Crossing individual university boundaries: a comprehensive approach to predicting dropouts in the higher education system
Bisherige Literatur zur Vorhersage von Studienabbrüchen beschränkt sich hauptsächlich auf institutionelle Studienabbrüche. Unsere Arbeit erweitert diesen engen Rahmen, indem sie sich auf Verwaltungsdaten zu Studienverläufen stützt, die das gesamte Schweizer Hochschulsystem abdecken. Mithilfe von Techniken des maschinellen Lernens sagen wir Studienabbrüche auf nationaler Ebene voraus, zeigen, wie sich diese Vorhersageergebnisse von denen unterscheiden, die aus der Perspektive einer einzelnen Hochschule gewonnen wurden, und liefern Vorhersagemodelle für den Wechsel an andere Hochschulen. Die Ergebnisse zeigen, dass wir allein anhand der Daten vor der Immatrikulation etwa 73 % aller Studierenden korrekt klassifizieren können, mit einem AUC-Wert von 79. Durch Hinzufügen von Variablen zur akademischen Leistung aus aufeinanderfolgenden Semestern können wir nach dem 4. Semester etwa 88 % der Studierenden korrekt klassifizieren, mit einem AUC-Wert von 89. Das Hinzufügen von Informationen über Wechsel an andere Schweizer Universitäten anstelle der Verwendung von Informationen über einzelne Einrichtungen verbessert jedoch die Vorhersageleistung der Modelle kaum. Es ist daher nicht überraschend, dass die Modelle im Gegensatz zur Vorhersage von Studienabbrüchen bei der Vorhersage von Wechseln zu anderen Hochschulen schlecht abschneiden.
Berens, J., A. Diem, L. Rumert, K. Schneider und S. Wolter (2025), Crossing individual university boundaries: a comprehensive approach to predicting dropouts in the higher education system. Higher Education (forthcoming)