Skip to main content

Determinanten und Modelle zur Prognose von Studienabbrüchen

  • Chapter
  • First Online:
Studienerfolg und Studienabbruch
  • 6627 Accesses

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 49.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 64.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    Determinanten und Modelle zur Prognose von Studienabbrüchen (DMPS), FKZ: 01PX16006.

  2. 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.

    Article  Google Scholar 

  • Baraldi, A. N., & Enders, C. K. (2010). An introduction to modern missing data analyses. Journal of School Psychology, 48(1), 5–37.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • Blüthmann, I., Lepa, S., & Thiel, F. (2012). Überfordert, Enttäuscht, Verwählt oder Strategisch? Eine Typologie Vorzeitig Exmatrikulierter Bachelorstudierender. Zeitschrift für Pädagogik, 58(1), 89–108.

    Google Scholar 

  • Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

    Article  Google Scholar 

  • Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. Chapman & Hall/CRC.

    Google Scholar 

  • Esser, H. (1999). Soziologie. Spezielle Grundlagen. Bd. 1: Situationslogik und Handeln. Frankfurt a. M.: Campus.

    Google Scholar 

  • Ghignoni, E. (2017). Family background and university dropouts during the crisis: The case of Italy. Higher Education, 73(1), 127–151.

    Article  Google Scholar 

  • Glocker, D. (2011). The effect of student aid on the duration of study. Economics of Education Review, 30(1), 177–190.

    Article  Google Scholar 

  • Griesbach, H., Lewin, K., Heublein, U., & Sommer, D. (1998). Studienabbruch – Typologie und Möglichkeiten der Abbruchquotenbestimmung (HIS: Kurzinformation A5/98). Hannover: HIS.

    Google Scholar 

  • Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques. Elsevier.

    Google Scholar 

  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.

    Book  Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • Heublein, U., Richter, J., & Schmelzer, R. (2020). Die Entwicklung der Studienabbruchquoten in Deutschland (DZHW Brief 3/2020). Hannover: DZHW.

    Google Scholar 

  • Hothorn, T., Hornik, K., & Zeileis, A. (2006). Unbiased recursive partitioning: A conditional inference framework. Journal of Computational and Graphical Statistics, 15(3), 651–674.

    Article  Google Scholar 

  • Hovdhaugen, E. (2015). Working while studying: The impact of term-time employment on dropout rates. Journal of Education and Work, 28(6), 631–651.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Isleib, S., Woisch, A., & Heublein, U. (2019). Ursachen des Studienabbruchs: Theoretische Basis und empirische Faktoren. Zeitschrift für Erziehungswissenschaft, 22(5), 1047–1076.

    Article  Google Scholar 

  • 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).

    Google Scholar 

  • 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.

    Google Scholar 

  • Kemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47.

    Article  Google Scholar 

  • Kovačić, Z. (2010). Early prediction of student success: Mining students’ enrolment data. Proceedings of Informing Science & IT Education Conference, 647–665.

    Google Scholar 

  • Little, R. J. A., & Rubin, D. B. (2002). Statistical analysis with missing data (2. Aufl.). Wiley.

    Book  Google Scholar 

  • Müller, S., & Schneider, T. (2013). Educational pathways and dropout from higher education in Germany. Longitudinal and Life Course Studies, 4(3), 218–241.

    Google Scholar 

  • Neugebauer, M., Heublein, U., & Daniel, A. (2019). Studienabbruch in Deutschland: Ausmaß, Ursachen, Folgen, Präventionsmöglichkeiten. Zeitschrift für Erziehungswissenschaft, 22(5), 1025–1046.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Rovira, S., Puertas, E., & Igual, L. (2017). Data-driven system to predict academic grades and dropout. PLoS ONE, 12(2), 1–21.

    Article  Google Scholar 

  • Schiefele, U., Streblow, L., & Brinkmann, J. (2007). Aussteigen oder Durchhalten. Zeitschrift für Entwicklungspsychologie und Pädagogische Psychologie, 39(3), 127–140.

    Article  Google Scholar 

  • Schneider, K., Berens, J., & Burghoff, J. (2019). Drohende Studienabbrüche durch Frühwarnsysteme erkennen: Welche Informationen sind relevant? Zeitschrift für Erziehungswissenschaft, 22(5), 1121–1146.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Siri, A. (2015). Predicting students’ dropout at university using artificial neural networks. Italian Journal of Sociology of Education, 7(2), 225–247.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Thomas, L. (2002). Student retention in higher education: The role of institutional habitus. Journal of Education Policy, 17(4), 423–442.

    Article  Google Scholar 

  • Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89–125.

    Article  Google Scholar 

  • Twala, B. (2009). An empirical comparison of techniques for handling incomplete data using decision trees. Applied Artificial Intelligence, 23(5), 373–405.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Vandamme, J.-P., Meskens, N., & Superby, J.-F. (2007). Predicting academic performance by data mining methods. Education Economics, 15(4), 405–419.

    Article  Google Scholar 

  • Weerasinghe, I. S., Lalitha, R., & Fernando, S. (2017). Students’ satisfaction in higher education – Literature review. American Journal of Educational Research, 5(5), 533–539.

    Google Scholar 

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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

Download references

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

Authors

Corresponding author

Correspondence to Katja Theune .

Editor information

Editors and Affiliations

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

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)

Publish with us

Policies and ethics