Auswertung von Studienverlaufsdaten
Zur Überprüfung der Frage, inwieweit die Wahl von Modulreihenfolgen einen Erklärungsgehalt auf den Studienerfolg haben wurden Studienverläufe von Absolventinnen und Absolventen analysiert. Würden sich aus der Reihenfolge bei der Wahl von Modulen signifikante Erkenntnisse ermitteln lassen, dann könnten diese in einem digitalen Studienassistenten berücksichtigt werden. Konkret wurden mittels ökonometrischer Instrumente beispielsweise analysiert ob es erfolgreicher für eine Abschlussnote oder die Studiendauer ist früh im Studium spezifische Kernfächer (als notwendige Grundlage) oder Wahlmodule (als Motivation) zu belegen?“, „Ziel ist es, durch Aufdeckung erfolgreicher Strategien, Studierenden Vorschläge zur effizienten und effektiven Studienplanung an die Hand zu geben, um den erfolgreichen Studienverlauf zu unterstützen. Als weiteres Ziel sollen die Daten auch zur Optimierung der des Studiums von organisationaler Seite aus genutzt werden, um das Design des Studiengangs zu überdenken und
Kategorien
Beschreibung
Herausforderung
1. Studierende können von der Anzahl an Möglichkeiten der Studienplanung überfordert werden.
2. Dynamiken zwischen Fächern, durch welche das Bestehen verschiedener Module zusammenhängen kann, sind nicht bekannt, wodurch Studierende Gefahr laufen ineffektive Planungen zu entwerfen.
3. Lehrstühle und Professuren verändern ihre Studiengänge laufend, aber detaillierte Evaluationen sind aufgrund des Umfangs der Daten schwierig.
Herangehensweise
- Ordnung der Daten
- Auswählen relevanter Module und Kennzahlen (Anzahl der Versuche, Semester des Bestehens, Abschlussnote etc.)
- Durchführung zahlreicher ökonometrischer Regressionsmodelle in mehreren Versionen.
- Verdichten der Daten.
- Extrapolation von klaren Empfehlungen an die Studierenden und die Studiengangsorganisation
Zusammenhang
Die Ergebnisse wurden auf Basis von Daten über großteils erfolgreich abgeschlossenen Studienverlaufsdaten im Rahmen umfangreicher Auswertungen ermittelt. Methodiken und Fragestellungen sollen weiterhin über mehrere Studiengänge zur umfassenden Evaluation und für Empfehlungen an die Studierenden genutzt werden. Studiengangsbeauftragte äußerten hier großes Interesse.
Voraussetzung
- Zugang zu umfänglichen und vollständigen Studienverlaufsdaten (Datenschutz)
- Daten müssen für valide Auswertungen in ausreichender Zahl vorliegen
- Klare Fragestellungen und Konzepte zu Auswertungen
- Ausreichend Zeit für die Auswertungen und wiederholte Rücksprache zur Feinjustierung der Methoden
- Notwendig wären außerdem Informationen zur Bildungs-Vorbiografie der Studierenden
Eignung
- Anstieg der erfolgreichen Studienverläufe
- Verbesserung der Notenschnitte der Studierenden
- Höhere Konsistenz in der Modulwahl
Vorgehen/Schritte
Bei der Datenspeicherung frühzeitig mögliche Auswertungen von Verlaufsdaten mitberücksichtigen.
DatenIndikatoren aus der Bildungsbiographie (Fächernoten, Ausbildungsgänge u.ä.) bei der Analyse von Studiumsverlaufsdaten miteinbeziehen.
Hinweise
Learnings
Indikatoren aus der Bildungsbiographie (Fächernoten, Ausbildungsgänge u.ä.) bei der Analyse von Studiumsverlaufsdaten miteinbeziehen. Ohne Kontextdaten und Vorbiographie die derzeit nicht zugänglich sind erweisen sich die inhaltlichen Erkenntnisse der Studiumsverläufe als zu unsicher, um Sie in der Studierendenberatung zu berücksichtigen zu können. Ein Ergebnis, das aber eine Veröffentlichung nicht rechtfertigt.
Kontakt
Das könnte Sie auch interessieren
Insel der Forschung 2.0
Mit der "Insel der Forschung" (IdF) ist im BMBF-Projekt FideS und "FideS-Transfer" (bis 2020) eine Materialsammlung rund um das Forschende Lernen entstanden, die im deutschsprachigen Raum aufgrund der Fülle und Vielfalt einzigartig ist. Die Insel besteht aus einer auf Wordpress basierenden grafischen Oberfläche, die den Forschungszyklus möglichst fachübergreifend abbildet. Hinter den einzelnen Forschungsetappen liegen thematisch zugeordnete Materialien, Instrumente und Links. Es werden 4 Entwicklungsziele (EZ) angestrebt: Entwicklungsziel 1: Die IdF wird um mehr Praxisbeispiele aus den Fächern und mehr „Statements“ von Studierenden erweitert, die aufzeigen, dass und wie die Praxis forschenden Lernens funktioniert. Diese werden in Deutsch und Englisch zur Verfügung gestellt. Entwicklungsziel 2: Die IdF soll um deutsch- und englischsprachiges Material für Tutor:innen erweitert werden, die eine große Rolle bei der Unterstützung von forschendes Lernen spielen. Entwicklungsziel 3: Die Usability der IdF soll mit Blick auf die Entwicklungsziele 1 u. 2 angepasst sowie barrierefrei entwickelt werden. Entwicklungsziel 4: Anbindung zu OER-Portalen wie Twillo soll entwickelt werden.
Projekt anzeigen
wissenschaftliche Tagung „Spotlight on Language Teaching: Digital Feedback in Research and Practice“
Es wurde eine internationale und interdisziplinäre Tagung im hybriden Format zum Thema „digitales Feedback in Forschung und Lehre“ organisiert und vom 29.-30.06.2023 durchgeführt. Die Tagung hat Forschenden, Lehrenden, Studierenden und weiteren Interessierten den aktuellen Wissensstand zur Forschung, Nutzung und Förderung von digitalen Feedbackmethoden in der Hochschullehre aufgezeigt. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigen
Open-Source Intelligent Tutoring System for Programming Exercises in Engineering Education
Implementing control and machine learning algorithms in MATLAB and Simulink is a critical competency in advanced control engineering. While immediate feedback is essential for fostering intuitive understanding, it is traditionally constrained to scheduled exercise sessions or consultation hours. To bridge this gap, this project introduces an open-source intelligent tutoring platform that provides continuous, on-demand feedback. To accommodate diverse solution strategies, the platform employs a hybrid evaluation strategy combining result-based and code-based metrics. This ensures that valid alternative solutions that differ from predefined sample solutions are not misclassified. In case of incorrect solutions, a Large Language Model, contextualized with sample solutions and task classification results, offers auxiliary support for students struggling to initiate or complete tasks. Instructional scaffolding is adaptively adjusted to guide students toward independent problem-solving. We position this platform as a supplementary tool designed to enhance, rather than replace, valuable interactions between students and human tutors. Built on open-source tools, the system is architected for reusability, enabling lecturers across engineering subjects to adapt the framework to their teaching needs easily.
Publikation anzeigen