmens ein über grundlegendes Niveau erreichen:

Informations- und Datenkompetenz
Kommunikation und Zusammenarbeit
Erstellung digitaler Inhalte
Sicherheit im digitalen Raum
Problemlösekompetenz

Kurzer Blick ins Zwischenergebnis:

head(digitalskills_2025)

##                   country year skills_score
## 1                Albanien 2025         8.07
## 2              Österreich 2025        34.26
## 3 Bosnien und Herzegowina 2025         9.75
## 4                 Belgien 2025        29.69
## 5               Bulgarien 2025        11.77
## 6                 Schweiz 2025        45.47

Bereinigung des zweiten Datensatzes zur generativen KI Nutzung:

aiusage_2025 <- aiusage %>%
  select("geo", "TIME_PERIOD", "OBS_VALUE") %>%
  rename(country = "geo", year = "TIME_PERIOD", aiusage_score = "OBS_VALUE") %>%
  filter(year == 2025)

Die Variable aiusage_score gibt den Anteil der Befölkerung des Landes an, die angegeben haben in den letzten 3 Monaten (in 2025) generative KI genutzt zu haben.

Kurzer Blick ins Zwischenergebnis:

head(aiusage_2025)

##                   country year aiusage_score
## 1                Albanien 2025         27.28
## 2              Österreich 2025         39.42
## 3 Bosnien und Herzegowina 2025         20.26
## 4                 Belgien 2025         42.01
## 5               Bulgarien 2025         22.50
## 6                 Schweiz 2025         47.02

Daten zusammenführen

data_2025 <- inner_join(digitalskills_2025, aiusage_2025, by = "country") %>%
  select("country", "skills_score", "aiusage_score")

Prüfung des zusammengeführten Datensatzes:

head(data_2025)

##                   country skills_score aiusage_score
## 1                Albanien         8.07         27.28
## 2              Österreich        34.26         39.42
## 3 Bosnien und Herzegowina         9.75         20.26
## 4                 Belgien        29.69         42.01
## 5               Bulgarien        11.77         22.50
## 6                 Schweiz        45.47         47.02

Der zusammengeführte Datensatz zeigt nun für die europäischen Länder die prozentualen Anteile der Bevölkerung, die im Jahr 2025 über mehr als grundlegende digitale Kompetenzen verfügen, sowie die jeweiligen prozentualen Anteile der Personen, die generative KI nutzen.

Zum Beispiel: Wie hoch ist der Anteil der Menschen in Albanien, die im Jahr 2025 über mehr als grundlegende digitale Kompetenzen verfügen, und wie hoch ist der Anteil der Bevölkerung, der generative KI nutzt?

2.Deskriptive Statistik

Zuerst verschaffe ich mir einen groben Überblick

summary(data_2025)

##    country           skills_score   aiusage_score  
##  Length:36          Min.   : 6.14   Min.   :17.19  
##  Class :character   1st Qu.:20.05   1st Qu.:27.46  
##  Mode  :character   Median :30.56   Median :37.17  
##                     Mean   :29.69   Mean   :35.21  
##                     3rd Qu.:37.52   3rd Qu.:44.12  
##                     Max.   :55.61   Max.   :56.32

Im Datensatz werden 36 Länder gelistet, zwei der Werte sind allerdings Querschnittswerte von den Europäischen Ländern und von den EU Ländern.

Digitale Kompetenzen (skills_score): • Bei den digitalen Kompetenzen liegt der Mittelwert bei 29,7 % (Mean – Durchschnitt aller Länder). • Der Median liegt bei 30,6 % (50 % der Länder erreichen ≤ 30,6 %). • Das 1. Quartil liegt bei 20,1 % (25 % der Länder erreichen ≤ 20,1 %) und das 3. Quartil bei 37,5 % (75 % der Länder erreichen ≤ 37,5 %). • Die Werte reichen von 6,1 % (Minimum) bis 55,6 % (Maximum). Damit zeigen sich deutliche Unterschiede zwischen den Ländern.

Nutzung generativer KI (aiusage_score): • Die Nutzung generativer KI liegt im Durchschnitt bei 35,2 % (Mean – Durchschnitt aller Länder). • Der Median liegt bei 37,2 % (50 % der Länder erreichen ≤ 37,2 %). • Das 1. Quartil liegt bei 27,5 % (25 % der Länder erreichen ≤ 27,5 %) und das 3. Quartil bei 44,1 % (75 % der Länder erreichen ≤ 44,1 %). • Die Werte reichen von 17,2 % (Minimum) bis 56,3 % (Maximum). Auch hier zeigen sich deutliche Unterschiede zwischen den Ländern. • Im Vergleich zu den digitalen Kompetenzen liegt die Nutzung generativer KI im Durchschnitt etwas höher, die Streuung zwischen den Ländern ist jedoch ebenfalls deutlich erkennbar.

