Früherkennung von Studienabbrüchen
Projektbeschreibung
In dem Forschungsprojekt wird ein Frühwarnsystem zur Identifikation drohender Studienabbrüche entwickelt und die Auswirkung einer Intervention nach Früherkennung getestet. Anschließend wird mit Hilfe des Frühwarnsystems die Wirksamkeit der bestehenden Maßnahmenlandschaft gegen Studienabbrüche evaluiert. Von besonderem Interesse ist dabei der Vergleich der verschiedenen Studiengänge - insbesondere der MINT-Fächer - sowie der Vergleich zwischen Studierenden mit und ohne Migrationshintergrund. Das Frühwarnsystem soll so konzipiert werden, dass es auch an anderen Hochschulen implementiert werden kann.
Informationen zum Projekt
abgeschlossen
2017 bis 2020
Kerstin Schneider (Projektleitung)
Simon Görtz (Projektleitung)
Johannes Berens (Ansprechpartner)
Simon Oster
- 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]
Gefördert durch:
