4. Ausblick
Im weiteren Verlauf der Analyse ergeben sich diverse Optionen und Aufgaben. Im Folgen-den werFolgen-den m ¨ogliche weitere Datenquellen beschrieben, deren Anbindung tiefergehende Analysen erm ¨oglichen w ¨urde, sowie Techniken dargelegt, die mit der systematischen Nut-zung von Werkzeugen erm ¨oglicht werden k ¨onnen. Weiterhin werden ethische Fragestellun-gen aufgezeigt, die durch die Analyse personenbezoFragestellun-gener Daten entstehen und weitere Ver ¨offentlichungen genannt, die zur Kalibrierung und zum Vergleich der Ergebnisse genutzt werden k ¨onnen, sowie abschließend weitere m ¨ogliche Auswertungen gezeigt.
4.1. Validierung der Ergebnisse f ¨ ur prospektive Aussagen
Die derzeit vorhandenen Aussagen auf den Daten sind retrospektiv gepr ¨agt, eine zukunfts-gerichtete Betrachtung der Daten erfordert Aussagen unter anderem zur Stetigkeit der Datenbasis unter m ¨oglicherweise wechselnden Rahmenbedingungen. So wird beispiels-weise zu untersuchen sein, inwiefern sich die w ¨ahrend der Datenerhebung wechselnden Pr ¨ufungsordnungen15auf m ¨ogliche Aussagen aus den Daten auswirken.
4.2. Anbindung weiterer Datenquellen
Die HAW f ¨uhrt umfangreiche Statistiken ¨uber neu immatrikulierte Studenten, die sich aus den Bewerbungsdaten speisen. Insbesondere interessant erscheint hier die Verbindung der vorliegenden Daten mit den Statistiken zu Studienanf ¨angerzahlen (C1) und deren Qualifizier-ten Schulabschl ¨ussen (C3). Mithilfe dieser DaQualifizier-ten k ¨onnte unter anderem untersucht werden, ob es einen Zusammenhang zwischen der Anzahl der Bewerber bzw. deren Qualifikation und dem sp ¨ateren Studienerfolg gibt16.
Sofern diese Daten verf ¨ugbar sind, w ¨urde ein Abgleich mit den entsprechenden Statistiken der anderen Hamburger Hochschulen erste Hinweise auf m ¨ogliche Unterschiede im Bewer-bungsverhalten geben.
Der Abgleich des Studien-/Anmeldeverhaltens mit den gesamtwirtschaftlichen Rahmendingungen w ¨urde es erlauben, R ¨uckschl ¨usse darauf zu ziehen, ob es einen anekdotisch be-richteten Zusammenhang zwischen hohen Bewerberzahlen (schlechte wirtschaftliche Rand-bedingungen) und kurzer Studiendauer (gute wirtschaftliche RandRand-bedingungen) gibt.
15PO2004 zu PO2008
16Eine Hypothese die das Bewerbungsverfahren mit Zentrierung auf die Abiturnote implitzit aufstellt
4. Ausblick 12
Die HAW wird im CHE Hochschulranking gef ¨uhrt. Durch die Integration dieser Daten kann m ¨oglicherweise gezeigt werden, ob das CHE Ranking einen Einfluss auf die Qualit ¨at17 und die Quantit ¨at der Bewerbungen an der HAW hat.
Die Erweiterung der Datenbasis um eine Zuordnung einer Veranstaltung zu einem Lehren-den zu erm ¨oglichen, dr ¨angt sich auf, um betrachten zu k ¨onnen, ob/welchen Einfluss ein Lehrender auf den konkreten Erfolg in einer Veranstaltung bzw. auf den gesamten Studien-verlauf hat. Eine solche Zuordnung w ¨are h ¨andisch ¨uber die historischen Stundenplandaten der entsprechenden Semester m ¨oglich. Es ist vorher zu kl ¨aren, wie sich eine solche Zuord-nung auf die Akzeptanz der Anwendung bei den Lehrenden auswirkt18.
In der zentralen Verwaltung (genauer im zentralen Studierendenb ¨uro) liegen detailliertere Daten aus den Bewerbungsverfahren der Studierenden vor, als diese in den C1- und C3-Statistiken gezeigt werden. Eine Einbindung dieser Datenbest ¨ande w ¨urde den Blick auf so-zio ¨okonomische Aspekte19 und den Einfluss der Note der Hochschulzugangsberechtigung auf den Studienerfolg er ¨offnen. Wenn diese Daten zur Verf ¨ugung gestellt werden, ist ein wei-terer Verarbeitungsschritt notwendig, um diese personenbezogenen Daten den vorliegenden anonymisierten Daten zuzuordnen.
W ¨ahrend der Implementierung des Prototypen hat sich gezeigt, dass eine Anreicherung der Daten um die Informationen, in welchem Fachsemester eine Pr ¨ufung liegt, notwendig ist. Die entsprechenden Daten liegen in den Pr ¨ufungsordnungen 2004/2008 vor und sind h ¨andisch in in die Datenbank einzupflegen20.
4.3. Toolsupport
Prototypisch wurden schon erste Versuche mit RapidMiner durchgef ¨uhrt, um die Nutzbarkeit des Tools mit den Daten zu zeigen. Aufgrund der gezeigten Machbarkeit ist eine weitere Ana-lyse mit publizierten Techniken und darauffolgendem Abgleich der Ergebnisse mit folgenden Publikationen geplant:
• BackpropagationFausett und Elwasif(1994)
• Bayesian NetworksItoh u. a.(2012)
• Decision TreesBunkar u. a.(2012)
17gemessen an der Studiendauer
18siehe auch die Regelungen zur Veranstaltungsevaluation
19indirekt ¨uber den Wohnort
20es handelt sich um ca. 40 Datens ¨atze
4. Ausblick 13
4.4. Ethische Fragen
Sollten die Ergebnisse der auf dieser Projektarbeit aufbauenden weiteren Arbeiten in der Realit ¨at angewendet werden, ist wahrscheinlich eine Nutzung der entwickelten Funktiona-lit ¨aten ohne Anonymisierung der Daten notwendig. Bei einer solchen algorithmischen Aus-wertung personenbezogener Daten stellen sich unter anderem folgende Fragen:
Wer darf die Daten und Auswertungen einsehen? M ¨ogliche Zugriffsgruppen w ¨aren unter an-derem alle Lehrenden, ein ausgew ¨ahlter Kreis der Lehrenden21sowie die Studierenden sel-ber. Hier gilt es, den Datenschutz gegen den Nutzen der Datenverarbeitung abzuw ¨agen.
Es muss betrachtet werden, ob und welche m ¨oglicherweise negativen Auswirkungen eine Schaffung zus ¨atzlicher personalisierter Statistiken und insbesondere deren institutionalisier-te Nutzung hat. Intuitiv w ¨are zum Beispiel die Schaffung einer sich selbsinstitutionalisier-terf ¨ullenden Pro-phezeiung zu bef ¨urchten, wenn Studenten nach relativ kurzer Studiendauer auf der Basis prognostizierter Daten in eine Gruppe von erfolgreichen und eine Gruppe von nicht erfolgrei-chen Studenten aufgeteilt w ¨urden.
Sollten auf Basis von Prognosen tats ¨achlich Entscheidungen getroffen werden, scheint eine Diskussion der tolerierbaren positiven und negativen Fehler unumgehbar, um die Nutzer der Prognosen/Statistiken in die Lage zu versetzen diese korrekt zu interpretieren.
Und nicht zuletzt ist zu diskutieren, was die m ¨oglichen Zielsetzungen sind. Zielkonflikte zwischen verschiedenen Beteiligten scheinen unter dem steigenden Kostendruck, dem die Hochschulen ausgesetzt sind, vorprogrammiert zu sein.
4.5. Vergleichende Betrachtungen
Bisher wurden die vorhandenen Daten mit Teilergebnissen aus zwei Ver ¨offentlichungen ((Golding und Donaldson, 2006) und (Borrego u. a., 2005)) verglichen. Angestrebt wird f ¨ur weitere Arbeiten ein kompletter Vergleich mit den Ergebnissen aus diesen beiden Arbeiten sowie die Betrachtung weiterer ver ¨offentlichter Vergleichsdaten wie etwa:
In (Sanjeev und Zytkow, 1995) werden unter anderem Zusammenh ¨ange zwischen dem GPA22an der High School und dem GPA an der Universit ¨at und den erreichten Credit Points betrachtet. Sollten die entsprechenden Daten aus den Studienplatzbewerbungen durch die Hochschule23bereitgestellt werden, kann eine ¨ahnliche Betrachtung f ¨ur die vorliegende Da-tenbasis durchgef ¨uhrt werden.
21Pr ¨ufungsausschuss, Studienfachberater
22Grade Point Average
23siehe 4.2
4. Ausblick 14
4.6. Weitere Auswertungen
Aus dem derzeitigen Stand der Analyse ergeben sich unter anderem folgende Ans ¨atze f ¨ur weitergehende Betrachtungen der Daten.
Gibt es signifikante Unterschiede f ¨ur die gleiche Pr ¨ufungsleistung zwischen verschiede-nen Semestern? Und k ¨onverschiede-nen diese darauf aufbauend auf Sommer/Wintersemester oder Pr ¨ufende24zur ¨uckgef ¨uhrt werden?
Aus der Betrachtung, welche Veranstaltungen mehr als andere in sp ¨atere Semester gescho-ben werden25, k ¨onnen Aufschl ¨usse dar ¨uber gewonnen werden welche Veranstaltungen die Studierenden als Problemf ¨acher empfinden.
Aus einer ¨ahnlichen Betrachtung sollten sich die Showstopper26ergeben, also die Veranstal-tungen, mit denen Studenten endg ¨ultig durchfallen27.
Werden in unterschiedlichen Fachsemestern/Hochschulsemestern im Mittel unterschiedlich viele CP erbracht oder k ¨onnen die CP, die ein Student pro Semester erbringt, als Konstante betrachtet werden? Sollte es Unterschiede nach Fachsemester geben, k ¨onnen diese auf konkrete Pr ¨ufungen zur ¨uckgef ¨uhrt werden?
Die Pr ¨ufungsordnung 2008 hat die Gewichtung aller Pr ¨ufungen f ¨ur die Endnote verein-heitlicht28. F ¨ur komplett rational agierende Studenten sollten sich also Unterschiede im Pr ¨ufungserfolg in dem Fall ergeben, dass Pr ¨ufungen aus unterschiedlichen Fachsemestern gleichzeitig abgelegt werden, je nachdem ob der Student in der PO2008 oder in der PO2004 studiert. Kann ein solcher Effekt in der Datenbasis gezeigt werden?
Aus den C1- und C3-Statistiken der Hochschule k ¨onnen im Aggregat29Aussagen ¨uber einen Zusammenhang zwischen Art der Hochschulzugangsberechtigung und Studienerfolg sowie
¨uber einen eventuellen Zusammenhang zwischen Quantit ¨at der Bewerbungen und sp ¨aterem Studienerfolg getroffen werden30.
24momentan liegen keine Daten vor, die eine Zuordnung zwischen einer einzelnen Veranstaltung und einem Lehrenden zulassen, siehe 4.2
25gemessen daran, ob die Veranstaltung mehr als die Varianz aller Veranstaltungen geschoben wird
26Veranstaltungen, mit denen Studenten herausgepr ¨uft werden
27je nach Pr ¨ufungsordnung und Fachsemester der Veranstaltung nach 3 Versuchen oder nach 3 Versuchen + 1 m ¨undlichen ¨Uberpr ¨ufung
28vorher Multiplikator abh ¨angig vom Fachsemester der Pr ¨ufung
29auf Kohortenebene
30siehe auch 4.2