Entwicklung eines Frühwarnsystems für Hochschulen zur Vorhersage der akademischen Leistung von Erstsemesterstudierenden

Zusammenfassung In dieser Studie wird ein Frühwarnsystem entwickelt, das die akademische Leistung von Erstsemester-Bachelorstudierenden an Hochschulen vorhersagt. Die signifikanten Faktoren, die den Erfolg von Erstsemesterstudierenden beeinflussen, werden abgeleitet und diskutiert, sodass sie von den zuständigen Stellen für die Politikentwicklung genutzt werden können. Der im experimentellen Analysen verwendete Datensatz umfasst Daten von 11.698 Erstsemestern. Das Problem wird als Klassifikationsmodelle konstruiert, die vorhersagen, ob ein Student am Ende des ersten Jahres erfolgreich oder nicht erfolgreich sein wird. Insgesamt werden 69 Eingangsvariablen in den Modellen verwendet. Die Algorithmen Naive Bayes, Entscheidungsbaum und Random Forest werden hinsichtlich der Modellvorhersageleistungen verglichen. Die Random Forest-Modelle schnitten besser ab und erreichten eine Genauigkeit von 90,2 %. Die Ergebnisse zeigen, dass die Modelle, die die CGPA-Variable des Herbstsemesters einbeziehen, erheblich besser abschnitten. Darüber hinaus werden der Programmname des Studierenden und die Punktzahl der Hochschulaufnahmeprüfung als die anderen bedeutendsten Variablen identifiziert. Eine kritische Diskussion basierend auf den Ergebnissen wird bereitgestellt. Das entwickelte Modell kann als Frühwarnsystem verwendet werden, sodass notwendige Maßnahmen nach der zweiten Woche des Frühjahrssemesters für Studierende, von denen vorhergesagt wird, dass sie nicht erfolgreich sein werden, ergriffen werden können, um ihren Erfolg zu erhöhen und Abbruch zu verhindern.