Maschinelles Lernen in der Hochschulbildung

Sep 06, 2023

Viele Hochschulen Institutionen nutzen Daten und Analysen mittlerweile als integralen Bestandteil ihrer Prozesse. Ganz gleich, ob das Ziel darin besteht, Schwachstellen auf dem Weg der Studierenden zu identifizieren und besser zu unterstützen, Ressourcen effizienter zuzuteilen oder die Erfahrungen von Studierenden und Lehrkräften zu verbessern, Institutionen erkennen die Vorteile datengestützter Lösungen.

Dieser Artikel ist eine Gemeinschaftsarbeit von Claudio Brasca, Nikhil Kaithwal, Charag Krishnan, Monatrice Lam, Jonathan Law und Varun Marya und vertritt Ansichten aus McKinseys Public & Social Sector Practice.

Diejenigen, die an der Spitze dieses Trends stehen, konzentrieren sich auf die Nutzung von Analysen, um die Personalisierung und Flexibilität des Programms zu erhöhen und die Bindung zu verbessern, indem sie Studierende identifizieren, bei denen das Risiko eines Schulabbruchs besteht, und proaktiv mit maßgeschneiderten Interventionen auf sie zugehen. Tatsächlich können Datenwissenschaft und maschinelles Lernen einen erheblichen Mehrwert für Universitäten schaffen, indem sichergestellt wird, dass die Ressourcen auf die wirkungsvollsten Möglichkeiten ausgerichtet werden, um den Zugang für mehr Studierende sowie das Engagement und die Zufriedenheit der Studierenden zu verbessern.

Beispielsweise nutzt die Western Governors University in Utah prädiktive Modelle, um die Bindung zu verbessern, indem sie gefährdete Studierende identifiziert und Frühinterventionsprogramme entwickelt. Erste Bemühungen erhöhten die Abschlussquote für das vierjährige Bachelor-Programm der Universität zwischen 2018 und 2020 um fünf Prozentpunkte.1 „Verfügbar auf Abruf: Verbesserung des Studentenerfolgs mit einem einheitlichen Ansatz für Datenanalyse und KI“, Databricks, abgerufen im Dezember 2021; „Über Abschlussquoten“, Western Governors University, 2. Dezember 2021.

Dennoch befindet sich die Hochschulbildung noch in einem frühen Stadium des Aufbaus von Datenkompetenzen. Da die Universitäten mit zahlreichen Herausforderungen (z. B. finanziellem Druck, der demografischen Klippe und einem Anstieg der psychischen Probleme von Studenten) und einer Vielzahl von Möglichkeiten (einschließlich der Erreichung erwachsener Lernender und der Skalierung des Online-Lernens) konfrontiert sind, könnte der Einsatz fortschrittlicher Analysen und maschinellen Lernens zunehmen sich als vorteilhaft erweisen.

Im Folgenden stellen wir einige der vielversprechendsten Anwendungsfälle für Advanced Analytics in der Hochschulbildung vor, um zu zeigen, wie Universitäten diese Möglichkeiten nutzen, um aktuelle Herausforderungen zu meistern, indem sie sowohl viel mehr Studierenden den Zugang ermöglichen als auch die Studierendenerfahrung verbessern.

Datenwissenschaft und maschinelles Lernen können einen erheblichen Mehrwert für Universitäten schaffen, indem sichergestellt wird, dass die Ressourcen auf die wirkungsvollsten Möglichkeiten ausgerichtet werden, um den Zugang für mehr Studierende sowie das Engagement und die Zufriedenheit der Studierenden zu verbessern.

Fortgeschrittene Analysetechniken können Institutionen dabei helfen, wesentlich tiefere Einblicke in ihre Studentenpopulationen zu gewinnen und differenziertere Risiken zu identifizieren, als sie durch deskriptive und diagnostische Analysen erreichen könnten, die auf linearen, regelbasierten Ansätzen basieren (Abbildung 1).

Fortschrittliche Analysen – die die Leistungsfähigkeit von Algorithmen wie Gradient Boosting und Random Forest nutzen – können Institutionen auch dabei helfen, unbeabsichtigte Verzerrungen in ihren bestehenden Methoden zur Identifizierung gefährdeter Schüler zu beseitigen und proaktiv maßgeschneiderte Interventionen zu entwickeln, um die meisten identifizierten Risiken zu mindern.

Beispielsweise prüfen Institutionen, die lineare, regelbasierte Ansätze verwenden, Indikatoren wie schlechte Noten und schlechte Anwesenheit, um Studierende zu identifizieren, bei denen das Risiko eines Schulabbruchs besteht. Die Institutionen wenden sich dann an diese Studierenden und starten Initiativen, um sie besser zu unterstützen. Obwohl solche Initiativen nützlich sein können, werden sie oft zu spät umgesetzt und zielen nur auf einen Teil der gefährdeten Bevölkerung ab. Dieser Ansatz könnte eine gute Notlösung für zwei Probleme sein, mit denen Studienerfolgsleiter an Universitäten konfrontiert sind. Erstens gibt es zu viele Variablen, die analysiert werden könnten, um ein Abwanderungsrisiko anzuzeigen (z. B. akademische, finanzielle und psychische Gesundheitsfaktoren sowie das Zugehörigkeitsgefühl auf dem Campus). Zweitens ist es zwar einfach, eine nennenswerte Varianz bei einer oder zwei Variablen zu identifizieren, es ist jedoch schwierig, die nominale Varianz bei mehreren Variablen zu identifizieren. Bei linearen, regelbasierten Ansätzen gelingt es daher unter Umständen nicht, Studierende zu identifizieren, die zwar gute Noten haben und überdurchschnittlich gut anwesend sind, denen es aber schwerfällt, ihre Hausaufgaben rechtzeitig einzureichen oder die ständig Schwierigkeiten haben, ihre Rechnungen zu bezahlen (Abbildung 2).

Ein maschinelles Lernmodell könnte beide oben beschriebenen Herausforderungen bewältigen. Ein solches Modell untersucht Daten aus zehn Jahren, um Faktoren zu identifizieren, die einer Universität helfen könnten, frühzeitig das Abwanderungsrisiko eines Studenten zu bestimmen. Hat der Student beispielsweise die Zahlungsart auf dem Hochschulportal geändert? Wie kurz vor dem Abgabetermin reicht der Student seine Aufgaben ein? Sobald die Einrichtung gefährdete Studierende identifiziert hat, kann sie proaktiv Maßnahmen ergreifen, um sie zu halten.

Obwohl viele Institutionen das Potenzial von Analysen zur Personalisierung der Kommunikation mit Studenten, zur Erhöhung der Bindungsraten und zur Verbesserung der Erfahrung und des Engagements der Studenten erkennen, könnten Institutionen diese Ansätze für das gesamte Spektrum an Anwendungsfällen während der gesamten Studentenreise nutzen – für zukünftige, aktuelle und ehemalige Studenten gleichermaßen.

Erweiterte Analysen können Institutionen beispielsweise dabei helfen, zu ermitteln, auf welche weiterführenden Schulen, Postleitzahlen und Landkreise sie sich konzentrieren sollten, um potenzielle Studenten zu erreichen, die am ehesten für die Institution geeignet sind. Maschinelles Lernen könnte auch dabei helfen, Interventionen und Unterstützung zu identifizieren, die verschiedenen Archetypen eingeschriebener Studierender zur Verfügung gestellt werden sollten, um die Zufriedenheit der Studierenden zu messen und zu steigern. Diese Anwendungsfälle könnten dann ausgeweitet werden, um Studenten bei der Entwicklung ihrer Fähigkeiten über den Abschluss hinaus zu unterstützen, sodass Institutionen kontinuierliche Lernmöglichkeiten bieten und Alumni besser einbinden können. Wenn eine Institution ihre Anwendung und Abdeckung von Tools zur erweiterten Analyse über den gesamten Studentenlebenszyklus hinweg ausweitet, wird das Modell besser in der Lage, Muster zu erkennen, und die Institution kann immer detailliertere Interventionen und Maßnahmen ergreifen.

Institutionen werden wahrscheinlich ein mehrstufiges Modell einführen wollen, um maschinelles Lernen zu nutzen und den Studierenden einen besseren Service zu bieten. Für Bemühungen, die darauf abzielen, die Abschluss- und Abschlussquoten von Studierenden zu verbessern, könnte beispielsweise die folgende Fünf-Schritte-Technik einen enormen Wert schaffen:

Institutionen könnten dieses Modell in regelmäßigen Abständen einsetzen, um Studierende zu identifizieren, die am meisten von zusätzlicher Unterstützung profitieren würden.

Institutionen könnten auch ähnliche Modelle entwickeln, um andere strategische Ziele oder Herausforderungen anzugehen, einschließlich Lead-Generierung und -Registrierung. Beispielsweise könnten Institutionen in einem ersten Schritt 100 oder mehr Attribute aus jahrelangen historischen Daten analysieren, um die Merkmale der Bewerber zu verstehen, die sich am wahrscheinlichsten einschreiben.

Institutionen werden wahrscheinlich ein mehrstufiges Modell einführen wollen, um maschinelles Lernen zu nutzen und den Studierenden einen besseren Service zu bieten.

Die Erfahrungen zweier Hochschuleinrichtungen, die sich auf fortschrittliche Analysen stützten, um die Einschreibung und Bindung zu verbessern, zeigen, welche Auswirkungen solche Bemühungen haben können.

Eine private, gemeinnützige Universität hatte kürzlich ihren größten Erstsemesterjahrgang in der Geschichte eingeschrieben und wollte ihre Einschreibungen erneut steigern. Die Einrichtung wollte sowohl mehr potenzielle Studienanfänger erreichen, die gut zur Einrichtung passen würden, als auch die Konvertierung bei der Einschreibung auf eine Weise verbessern, die für das Einschreibungsteam ohne nennenswerte Erhöhung der Investitionen und Ressourcen beherrschbar war. Die Universität hat drei wichtige Maßnahmen ergriffen:

Für diese Institution hatte die hochanalytische Modellierung unmittelbare Implikationen und Auswirkungen. Die Initiative schlug auch zukünftige Möglichkeiten für die Universität vor, mehr Studienanfänger mit größerer Marketingeffizienz zu betreuen. Beim ersten Test mit Leads für den darauffolgenden Herbst (vor Bewerbungsschluss) sagte das Modell genau voraus, dass 85 Prozent der Bewerber eine Bewerbung einreichten, und es prognostizierte die 35 Prozent der Bewerber zu diesem Zeitpunkt im Zyklus, die sich am wahrscheinlichsten einschreiben würden , vorausgesetzt, dass sich die Zulassungskriterien nicht ändern (Anlage 3). Das Einschreibungsmanagement-Team ist nun in der Lage, seine Ressourcen und Zeit besser auf Leads und Bewerber mit hohem Potenzial zu konzentrieren, um eine umfangreiche Klasse zu bilden. Diese neuen Fähigkeiten geben der Institution die Flexibilität, strategische Entscheidungen zu treffen; Anstatt sich in erster Linie auf die Größe der neuen Klasse zu konzentrieren, kann es die gewünschte Klassengröße sicherstellen und gleichzeitig andere Ziele priorisieren, wie z. B. Klassenmischung, Zuweisung von Finanzhilfen oder Budgeteinsparungen.

Ähnlich wie bei vielen Hochschuleinrichtungen während der Pandemie,2 „Persistenz und Bindung“, National Student Clearinghouse Research Center, 8. Juli 2021. Eine Online-Universität war mit einem deutlichen Abwärtstrend bei der Studentenbindung konfrontiert. Die Universität prüfte mehrere Optionen und setzte Initiativen um, die sowohl von akademischen als auch von Verwaltungsabteilungen geleitet wurden, darunter Fokusgruppen und Nudge-Kampagnen, aber die Ergebnisse blieben hinter den Erwartungen zurück.

Die Einrichtung wollte die Messlatte für den Erfolg der Studierenden hoch legen und deutliche und nachhaltige Verbesserungen bei der Bindung erreichen. Um seine kühnen Ziele zu verfolgen, wandte es sich einem fortschrittlichen Analyseansatz zu.

Um ein maschinelles Lernmodell zu entwickeln, das es der Universität ermöglichen würde, Studenten, bei denen das Risiko einer Fluktuation besteht, frühzeitig zu erkennen, analysierte sie zunächst historische Daten aus zehn Jahren, um Schlüsselmerkmale zu verstehen, die Studenten, die am wahrscheinlichsten weitermachen – und damit einen Abschluss machen – von denen unterscheiden der sich abgemeldet hat. Nachdem bestätigt wurde, dass das ursprüngliche Modell bei der Vorhersage des Verbleibs um ein Vielfaches effektiver war als die Basislinie, verfeinerte die Einrichtung das Modell und wandte es auf die aktuelle Studentenpopulation an. Dieses Fluktuationsmodell ergab fünf Archetypen gefährdeter Schüler, von denen drei im Widerspruch zur herkömmlichen Meinung darüber standen, wie typische Profile gefährdeter Schüler aussehen (Abbildung 4).

Zusammengenommen machen diese drei kontraintuitiven Archetypen gefährdeter Studierender – die bei Verwendung eines linearen Analyseansatzes weggelassen worden wären – etwa 70 Prozent der Studierenden aus, die mit der höchsten Wahrscheinlichkeit ihre Einschreibung abbrechen. Die größte Gruppe gefährdeter Personen (die etwa 40 Prozent der identifizierten gefährdeten Studierenden ausmacht) waren herausragende akademische Leistungsträger mit einer insgesamt hervorragenden Erfolgsbilanz. Dies bedeutet, dass das Modell mindestens doppelt so viele Schüler identifizierte, bei denen das Risiko einer Fluktuation besteht, als bei Modellen, die auf linearen Regeln basieren. Die Modellergebnisse haben es der Universität ermöglicht, Studenten, bei denen das Risiko einer Fluktuation besteht, effektiver zu identifizieren und strategisch in kurz- und mittelfristige Initiativen zu investieren, die am wahrscheinlichsten zu einer Verbesserung der Bindung führen.

Mit dem vorliegenden Modell und den Daten zu gefährdeten Studentenprofilen startete die Online-Universität eine Reihe gezielter Interventionen, die darauf abzielten, Studenten jedes Archetyps maßgeschneiderte Unterstützung zu bieten, um die Bindung zu erhöhen. Zu den Maßnahmen gehörten die Planung weiterer Kontaktpunkte mit akademischen und beruflichen Beratern, die Ausweitung des Mentorings durch Lehrkräfte und die Schaffung alternativer Wege für Studierende, um ihre Wissenslücken zu schließen.

Advanced Analytics ist ein leistungsstarkes Tool, das Hochschuleinrichtungen dabei helfen kann, die Herausforderungen zu meistern, mit denen sie heute konfrontiert sind, das Wachstum voranzutreiben und Studierende besser zu unterstützen. Allerdings ist maschinelles Lernen komplex und mit erheblichen Risiken verbunden. Während die Risiken je nach Institution und den im Modell enthaltenen Daten variieren, möchten Hochschuleinrichtungen bei der Verwendung dieser Tools möglicherweise die folgenden Schritte unternehmen:

Während viele Hochschuleinrichtungen den Weg zur Nutzung von Daten und Analysen eingeschlagen haben, ist es noch ein langer Weg, das volle Potenzial dieser Fähigkeiten im Hinblick auf die Erfahrungen der Studierenden auszuschöpfen. Der Zustrom von Studierenden und Institutionen, die sich in den letzten zwei Jahren mit Online-Lernen und der Nutzung von Technologietools beschäftigt haben, bedeutet, dass deutlich mehr Daten zur Verfügung stehen als je zuvor; Hochschuleinrichtungen möchten es möglicherweise in den kommenden Jahren nutzen, um ihren Studierenden einen besseren Service zu bieten.

Claudio Brascaist Partner im McKinsey-Büro in San Francisco, woVarun Maryaist Senior Partner;Nikhil Kaithwalist Associate Partner im Londoner Büro,Charag Krishnanist Partner im New Jersey-Summit-Büro,Monatrice Lamist Berater im Büro Bay Area–Silicon Valley undJonathan Lawist Senior Partner im Büro in Südkalifornien.

Die Autoren danken Inès Garceau-Aranda, Emily Cohen, Katie Owen, Xiaowo Sun, Xuecong Sun und Shyla Ziade für ihre Beiträge zu diesem Artikel.