Design and Evaluation of Personalized Course Recommendations to Reduce Dropout Risk in Higher Education

Abstract

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.