Zusammenfassung
Der Prozess des Studienabbruchs ist sehr komplex. Ihm liegt keine isolierte Ursache zugrunde, sondern vielmehr ein Ursachenbündel sich gegenseitig bedingender Einflussfaktoren. In diesem Projekt wurden moderne Verfahren des maschinellen Lernens, welche in der Bildungsökonomik eine innovative Herangehensweise darstellen, genutzt, um diese Bedingungsgefüge zu identifizieren, Studienabbrüche zu prognostizieren und somit Risiko-Gruppen frühzeitig zu erkennen. Im Fokus standen die Modellbildung zur Prognose von Studienabbrüchen mittels Klassifikationsmethoden und der Vergleich verschiedener Modelle sowohl hinsichtlich ihrer Prognosegüte, als auch ihrer Eigenschaften und Anwendbarkeit in der Praxis. Ferner wurden verschiedene Studienabbruchtypen unter Anwendung von Clusteranalysen identifiziert. Die Ergebnisse der Analysen betonen die Bedeutung der eigenen Erwartungen an das Studium für den Studienerfolg und damit die Wichtigkeit von Informationsangeboten. Für die Mehrheit der Studienabbrecherinnen und -abbrecher ist nicht nur ein Abbruchmotiv ausschlaggebend, sondern vielmehr ein Bündel von Gründen. Des Weiteren liefern vor allem Baum-basierte Modelle eine gute Prognose und verfügen über einige Vorteile für die Anwendbarkeit in der Praxis. Die Ergebnisse können Hochschulen als Grundlage dienen, um gezieltere Maßnahmen und Strategien zu entwickeln, Studienabbrüchen frühzeitig entgegenzuwirken.
Abstract
The process of study dropout is very complex. It is rarely the result of one single reason, but rather of several interacting determinants. In this project, modern machine learning techniques, which are very innovative approaches in educational research, were used to identify these bundles of interacting factors, to predict study dropout and therefore to early identify risk-groups. The focus lay on dropout prediction models based on classification methods and on a comparison between several models regarding their prediction power as well as their features and applicability in practice. Moreover, different types of dropout students were identified by using cluster analysis. The results emphasize the relevance of own expectations concerning study for academic success and thereby the importance of study information programs. For the majority of dropout students, not only one single motive affects their dropout decision, but rather a bundle of reasons. Furthermore, especially tree-based models provide a good prediction power and have some advantages for application in practice. The results may serve as a basis for higher education institutions to develop more specifically measures and strategies to early prevent students from dropping out.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Determinanten und Modelle zur Prognose von Studienabbrüchen (DMPS), FKZ: 01PX16006.
- 2.
Diese Arbeiten nutzen Daten des Nationalen Bildungspanels (NEPS): Startkohorte Studierende, doi: 10.5157/NEPS:SC5:10.0.0. Die Daten des NEPS wurden von 2008 bis 2013 als Teil des Rahmenprogramms zur Förderung der empirischen Bildungsforschung erhoben, welches vom Bundesministerium für Bildung und Forschung (BMBF) finanziert wurde. Seit 2014 wird NEPS vom Leibniz-Institut für Bildungsverläufe e. V. (LIfBi) an der Otto-Friedrich-Universität Bamberg in Kooperation mit einem deutschlandweiten Netzwerk weitergeführt.
Literatur
Aina, C. (2013). Parental background and university dropout in Italy. Higher Education, 65(4), 437–456.
Baraldi, A. N., & Enders, C. K. (2010). An introduction to modern missing data analyses. Journal of School Psychology, 48(1), 5–37.
Bean, J. P., & Eaton, S. B. (2000). A psychological model of college student retention. In J. M. Braxton (Hrsg.), Reworking the student departure puzzle (S. 48–61). Vanderbilt Univ. Press.
Becker, R., & Hecken, A. E. (2007). University or vocational training? An empirical test of the rational choice model of educational choices suggested by Esser as well as Breen and Goldthorpe. Zeitschrift für Soziologie, 36(2), 100–117.
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), 1–14.
