Zusammenfassung
Im Zuge der Modernisierung und Digitalisierung erheben Universitäten immer mehr und umfassendere Daten über ihre Studierenden. Durch die wachsende Datenmenge, aber auch durch neue Methoden stehen der Bildungsforschung mehr Möglichkeiten denn je zur Verfügung, Studienverläufe anhand dieser Daten zu untersuchen. In dieser Methodennotiz wird am Beispiel einer Untersuchung von Studienwechseln diskutiert, welche Vor- und Nachteile die Erforschung von Studienverläufen auf Grundlage von Administrativdaten der Universität birgt. Dabei wird der Stellenwert von exakten Definitionen hervorgehoben und die möglichen Methoden zur Analyse eruiert. Ebenso wird erörtert, welche positiven und negativen Konsequenzen derartige Forschungen nach sich ziehen können.
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
Alpaydin, E. (2020). Introduction to machine learning. The MIT Press.
Ameri, S., Fard, M. J., Chinnam, R. B., & Reddy, C. K. (2016). Survival analysis based framework for early prediction of student dropouts. Proceedings of the 25th ACM International on Conference on Information and Knowledge Management (CIKM '16) (S. 903–912). Association for Computing Machinery. https://doi.org/10.1145/2983323.2983351.
Baepler, P., & Murdoch, C. H. (2010). Academic analytics and data mining in higher education. International Journal for the Scholarship of Teaching and Learning, 4(2), 1–9. https://doi.org/10.20429/ijsotl.2010.040217.
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), 1–37. https://jedm.educationaldatamining.org/index.php/JEDM/issue/view/27. Zugegriffen: 5. Sept. 2021.
Cukier, K., & Mayer-Schoenberger, V. (2013). The rise of big data: How it’s changing the way we think about the world. Foreign Affairs, 92(3), 28–40. http://www.jstor.org/stable/23526834. Zugegriffen: 5. Sept. 2021.
Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management. Decision Support Systems, 49(4), 498–506. https://doi.org/10.1016/j.dss.2010.06.003.
Diekmann, A. (2014). Empirische Sozialforschung. Rowohlt.
Gundl, F. (2020). Studienwechsel an der Universität Graz. Masterarbeit. Universität Graz.
FLAG. (2020). Familienlastenausgleichgesetz 1967. Fassung vom 06.12.2020. https://www.ris.bka.gv.at/GeltendeFassung.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008220. Zugegriffen: 5. Sept. 2021.
Heublein, U. (2014). Student drop-out from German higher education institutions. European Journal of Education, 49(4), 497–513. https://doi.org/10.1111/ejed.12097.
Journal of Educational Data Mining. https://jedm.educationaldatamining.org/index.php/JEDM. Zugegriffen: 5. Sept. 2021.
Larsen, M. S., 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, Aarhus University. http://edu.au.dk/fileadmin/edu/Udgivelser/Clearinghouse/Review/Evidence_on_dropout_from_universities_technical_report_May_2013.pdf. Zugegriffen: 5. Sept. 2021.
Mau, S. (2018). Das metrische Wir. Über die Quantifizierung des Sozialen. Suhrkamp.
Parnell, A., Jones, D., Wesaw, A., & Brooks, D. C. (2018). Institutions’ use of data and analytics for student success: Results from a national landscape analysis. NASPA – Student Affairs Administrators in Higher Education, the Association for Institutional Research, and EDUCAUSE. https://www.naspa.org/report/institutions-use-of-data-and-analytics-for-student-success-results-from-a-landscape-analysis. Zugegriffen: 13. Sept. 2021.
Parry, M. (2012). Big data on campus. The New York Times. 18. Juli 2012. https://www.nytimes.com/2012/07/22/education/edlife/colleges-awakening-to-the-opportunities-of-data-mining.html?_r=2&pagewanted=all. Zugegriffen 5. Sept. 2021.
Peterson, A. (2018). Big data in education: New efficiencies for recruitment, learning, and retention of students and donors. In R. Nisbet, G. Miner, K. Yale (Hrsg.), Handbook of Statistical Analysis and Data Mining Applications (S. 259–277). https://doi.org/10.1016/B978-0-12-416632-5.00013-X.
Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1), 135–146. https://doi.org/10.1016/j.eswa.2006.04.005.
Sammut, C., & Webb, G. I. (2010). Encyclopedia of Machine Learning. Springer. https://doi.org/10.1007/978-0-387-30164-8.
StudFG. (2020). Bundesgesetz über die Gewährung von Studienbeihilfen und anderen Studienförderungsmaßnahmen 1992. Fassung vom 06.12.2020. https://www.ris.bka.gv.at/GeltendeFassung.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10009824. Zugegriffen: 5. Sept. 2021.
Unger, M., Wroblewski, A., Latcheva, R., Zaussinger, S., Hofmann, J., & Musik, C. (2009). Frühe Studienabbrüche an Universitäten in Österreich. https://irihs.ihs.ac.at/id/eprint/1913. Zugegriffen: 5. Sept. 2021.
Weyer, J., Delisle, M., Kappler, K., Kiehl, M., Merz, C., & Schrape, J.-F. (2018). Big Data in soziologischer Perspektive. In B. Kolanyi-Raiser, R. Heil, C. Orwat & T. Hoeren (Hrsg.), Big Data und Gesellschaft. Eine multidisziplinäre Annäherung (S. 69–149). Springer VS.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Gundl, F. (2022). Vorteile und Nachteile der Erforschung von Studienverläufen anhand von Administrativdaten der Universitäten am Beispiel von Studienwechseln. In: Eder, A., Deman, K., Aldrian, S. (eds) Bildungs- und Berufsvorstellungen von Bachelorabsolventen und -absolventinnen. Lernweltforschung, vol 38. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-35007-9_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-35007-9_8
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-35006-2
Online ISBN: 978-3-658-35007-9
eBook Packages: Education and Social Work (German Language)