Prognose von Studienabbrüchen angehender Lehrkräfte mit Maschinellem Lernen: Potenziale der Nutzung von Studierenden- und Studienverlaufsdaten aus dem Campus-Management-System

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.