Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University

Universitäten stehen heute vor einer stillen, aber wachsenden Herausforderung: Sie bilden mehr Studierende aus als je zuvor, doch oft fehlt ihnen die Zeit oder die Werkzeuge, um zu bemerken, wenn ein einzelner Student beginnt, Schwierigkeiten zu bekommen, bevor es zu spät ist. In der Vergangenheit hätte ein Lehrender vielleicht erst auf eine ungenügende Note oder eine verpasste Prüfung gewartet, um zu erkennen, dass ein Student in Schwierigkeiten war, aber zu diesem Zeitpunkt war die Lernlücke oft schon zu groß, um sie leicht zu schließen. Um dies zu lösen, wenden sich Forscher einem Feld namens Maschinelles Lernen zu, was im Wesentlichen eine Art und Weise ist, wie Computer aus Mustern in Daten lernen können, anstatt einem strengen Satz von Regeln zu folgen, die von einem Menschen geschrieben wurden. Indem man diese Systeme mit historischen Aufzeichnungen über die Leistung, die Anwesenheit und den Hintergrund von Studierenden füttert, kann der Computer lernen, die subtilen Anzeichen zu erkennen, die einem akademischen Misserfolg vorausgehen. Das Ziel ist nicht, Lehrer durch Algorithmen zu ersetzen, sondern ihnen ein Frühwarnsystem zu geben – einen Weg, um zu sehen, welche Studierenden Hilfe benötigen könnten, bevor sie den Anschluss verlieren, was eine rechtzeitige Unterstützung ermöglicht, die die gesamte akademische Laufbahn eines Studierenden verändern kann.

An der Nnamdi Azikiwe University in Nigeria beschloss ein Team von Forschern zu testen, ob dieser Ansatz in ihrem spezifischen Kontext funktionieren könnte. Sie sammelten die akademischen Unterlagen von 400 Bachelor-Studierenden und betrachteten dabei eine breite Palette von Details, einschließlich ihrer Aufnahmeprüfungsergebnisse, ihrer Noten aus dem ersten Semester, wie oft sie an Vorlesungen teilnahmen, ihrer Ergebnisse bei kontinuierlichen Leistungsbeurteilungen und sogar der Frage, ob sie in der Vergangenheit bereits Kurse durchgefallen hatten. Die Forscher baten dann vier verschiedene Computermodelle, diese Informationen zu analysieren und vorherzusagen, welche Studierenden Gefahr liefen, eine schlechte akademische Leistung zu erbringen. Sie definierten „gefährdet“ als Studierende, deren Leistung unter einen bestimmten Standard fiel, wodurch sie effektiv zwei Gruppen schufen: diejenigen, die gut zurechtkamen, und diejenigen, die Schwierigkeiten hatten. Das Team wollte sehen, ob die Computer die Gruppe derjenigen, die Schwierigkeiten hatten, frühzeitig identifizieren konnten, indem sie nur die zu Beginn des Semesters verfügbaren Daten verwendeten, und um zu bestimmen, welche spezifischen Faktoren die stärksten Indikatoren für Probleme waren.

Die Ergebnisse zeigten ein klares Bild davon, was einen erfolgreichen Studenten von einem gefährdeten unterscheidet. Von den 40 von 400 untersuchten Studenten wurde fast jeder vierte als gefährdet eingestuft. Als die Forscher die Daten genauer untersuchten, stellten sie fest, dass die Studierenden, die Schwierigkeiten hatten, ein sehr spezifisches Profil teilten. Sie waren mit niedrigeren Ergebnissen in der Aufnahmeprüfung an die Universität gekommen, aber noch wichtiger war, dass ihre Leistung während des ersten Semesters ein viel stärkeres Signal für zukünftige Probleme war. Der aussagekräftigste Prädiktor war der Notendurchschnitt aus dem ersten Semester; die gefährdeten Studierenden hatten einen Durchschnitt von 2,43, während diejenigen, die gut zurechtkamen, im Durchschnitt 3,24 erreichten. Die Anzahl der Kurse, die ein Student zuvor nicht bestanden hatte, bekannt als Nachholkurse (Carryover Courses), war der zweitwichtigste Faktor. Die gefährdeten Studierenden hatten im Durchschnitt 2,5 Kurse nicht bestanden, verglichen mit nur einem bei ihren Mitstudierenden. Andere Faktoren wie die Ergebnisse der kontinuierlichen Leistungsbeurteilung und die Anwesenheit in den Vorlesungen spielten ebenfalls eine Rolle, wobei die Studierenden mit Schwierigkeiten seltener am Unterricht teilnahmen und bei laufenden Tests schlechter abschnitten. Interessanterweise zeigten die Daten, dass das Geschlecht eines Studierenden oder die spezifische Art und Weise seines Hochschulzugangs nicht half, vorherzusagen, wer Schwierigkeiten haben würde, was darauf hindeutet, dass das akademische Verhalten in diesem Umfeld weit wichtiger ist als demografische Hintergründe.

