Zusammenfassung
Um abbruchgefährdete Studierende früh im Studienverlauf zu unterstützen, bietet sich der Einsatz von Frühwarnsystemen an. Im Forschungsprojekt FragSte wurde an einer staatlichen Universität und einer privaten Fachhochschule ein Frühwarnsystem entwickelt, das alle administrativen Studierendendaten nach § 3 Hochschulstatistikgesetz (HStatG) nutzt und mittels maschinellen Lernens die Abbruchwahrscheinlichkeit von Studierenden weitestgehend automatisiert ermittelt. Aufgrund der selbstlernenden und selbstjustierenden Konzeption ist FragSte an allen deutschen Hochschulen einsetzbar. Es zeigt sich, dass abbruchgefährdete Studierende bereits früh im Studium gut identifizierbar sind. Allerdings stellen Interventionen, die zielgerichtet abbruchgefährdeten Studierenden angeboten werden, einen Paradigmenwechsel an deutschen Hochschulen dar. Bisher mangelt es häufig sowohl an einem Verlaufsmonitoring als auch an der Verbindlichkeit eines solchen Monitorings; noch seltener sind hierauf aufbauende Maßnahmen vorhanden. Daher wurde im Projekt FragSte zunächst eine sehr niedrigschwellige Intervention experimentell getestet. Es zeigt sich, dass eine auf dem Frühwarnsystem basierende Intervention von Studierenden und Verwaltung akzeptiert wurde. Für die Gruppe aller Studierenden verändert sich das Abbruchverhalten durch die Intervention nicht. Allerdings reagieren nicht alle Fachrichtungen gleich und für Untergruppen lässt sich eine Veränderung im Abbruchverhalten nachweisen.
Abstract
In order to support students at risk of dropping out early in the course of their studies, the use of early detection systems can be useful. In the research project FragSte, an early detection system has been developed for a state university and a private university of applied sciences, using all administrative student data according to § 3 HStatG. The system determines the probability of students dropping using machine learning methods. Due to the self-learning and self-adjusting conception FragSte can be used at all German universities. It shows that students at risk of dropping out can be identified early in their studies. However, interventions that are offered to students at risk of dropping out represent a paradigm shift at German universities. Up to now, there has been a widespread lack of monitoring systems or a binding nature of such monitoring; even rarer are the measures that build on this. For this reason, a deliberately very low-threshold intervention was tested experimentally for acceptance and effectiveness. It is shown that an intervention based on FragSte was accepted by students and administration. For the group of all students, the dropout behavior does not change as a result of the intervention. However, not all disciplines react in the same way and a change in dropout behavior can be demonstrated for subgroups.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Arcidiacono, P., Aucejo, E., Maurel, A., & Ransom, T. (2016). College attrition and the dynamics of information revelation (NBER Working Paper 22325). National Bureau of Economic Research.
Arulampalam, W., Naylor, R. A., & Smith, J. P. (2005). Effects of in-class variation and student rank on the probability of withdrawal: Cross-section and time-series analysis for UK university students. Economics of Education Review, 24(3), 251–262.
Baker, R. S. J. D., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1(1), 3–16.
Berens, J., & Schneider, K. (2019). Drohender Studienabbruch: Wie gut sind Frühwarnsysteme. Qualität in der Wissenschaft (QIW), 13(3+4), 102–108.
Berens, J., Schneider, K., Görtz, S., Oster, S., & Burghoff, J. (2019). Early detection of students at risk – Predicting student dropouts using administrative student data from German universities and machine learning methods. Journal of Educational Data Mining, 11(3), 1–41.
Blüthmann, I., Lepa, S., & Thiel, F. (2008). Studienabbruch und -wechsel in den neuen Bachelorstudiengängen. Zeitschrift für Erziehungswissenschaft, 11(3), 406–429.
Brahm, T., Jenert, T., & Wagner, D. (2016). The crucial first year: A longitudinal study of students’ motivational development at a Swiss Business School. Higher Education, 73(3), 459–478.
Brandstätter, H., Grillich, L., & Farthofer, A. (2006). Prognose des Studienabbruchs. Zeitschrift Für Entwicklungspsychologie Und Pädagogische Psychologie, 38(3), 121–131.
Dekker, G. W., Pchenenizkiy, M., & Vleeshouwers, J. M. (2009). Predicting students drop out: A case study. In T. Barnes, M. Desmarais, C. Romero, & S. Ventura (Hrsg.), Proceedings of the 2nd international conference on educational data mining (S. 41–50). Cordoba.
Delavande, A., Del Bono, E., Holford, A., & Sonkurt, S. (2019). Skills accumulation with malleable ability: Evidence from a growth mindset intervention (Working paper).
Falk, S., & Marschall, M. (2019). Studienabbruch – Was können Hochschulen tun? Forschungsstand und Interventionsmöglichkeiten. Qualität in der Wissenschaft (QiW), 13(1), 23–27.
Gaebel, M., Hauschildt, K., Mühleck, K., & Smidt, H. (2012). Tracking learners’ and graduates’ progression paths TRACKIT. EUA Publications.
Heublein, U., Ebert, J., Hutzsch, C., Isleib, S., König, R., Richter, J., & Woisch, A. (2017). Zwischen Studienerwartung und Studienwirklichkeit. Ursachen des Studienabbruchs, beruflicher Verbleib der Studienabbrecherinnen und Studienabbrecher und Entwicklung der Studienabbruchquote an deutschen Hochschulen (Forum Hochschule, 1/2017). DZHW.