Standardabweichung

sd(data_2025$skills_score)

## [1] 13.93935

Die Standardabweichung bei den digitalen Kompetenzen liegt bei 13,938%, d.h. die Länder weichen im Schnitt um ca. 14% vom Mittelwert ab.

sd(data_2025$aiusage_score)

## [1] 10.32163

Die Standardabweichung bei der Nutzung generativer KI in den letzten 3 Monaten liegt bei 10,321%, d.h. die Länder weichen im Schnitt um ca. 10% vom Mittelwert ab.

Histogramme zur visuellen Prüfung der Verteilung:

hist(data_2025$skills_score, col="lightgreen", main="Verteilung der digitalen Kompetenzen", xlab="skills_score")

Das Histogramm zeigt, dass die meisten Länder Werte zwischen etwa 20 % und 40 % bei den digitalen Kompetenzen aufweisen. Besonders häufig liegen die Werte im Bereich von 30 % bis 40 %. Gleichzeitig gibt es einzelne Länder mit deutlich niedrigeren Werten unter 10 % sowie Länder mit höheren Werten über 50 %. Insgesamt zeigt sich somit eine breite Streuung zwischen den Ländern. Die Verteilung wirkt leicht rechtsschief, jedoch ohne klar erkennbare extreme Ausreißer.

Histogramme zur visuellen Prüfung der Verteilung:

hist(data_2025$aiusage_score, col="lightgreen", main="Verteilung der Nutzung generativer KI", xlab="aiusage_score")

Das Histogramm zeigt, dass die meisten Länder bei der Nutzung generativer KI Werte zwischen etwa 30 % und 50 % aufweisen. Besonders häufig liegen die Werte im Bereich von 35 % bis 45 %. Es gibt jedoch auch einige Länder mit niedrigeren Nutzungswerten zwischen etwa 15 % und 30 %. Am rechten Rand ist ein einzelner höherer Wert nahe 60 % zu erkennen. Insgesamt zeigt sich eine breite, aber überwiegend mittig konzentrierte Verteilung mit einer leichten Tendenz nach rechts.

Die Top 5-Länder mit ausgeprägten und niedrigen digitalen Kompetenzen:

data_2025 %>% arrange(desc(skills_score)) %>% select(country, skills_score) %>% head(5)

##       country skills_score
## 1 Niederlande        55.61
## 2    Finnland        54.91
## 3      Irland        54.41
## 4    Dänemark        53.04
## 5    Norwegen        51.16

data_2025 %>% arrange(skills_score) %>% select(country, skills_score) %>% head(5)

##                   country skills_score
## 1          Nordmazedonien         6.14
## 2                Albanien         8.07
## 3 Bosnien und Herzegowina         9.75
## 4                  Türkei         9.91
## 5                Rumänien        11.13

Die Top-5-Auswertung der Länder mit hohen und niedrigen digitalen Kompetenzen zeigt ein erwartbares Bild. Die oberen Plätze werden vor allem von nordeuropäischen/Skandinavischen Ländern sowie den Niederlanden belegt, die im Bereich Digitalisierung häufig stark aufgestellt sind. Bei den niedrigsten Werten finden sich dagegen mehrere südosteuropäische Länder. Auffällig ist der deutliche Abstand zwischen den Ländern mit den höchsten und niedrigsten Werten. Dies macht sichtbar, dass das Niveau digitaler Kompetenzen innerhalb Europas stark variiert.

Die Top 5-Länder mit hoher und niedriger generative KI Nutzung

data_2025 %>% arrange(desc(aiusage_score)) %>% select(country, aiusage_score) %>% head(5)

##    country aiusage_score
## 1 Norwegen         56.32
## 2 Dänemark         48.44
## 3  Schweiz         47.02
## 4  Estland         46.64
## 5    Malta         46.46

data_2025 %>% arrange(aiusage_score) %>% select(country, aiusage_score) %>% head(5)

##                   country aiusage_score
## 1                  Türkei         17.19
## 2                Rumänien         17.76
## 3                 Serbien         18.64
## 4                 Italien         19.86
## 5 Bosnien und Herzegowina         20.26

Die Top-5-Auswertung zur Nutzung generativer KI zeigt, dass die höchsten Werte vor allem in nord- und mitteleuropäischen Ländern sowie in Malta zu finden sind. Damit liegen mehrere Länder vorne, die auch im digitalen Bereich insgesamt vergleichsweise stark aufgestellt sind. Bei den niedrigsten Werten zeigen sich dagegen vor allem süd- und südosteuropäische Länder. Auffällig ist auch hier der deutliche Abstand zwischen den Ländern mit der höchsten und niedrigsten Nutzung. Die Ergebnisse machen sichtbar, dass sich die Nutzung generativer KI innerhalb Europas deutlich unterscheidet.

