Der Begriff „Studienabbrecher“ bezeichnet im Hochschulkontext meist die Personengruppe, welche ein begonnenes Studium (aktuell) nicht weiterführt und das Hochschulsystem ohne ersten Abschluss verlassen haben (Gensch und Kliegl 2010). Im Unterschied hierzu wird mit der Drop-Out-Quote der Anteil der Studienabbrecher in Bezug auf die Anfängerzahl eines konkreten Studienjahrgangs bezeichnet. Im allgemeinen Sprachgebrauch der Hochschulen werden die Begriffe Studienabbruch und Drop-Out zum Teil äquivalent benutzt, obwohl sich die Bezugsgrößen unterscheiden. Demnach werden meist auch hochschulwechselnde Studierende für die abgebende Hochschule als „Drop-Out“ betrachtet, wohingegen fachwechselnde Personen hier nicht mit gezählt werden. Die Gruppengröße der Studienabbrecher hängt zudem auch vom Zeitpunkt der Datenerhebung ab, da es sich in der Regel um eine Momentaufnahme der Datenbasis handelt. Eine Wiederaufnahme eines Studiums zu einem späteren Zeitpunkt kann (in der aktuellen Datenbasis) nicht erfasst bzw. abgebildet werden.

Das Forschungsfeld zum Studienabbruch ist nicht neu und geht primär auf Ursachen ein, welche zu einem Abbruch führen können. Daneben werden aber auch Umfang, Folgen und verschiedene Präventionsmaßnahmen genauer untersucht. Die bekanntesten Modelle und Theorien zum Studienabbruch wurden bereits in den siebziger und achtziger Jahren entwickelt von Vincent Tinto (Tinto 1982) oder John Bean (Bean 1980). Diese Ansätze sind jedoch auf die Besonderheiten des anglo-amerikanischen Bildungssystems ausgelegt und können nicht direkt auf deutsche Bildungseinrichtungen angewandt werden. Forschungen, welche sich auf den Präsenzunterricht konzentrieren, sind auf Grund der schwierigen Datenlage bzw. Datenerhebung nicht in der Breite zu finden. Insbesondere die Untersuchung des Studienabbruchs in einer traditionellen Unterrichtsform erweist sich für einzelne Hochschulen meist als schwieriges Unterfangen. Deshalb werden hier häufig qualitative Untersuchungsmethoden genutzt, wie Befragungen mittels Fragebögen.

Die Untersuchung aus der HIS Studie (Heublein et al. 2010), in der bundesweit 4500 Fragebögen zum Thema Studienabbruch ausgewertet wurden, lieferte einige Erkenntnisse in Bezug auf die Motive, welche einen Studienabbruch begünstigen. In erster Linie führen demnach Leistungsprobleme bspw. aufgrund mangelnder fachlicher Vorkenntnisse oder methodischer Techniken für das Studium zu einem Abbruch des Studiums. Weiterhin spielen Probleme bei der Finanzierung des Studiums, fehlende Motivation für das Studium (z.B. durch falsche Erwartungen an Fächerkombination oder zukünftige Berufschancen) oder unzureichende Studienbedingungen zumindest eine gewisse Rolle bei der persönlichen Entscheidungsfindung. Die individuellen Beweggründe, ein Studium vorzeitig zu beenden, lassen sich auch hieraus nur bedingt ablesen, da die Entscheidung in der Regel eine Kombination aus verschieden Faktoren beinhaltet.

