PASSt - Predictive Analytics Services für Studienerfolgsmanagement

• Main Authors: Shabnam Tauböck (Author), Anna Schöfecker (Author), Karl Ledermüller (Author), Maria Krakovsky (Author), Sukrit Sharma (Author), Markus Reismann (Author), Christian Gregor Marschnigg (Author), Gerhard Mühlbacher (Author), Julia Spörk (Author), Michael Schadler (Author), Gabriel Wurzer (Author)
• Format: Book
• Published: Forum Neue Medien in der Lehre Austria, 2023-04-01T00:00:00Z.
• Subjects: article
• Online Access: Connect to this object online.

Summary

Hochschulen haben zunehmendes Interesse daran, den Studienerfolg ihrer Studierenden analysieren und quantifizieren zu können. In diesem Zusammenhang versucht das Projekt PASSt - Predictive Analytics Services für Studienerfolgsmanagement - einen Rahmen für die empirische Analyse und Vorhersage des Studienerfolges herzustellen: Studenten- und Studiendaten werden in eine generische Datenstruktur importiert, auf die Machine Learning und Simulationen angewendet werden. Die beiden wichtigsten Ergebnisse der Anwendung dieser Ansätze sind eine Vorhersage des Studienerfolgs und eine Strukturanalyse von Lehrplänen, die zur Verbesserung der Studienbedingungen für Studierende genutzt werden können. Das Framework verfügt darüber hinaus über eine zusammenfassende Visualisierung, die eine einfache Interpretation und Nutzung der Ergebnisse für die Curriculumsplanung ermöglicht. Dieses Projekt wurde am 1. Juni 2023 im Rahmen einer Online-Veranstaltung des BMBWF präsentiert. Die Präsentationsunterlagen finden Sie hier.

Item Description

10.3217/zfhe-SH-HL/13
2219-6994