Studienerfolgsprognose bei Erstsemesterstudierenden in Chemie.

Autor/inn/en	Freyer, Katja; Epple, Matthias; Brand, Matthias; Schiebener, Johannes; Sumfleth, Elke
Titel	Studienerfolgsprognose bei Erstsemesterstudierenden in Chemie.
Quelle	In: Zeitschrift für Didaktik der Naturwissenschaften, 20 (2014) 1, S. 129-142Infoseite zur Zeitschrift PDF als Volltext Link als defekt meldenVerfügbarkeit
Sprache	deutsch
Dokumenttyp	online; Zeitschriftenaufsatz
ISSN	2197-988X
DOI	10.1007/s40573-014-0015-3
Schlagwörter	Chemie; Analyse; Studienanfänger; Chemie; Regression; Studienerfolgsprognose; Analyse; Studienanfänger
Abstract	Im Rahmen einer Studie an 165 Erstsemesterstudierenden verschiedener Studiengänge wird mittels multipler linearer Regressionsanalyse der Studienerfolg im Fach Chemie am Ende des ersten Semesters prognostiziert. Zur Charakterisierung des Studienerfolgs wird die Punktzahl in der Klausur zur Allgemeinen Chemie verwendet. Vorwissen, kognitive Fähigkeiten, Fachinteresse und Studiengang tragen signifikant zur Vorhersage der Klausurpunktzahl bei; für die Variable Wunschfach ist das nicht der Fall. Mit dem Regressionsmodell können aber nur 28,5 % der Varianz erklärt werden. Mittels zusätzlicher Moderationsanalysen können Interaktionen zwischen allen im Regressionsmodell enthaltenen Variablen identifiziert werden. Dabei nimmt das Wunschfach eine wichtige Rolle ein. Ergänzt man die Interaktionsterme im Regressionsmodell, kann eine Steigerung der erklärten Varianz der Klausurpunktzahl auf 38,6 % erreicht werden. In a study on 165 freshmen of different courses of study, student success in chemistry is predicted by multiple linear regression analysis. Student success is defined as the score in the exam in General Chemistry at the end of the first semester. Significant predictors for student success are prior domain-specific knowledge, cognitive abilities, subject interest and course of study whereas the desired subject is not. With the regression model only 28.5 % of variance can be explained. With the help of additional moderation analyses, interactions between all variables can be observed. Thereby, desired subject plays an important role. By adding the interaction terms to the regression model, the explained variance can be increased to 38.6 %.
Erfasst von	IPN - Leibniz-Institut für die Pädagogik der Naturwissenschaften und Mathematik an der Universität Kiel
Update	2015/2