3. Korrelationsanalyse

Scatterplot mit Regressionsgerade

Die lineare Beziehung mit einem Streudiagramm prüfen:

ggplot(data_2025, aes(x = skills_score, y = aiusage_score)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Zusammenhang: Digitale Kompetenzen und generativer KI Nutzung",
    x = "Digitale Kompetenzen in %",
    y = "Nutzung generativer KI in %"
  )

## `geom_smooth()` using formula = 'y ~ x'

Die Punktwolke im Diagramm zeigt einen positiven linearen Trend zwischen den digitalen Kompetenzen und der Nutzung generativer KI. Die Punkte liegen zwar nicht vollständig eng an der Regressionslinie, dennoch ist ein erkennbarer Zusammenhang sichtbar. Insgesamt deutet die Verteilung auf einen annähernd linearen Zusammenhang hin, ohne dass klare Ausreißer auffallen. Daher kann im nächsten Schritt die Pearson-Korrelation analysiert werden.

Normalverteilung prüfen

Die Normalverteilung der beiden Variablen mit einem QQ-Plot prüfen:

qqnorm(data_2025$skills_score, main="QQ-Plot: Digitale Kompetenzen"); qqline(data_2025$skills_score, col="orange")

qqnorm(data_2025$aiusage_score, main="QQ-Plot: generative KI Nutzung"); qqline(data_2025$aiusage_score, col="orange")

Beide Daten sind annährernd normalverteilt mit evtl. leichter bimodaler Tendenz.

Shapiro-Wilk-Test mit beiden Variablen durchführen:

shapiro.test(data_2025$skills_score)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_2025$skills_score
## W = 0.95626, p-value = 0.1645

Der p-Wert ist größer als 0.05, die Annahme der Normalverteilung der digitalen Kompetenzen kann also beibehalten werden.

shapiro.test(data_2025$aiusage_score)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_2025$aiusage_score
## W = 0.9533, p-value = 0.1329

Der p-Wert ist größer als 0.05, die Annahme der Normalverteilung der generativen KI Nutzung kann daher ebenfalls beibehalten werden.

Boxplot

Zur Erkennung von Ausreißern und Quartilen:

boxplot(data_2025$skills_score, data_2025$aiusage_score,
        names = c("skills_score", "aiusage_score"),
        col = c("lightpink", "khaki"),
        main = "Vergleich der Boxplots",
        ylab = "Prozent")

Die Boxplots zeigen, dass die Nutzung generativer KI insgesamt höher ausfällt als die digitalen Kompetenzen. Der Median des aiusage_score liegt über dem Median des skills_score. Außerdem beginnen die Werte der KI-Nutzung auf einem höheren Mindestniveau, während bei den digitalen Kompetenzen auch sehr niedrige Werte auftreten. Die beiden Variablen sind daher nicht gleich verteilt, zeigen aber beide eine erkennbare Streuung zwischen den Ländern. Auffällige Ausreißer sind nicht zu erkennen.

Nochmal prüfen:

boxplot.stats(data_2025$skills_score)$out

## numeric(0)

boxplot.stats(data_2025$aiusage_score)$out

## numeric(0)

Es gibt wirklich keine Werte, die unterhalb von Q1 − 1.5 × IQR oder oberhalb von Q3 + 1.5 × IQR liegen (1,5-Facher Interquartilsabstand).

Pearson-Korrelation

cor.test(data_2025$skills_score, data_2025$aiusage_score, method="pearson")

## 
##  Pearson's product-moment correlation
## 
## data:  data_2025$skills_score and data_2025$aiusage_score
## t = 7.0672, df = 34, p-value = 3.674e-08
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.5931123 0.8775076
## sample estimates:
##       cor 
## 0.7713449

Die Pearson-Korrelation zeigt einen starken positiven Zusammenhang/signifikanten Korrelationskoeffizient r= 0,77 und p=0,00000003674 zwischen den digitalen Kompetenzen und der Nutzung generativer KI.
- Der Zusammenhang ist statistisch signifikant. Das bedeutet: Je höher die digitalen Kompetenzen in einem Land sind, desto höher ist tendenziell auch die Nutzung generativer KI. - Das 95 %-Konfidenzintervall von 0,593 bis 0,878 bestätigt, dass der Zusammenhang klar positiv ausfällt.

4. Regressionsanalyse

Wir wissen jetzt dass es eine Korrelation zwischen digitaler Kompetenz und der Nutzung generativer KI gibt. Aber, kann man auch anhand des Wissens über die digitale Kompetenz sicher eine Aussage über die Nutzung generativer KI machen?

Die digitale Kompetenz ist hier die unabhängige Variable, deren Zusammenhang mit der Nutzung generativer KI als abhängige Variable untersucht wird.

