Anwendung statistischer und Machine-Learning-Methoden für Fragestellungen zu Studienerfolg

Dieser Erfahrungsbericht will einen Überblick zum methodischen Instrumentarium geben, das Anwender*innen bei der Modellierung von Studienerfolg zur Verfügung steht. Dabei werden nicht nur theoretische Überlegungen zur Modellierung diskutiert, sondern auch konkret illustriert, wie entlang von beschreibenden oder prädiktiven Anwendungsszenarien modellbasierte Analytics-Instrumente eingesetzt werden können.

Analytics-Instrumente können dabei helfen, mehr über den Lern- und Studienerfolg von Studierenden herauszufinden und geeignete Maßnahmen zur Unterstützung von Studierenden abzuleiten. Zwei Projekte, die sich Fragen zum Thema Studienerfolg widmen, wurden vom österreichischen BMBWF im Rahmen der Ausschreibung "Digitale und soziale Transformation in der Hochschulbildung" kofinanziert. Die beiden Projekte "Learning Analytics- Studierende im Fokus" und "PASSt - Predictive Analytics Services für Studienerfolgsmanagement" fokussieren auf unterschiedliche Handlungsfelder und wurden zur Generierung von Synergieeffekten konzeptionell verzahnt, indem generische Herausforderungen gemeinsam bearbeitet und Lessons-Learned diskutiert wurden. Die Erkenntnisse der gemeinsamen Arbeitsgruppe mündeten in diese Arbeit, die Rahmen- und Gelingensbedingungen von Analytics-Projekten thematisiert, und anhand von exemplarischen Anwendungsszenarien eine Unterstützung bei der Implementierung bieten kann.