Prognose von Studienabbrüchen angehender Lehrkräfte mit Maschinellem Lernen: Potenziale der Nutzung von Studierenden- und Studienverlaufsdaten aus dem Campus-Management-System
{"title":"Prognose von Studienabbrüchen angehender Lehrkräfte mit Maschinellem Lernen: Potenziale der Nutzung von Studierenden- und Studienverlaufsdaten aus dem Campus-Management-System","authors":"Falk Scheidig, Monika Holmeier","doi":"10.1007/s42010-023-00182-1","DOIUrl":null,"url":null,"abstract":"Zusammenfassung Der unbefriedigte Lehrkräftebedarf lenkt die Aufmerksamkeit auch auf Studienabbrüche von angehenden Lehrkräften. Dabei gilt das Interesse sowohl der Aufklärung der Gründe als auch der Reduktion von Studienabbrüchen. Hinsichtlich der Analyse von Studienabbrüchen erwachsen im Kontext der fortschreitenden Digitalisierung neue Möglichkeiten der Nutzung von Studierenden- und Studienverlaufsdaten (Learning Analytics). Im Beitrag wird eine Studie präsentiert, in der Prognosen zum Studienabbruch auf Basis der Campus-Management-Daten von 4601 Lehramtsstudierenden berechnet wurden. Hierbei kamen mit der logistischen Regression und Random Forest zwei Verfahren des Maschinellen Lernens zum Einsatz, deren Anwendung und Ergebnisse vorgestellt werden. Mit beiden Verfahren konnten mit ca. 80 %iger Genauigkeit alle Studierenden korrekt entweder der Gruppe erfolgreicher Absolvent*innen oder der Studienabbrecher*innen zugeordnet werden. Als bedeutsamster Prädiktor erwiesen sich die Prüfungsleistungen in den ersten drei Semestern (Note und Anteil bestandener Prüfungen). Im Beitrag werden Möglichkeiten und Herausforderungen der Studienabbruchprognose in Lehramtsstudiengängen sowie Implikationen der Datennutzung diskutiert.","PeriodicalId":35095,"journal":{"name":"Unterrichtswissenschaft","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-09-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Unterrichtswissenschaft","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.1007/s42010-023-00182-1","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q2","JCRName":"Social Sciences","Score":null,"Total":0}
引用次数: 0
Abstract
Zusammenfassung Der unbefriedigte Lehrkräftebedarf lenkt die Aufmerksamkeit auch auf Studienabbrüche von angehenden Lehrkräften. Dabei gilt das Interesse sowohl der Aufklärung der Gründe als auch der Reduktion von Studienabbrüchen. Hinsichtlich der Analyse von Studienabbrüchen erwachsen im Kontext der fortschreitenden Digitalisierung neue Möglichkeiten der Nutzung von Studierenden- und Studienverlaufsdaten (Learning Analytics). Im Beitrag wird eine Studie präsentiert, in der Prognosen zum Studienabbruch auf Basis der Campus-Management-Daten von 4601 Lehramtsstudierenden berechnet wurden. Hierbei kamen mit der logistischen Regression und Random Forest zwei Verfahren des Maschinellen Lernens zum Einsatz, deren Anwendung und Ergebnisse vorgestellt werden. Mit beiden Verfahren konnten mit ca. 80 %iger Genauigkeit alle Studierenden korrekt entweder der Gruppe erfolgreicher Absolvent*innen oder der Studienabbrecher*innen zugeordnet werden. Als bedeutsamster Prädiktor erwiesen sich die Prüfungsleistungen in den ersten drei Semestern (Note und Anteil bestandener Prüfungen). Im Beitrag werden Möglichkeiten und Herausforderungen der Studienabbruchprognose in Lehramtsstudiengängen sowie Implikationen der Datennutzung diskutiert.
期刊介绍:
Unterrichtswissenschaft – Zeitschrift für Lernforschung ("Journal for Teaching and Learning") publishes research on learning and instruction in pre-school, school, higher education, occupational settings and various informal learning environments. The journal presents theoretical approaches and empirical research findings to facilitate the advancement of further research and evidence-based practice in education. Unterrichtswissenschaft is therefore indispensable for researchers and students in the fields of transfer research, teaching quality and didactics.
Unterrichtswissenschaft publishes original empirical studies, reviews, and theoretical articles in German and English. All articles are subject to double-blind peer review in order to meet the highest quality standards. Every issue contains a topical focus as well as unsolicited submissions, which are complemented by hot topic contributions.
The journal has an international audience with a special focus on German-speaking countries. It is one of the three most-cited German journals in educational research as identified by a Cited Reference Search in Web of Science, PsychInfo, and Harzing''s Publish or Perish (1999-2010). About 50 % of the references in Web of Science can be found in English-language publications.