Residuen berechnen:

  modell <- lm(aiusage_score ~ skills_score, data = data_2025)
residuen <- residuals(modell)

plot(data_2025$aiusage_score, residuen, col="lightblue",
     main="Residuen vs. digitale Kompetenzen", xlab="skills_score", ylab="Residuen", pch=19)
abline(h=0, col="red", lwd=2, lty=2)

Der Plot zeigt eine zufällige Streuung um die rote Nulllinie, die Linearitätsannahme ist somit erfüllt.

Normalverteilung der Residuen:

qqnorm(residuen, main="QQ-Plot der Residuen", pch=19, col="lightblue")
qqline(residuen, col="red", lwd=2)

Die Residuen sind annähernd normalverteilt.

Shapiro-Wilk-Test zur Überprüfung:

shapiro.test(residuen)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuen
## W = 0.98487, p-value = 0.8932

Die Residuen sind mit einem p-Wert von 0,89 > 0,05 und somit wirklich normalverteilt.

Prüfung auf Ausreißer der Residuen/Boxplot:

boxplot(residuen, main="Boxplot der Residuen", col="lightblue", horizontal=TRUE)

Es gibt keine Ausreißer, alle Residuen liegen innerhalb der Box.

Regressionsmodell:

modell <- lm(aiusage_score ~ skills_score, data = data_2025)
summary(modell)

## 
## Call:
## lm(formula = aiusage_score ~ skills_score, data = data_2025)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -16.3884  -4.2707   0.0328   3.8391  15.5194 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  18.25132    2.64394   6.903 5.93e-08 ***
## skills_score  0.57116    0.08082   7.067 3.67e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.665 on 34 degrees of freedom
## Multiple R-squared:  0.595,  Adjusted R-squared:  0.5831 
## F-statistic: 49.95 on 1 and 34 DF,  p-value: 3.674e-08

Die lineare Regressionsanalyse untersucht, inwiefern die digitalen Kompetenzen mit der Nutzung generativer KI zusammenhängen. Dabei wurde die Nutzung generativer KI (aiusage_score) als abhängige Variable und das Niveau digitaler Kompetenzen (skills_score) als unabhängige Variable verwendet.

Der Regressionskoeffizient für skills_score beträgt 0,571. Das bedeutet, dass ein Anstieg der digitalen Kompetenzen um einen Prozentpunkt im Modell mit einem durchschnittlichen Anstieg der Nutzung generativer KI um etwa 0,57 Prozentpunkte einhergeht.

Der Zusammenhang ist statistisch signifikant. Der t-Wert liegt bei 7,067 und der p-Wert beträgt 3,67e-08. Da der p-Wert deutlich unter 0,05 liegt, weist das Modell auf einen statistisch bedeutsamen Zusammenhang zwischen den beiden Variablen hin.

Güte des Modells: Das Bestimmtheitsmaß beträgt R² = 0,595. Damit können rund 59,5 % der Unterschiede in der Nutzung generativer KI zwischen den Ländern durch die digitalen Kompetenzen erklärt werden. Das adjustierte R² liegt mit 0,5831 nur leicht darunter. Auch der F-Test ist mit einem p-Wert von 3,674e-08 signifikant, wodurch das Regressionsmodell insgesamt als statistisch bedeutsam bewertet werden kann.

Fazit

Insgesamt zeigt die Analyse für das Jahr 2025 einen statistisch signifikanten positiven Zusammenhang zwischen dem Niveau digitaler Kompetenzen und der Nutzung generativer KI in europäischen Ländern. Die Pearson-Korrelation sowie die lineare Regressionsanalyse weisen darauf hin, dass Länder mit einem höheren Anteil an Personen mit mehr als grundlegenden digitalen Kompetenzen tendenziell auch höhere Werte bei der Nutzung generativer KI aufweisen.

Die Hypothese kann somit unterstützt werden: Je höher das Niveau digitaler Kompetenzen in einem Land ist, desto höher ist tendenziell auch die Nutzung generativer KI. Gleichzeitig zeigen die deskriptiven Auswertungen und Boxplots, dass zwischen den europäischen Ländern deutliche Unterschiede bestehen. Besonders bei den digitalen Kompetenzen gibt es Länder mit sehr niedrigen und sehr hohen Werten, während die Nutzung generativer KI insgesamt etwas höher liegt.

Trotz des deutlichen Zusammenhangs ist zu beachten, dass die Analyse keine kausale Wirkung nachweisen kann. Es kann also nicht sicher gesagt werden, dass höhere digitale Kompetenzen direkt zu einer stärkeren Nutzung generativer KI führen. Weitere Einflussfaktoren wie digitale Infrastruktur, Bildungsniveau, wirtschaftliche Rahmenbedingungen oder gesellschaftliche Offenheit gegenüber neuen Technologien wurden in dieser Analyse nicht berücksichtigt, könnten für weitere Untersuchungen aber relevant sein.