Um den besten Weg für diese Vorhersagen zu finden, verglichen die Forscher vier verschiedene Techniken des maschinellen Lernens, von denen jede das Problem auf eine etwas andere Weise angeht. Eine Methode, genannt Decision Forest, baut viele einfache Entscheidungsbäume auf, um eine kollektive Vermutung anzustellen. Eine andere, bekannt als Support Vector Machine, versucht, eine komplexe Linie zu ziehen, die die Studierenden mit Schwierigkeiten von den erfolgreichen trennt. Als die Modelle mit neuen Daten getestet wurden, die sie noch nie zuvor gesehen hatten, waren die Ergebnisse überraschend. Das Modell, das während der initialen Trainingsphase am besten abgeschnitten hatte, hielt der Belastung gegenüber neuen Studierenden nicht so gut stand. Stattdessen erwiesen sich die Support Vector Machine und eine Methode namens logistische Regression als am zuverlässigsten. Die Support Vector Machine identifizierte korrekt 16 von 20 gefährdeten Studierenden in der Testgruppe, wobei sie nur vier übersah, während sie gleichzeitig die Anzahl der Fehlalarme – Studierende, die als gefährdet markiert wurden, obwohl sie eigentlich gut zurechtkamen – relativ gering hielt. Die Computermodelle waren in der Lage, zwischen den beiden Gruppen mit einem hohen Grad an Genauigkeit zu unterscheiden, was bewies, dass die Muster in den Daten real und konsistent waren.

Die Studie untersuchte auch tiefgehend, warum die Modelle ihre Entscheidungen trafen, um sicherzustellen, dass die Ergebnisse nicht nur ein statistischer Trick waren, sondern reale pädagogische Dynamiken widerspiegelten. Die Analyse bestätigte, dass das, was ein Student während des ersten Semesters tut, weitaus aussagekräftiger ist als der Punkt, an dem er startete. Obwohl die Ergebnisse der Aufnahmeprüfung eine Rolle spielten, wurden sie von der Leistung im tatsächlichen Klassenzimmer überschattet. Der Computer lernte, dass ein niedriger Notendurchschnitt, eine hohe Anzahl gescheiterter Kurse und eine schlechte Anwesenheit die stärksten Signale dafür waren, dass ein Student in Schwierigkeiten war. Dies deckt sich mit der Vorstellung, dass Lernen ein aktiver Prozess ist; Studierende, die sich nicht mit ihrem Studium beschäftigen, den Unterricht versäumen oder Schwierigkeiten haben, den Stoff frühzeitig zu erfassen, sind diejenigen, die die Hilfe am dringendsten benötigen. Die Forscher merkten an, dass die Modelle zwar hocheffektiv darin waren, diese Muster zu erkennen, sie jedoch als Werkzeug zur Unterstützung des menschlichen Urteilsvermögens betrachtet werden sollten und nicht als Ersatz dafür. Ein Computer kann einen Studenten für Aufmerksamkeit markieren, aber es sind die Berater und Lehrer der Universität, die das Verständnis und die Unterstützung leisten müssen, die darauf folgen.

Letztendlich zeigt diese Forschung, dass Universitäten die Daten, die sie bereits sammeln, nutzen können, um ein Sicherheitsnetz für ihre Studierenden aufzubauen. Durch die Konzentration auf Frühindikatoren wie die Noten des ersten Semesters und die Kursanwesenheit können Institutionen Studierende identifizieren, die wahrscheinlich Schwierigkeiten bekommen werden, lange bevor sie eine Abschlussprüfung nicht bestehen. Die Studie legt nahe, dass die Nnamdi Azikiwe University und andere wie sie in der Lage sind, diese Frühwarnsysteme einzusetzen, um ihre akademische Beratung zu steuern. Anstatt darauf zu warten, dass eine Krise ausbricht, könnten die Mitarbeiter auf Studierende zugehen, sobald die Daten zeigen, dass sie vom Kurs abkommen. Die Ergebnisse bieten einen praktischen Weg nach vorn: Nutzen Sie die Muster in den Aufzeichnungen, um rechtzeitige Interventionen auszulösen, damit die Studierenden, die die meiste Hilfe benötigen, diese erhalten, bevor ihre akademischen Schwierigkeiten unüberwindbar werden.