Früherkennung von Studienabbrüchen, Fortsetzung (FragSte 2)

Projektbeschreibung

Im BMBF-geförderten Projekt FragSte wurde 2017-2020 ein Frühwarnsystem zur Prognose drohender Studienabbrüche entwickelt. Mit FragSte werden mögliche Studienabbrüche mit Hilfe von Prozessdaten und Methoden des maschinellen Lernens erkannt. Die Studierenden können mit Hilfe eines automatisierten Feedbacks erreicht und die Auswirkung eines Feedbacks auf Studienabbrüche getestet werden. Es sind bereits genaue Prognosen möglich und abbruchgefährdeten Studierenden kann Hilfe angeboten werden - allerdings frühestens Mitte des zweiten Semesters. Damit sind Interventionen erst innerhalb der zweiten Klausurphase möglich. Interventionserfolge werden sich damit erst in der Klausurphase am Ende des dritten Semesters einstellen können. Das ist zu spät. Einerseits haben bis dahin sehr viele abbruchgefährdete Studierende die Hochschule bereits verlassen und die verbliebenden haben viel Zeit verloren. Ein weiteres Ergebnis der ersten Projektphase ist, dass niedrigschwellige Informationsinterventionen für abbruchgefährdete Studierende nicht wirksam sind. Im zweiten Förderzeitraum soll FragSte weiterentwickelt werden, in dem die Ansprache und Unterstützungsangebote auch in die Lehre integriert werden. In FragSte 2 sind drei Teilprojekte vorgesehen:

  • Wie kann ein Frühwarnsystem an Hochschulen noch während des ersten Semesters drohende Studienabbrüche prognostizieren?
  • Können Studienabbrecher differenzierter nach Studienmotivation klassifiziert werden?
  • Wie werden abbruchgefährdete Studierende besser erreicht?

Zur Beantwortung dieser Fragen werden ergänzend zu den bisher genutzten administrativen Daten an den Hochschulen zusätzlich das Anmeldeverhalten zu Prüfungen und das Lernverhalten auf Lernplattformen ausgewertet. Weiterhin wird in einem randomisierten Experiment die Wirkung von Self-Assessments mit und ohne Feedback sowie von Angeboten durch Lehrende getestet. Die Ergebnisse werden auch zur weiteren Schärfung von Abbruchsprognosen und genaueren Klassifikation von Studienabbrecher*innen genutzt. Bislang wurden Studienabbrüche als binäre Variable betrachtet. Damit werden Scheinstudierende, die keinen Studienabschluss anstreben, genauso als Studienabbrecher gewertet, wie auch Studierende mit fachlichen Defiziten. Solange aber der Anteil der Scheinstudierenden nicht bekannt ist, kann weder der Handlungsbedarf noch die Wirksamkeit bestehender Maßnahmen angemessen eingeschätzt werden.

Informationen zum Projekt

laufend
2021 bis 2024

FragSte, FragSte 2, Studienabbrüche, Studienverlauf, Erstsemester, drop-out, Monitoring, Intervention

Kerstin Schneider (Projektleitung)
Simon Görtz (Projektleitung)
Johannes Berens (Ansprechpartner)
J. Leandro Henao
Axel Schomaker
Franz Westermaier

  • Schneider, K., Berens, J., Görtz, S. (2021): Automatisierte Früherkennung abbruchgefährdeter Studierender: Was können die Systeme leisten und was sind die Herausforderungen? Handbuch Qualität in Studium, Lehre und Forschung, Berlin, DUZ Verlags- und Medienhaus.
  • Schneider, K., Berens, J., Görtz, S. (2021): Maschinelle Früherkennung abbruchgefärdeter Studierender und Wirksamkeit niedrigschwelliger Intervention. In Neugebauer, M., Daniel, H.D., Wolter, A. (Hrsg.): Studienerfolg und Studienabbruch. Wiesbaden, Springer VS.
  • 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. In: Journal of Educational Data Mining, 11(3), 1-41. https://doi.org/10.5281/zenodo.3594771
  • Schneider, K., Berens, J., Burghoff, J. (2019): Drohende Studienabbrüche durch Frühwarnsysteme erkennen: Welche Informationen sind relevant?. In: Zeitschrift für Erziehungswissenschaften, 22, 1121-1146. DOI: 10.1007/s11618-019-00912-1
  • Berens, J., Schneider, K. (2019): Drohender Studienabbruch: Wie gut sind Frühwarnsysteme? In: Qualität in der Wissenschaft (QiW), 3+4/19, 102-108. ISSN 1860-3041
  • Berens, J., Schneider, K., Görtz, S., Oster, S., Burghoff, J. (2018): Early Detection of Students at Risk - Predicting Student Dropouts Using Administrative Student Data and Machine Learning Methods. CESifo Working Papers, 7259. [download from RePEc]

Über FragSte2 (Video, deutsch)

Video starten

Mehr erfahren über

Gefördert durch:

Weitere Infos über #UniWuppertal: