Determinanten und Modelle zur Prognose von Studienabbrüchen

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.