Kemper, Lorenz
Predicting Student Dropout: A Machine Learning Approach Unveröffentlicht
2018.
Abstract | Links | BibTeX | Schlagwörter: descision trees, dropout, higher education, logistic regression, machine learning, massive open online courses (MOOCs), O, prediction, students, Studienerfolg
@unpublished{Kemper2018,
title = {Predicting Student Dropout: A Machine Learning Approach},
author = {Lorenz Kemper},
url = {https://www.researchgate.net/publication/322919234_Predicting_Student_Dropout_a_Machine_Learning_Approach},
year = {2018},
date = {2018-02-01},
urldate = {2018-08-22},
institution = {Karlsruhe Institute of Technology (KIT)},
abstract = {We perform two approaches of machine learning, logistic regression and decision trees, to predict student dropout at the Karlsruhe Institute of Technology (KIT). The models are computed on the basis of examination data, i.e. data available at all universities without need of collection. Therefore, we propose a methodical approach that may be put in practice with relative ease at other institutions. Using a Hellinger-Distance splitting approach we find decision trees to produce slightly better results. However, both methods yield high prediction accuracies of up to 95{37d1f293241a1edd19b097ce37fa29bd44d887a41b5283a0fc9485076e078306} after three semesters. A classification with more than 83{37d1f293241a1edd19b097ce37fa29bd44d887a41b5283a0fc9485076e078306} accuracy is already possible after the first semester. Within our analysis we show, that resampling techniques can improve the detection of at-risk students.},
keywords = {descision trees, dropout, higher education, logistic regression, machine learning, massive open online courses (MOOCs), O, prediction, students, Studienerfolg},
pubstate = {published},
tppubtype = {unpublished}
}
We perform two approaches of machine learning, logistic regression and decision trees, to predict student dropout at the Karlsruhe Institute of Technology (KIT). The models are computed on the basis of examination data, i.e. data available at all universities without need of collection. Therefore, we propose a methodical approach that may be put in practice with relative ease at other institutions. Using a Hellinger-Distance splitting approach we find decision trees to produce slightly better results. However, both methods yield high prediction accuracies of up to 95{37d1f293241a1edd19b097ce37fa29bd44d887a41b5283a0fc9485076e078306} after three semesters. A classification with more than 83{37d1f293241a1edd19b097ce37fa29bd44d887a41b5283a0fc9485076e078306} accuracy is already possible after the first semester. Within our analysis we show, that resampling techniques can improve the detection of at-risk students.
Harder, Thorleif; Drzyzga, Gilbert
Perzeption und Präferenzen von Online-Studierenden zu Lernenden-Dashboards: Designelemente, Akzeptanz und ML-basierte Lernfortschrittsprognosen Konferenzberichte Geplante Veröffentlichung
Waxmann, Jena, Geplante Veröffentlichung.
Abstract | Links | BibTeX | Schlagwörter: A, Benutzerzentriertes Design, Dashboard, dropout, Instruktionsdesign, User Experience Design
@proceedings{nokey,
title = {Perzeption und Präferenzen von Online-Studierenden zu Lernenden-Dashboards: Designelemente, Akzeptanz und ML-basierte Lernfortschrittsprognosen},
author = {Thorleif Harder and Gilbert Drzyzga},
url = {folgt},
booktitle = {Tagungsband der GMW2023: Integration und Ko-Kreation: Miteinander von Mensch und Maschine in Forschung und Bildung},
publisher = {Waxmann},
address = {Jena},
abstract = {Digitale Studiengänge haben in jüngster Zeit erheblich an Bedeutung gewonnen, da sie ein flexibles, zeit- und ortsunabhängiges Studium ermöglichen. Aufgrund räumlicher Distanz und des Online-Charakters sind die Online-Studierenden jedoch teilweise isoliert und müssen ihr Lernen selbst organisieren. Learning Analytics eröffnet hier aussichtsreiche Möglichkeiten, Lernprozesse zu unterstützen und zu verbessern. Im Rahmen eines Forschungsprojektes wird ein Lernenden-Dashboard (LD) für Online-Studiengänge eines Universitätsnetzwerks entwickelt, das auf Methoden des maschinellen Lernens (ML) basiert. Um die Bedürfnisse, Erwartungen und Sichtweisen der Online-Studierenden in Bezug auf das zu entwickelnde LD und den Umgang mit den analysierten Daten zu erfassen, wurde eine OnlineBefragung im Hochschulverbund durchgeführt (N=179). Die Ergebnisse zeigen, dass die Studierenden bereit sind, ihre persönlichen Daten zur Verfügung zu stellen, wenn sie z.B. durch die Darstellung ihres Lernprozesses in Form eines prognostizierten Verlaufs einen unmittelbaren Mehrwert erhalten. Bei den DashboardElementen zeigte sich beispielsweise, dass ein personalisierter Kalender und die Darstellung von Einsendeaufgaben besonders geschätzt werden, was die Bedeutung individueller Lernpfade unterstreicht.},
keywords = {A, Benutzerzentriertes Design, Dashboard, dropout, Instruktionsdesign, User Experience Design},
pubstate = {forthcoming},
tppubtype = {proceedings}
}
Digitale Studiengänge haben in jüngster Zeit erheblich an Bedeutung gewonnen, da sie ein flexibles, zeit- und ortsunabhängiges Studium ermöglichen. Aufgrund räumlicher Distanz und des Online-Charakters sind die Online-Studierenden jedoch teilweise isoliert und müssen ihr Lernen selbst organisieren. Learning Analytics eröffnet hier aussichtsreiche Möglichkeiten, Lernprozesse zu unterstützen und zu verbessern. Im Rahmen eines Forschungsprojektes wird ein Lernenden-Dashboard (LD) für Online-Studiengänge eines Universitätsnetzwerks entwickelt, das auf Methoden des maschinellen Lernens (ML) basiert. Um die Bedürfnisse, Erwartungen und Sichtweisen der Online-Studierenden in Bezug auf das zu entwickelnde LD und den Umgang mit den analysierten Daten zu erfassen, wurde eine OnlineBefragung im Hochschulverbund durchgeführt (N=179). Die Ergebnisse zeigen, dass die Studierenden bereit sind, ihre persönlichen Daten zur Verfügung zu stellen, wenn sie z.B. durch die Darstellung ihres Lernprozesses in Form eines prognostizierten Verlaufs einen unmittelbaren Mehrwert erhalten. Bei den DashboardElementen zeigte sich beispielsweise, dass ein personalisierter Kalender und die Darstellung von Einsendeaufgaben besonders geschätzt werden, was die Bedeutung individueller Lernpfade unterstreicht.