Mehr Studienerfolg mit Machine Learning, KI & Co?!

Seit November 2022 ist die sogenannte Künstliche Intelligenz (KI) und Machine Learning endgültig in der öffentlichen Wahrnehmung angekommen. Ausschlaggebend dafür war die medial sehr erfolgreiche Veröffentlichung des Large Language Models GPT 3-5 von Open.AI. An den Hochschulen und in der Wissenschaft wurde sich mit dem Themenkreis von einschlägigen Fachdisziplinen bereits länger befasst und dies auch (mehr oder weniger) öffentlich thematisiert. Dabei wurde nicht nur die aktuell öffentlich besonders diskutierte textgenerierende bzw. generative KI in den Fokus genommen, sondern auch analytische KI, die hier im Vordergrund stehen soll.

Die Nutzung solcher Ansätze für Fragestellungen zu Studienerfolg wurde bisher nur recht selten thematisiert. Hier setzt der geplante Vortrag mit der Vorstellung einer im Erscheinen befindlichen Publikation und mit anschließender Diskussion an.

Dabei werden zunächst die Grundprinzipien und eine übersichtliche Systematisierung von Analytics-in-Higher-Education vorgestellt. Darin erfolgt einerseits eine hierarchische Stufen­ordnung nach der Komplexität der verwendeten analytischen Methoden, andererseits eine (die praktische Anwendung vereinfachende) Zuordnung zu beschreibenden Modellen und Prognose­modellen. Anhand ausgewählter Anwendungsbeispiele werden die unter­schiedlichen Stärken dieser Modellarten erläutert, welche in den jeweiligen Anwendungskontexten zu berück­sichtigen sind. Viele Hochschulen im deutschsprachigen Raum haben in den letzten Jahren Studienverlaufs­analysen eingeführt bzw. sind noch dabei. Beispielsweise hierfür hätten die in den Anwendungsbeispielen vorgestellten Ansätze großes Potential zur Verbesserung des Studienerfolgs auch an weiteren Hochschulen - und zwar sowohl für hochschul- oder fakultätsweite Maßnahmen, als auch für einzelne Curricula. Hierbei wären allerdings einige Dinge zu beachten.