Für eine praxisrelevante Analyse sind insbesondere folgende Faktoren näher zu betrachten, die als maßgebliche Ursache in Erscheinung treten: Individuelle schulische Vorkenntnisse, Heterogenität und Verhalten der Studierenden (Heublein et al. 2012; Reinmann 2015; Wild und Möller 2009). Unter dem Sammelbegriff Heterogenität werden die vielen Unterscheidungsmerkmale der Studierendenschaft zusammengefasst, wie z.B. Herkunft, Alter oder Geschlecht. Da sich nahezu jedes Merkmal zur Diversifikation eignet, macht eine Fokussierung auf lernrelevante Heterogenität Sinn (Reinmann 2015). Hierunter sind die Unterscheidungskriterien gefasst, welche einen direkten oder indirekten Einfluss auf die Lernenden hat. Neben sozio-demographischen Faktoren spielen auch bio-psycho-soziale Faktoren eine Rolle, wie beispielsweise familiäre Verpflichtungen oder psychische Verfassung. Primär sind jedoch schulische Vorkenntnisse zu nennen, welche sich insbesondere durch den an Bildungseinrichtungen vorhandenen, administrativen Datenbestand gut beschreiben lassen.

Die schulischen Vorkenntnisse werden häufig als starker Prädiktor genannt für späteren Studienerfolg resp. Studienmisserfolg (Kliegl und Müller 2012; Wild und Möller 2009). In einer Studie an der Universität in Eindhoven wurden Daten aus dem traditionellen Lehrkontext (voruniversitäre Klausuren) für die Untersuchung herangezogen und eine Vorhersage für die Ergebnisse im ersten Studienjahr prognostiziert (Dekker et al. 2009). Da in der Regel kein Zugang zu voruniversitären Prüfungen für höhere Bildungseinrichtungen vorhanden ist, wird hier auf die administrativen Daten der Studienanfänger zurückgegriffen. In einigen Untersuchungen konnten die Art und Note der Hochschulzugangsberechtigung (HZB) als ein guter Prädiktor für einen drohenden Studienabbruch identifiziert werden (Formazin et al. 2008). Der Zusammenhang zwischen dem Notendurchschnitt aus dem sekundären Bildungsbereich [2] und dem Studienerfolg wurde in einigen (Meta-)Studien (wie z.B. Richardson et al. 2012; Robbins et al. 2004) bereits ausführlich diskutiert und eine prädiktive Validität nachgewiesen. In der Praxis wird an Hochschulen zur Vergabe von Studienplätzen in hoch-frequentierten Studienangeboten meist der Notendurchschnitt als Entscheidungskriterium für einen potentiell erfolgreichen Studienverlauf angewendet (Wenzel 2007). Da sich in Studiengängen der Natur- und Ingenieurwissenschaften durch die Betrachtung der Durchschnittsnote und der Mathematiknote eine bessere Vorhersagemöglichkeit der Studienleistungen ergibt als z.B. in Studiengängen der Sprach- und Kulturwissenschaften (Trapmann et al. 2007), kann eine differenzierte Betrachtung der Studienangebote für die Erfolgsaussichten im Studium sinnvoll sein.

Durch den verstärkten Einsatz neuer Medien und digitaler Lehr- bzw. Lernformate in der Hochschulbildung, hat sich auch ein Forschungsinteresse zur Untersuchung dieser Angebote entwickelt. Bei digitalen Lernformaten (z.B. Lernvideos oder digitale Übungsaufgaben) wird eine große Menge von (Nutzer-)Daten generiert, welche einen genaueren Einblick in den Lernprozess liefern können. Die Zusammenhänge der hierbei anfallenden Daten werden in den Forschungsfeldern des Educational Data Mining oder Learning Analytics untersucht (Romero und Ventura 2013; Siemens und Baker 2012). Unterschiedliche Datensätze aus dem Lernmanagementsystem (LMS), wie z.B. Kursaktivitäten oder Login-Daten, werden hier beispielsweise zur visuellen Unterstützung der Lehrenden aufbereitet und so für die Evaluation des Lehrkonzeptes nutzbar gemacht (Fortenbacher et al. 2013). In Popp und Beer (2014) wird zum Mathematik-Kurs der virtuellen Hochschule Bayern eine Umsetzung eines Learning Analytics Tools vorgestellt, welche - basierend auf dem Verhalten im zugehörigen Kurs – den Notenschnitt der Nutzer prognostiziert. Dies erfolgt anhand der verschiedenen Interaktionen der Teilnehmenden (u.a. Bearbeitung von Aufgaben, Nutzung von Materialien und Beteiligung in Foren) innerhalb eines Kurses. Diese Art der Untersuchung kann aber nur bei einem reinen E-Learning Kurs stattfinden, da hier die benötigten Datensätze gegeben sind.

Für die Präsenzlehre muss eine gesonderte Datenerhebung stattfinden oder auf andere Daten der Bildungseinrichtung zurückgegriffen werden. Die in den Hochschulen hinterlegten Daten aus dem Hochschulinformationssystem (HIS) können für die Analyse genutzt werden, was zur Verbesserung der Curricula (Metzger et al. 2015) mittels Analyse von Studienverläufen oder beispielsweise als Grundlage für eine faktenbasierte Intervention durch die Studienberatung verwendet wird (Hinkelmann et al. 2016). Hier erfolgt die Auswertung allein basierend auf HIS Daten mit informationsverarbeitenden Methoden, um auffällige Muster in den Datensätzen zu erkennen und spezielle Merkmalsketten (z.B. von gefährdeten Studierenden) herauszufinden. In der Studie von Christensen und Meier (2014) wurden neben sozio-demographischen Daten auch Studienverlaufsdaten (u.a. ECTS-Punkte der ersten beiden Semester und Noten ausgewählter Modulprüfungen) betrachtet, um auf diese Weise abbruchgefährdete Studierende frühzeitig identifizieren zu können. Der Einfluss von Unterstützungsmaßnahmen in der Studieneingangsphase findet bei den genannten Analysen keine Beachtung.

Insgesamt findet man aufgrund der Datenschutzrichtlinien in Deutschland aktuell nur wenige Arbeiten, welche die individuellen Daten der einzelnen Studierenden untersuchen. Die Verwendung dieser personenbezogenen Daten bedarf einer ausdrücklichen Zustimmung der Teilnehmenden (mittels einer Datenschutzeinwilligungserklärung) oder muss durch eine andere gesetzliche Grundlage gestützt werden z.B. durch die Evaluationssatzung der betroffenen Hochschule (Egetenmeier et al. 2016). Viele Arbeiten aus den genannten Forschungsgebieten stammen daher aus dem anglo-amerikanischen oder europäischen Ausland, welche sich allerdings nur bedingt auf das deutsche Bildungssystem übertragen lassen. In Bezug auf den tertiären Bildungsbereich finden sich vor allem Meta-Studien (Larsen et al. 2013), empirische Studien (Bescherer 2003) oder Studien, die sich auf ausgewählte Studienangebote beziehen (Dieter 2012; Erdel 2010; Freyer 2013). Andere Publikationen hierzu beziehen sich mehr auf Universitäten (Wolter et al. 2013), wodurch sich Ergebnisse der einzelnen Untersuchungen nur bedingt auf andere Bildungseinrichtungen - insbesondere Hochschulen - übertragen lassen.

Neben den bereits genannten Arbeiten finden sich einige weitere Studien, welche sich speziell mit der Analyse von einzelnen Merkmalen bzw. Merkmalsketten befassen. Diese Merkmale werden meist auf ihre prädiktive Güte zur Vorhersage von Ereignissen wie Studienerfolg/-misserfolg hin untersucht und deren Übertragbarkeit auf andere Bildungseinrichtungen geprüft. Schneider und Preckel (2017) liefern in ihrem Systematic Review eine zusammenfassende Übersicht über insgesamt 105 Variablen, welche einen Einfluss auf Studienleistungen in der Hochschulbildung haben. Nach Effektgrößen [3] sortiert, ergibt sich auf diese Weise eine Anordnung besonders starker Faktoren wie beispielsweise die Selbstwirksamkeit der Studierenden, Einfluss eines gut vorbereiteten Lehrpersonals, die Teilnahme am Unterricht oder auch der High School Notendurchschnitt der Studierenden. Nahezu äquivalent wird in Deutschland die Schulabschlussnote als oft diskutierter Prädiktor für den Studienerfolg betrachtet.

