European Journal of Higher Education

Die Studienleistungen im ersten Semester sind ein aussagekräftiger Prädiktor für den späteren Studienerfolg. Daher sind frühzeitige Interventionen für abbruchgefährdete Studierende von besonderer Bedeutung. Diese Studie untersucht das Potenzial von Daten universitärer IT-Systeme, um gefährdete Studierende während des ersten Semesters zu identifizieren. Durch die Einbeziehung von Anmeldedaten aus dem Lernmanagementsystem Moodle sowie Informationen zu Prüfungsanmeldungen soll die Vorhersage von Studienverläufen bereits vor dem Vorliegen erster Prüfungsergebnisse verbessert werden. Mithilfe von Methoden des maschinellen Lernens zeigen wir, dass die Berücksichtigung dieser Daten die Klassifikationsgenauigkeit für alle drei untersuchten Zielgrößen – Studienabbruch, (In-)Aktivität und Verbleib im Studium nach dem ersten Semester – signifikant erhöht. Darüber hinaus lässt sich das Aktivitätsniveau der Studierenden auch unter stärkeren Einschränkungen hinsichtlich der Datenverfügbarkeit zuverlässig klassifizieren. Die Vorhersage studentischer Aktivität könnte somit eine Alternative zu traditionellen Prognosen des Studienerfolgs oder Studienabbruchs darstellen. Unsere Regressionsanalysen zeigen einen starken Zusammenhang zwischen der Aktivität auf der Lernplattform und den Studienleistungen. Zudem deuten die Ergebnisse darauf hin, dass Lernaktivitäten im späteren Semesterverlauf für die Studienleistungen von größerer Bedeutung sind als Aktivitäten während des ersten Studienmonats.