Analyse von Studienverläufen mit Process-Mining-Techniken

Abstract

Studenten an Hochschulen und Universitäten haben bei der Gestaltung ihrer Studienverläufe meistens viele Freiheitsgrade. Begrenzt werden diese Freiheiten durch das Curriculum, das bestimmte Rahmenbedingungen für den Studienverlauf einer Fachrichtung festlegt und Empfehlungen bzw. Vorgaben macht, welche Veranstaltungen in welchem Semester besucht werden sollen. In der Praxis weichen viele Studenten von den Empfehlungen des Curriculums ab. Dies führt zu einer Vielzahl individueller Studienverläufe, von denen jeder einzelne mehr oder weniger erfolgreich sein kann (z. B. in Hinblick auf das Erreichen des angestrebten Abschlusses, auf die erzielte Abschlussnote oder auf die benötigte Studiendauer). Für eine an erfolgreichen Studienverläufen orientierte Weiterentwicklung von Curricula und zugehörigen Studienberatungen fehlen den Verantwortlichen an Hochschulen und Universitäten nicht selten detaillierte Erkenntnisse über das konkrete Studienverhalten und über erfolgreiche bzw. weniger erfolgreiche Studienverlaufsmuster. Durch Process-Mining-Techniken wie Bubble-Chart-Analysen, Fuzzy Mining und Inductive Visual Mining können die Verantwortlichen Transparenz bei der Auswertung von Studienverläufen gewinnen und darauf aufbauend gezielte Maßnahmen einleiten. Students at universities usually enjoy a high level of freedom to shape their course of studies. Only the curriculum is the limit, which defines rules and suggests courses to be taken in certain semesters. In practice, many students deviate from these suggestions, leading to a plethora of individual schedules which may be more or less successful (with regards e. g. to achieved degree, final rates, and time to graduation). University officials in charge of evolving and enhancing curricula as well as student advisory services often do not have detailed knowledge regarding student’s specific behavior as well as successful and less successful study schedules. Here process mining techniques like bubble chart analytics, fuzzy mining, and inductive visual mining can fill the gap and provide transparency as foundation for dedicated measures.