Neben den Einzelmerkmalen selbst, spielt vor allem die Verkettung dieser Indikatoren für die Bildung von Modellen eine große Rolle. Bereits durch die Kombination von voruniversitären Noten und den Ergebnissen der Prüfungsleistungen aus den ersten Semestern konnte gezeigt werden, welche konkreten Kurse einzelner Studienangebote für den Studienerfolg entscheidend sind (Asif et al. 2014). Hierzu wurden (noch) keine sozio-demographische Daten eingebunden, welche Aufschluss über die Heterogenität der betrachteten Gruppen liefern könnten. Der Einfluss von mathematischen Vorkenntnissen auf den Studienverlauf zeigt sich in einer Publikation von Henn und Polaczek (2007), welche ein Vorhersagemodell für den Studienerfolg in den Ingenieurwissenschaften an der FH Aachen entwickelt haben. Dieses Modell nutzt die Ergebnisse eines Mathematik-Eingangstests (mit Inhalten aus der Sekundarstufe 1) kombiniert mit einzelnen sozio-demographischen Daten, wie z.B. HZB-Art, HZB-Note oder auch der Zeitdauer zwischen Erwerb der Hochschulreife und der Aufnahme des Studiums. Letzteres wirkt sich in diesem Zusammenhang positiv auf den Studienerfolg aus. Eine genauere Betrachtung der Studieneingangsphase mit den vorhandenen Unterstützungsmaßnahmen findet sich nicht in dieser Studie.

Administrative Daten, wie sie in der genannten Arbeit zu Hilfe genommen wurden, liefern zwar eine verlässliche und qualitativ hochwertige Datenquelle, jedoch sind die enthaltenen Merkmale beschränkt und spiegeln den aktuellen Leistungsstand nur bedingt wider. Die (fachliche) Entwicklung der einzelnen Studierenden wird hier in der Regel über abgeschlossene Prüfungsleistungen erfasst, da in den wenigsten Studiengängen prüfungsrelevante Vorleistungen (bspw. Zulassungstests) in regelmäßigen Abständen zu erbringen sind. Dennoch könnten Aspekte wie das Studienverhalten (z.B. das Abschneiden in Zwischenprüfungen) potentiell einen Studienabbruch erklären (Wolter et al. 2013). Ungenügende oder ausbleibende Studienleistungen können als erster Hinweis auf Lernprobleme oder gar einen drohenden Abbruch des Studiums aus fachlichen Gründen gelten, da eine hohe Zahl der Studienabbrecher bereits in der Studieneingangsphase fachliche Defizite aufweist (Kolb et al. 2006).

Ein genauerer Blick auf die Studieneingangsphase wird auch von in der Smitten und Heublein (2013) vorgeschlagen, da nach den Erfahrungen aus Fallstudien ein Studienabbruch vorrangig in den frühen Semestern erfolgt. Gerade in dieser Phase findet meist die Unterstützung neuer Studierender statt. In Bebermeier und Nussbeck (2014) wird der Zusammenhang zwischen einzelnen Studierendenmerkmalen und der Nutzung von Unterstützungsmaßnahmen untersucht. Hier zeigt sich beispielsweise, dass ältere Studierende die Unterstützungsangebote der Hochschule häufiger in Anspruch nehmen. Mittels eines quantitativen Tests und einer qualitativen Untersuchung wird von Heiss und Embacher (2016) die Effizienz der mathematischen Vorkurse der Fachhochschule Technikum Wien untersucht. Der Fokus der Untersuchung besteht in der Verbesserung der Qualität im Vorkurs selbst, und weniger in konkreten Auswirkungen auf den späteren Studienverlauf. Ähnliche Untersuchungen finden sich in Derr et al. (2015) mit dem Fokus auf der Evaluation verschiedener Vorkursformate (z.B. reiner online Kurs, blended learning Kurs). Eine genauere Betrachtung der weiteren Entwicklung der Studierenden, welche eine Unterstützungsmaßnahme (z.B. Vorkurs) nutzen, lassen sich weniger häufig in der Literatur finden. Konkrete Aussagen bezüglich des individuellen Einflusses der Maßnahme auf den Studienverlauf können – meist aus datenschutzrechtlichen Gründen – nicht ohne weiteres getroffen werden.

