Predictive Analytics Services für Studienerfolgsmanagement (PASSt)

[Learning Analytics]

Predictive Analytics Services für Studienerfolgsmanagement (PASSt) wurde im Rahmen der Strategie für digitale und soziale Innovation an Universitäten (öst. BM für Bildung Wissenschaft und Forschung) im Themencluster Learning Analytics finanziert.

Zielsetzung: 

  • Allg. einsetzbares Werkzeug für Monitoring und Prognose von Prüfungsaktivität und Studienerfolg
  • Unterstützung bei der strategischen Planung von Maßnahmen zur Erhöhung von Studierbarkeit und Studienerfolg
  • Kennzahlen auf unterschiedlichen Ebenen
  • „Code of Practice“ für Einhaltung ethischer Grundsätze und datenschutzrechtlicher Vorschriften

 

Projektroadmap PASSt ‐ Übersicht

eine Grafik der Projektübersicht von Passt
c PASSt

PASSt Projektübersicht

Eine Grafik über die Projektstruktur von Passt
c PASSt

Fragestellung ‐ Erkenntnisse

  • Wie lässt sich Studienerfolg individuell prognostizieren? (Prognose)
  • Welche Variablen haben wann und wo wie viel Einfluss? (Prognose)
  • Wenn sich bestimmte Variablen ändern, welche Auswirkungen hat das? (Prüfungsaktivität, Studienfortschritt, Abschlüsse) (Simulation)
  • Welche Variablen müssen sich ändern um signifikante Auswirkungen zu erzeugen? (Simulation)

 

Methodischer Ansatz: Prediction Studienerfolg (bspw. ECTS)

INPUT

  • Standarddaten (abgestimmt über mehrere Unis)
  • Unispezifische Daten (bspw. LMS logs, Befragungsdaten…) müssen flexibel ins Modell für einzelne Unis aufnehmbar sein.

PREDICTION

  • Modelloptimum aus folgenden Verfahren: In Sample Ansätze (die Klassiker)  => Linear Regression/  Stepwise Regression/ Linear Mixed‐Effects Models/ Non‐linear Regression: Generalized additive models
  • Out of Sample Ansätze (Machine Learning): Gradient Boosting Machine/ Random Forrests

OUTPUT

  • Cockpit via knitR; markdown oder Shiny

 

Ausblick

IM PROJEKT:

  • Modellentwicklungen weiterbetreiben (Cluster AG)
  • Datenbankaufbau ‐ Datenexport finalisieren
  • Validierung der Modelle
  • Design des Prototyp Cockpits zur Ergebnisdarstellung
  • Begleitend datenschutzrechtliche und ethische Grenzen reflektieren
  • Anwendungsbereiche und Grenzen von individuellen Predictions reflektieren

 

Weitere Informationen:

Präsentation BMBF ‐Transfertagung, 27.04.2021

TU Wien News - Digitalisierung und Studienerfolg: das Projekt PASSt, 14.08.2020

Hero: c iStock, Olena Kychygina