Mithilfe von KI überwacht die Universität Online-Studenten, bei denen das Risiko eines Studienabbruchs besteht

Ein vorzeitiger Studienabbruch ist eines der größten Probleme in der Online-Hochschulbildung, insbesondere im ersten Jahr eines Studiums. Ein interdisziplinäres Forscherteam der Universitat Oberta de Catalunya (UOC) hat ein neues System entwickelt, das auf Algorithmen der künstlichen Intelligenz basiert und es ermöglicht, täglich diejenigen Studierenden zu identifizieren, bei denen das Risiko eines Scheiterns besteht, und durch die Entsendung automatisch frühzeitig Maßnahmen ergreifen zu können personalisierte Nachrichten, um die Situation umzukehren.

Laut den Forschern trägt diese kontinuierliche Überwachung dazu bei, die Zeit zwischen den ersten Anzeichen eines Risikos und dem Eingreifen des Systems zu verkürzen, um zu verhindern, dass Studierende das Studium abbrechen.

Die Technologie wurde im Rahmen eines Pilotversuchs mit 581 Studenten getestet, die für Erstsemesterkurse in mehreren Bachelor-Studiengängen der Fakultät für Wirtschaftswissenschaften der UOC eingeschrieben waren, und es wurde festgestellt, dass sie die Abbrecherquoten senkt und die Teilnahme während des Semesters erhöht.

Die Forschung wird von David Bañeres geleitet, einem Mitglied des Systems, Software and Models Research Lab (SOM Research Lab) am Internet Interdisciplinary Institute (IN3). Er koordiniert ein multidisziplinäres Team bestehend aus Ana Elena Guerrero, Hauptforscherin der Technology-Enhanced Knowledge and Interaction Group (TEKING), und einem Mitglied der Fakultät für Informatik, Multimedia und Telekommunikation, María Elena Rodríguez-González, einem Mitglied derselben Forschung Gruppe und Fakultät, und Pau Cortadas, Forscher an der Fakultät für Wirtschaftswissenschaften.

Vorhersageverbesserungen für das LIS-System

Diese vielversprechenden Ergebnisse wurden dank der Entwicklung eines neuen Vorhersagemodells namens Profiled Dropout At Risk (PDAR) erzielt, das in das Learning Intelligent System (LIS) integriert wurde. Dieses vom selben Forscherteam entwickelte System sagt voraus, ob Studierende Gefahr laufen, durchzufallen, und wurde seit 2019 in verschiedenen Pilottests mit UOC-Studierenden mit guten Ergebnissen getestet.

Bisher verfügte das LIS-System nur über ein Vorhersagemodell, um zu entscheiden, ob Studierende ein akademisches Jahr wahrscheinlich abschließen würden, basierend auf historischen Kursdaten – gesammelt im Datamart der Institutional Project Evaluation Unit der UOC – und auf den Ergebnissen der durchgeführten kontinuierlichen Bewertungsaktivitäten findet im laufenden Studienjahr statt. So prognostiziert das LIS-System nach jeder Aktivität die Mindestnote, die der Student in der nächsten erreichen sollte, um den Kurs zu bestehen, und ordnet ein Risikoniveau für das Nichtbestehen zu, das dann im persönlichen Bereich des Studenten angezeigt wird Form einer Ampel.

Wird ein hohes Risiko festgestellt, aktiviert das System entsprechende Interventionsmechanismen in Form von Meldungen an Studierende. „Obwohl diese Vorhersage für Studierende sehr nützlich ist, weist sie Mängel auf, vor allem weil die Überwachung auf bestimmte Kontrollpunkte nach jeder Aktivität beschränkt ist (normalerweise drei oder vier pro Semester), was bedeutet, dass der damit verbundene Eingriff zu spät erfolgen kann, wenn der Student bereits abgebrochen ist.“ für dieses Jahr aus“, sagte Bañeres.

Im Gegensatz dazu verbessert das neue PDAR-Modell die Überwachung erheblich, da es Daten zu den Merkmalen der Studierenden, ihren Leistungen während des akademischen Jahres sowie ihren Klicks und anderen täglichen Aktionen auf dem Online-Campus der UOC nutzt, um eine tägliche Vorhersage des Risikos eines Studienabbruchs zu erstellen.

„Das Modell bewertet, ob das tägliche Engagement des Studenten dem Durchschnitt des Kurses entspricht. Mit anderen Worten, diese Bewertung wird auf der Grundlage jedes Kurses und jeder Aktivität durchgeführt“, sagte er.

Fehlalarme vermeiden

Eine der Herausforderungen des neuen Modells besteht darin, Fehlalarme zu vermeiden: Menschen werden vom System fälschlicherweise als gefährdet identifiziert. Dieser Fehler betrifft vor allem Studierende, die nicht immer in der virtuellen Lernumgebung aktiv sind. So berücksichtigt das neue Modell auch ein Zeitfenster, das automatisch auf Basis des Studienjahres sowie der Art der Aktivität und deren Schwierigkeit berechnet wird.