Blossfeld, H.-P., Roßbach, H.-G., & von Maurice, J. E. (2011). Education as a lifelong process – The German National Educational Panel Study (NEPS) [Sonderheft]. Zeitschrift für Erziehungswissenschaft, 14.
Blüthmann, I., Lepa, S., & Thiel, F. (2012). Überfordert, Enttäuscht, Verwählt oder Strategisch? Eine Typologie Vorzeitig Exmatrikulierter Bachelorstudierender. Zeitschrift für Pädagogik, 58(1), 89–108.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. Chapman & Hall/CRC.
Esser, H. (1999). Soziologie. Spezielle Grundlagen. Bd. 1: Situationslogik und Handeln. Frankfurt a. M.: Campus.
Ghignoni, E. (2017). Family background and university dropouts during the crisis: The case of Italy. Higher Education, 73(1), 127–151.
Glocker, D. (2011). The effect of student aid on the duration of study. Economics of Education Review, 30(1), 177–190.
Griesbach, H., Lewin, K., Heublein, U., & Sommer, D. (1998). Studienabbruch – Typologie und Möglichkeiten der Abbruchquotenbestimmung (HIS: Kurzinformation A5/98). Hannover: HIS.
Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques. Elsevier.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.
Heil, K., Pape, N., Bremer, H., & Lange-Vester, A. (2019). Studienzweifel und Studienabbruch als Ausdruck von Passungsverhältnissen zwischen Habitus und Studium. Qualität in der Wissenschaft, 13(3+4), 71–76.
Heublein, U., Hutzsch, C., Schreiber, J., Sommer, D., & Besuch, G. (2010). Ursachen des Studienabbruchs in Bachelor- und in herkömmlichen Studiengängen – Ergebnisse einer bundesweiten Befragung von Exmatrikulierten des Studienjahres 2007/08 (Forum Hochschule 2/2010). Hannover: HIS.
Heublein, U., Ebert, J., Hutzsch, C., Isleib, S., König, R., Richter, J., & Woisch, A. (2017). Zwischen Studienerwartungen und Studienwirklichkeit, Ursachen des Studienabbruchs, beruflicher Verbleib der Studienabbrecherinnen und Studienabbrecher und Entwicklung der Studienabbruchquote an deutschen Hochschulen (Forum Hochschule 1/2017). Hannover: DZHW.
Heublein, U., Richter, J., & Schmelzer, R. (2020). Die Entwicklung der Studienabbruchquoten in Deutschland (DZHW Brief 3/2020). Hannover: DZHW.
Hothorn, T., Hornik, K., & Zeileis, A. (2006). Unbiased recursive partitioning: A conditional inference framework. Journal of Computational and Graphical Statistics, 15(3), 651–674.
Hovdhaugen, E. (2015). Working while studying: The impact of term-time employment on dropout rates. Journal of Education and Work, 28(6), 631–651.
Hovdhaugen, E., & Aamodt, P. O. (2009). Learning environment: Relevant or not to students’ decision to leave university? Quality in Higher Education, 15(2), 177–189.
Isleib, S., Woisch, A., & Heublein, U. (2019). Ursachen des Studienabbruchs: Theoretische Basis und empirische Faktoren. Zeitschrift für Erziehungswissenschaft, 22(5), 1047–1076.
Isphording, I. E., & Raabe, T. (2019). Early identification of college dropouts using machine-learning – Conceptual considerations and an empirical example (IZA Research Report No. 89). Institute of Labor Economics (IZA).
Jadrić, M., Garača, Ž., & Čukušić, M. (2010). Student dropout analysis with application of data mining methods. Management: Journal of Contemporary Management Issues, 15(1), 31–46.
Kemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47.
Kovačić, Z. (2010). Early prediction of student success: Mining students’ enrolment data. Proceedings of Informing Science & IT Education Conference, 647–665.
Little, R. J. A., & Rubin, D. B. (2002). Statistical analysis with missing data (2. Aufl.). Wiley.
Müller, S., & Schneider, T. (2013). Educational pathways and dropout from higher education in Germany. Longitudinal and Life Course Studies, 4(3), 218–241.