In dem vorliegenden Beitrag soll die Untersuchung zur Identifikation von Merkmalen für einen fachlichen Studienabbruch dargestellt werden. Hierbei werden insbesondere individuelle Daten zum Lernfortschritt aus der Studieneingangsphase zu Hilfe genommen. Am Beispiel einer Datenanalyse zu projektbezogenen Unterstützungsmaßnahmen an der Hochschule Aalen, die sich insbesondere auf Mathematik beziehen, soll dies näher erläutert werden. Dabei werden verschiedene Datensätze erhoben, digitalisiert und ausgewertet, um Einblicke in den individuellen Studienverlauf der Studierenden zu erhalten. Erste Ergebnisse aus einer Vorstudie werden im Abschnitt 2 formuliert und die Ansätze zur weiteren Analyse darauffolgend vorgestellt.

Der dreiwöchige Mathematik-Vorkurs der Hochschule Aalen, der jeweils direkt vor Vorlesungsbeginn stattfindet, bildet das Kernstück des Unterstützungsangebotes des Grundlagenzentrums (Nagengast et al. 2013; 2017). Dieser freiwillige Kurs ist hochschulübergreifend für alle Studiengänge zugänglich und unterstützt aktuell über 20 grundständige Studienangebote. In den ersten beiden Wochen werden mathematische Themen aus der Schulbildung täglich in einem Vorlesungsblock wiederholt und in einem anschließenden Tutorium eingeübt. In der ersten Woche (Grundkurs) werden im wesentlichen Inhalte aus der Sekundarstufe 1 wiederholt, welcher für alle Studierenden identisch ist. Zur Vorbereitung auf die Grundvorlesung in den verschiedenen (ingenieurwissenschaftlichen, betriebswirtschaftlichen oder informationstechnischen) Studienangeboten werden in der zweiten Woche spezifische Brückenkurse angeboten. Diese beinhalten mathematische Inhalte aus der Sekundarstufe 2 mit konkretem Anwendungsbezug. Den Abschluss bildet eine dritte, übungsintensive Vorkurswoche, in der die Inhalte der ersten Woche wiederholt und weiter verfestigt werden sollen. Im Rahmen der Unterstützungsmaßnahmen werden folgende Daten erhoben (Nagengast et al. 2013):

Durch die tägliche Protokollierung der Anwesenheit in Vorlesung und Tutorium wird die Teilnahmehäufigkeit der Studierenden am Vorkurs bestimmt. Zur Feststellung der Eingangskenntnisse und der Lernfortschritte wurde ein dreigliedriges Testkonzept entwickelt, bestehend aus Pre-, Post- und Follow-Up-Test. Jeweils vor Beginn des Grund- und der Brückenkurses werden mit einem Pre-Test die Eingangskenntnisse zu den einzelnen Themengebieten festgestellt. Nach Beendigung der Kurseinheiten werden die Lernfortschritte mit einem Post-Test bestimmt, sodass man die Wirkung des Vorkurses „sichtbar“ machen kann. Zur Untersuchung der Nachhaltigkeit des Lernfortschrittes wird etwa vier bis sechs Wochen nach Semesterbeginn in den Grundveranstaltungen zur Mathematik ein Follow-Up-Test geschrieben. Da an diesem Test auch Studienanfänger teilnehmen, die den Vorkurs nicht besucht haben, liegt eine Vergleichsgruppe vor. Dadurch können die Ergebnisse der Vorkursteilnehmenden zu den Kenntnissen aller Studienanfänger in Beziehung gesetzt werden. Ergänzt werden diese Testergebnisse durch zugehörige Selbsteinschätzungen zu den einzelnen Vorkursthemen.

