Maschinelles Lernen unterstützt die Studentenbetreuung bei Wintec
Um gefährdete Studierende gezielter zu fördern und gleichzeitig die Wirksamkeit der angebotenen Unterstützung kontinuierlich und statistisch fundiert belegen zu können, wurde ein Modell für maschinelles Lernen entwickelt.
Das Waikato Institute of Technology (Wintec) mit Sitz in Hamilton, Neuseeland, bietet jedes Jahr eine qualitativ hochwertige Ausbildung für rund 13‘000 Ākonga/Lernende an. Das Angebot umfasst über 130 berufsbezogene Studiengänge in verschiedenen Fachbereichen und reicht von Zertifikatsprogrammen bis hin zu Bachelor-, Postgraduierten- und Masterabschlüssen. Wintec stellt zudem eine Vielzahl von Unterstützungsdiensten sowohl im seelsorgerischen Bereich als auch in der akademischen Studienberatung bereit. Diese Unterstützung war traditionell uneinheitlich, und die Bewertung ihrer Wirksamkeit basierte vorwiegend auf Erfahrungsberichten.
Um gefährdete Studierende besser zu identifizieren und die Effizienz der Unterstützungsangebote mit fundierten Daten belegen zu können, wurde ein Modell für maschinelles Lernen entwickelt. Ein wissenschaftlich begleiteter Testlauf des Modells war bereits geplant, musste jedoch aufgrund unerwarteter Strategieänderungen verschoben werden. Um Ressourcen zu schonen, wurde der Test von der Aware Group (einem Unternehmen der HSO-Gruppe) ausgesetzt, da die Integrität der Ergebnisse nicht garantiert werden konnte. Das Modell wurde stattdessen angepasst, um die am stärksten gefährdeten Studiengänge unterhalb des Bachelor-Niveaus sowie entsprechende Studierendengruppen zu identifizieren – eine Aufgabe, die zuvor durch einfache numerische Analyse der Zahlen aus Vorjahren erfüllt wurde.
Herausforderungen
Die bestehende Förderungsstruktur an der Wintec ist ineffizient und in hohem Maße darauf angewiesen, dass Dozierende und Betreuungspersonen durch ihre Beobachtung erkennen, wann Studierende Schwierigkeiten haben könnten.
Einige der Probleme des aktuellen Systems sind:
- Reaktive Betreuung: Ein Großteil der Unterstützungsstruktur setzt voraus, dass Lernende ihre Probleme frühzeitig selbst erkennen, damit eine Intervention wirksam werden kann.
- Teure Individualbetreuung: Ohne vorgängige, gezielte Identifizierung gefährdeter Studierenden ist der Zeitaufwand für Einzelgespräche teuer und ineffizient.
- Auf die Masse ausgelegt: Breite Unterstützungsangebote, wie z. B. Workshops, erreichen auch viele Studierende ohne Gefährdungspotential, in der Hoffnung, einige wenige zu unterstützen, die gefährdet sind.
Darüber hinaus war es schwierig, das richtige Maß an Unterstützung festzulegen, da die Wirksamkeit der Maßnahmen nicht ausreichend bekannt war.
Nutzen des Produkts
Das geplante Modell hätte dem Betreuungspersonal eine Datenbank bereitgestellt, die unterstützungswürdige Studierende aufführt, zusammen mit einer Einschätzung der potenziellen Wirkung und auswertbaren Ergebnissen über den Erfolg der Maßnahmen. Nach der wissenschaftlich begleiteten Erprobung hätte das Instrument der Schulleitung ermöglicht, den Personalbedarf besser einzuschätzen und zu planen. Verbesserte Unterstützungsdienste hätten zudem dazu beigetragen, die Abschlussquoten von Maori- und Pasifika-Studierenden an die ihrer Kommilitonen anzugleichen.
Die angepasste Nutzung des Modells, das die einfache numerische Analyse gefährdeter Studierendengruppen und Programme ersetzen soll, gibt den Betreuungsteams die Möglichkeit, gezielt zu entscheiden, in welchen Gruppen Personal eingesetzt werden sollte, und ihren Fokus auf diejenigen mit dem größten Unterstützungsbedarf zu richten. Obwohl das Modell nicht direkt vorhersagt, wie viel Verbesserung für einzelne Personen erzielt werden kann, ermöglicht es eine effizientere Nutzung der vorhandenen Ressourcen.
Ergebnisse, ROI und Zukunftspläne
Wie erwartet, erzeugte die Studie die folgenden Ergebnisse:
- Nachweis verbesserter Abschlussquoten und Angleichung der Ergebnisse von Maori- und Pasifika-Studierenden.
- Datenbasierte Entscheidungsfindung hinsichtlich Ressourcen und Strategien für die Betreuungsteams.
- Verbesserte Bindung der Studierenden (messbar im Folgejahr).
Aufgrund der Veränderungen in der Supportorganisation werden diese Vorteile in diesem Jahr nicht zum Tragen kommen. Obwohl die Betreuungsteams nun eine statistische Grundlage für die gezielte Ansprache von Studentengruppen, konnte die Wirksamkeit dieser Maßnahme nicht statistisch fundiert bewertet werden.
Unvorhergesehene Vorteile, die durch das Projekt erzielt wurden:
- Identifizierung der effektivsten Kontaktmethoden zu Studierenden zur Verbesserung ihrer Leistungen.
- Nachweis für die Verbesserung der Studienergebnisse durch die Betreuungsteams.
- Erkennung und Quantifizierung von gefährdeten Gruppen (z. B. 18-jährige Studentinnen in Vorbereitungsprogrammen).
- Feststellung eines „Cut-off“-Zeitraums von 5-6 Wochen, nach dem die Wirksamkeit der Unterstützungsmaßnahmen für die meisten Semesterkurse deutlich abnimmt.