Neugebauer, M., Heublein, U., & Daniel, A. (2019). Studienabbruch in Deutschland: Ausmaß, Ursachen, Folgen, Präventionsmöglichkeiten. Zeitschrift für Erziehungswissenschaft, 22(5), 1025–1046.
Nordmann, E., Calder, C., Bishop, P., Irwin, A., & Comber, D. (2019). Turn up, tune in, don’t drop out: The relationship between lecture attendance, use of lecture recordings, and achievement at different levels of study. Higher Education, 77(6), 1065–1084.
Rovira, S., Puertas, E., & Igual, L. (2017). Data-driven system to predict academic grades and dropout. PLoS ONE, 12(2), 1–21.
Schiefele, U., Streblow, L., & Brinkmann, J. (2007). Aussteigen oder Durchhalten. Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 39(3), 127–140.
Schneider, K., Berens, J., & Burghoff, J. (2019). Drohende Studienabbrüche durch Frühwarnsysteme erkennen: Welche Informationen sind relevant? Zeitschrift für Erziehungswissenschaft, 22(5), 1121–1146.
Schneider, K., Berens, J., Görtz, S. (2021). Maschinelle Früherkennung abbruchgefährdeter Studierender und Wirksamkeit niedrigschwelliger Interventionen. In M. Neugebauer, H.-D. Daniel & A. Wolter (Hrsg.), Studienerfolg und Studienabbruch. Wiesbaden: Springer VS.
Siri, A. (2015). Predicting students’ dropout at university using artificial neural networks. Italian Journal of Sociology of Education, 7(2), 225–247.
Suhlmann, M., Sassenberg, K., Nagengast, B., & Trautwein, U. (2018). Belonging mediates effects of student-university fit on well-being, motivation, and dropout intention. Social Psychology, 49(1), 16–28.
Suhre, C. J., Jasen, E. P., & Harskamp, E. G. (2007). Impact of degree program satisfaction on the persistence of college students. Higher Education, 54(2), 207–226.
Thomas, L. (2002). Student retention in higher education: The role of institutional habitus. Journal of Education Policy, 17(4), 423–442.
Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89–125.
Twala, B. (2009). An empirical comparison of techniques for handling incomplete data using decision trees. Applied Artificial Intelligence, 23(5), 373–405.
Van Bragt, C. A., Bakx, A. W., Bergen, T. C., & Croon, M. A. (2011). Looking for students personal characteristics predicting study outcome. Higher Education, 61(1), 59–75.
Vandamme, J.-P., Meskens, N., & Superby, J.-F. (2007). Predicting academic performance by data mining methods. Education Economics, 15(4), 405–419.
Weerasinghe, I. S., Lalitha, R., & Fernando, S. (2017). Students’ satisfaction in higher education – Literature review. American Journal of Educational Research, 5(5), 533–539.
Projektveröffentlichungen
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2021). Motives for dropping out from higher education – An analysis of bachelor’s degree students in Germany. European Journal of Education, 56(2), 325–343.
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2020a). Dropping out of university: A literature review. Review of Education, 8(2), 614–652.
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2020b). Early prediction of university dropouts – A random forest approach. Journal of Economics and Statistics, 240(6), 743–789.
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2020c). Dropping out from higher education in Germany – An empirical evaluation of determinants for Bachelor students. Open Education Studies, 2(1), 126–148.
Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2019a). Predicting dropout from higher education – A comparison of machine learning algorithms (Working Paper), eingereicht bei einem referierten Journal.
Danksagung
Wir danken dem Bundesministerium für Bildung und Forschung für die finanzielle Förderung des Projektes „Determinanten und Modelle zur Prognose von Studienabbrüchen“ (DMPS) (FKZ: 01PX16006).
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
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
Theune, K. (2021). Determinanten und Modelle zur Prognose von Studienabbrüchen. In: Neugebauer, M., Daniel, HD., Wolter, A. (eds) Studienerfolg und Studienabbruch. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-32892-4_2
Download citation
DOI: https://doi.org/10.1007/978-3-658-32892-4_2
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)