Himmler, O., Jaeckle, R., & Weinschenk, P. (2019). Soft commitments, reminders, and academic performance. American Economic Journal: Applied Economics, 11(2), 114–142.
Kemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47.
Kotsiantis, S. B., Pierrakeas, C. J., & Pintelas, P. E. (2003). Preventing student dropout in distance learning – Using machine learning techniques (Lecture Notes in Computer Science, 2774), S. 267–274.
Larsen, M. L., Kornbeck, K. P., Kristensen, R. M., Larsen, M. R., & Sommersel, H. B. (2013). Dropout phenomena at universities: What is dropout? Why does dropout occur? What can be done by the universities to prevent or reduce it? A systematic review. Danish Clearinghouse for Educational Research, Department of Education.
Oreopoulus, P., & Petronijevic, U. (2019). The remarkable unresponsiveness of college students to nudging and what we can learn from it (NBER Working Paper No. 26059). National Bureau of Economic Research.
Oreopoulus, P., Patterson, R. W., Petronijevic, U., & Pope, N. G. (2018). Lack of study time is the problem, but what is the solution? Unsuccessful attempts to help traditional and online college students (NBER Working Paper No. 25036). National Bureau of Economic Research.
Sandner, M. (2015). The effects of high-quality student mentoring. Economic Letters, 136(c), 227–232.
Schapire, E., & Freund, Y. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Science, 55, 119–139.
Schapire, R. E., & Freund, Y. (2012). Boosting – foundations and algorithms. Institute of Technology.
Schneider, K., Berens, J., & Burghoff, S. (2019). Drohende Studienabbrüche durch Frühwarnsysteme erkennen: Welche Informationen sind relevant? Zeitschrift für Erziehungswissenschaften, 22(1), 1121–1146.
Stinebrickner, T., & Stinebrickner, R. (2008). The effect of credit constraints on the college drop-out decision: A direct approach using a new panel study. American Economic Review, 98, 2163–2184.
Stinebrickner, T., & Stinebrickner, R. (2014). Academic performance and college dropout: Using longitudinal expectations data to estimate a learning model. Journal of Labor Economics, 32, 601–644.
Swets, J. A. (1988). Measuring the accuracy of diagnostic systems. American Association for the Advancement of Science, 240, 1285–1293.
Theune, K. (2021). Determinanten und Modelle zur Prognose von Studienabbrüchen. In M. Neugebauer, H.-D. Daniel, & A. Wolter (Hrsg.), Studienerfolg und Studienabbruch. Springer VS.
Trapmann, S., Hell, B., Weigand, S., & Schuler, H. (2007). Die Validität von Schulnoten zur Vorhersage des Studienerfolgs – Eine Metaanalyse. Zeitschrift Für Pädagogische Psychologie, 21, 11–27.
Villano, R., Harrison, S., Lynch, G., & Chen, G. (2018). Linking early alert systems and student retention: A survival analysis approach. Higher Education, 76(5), 903–820.
Wilson, K., Murphy, K., Pearson, A., Wallace, B., Reher, V., Buys, N., & Buys, N. (2016). Understanding the early transition needs of diverse commencing university students in a health faculty: Informing effective intervention practices. Higher Education, 41(6), 1023–1040.
Witten, I. H., Eibe, F., & Hall, M. A. (2016). Data mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Xenos, M. (2004). Prediction and assessment of student behaviour in open and distance education in computers using Bayesian networks. Computers & Education Journal, 43(4), 345–359.
Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: A fundamental evaluation tool in clinical medicine. Clinical Chemistry, 39(4), 561–577.
Projektveröffentlichungen
Berens, J., & Schneider, K. (2019). Drohender Studienabbruch: Wie gut sind Frühwarnsysteme. Qualität in der Wissenschaft (QIW), 13(3+4), 102–108.
Berens, J., Schneider, K., Görtz, S., Oster, S., & Burghoff, J. (2019). Early detection of students at risk – Predicting student dropouts using administrative student data from German universities and machine learning methods. Journal of Educational Data Mining, 11(3), 1–41.
Schneider, K., Berens, J., & Burghoff, S. (2019). Drohende Studienabbrüche durch Frühwarnsysteme erkennen: Welche Informationen sind relevant? Zeitschrift Für Erziehungswissenschaften, 22(1), 1121–1146.
Danksagung
Wir danken dem Bundesministerium für Bildung und Forschung für die Förderung des Projektes „Früherkennung abbruchgefährdeter Studierender und experimentelle Studien zur Wirksamkeit von Maßnahmen“ (FragSte) (FKZ: 01PX16001).
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Anhang
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Schneider, K., Berens, J., Görtz, S. (2021). Maschinelle Früherkennung abbruchgefährdeter Studierender und Wirksamkeit niedrigschwelliger Interventionen. In: Neugebauer, M., Daniel, HD., Wolter, A. (eds) Studienerfolg und Studienabbruch. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-32892-4_16
Download citation
DOI: https://doi.org/10.1007/978-3-658-32892-4_16
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-32891-7
Online ISBN: 978-3-658-32892-4
eBook Packages: Social Science and Law (German Language)