Die semesterbegleitenden Tutorien des GLZ während der Vorlesungszeit dienen primär zur Reduktion der Gruppengröße. Die Tutorien sind durch die Betreuung fachlich und didaktisch erfahrener, akademischer GLZ-Mitarbeiter qualitativ hochwertig. Durch die Erfahrung der Mitarbeiter kann spezifischer auf Lernprobleme eingegangen und Lernfortschritte können individuell besser gefördert werden. Zur Analyse dieses Unterstützungsangebotes werden ebenfalls Anwesenheitslisten geführt. Auf diese Weise kann die Teilnahmehäufigkeit der Studierenden bestimmt und der mögliche Einfluss der Tutorien auf das Klausurergebnis untersucht werden.

Die genannten Maßnahmen (Vorkurs und semesterbegleitende Tutorien) können unabhängig voneinander durch die Studierenden genutzt werden. Die Kombination dieser Angebote liefert für Studierende die Möglichkeit einer kontinuierlichen Begleitung in der Studieneingangsphase.

Für Analysen von individuellen Lernfortschritten ist ein Personenbezug meist unerlässlich. Die Datenerhebung und -nutzung im Rahmen der Projektmaßnahmen wurde deshalb gemeinsam mit der ZENDAS (Zentrale Datenschutzstelle der baden-württembergischen Universitäten) im Detail definiert und genügt dadurch den Vorgaben des Datenschutzes (Egetenmeier et al. 2016). Die Zustimmung zur Evaluation ihrer Daten wird von den Studierenden durch die Unterzeichnung einer Datenschutzeinwilligungserklärung (DSE) erteilt, die in Zusammenarbeit mit der ZENDAS erstellt wurde. Somit ist eine Verknüpfung der Datensätze, die sich auf die individuellen Personen beziehen, an der Hochschule Aalen möglich und insbesondere rechtens. Die Datensätze werden pseudonymisiert abgelegt, sodass Auswertungen basierend auf individuellen Daten durchführbar sind, der Rückbezug auf einzelne Studierende aber nicht mehr ohne weiteres möglich ist.

Die Effekte der in Abschnitt 2.1 beschriebenen Unterstützungsmaßnahmen auf den einzelnen Studienanfänger können dadurch beschrieben und individuelle Entwicklungen analysiert werden. Die Verknüpfung von Selbsteinschätzung und zugehörigem Testergebnis liefert Vergleichsmöglichkeiten der studentischen Wahrnehmung von mathematischen Kenntnissen mit realen Leistungen. Dies hat laut John Hattie einen starken Einfluss auf den Lernfortschritt, falls die persönliche Einschätzung dem Leistungsniveau exakt entspricht (Hattie 2009).

Um den Einfluss der GLZ-Maßnahmen auf den weiteren Verlauf des Studiums zu untersuchen, werden zusätzlich Daten aus dem Hochschulinformationssystem HIS der Hochschule herangezogen. Bedeutsam für die Untersuchungen sind hier insbesondere:

In Abb. 1 wird schematisch dargestellt, welche Datenquellen als Grundlage für die Auswertungen am Grundlagenzentrum der Hochschule Aalen genutzt werden. Die Verknüpfung der Daten erfolgt durch ein eindeutiges Pseudonym anstelle der Matrikelnummern. Dies ermöglicht eine Evaluation der Unterstützungsmaßnahmen bspw. in Bezug auf den Klausurerfolg.

Abb. 1: Daten und deren Verwendung für die Begleitforschung im Projekt AkaMikon
(angelehnt an Darstellung aus Egetenmeier et al. 2016)

Seit 2013 nehmen pro Jahr etwa 1000 Studierende (ca. 50-60% aller Studienanfänger) die Maßnahmen des GLZ in Anspruch, welche sich nahezu alle schriftlich mit der Datenerhebung und -nutzung einverstanden erklären. Aktuell finden sich somit Datensätze von über 5000 Studierenden in der GLZ-Datenbank, wobei diese Zahl mit jedem Semester beständig weiter wächst. Insbesondere soll mit Hilfe dieser Datenbasis das langfristige Ziel des GLZ, die Senkung des fachlichen Drop Outs, untersucht werden.

