Zusammenfassung

Die Abbruchquoten im Hochschulbereich bleiben insbesondere in den ersten Semestern der Studierenden hoch. Die Universitäten sind zunehmend vielfältiger geworden und bieten ein breiteres Spektrum an Studiengängen an. Diese Vielfalt bringt jedoch auch Herausforderungen mit sich, insbesondere beim Übergang von der Schule zur Universität. In Deutschland erfolgen bis zu 47% der Studienabbrüche innerhalb der ersten beiden Semester, wobei die Abbruchraten unter männlichen Studierenden, Studierenden der ersten Generation und Studierenden mit Migrationshintergrund besonders hoch sind. Akademische Schwierigkeiten, insbesondere Prüfungsversagen und wahrgenommene hohe Leistungsanforderungen, gehören zu den Hauptursachen für Studienabbrüche.

Diese Dissertation präsentiert die Konzeption und Evaluierung eines Kursempfehlungssystems, das darauf abzielt, Studierende mit einem erhöhten Abbruchrisiko zu unterstützen. Das Systemdesign basiert auf signifikanten Leistungsunterschieden zwischen Studierenden, die ihr Studium abgebrochen haben, und solchen, die erfolgreich abgeschlossen haben. Diese Unterschiede wurden durch eine Datenanalyse von drei Bachelorstudiengängen identifiziert. Die frühzeitige Einbindung von Studierenden in den Entwicklungsprozess trug dazu bei, ein transparentes und interpretierbares Empfehlungssystem zu gestalten, das allen Studierenden zugänglich ist.

Das System verwendet einen erklärbaren Nächste-Nachbarn-Algorithmus, um Kurse auf Basis der akademischen Leistungen ähnlicher, erfolgreicher Studierender zu empfehlen. Zwei Erfolgskriterien werden berücksichtigt: (1) der erreichte Studienabschluss und (2) das Bestehen einer Mindestanzahl von Kursen in einem Semester. Das zweite Kriterium ermöglicht eine frühere Rückmeldung über den Erfolg und erlaubt dem System, sich schneller an Änderungen im Curriculum anzupassen.

Die potenzielle Wirkung des Systems wurde unter Verwendung historischer Daten und verschiedener Metriken umfassend bewertet, darunter die Qualität der Übereinstimmung mit bestandenen Kursen, die Anzahl der empfohlenen Kurse und die vorhergesagte Veränderung des Abbruchrisikos. Ein zentrales Ergebnis ist, dass die Anzahl der empfohlenen Kurse sich dynamisch an die akademischen Leistungen der Studierenden anpasst und so eine Überlastung von gefährdeten Studierenden verhindert. Das System tendiert außerdem dazu, abbruchsgefährdeten Studierenden leichter zu bestehende Kurse zu empfehlen, wodurch ihre Chancen auf Bestehen und akademischen Fortschritt erhöht werden. Die Kursvorschläge stimmten stärker mit den Kursen überein, die von erfolgreichen Absolventen bestanden wurden, was das Potenzial des Systems zur Unterstützung des akademischen Erfolgs bestätigt.

Eine Nutzerbefragung mit 100 Studierenden validierte zusätzlich die wahrgenommene Qualität der Erklärungen und Empfehlungen des Systems. Die Ergebnisse zeigten, dass die Studierenden die Erklärungen verstehen, obwohl keine klare Präferenz zwischen der Darstellung als Liste und der Darstellung als Menge erkennbar war.

Diese Arbeit leistet einen Beitrag zu den Bereichen Educational Data Mining und Learning Analytics, indem sie zeigt, wie personalisierte Kursempfehlungen Studierende mit einem erhöhten Abbruchrisiko unterstützen können, ohne erfolgreiche Studierende negativ zu beeinflussen. Die Ergebnisse unterstreichen die Bedeutung von Erklärbarkeit und Flexibilität in Empfehlungssystemen für den Hochschulbereich und liefern wertvolle Erkenntnisse für zukünftige Forschung und praktische Umsetzung.

Abstract

Dropout rates in higher education remain high, particularly during students’ early semesters. Universities have become increasingly diverse, offering a broader range of degree programs. However, this diversity also brings challenges, particularly in transitioning from school to university. In Germany, up to 47% of dropouts occur within the first two semesters, with higher rates among male students, first-generation students, and those with a migration background. Academic difficulties, especially exam failure and perceived high-performance demands, are among the leading causes of dropout.

This dissertation presents the design and evaluation of a course recommendation system aimed at supporting students at risk of dropping out. The system’s design is based on significant performance differences between students who dropped out and those who graduated, identified through data exploration from three undergraduate programs. Early involvement of students in the development process helped shape a transparent and interpretable recommendation system that is accessible to all students.

The system uses an explainable nearest neighbors algorithm to recommend courses based on the academic performance of similar, successful students. Two success criteria are considered: (1) graduation and (2) passing a minimum number of courses in a semester. The second criterion enables earlier feedback on success and allows the system to adapt more quickly to curriculum changes.

The system’s potential impact was comprehensively evaluated using historical data and multiple metrics, including overlap quality with passed courses, the number of recommended courses, and the change in predicted dropout risk. A key finding is that the number of recommended courses dynamically adapts to students’ academic performance, helping to prevent overload for at-risk students. The system also tends to recommend courses for at-risk students that are easier to pass, increasing their chances of passing and progressing academically. Course recommendations were more aligned with the courses passed by successful graduates, confirming the system’s potential to support academic success.

A user study with 100 students further validated the system’s perceived explanation and recommendation quality. The results showed that students generally understand the explanations, although no clear preference emerged between list- and set-based presentation formats.

This work contributes to the fields of Educational Data Mining and Learning Analytics by demonstrating how personalized course recommendations can support students at risk of dropping out while ensuring that successful students are not negatively affected. The findings highlight the importance of explainability and flexibility in course recommendation systems and provide insights for future research and practical implementation.