Analyse von Studierbarkeit mittels Prognose- und Simulationsmodellen

Abstract

Ergebnisindikatoren von Studierbarkeit können als studienerfolgsrelevante Kenngrößen operationalisiert und dadurch modelliert und prognostiziert werden. Im vorliegenden Papier wird gezeigt, wie die Wahl eines passenden Machine-Learning-Verfahrens sowohl die Prognose individueller Studierbarkeit mit einer Treffsicherheit von fast 90%, als auch die Identifizierung von Einflussfaktoren auf individuelle Studierbarkeit ermöglicht. Weiters wird eine konzeptionelle Verschränkung des Prognosemodells mit einem Simulationsmodell diskutiert, um die strukturelle Dimension von Studierbarkeit analysieren zu können.