In den Vorarbeiten in Abschnitt 2.3 wurde mit der deskriptiven Statistik der Datenbestand aufbereitet und in passender Form dargestellt. Diese Ergebnisse stellen einzelne Merkmale der Studierenden dar, wobei hier bisher Abhängigkeiten nur punktuell betrachtet wurden. Die Analysen in den Vorstudien basieren im Wesentlichen auf bereits bekannten Theorien oder subjektiven Vermutungen des Lehrpersonals. Durch die passende Aufbereitung und Darstellung der Datensätze können diese Hypothesen mit einem dynamischen Ansatz der Datenanalyse validiert werden wie es OLAP (Online Analytical Processing) anbietet (Codd et al. 1993). Hierbei spielt insbesondere die Benennung eines Pivot-Elementes (Primärattribut) eine Rolle, da auf diese Weise eine Abhängigkeitsstufe betrachtet wird (siehe z.B. Abb. 4, welches als Pivot-Element die HZB-Art nutzt anstelle der Zeitdifferenz). Je nach Fragestellung sollte dieses Primärattribut passend gewählt werden.

Die Untersuchung des GLZ-Datenbestandes soll an dem KDD-Prozess von Fayyad angelehnt durchgeführt werden (siehe Abb. 7, Fayyad et al. 1996). Mit Hilfe dieser informationsverarbeitenden Methodik soll die umfangreiche Datenbasis erschlossen, aufbereitet und ausgewertet werden. Damit soll eine deskriptive Approximation des in den Daten beschriebenen Prozesses identifiziert werden.

Abb. 7: Schritte des KDD-Prozess (entnommen aus Fayyad et al. 1996)

Der in Abb. 7 beschriebene KDD-Prozess zur Datenanalyse ist eine rückwirkende Untersuchung mittels Fallstudien, um darin auffällige Muster zu finden. Anhand der vorhandenen Daten können mit dieser Analyse (statistisch) gemeinsame Merkmale herausgefunden werden, welche in einer Vielzahl der Datensätze vorhanden ist. Diese einzelnen Datenausprägungen können anschließend in Kombination betrachtet werden für die Bestimmung von abgrenzbaren, möglichst homogenen Gruppierungen.

In der Arbeit werden dazu die Studienanfänger aus dem Bachelorstudium genauer betrachtet, die bereits ihr Studium abgebrochen haben. Um diese Gruppierung weiter zu spezifizieren, werden zunächst nur die aus fachlichen Gründen Exmatrikulierten untersucht. Zur genauen Festlegung eines fachlichen Studienabbruchs wird der im HIS angegebene Exmatrikulationsgrund einer endgültig nicht bestanden Prüfungsleistung genutzt. Da nicht alle Studienabbrecher die Datenschutzeinwilligungserklärung unterschrieben haben, kann nur eine Teilmenge der Evaluationsteilnehmenden des GLZ betrachtet werden. Die Abb. 8 stellt eine schematische Darstellung der Personengruppe dar, welche im Fokus der Analyse stehen soll. Von besonderem Interesse sind Studierende, die trotz Teilnahme an den Unterstützungsmaßnahmen ihr Studium abbrechen.

Abb. 8: Schematische Mengen der Studierendengruppen (eigene Darstellung)

In der ersten Stufe des KDD-Prozesses findet die Auswahl der zu untersuchenden Daten und der zugehörigen Gruppe statt – hier der fachlichen Studienabbrecher (Selection). Dieser reduzierte Datensatz wird von unvollständigen Daten befreit (Preprocessing) und für die konkreten Untersuchungen vorbereitet durch eine passende Darstellung (Transformation). Für diese Punkte ist insbesondere die Vollständigkeit der Datenerhebung aus den Unterstützungsmaßnahmen von Interesse, da die Teilnahme an den Maßnahmen freiwillig ist. Diese Schritte sind mit Methoden der beschreibenden Statistik noch abbildbar, jedoch kann daraus nicht ohne weitergehende Untersuchungen neues Wissen geschaffen werden. Hierzu sind die im Anschluss genutzten Methoden des (Educational) Data Mining nötig, welche auch im Fokus der Arbeit stehen sollen. Dadurch können insbesondere die Daten der Unterstützungsmaßnahmen passend analysiert werden. Somit wird nach auffälligen Mustern und möglichen Abhängigkeiten der Datensätze gesucht, die im letzten Schritt interpretiert werden müssen.

