Drohende Studienabbrüche durch Frühwarnsysteme erkennen. Welche Informationen sind relevant?

Autor/inn/en	Schneider, Kerstin; Berens, Johannes; Burghoff, Julian
Titel	Drohende Studienabbrüche durch Frühwarnsysteme erkennen. Welche Informationen sind relevant? Paralleltitel: Early detection of student dropout. What is relevant information?
Quelle	In: Zeitschrift für Erziehungswissenschaft, 22 (2019) 5, S. 1121-1146Infoseite zur Zeitschrift PDF als Volltext Link als defekt meldenVerfügbarkeit
Beigaben	Illustrationen
Sprache	deutsch
Dokumenttyp	online; gedruckt; Zeitschriftenaufsatz
ISSN	1434-663X; 1862-5215
DOI	10.1007/s11618-019-00912-1
Schlagwörter	Variable; Studium; Studienerfolg; Hochschule; Abbruch; Daten; Gefährdung; Konzeption; Prognose; Verfahren; Student; Information; Deutschland; Nordrhein-Westfalen
Abstract	Um abbruchgefährdete Studierende früh im Studienverlauf zu unterstützen, werden auch an deutschen Hochschulen verstärkt Frühwarnsysteme entwickelt und eingesetzt. Dabei unterscheiden sich die Systeme sowohl in den eingesetzten Verfahren als auch in den zugrundeliegenden Studierendendaten. In dem vorliegenden Beitrag dient das Frühwarnsystem FragSte als Benchmark. FragSte nutzt alle Studierendendaten nach §3 HStatG und verwendet Methoden des maschinellen Lernens. Es wird geprüft, ob vergleichbar genaue aber weniger datenintensive Frühwarnsysteme entwickelt werden können. Die Ergebnisse zeigen, dass insbesondere in den ersten beiden Semestern, die für einen erfolgreichen Studienverlauf von großer Bedeutung sind, die Datenanforderungen für ein Frühwarnsystem sehr hoch sind. Nach dem zweiten Studiensemester kann ein reines ECTS-Monitoring ausreichen. (DIPF/Orig.). In order to support students who are at risk of dropping out of university, early detection systems are being increasingly developed and used. This also applies to Germany. The systems differ both in the methods used and in the underlying student data. Their benchmark is FragSte, an early detection system for German universities that uses all available administrative student data according to §3 HStatG and applies machine learning methods. In the paper the authors test, whether less data demanding systems can be developed without significant losses in forecasting quality. It turns out that the data requirements for an early detection system are very high. This is in particular true for the first two semesters, which are of great importance for a successful course of studies. After the second semester, however, an ECTS monitoring might be sufficient. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2020/3