Mit anderen Worten: Um zu bestätigen, dass bei einem Studierenden tatsächlich das Risiko eines Schulabbruchs besteht, und um die entsprechenden Interventionsmechanismen zu aktivieren, muss der Student für eine bestimmte, aufeinanderfolgende, festgelegte Anzahl von Tagen in der Kategorie bleiben, in der das Risiko eines Schulabbruchs besteht für jede Aktivität. Wenn für einen Studierenden ein hohes Risiko eines Studienabbruchs besteht, wird ihm automatisch eine Interventionsnachricht gesendet.

Personalisierte automatische Nachrichten

Ziel der Intervention des Systems ist es, die Motivation der Studierenden zu steigern, indem beispielsweise Empfehlungen zum Zeitmanagement gegeben, kurzfristige Ziele gesetzt oder Hinweise auf mögliche negative Folgen bei Nichterledigung der Aktivität gegeben werden. Es bietet außerdem zusätzliche Lernmaterialien und Übungen, die den Schülern helfen, ihre Ziele zu erreichen.

Darüber hinaus können die Lehrkräfte des Kurses den Inhalt von Nachrichten gestalten, personalisieren und je nach Risikostufe anpassen. Schließlich verfügt das Tool über verschiedene Dashboards, die es sowohl den Lehrenden als auch den Studierenden ermöglichen, individuell ihren aktuellen Status und potenzielle Risiken zu ermitteln.

Um die Integration dieses neuen Vorhersagemodells zu bewerten, wurden die Ergebnisse der Studienabbrecher mit der Gruppe von Studierenden verglichen, die das LIS-System im Vorjahr – als das PDAR noch nicht implementiert war – genutzt hatten, und mit der Gruppe von Studierenden, die sich dagegen entschieden hatten an der Studie teilnehmen und den Kurs ohne die Unterstützung des LIS-Systems absolvieren.

Die Ergebnisse, veröffentlicht in der Internationale Zeitschrift für Bildungstechnologie in der Hochschulbildungdas von der UOC mitherausgegeben wird, zeigte, dass die Abbrecherquoten am Ende des akademischen Jahres bei allen Aktivitäten deutlich zurückgingen, mit einem Unterschied von 12 % zwischen den Studierenden, die an der Pilotstudie teilgenommen haben, und denen, die nicht teilgenommen haben, und mit ein Unterschied von 5 % im Vergleich zum vorherigen Semester, als LIS allein und ohne das neue Vorhersagemodell verwendet wurde.

Ein Werkzeug im Dienste des Lehrpersonals

Dieses neue System bietet Lehrkräften die Möglichkeit, proaktiv auf die Probleme ihrer Studierenden einzugehen. „Mit diesem Früherkennungssystem können Schüler benachrichtigt werden, bevor das Problem auftritt, und wir können sie rund um die Uhr überwachen“, sagte Bañeres.

Darüber hinaus handelt es sich um ein skalierbares Tool, das Lehrenden eine umfassende Betreuung von Lehrveranstaltungen mit hoher Studierendenzahl ermöglicht. „Beispielsweise wurde eine der Pilotstudien in einem Studiengang mit 1.500 Studierenden durchgeführt, und das System ermöglichte es den Lehrenden, Studierende zu überwachen, bei denen ein Studienabbruch drohte, ohne den koordinierenden Professor oder die Lehrveranstaltungsleiter zu überlasten“, sagte er.

Ein System, das an jede Online-Lernumgebung angepasst werden kann

Ein großer Vorteil des LIS-Systems besteht darin, dass es nicht auf eine bestimmte Lernmanagementtechnologie angewiesen ist und daher in jeder Umgebung verwendet werden kann, in der akademische Daten von Studierenden vorhanden sind.

„Das bedeutet, dass das System auch dann, wenn die UOC derzeit auf einen neuen Campus umsteigt, der auf einer anderen Technologie wie Canvas basiert, weiterhin genutzt werden kann, indem Daten aus der relevanten Informationsquelle erfasst werden“, sagte Bañeres. Beispielsweise arbeitet das Forscherteam derzeit an einem Lehrpersonalisierungsprojekt für das Europäische Patentamt, bei dem das LIS-System zur Überwachung von Studierenden innerhalb seiner Moodle-basierten Lehrplattform eingesetzt wird.

Darüber hinaus kann LIS speziell für jedes Programm konfiguriert werden, indem es sich an die darin enthaltenen Aktivitäten anpasst und die erforderlichen Vorhersagemodelle mit Daten früherer Studierender trainiert, die es bestanden haben.

Verwandte Forschungsergebnisse werden ebenfalls in der Zeitschrift veröffentlicht IEEE-Transaktionen zu Lerntechnologien.