Das Kernstück des KDD-Prozesses bildet das Data Mining, welches die folgenden Auswertearten zusammenfasst (Heidenbluth 2012):

Die genutzten Methoden sind von der zugrundeliegenden Datenaufbereitung und den Datenformen abhängig. Learning Analytics und Educational Data Mining beispielsweise nutzen hierfür online erhobene Datensätze aus den E-Learning Umgebungen. In der Datenbasis des GLZ finden sich vor allem analog erhobene, digitalisierte Datensätze oder Daten aus der Hochschulverwaltung, weshalb hierfür die Techniken angepasst werden müssen.

Die Abb. 9 soll die methodische Herangehensweise der Analysen näher erläutern. Zunächst kann anhand der HIS-Daten die klare Trennung der untersuchbaren Gruppe in fachliche Studienabbrecher und einer Differenzgruppe stattfinden. Hierfür ist der angegebene Exmatrikulationsgrund im HIS ausschlaggebend, welcher auf eine endgültig nicht bestandene Prüfung hinweisen muss. Alle weiteren Gründe (z.B. fehlende Rückmeldung oder Aufgabe/Unterbrechung) werden für die Analyse nicht betrachtet, da der Studienabbruch nicht eindeutig auf fachliche Defizite zurückzuführen ist. In der Differenzgruppe befinden sich also Studienabbrecher aus nicht fachlichen Gründen, Absolventen sowie aktuell studierende Personen. Dabei ist zu bemerken, dass ein fachlicher Studienabbruch von Studierenden aus der Differenzgruppe zu einem späteren Zeitpunkt nicht ausgeschlossen werden kann.

Abb. 9: Schematische Darstellung der Methodik (eigene Darstellung)

In der Stufe I werden Vergleichsstudien basierend auf den Vorarbeiten aus Abschnitt 2.3 für die fachlichen Studienabbrecher erneut durchgeführt, wobei ein direkter Vergleich zu der Differenzgruppe erfolgt, um besonders auffällige Unterschiede herauszufinden. Im folgenden Schritt werden Korrelationen der Datensätze untersucht mit dem Ziel, Abhängigkeiten zu formulieren. Die hierbei genutzte Form des Data Mining soll neue Beziehungen finden, welche zunächst kontextfrei und ohne kausale Verbindung formuliert werden. Durch die Pivotierung eines Merkmals, ähnlich dem OLAP, können erste kausale Zusammenhänge untersucht werden. Die letzte Stufe bildet die Interpretation der Ergebnisse und die Einbindung der gefunden Indikatoren in ein Modell. Die anschließende Verknüpfung mit theoretischen Modellen untermauert bestehendes Wissen oder schafft Grundlagen für neue Hypothesen. Insbesondere die Unterschiede zur Differenzgruppe sind an dieser Stelle zu beachten, welche als Referenz dient.

Der Fokus der Arbeit liegt auf dem Kernstück des KDD-Prozesses, dem Data Mining, sowie der Interpretation der Ergebnisse zur Generierung von (neuem) Wissen. Auf Grund der speziellen GLZ Datenbasis (siehe hierzu Abschnitt 2.2) können Daten aus dem HIS in Kombination mit Informationen aus den Unterstützungsmaßnahmen untersucht werden. Insbesondere durch die einzigartige Möglichkeit der Verknüpfung dieser Informationen kann eine Aussage zur Wirkung der Unterstützungsmaßnahmen auf den individuellen Studierenden gezogen werden. Rückwirkend kann durch diese Betrachtung ein typisches Nutzungsverhalten an den Unterstützungsmaßnahmen identifiziert werden, welches bspw. die Teilnahme und dessen Einfluss auf den Lernprozess im Fach Mathematik offenbart.