Lernanalytik & Frühwarnung bei Studienabbruch

Hochschulen und Schulen verlieren Studierende, die im Stillen Schwierigkeiten haben: Wenn die Noten das Problem zeigen, kommt die Unterstützung zu spät. Frühwarnsysteme analysieren Engagement- und Leistungsdaten, schätzen, wer gefährdet ist, erklären warum und leiten eine menschliche Beratungsperson an, frühzeitig Kontakt aufzunehmen. Die Technik ist ausgereift (klassisches tabellarisches ML); die schwierigen Teile sind Datenintegration, Fairness, Rechtsgrundlage und dass Maßnahmen tatsächlich stattfinden.

Problem & Nutzen

• Heute: Beratende stützen sich auf Noten am Semesterende, die Intuition der Lehrenden oder darauf, dass Studierende um Hilfe bitten. Wer am meisten Hilfe braucht, fragt oft am seltensten. Tutoren können nicht Hunderte Lernende über mehrere Systeme hinweg im Blick behalten.
• KI-Nutzen: laufende Risikoschätzungen aus vielen schwachen Signalen (späte Logins, ausgelassene Abgaben, sinkendes Tempo bei Leistungspunkten), priorisierte Arbeitslisten für Beratende, Einblick auf Kursebene (welches Modul verliert Leute) und Belege dafür, welche Maßnahmen wirken.
• Evidenz: Das Forschungsfeld ist gut etabliert (z. B. ist der Open University Learning Analytics Dataset ein öffentlicher Benchmark [1]), doch veröffentlichte Ergebnisse zeigen, dass die Vorhersagegenauigkeit je nach Kontext stark schwankt und dass der Nutzen von der Maßnahme abhängt, nicht vom Score. Betrachten Sie Anbieteraussagen zur Steigerung der Verbleibquote als Hypothesen, die lokal zu prüfen sind; eine verlässliche allgemeine Zahl gibt es nicht.

Varianten

• Hochschule: Vorhersage von Studienabbruch und Studienverzögerung aus Einschreibung, Leistungspunktefortschritt und LMS-Daten.
• Schulen (Sekundarstufe/berufsbildend): Warnung bei Entkopplung anhand von Anwesenheit und Noten; strengere Regeln für Minderjährige und Einbeziehung der Eltern.
• MOOC / Online-Programme: Vorhersage des Kursabschlusses aus Klickstrom-Daten.
• Betriebliche Schulung: Überwachung von Abschluss und Engagement bei Pflichtkursen (siehe EDU-006); es gelten Beschäftigtendatenschutz und Mitbestimmungsregeln des Betriebsrats.
• Dashboards für Lehrende: nur deskriptive Analytik, keine individuelle Bewertung (geringstes Risiko).
• Private Nutzung: Selbstbeobachtung der Lerngewohnheiten durch die Lernenden selbst (siehe EDU-016).

So funktioniert es

1. sources (LMS, SIS, grades, attendance)
2. ingestion + identity mapping (pseudonymised student key)
3. feature engineering (engagement trends, credit pace, grade trajectory, time-windowed)
4. model (gradient-boosted trees / logistic regression; per-week or per-term snapshots)
5. calibration + explanation (SHAP-style top factors, fairness metrics per group)
6. adviser dashboard / worklist (human-in-the-loop)
7. outreach (email, meeting offer; optional LLM-drafted message, reviewed by adviser)
8. outcome logging
9. evaluation and retraining

• Vorhersage: Tabellarische Modelle auf zeitfensterbasierten Merkmalen bleiben das Arbeitspferd; tiefe Sequenzmodelle schlagen sorgfältig gebaute Boosted Trees bei typischen institutionellen Datenmengen selten.
• Rolle des LLM: die Situation einer oder eines Studierenden für die Beratenden zusammenfassen, unterstützende (nie drohende) Nachrichten entwerfen, Freitext-Kommentare aus Umfragen clustern. LLMs sollten den Risikowert nicht erzeugen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Wert ist ein Anlass für ein Gespräch; Beratende entscheiden über die Kontaktaufnahme, und aus ihm folgt keine automatische Konsequenz (Note, Zulassung, Förderung, Exmatrikulation).

Datenaufbereitung

Die Daten stammen aus mehreren Systemen: LMS-Aktivitätsprotokolle, das Studierendenverwaltungssystem (Einschreibung, Leistungspunkte, Noten), optional Anwesenheits- sowie Bibliotheks- oder Campusdaten. Diese liegen typischerweise in getrennten Datenbanken, gehören unterschiedlichen Abteilungen und nutzen verschiedene Studierendenkennungen.

Typische Lücken: kein gemeinsamer Schlüssel über die Systeme hinweg, nur kurz aufbewahrte Protokolle, uneinheitliche Noten- und Statuscodes, fehlende Ergebnislabels (wer hat tatsächlich wann abgebrochen), Verzerrungen durch kleine Kohorten sowie unklare Rechtsgrundlage und Zugriffsrechte.

Schritte der Aufbereitung: (1) Quellen und Verantwortliche erfassen (PREP-002, PREP-004); (2) Daten per Export oder API aus den Systemen holen (PREP-005); (3) eine saubere Tabelle pro Studierendem und Semester bauen (PREP-011); (4) Labels aus historischen Einschreibedaten gewinnen (PREP-020); (5) das Glossar der Status und Kennzahlen definieren (PREP-012); (6) Zweck und Rechtsgrundlage prüfen (PREP-025) und für die Modellentwicklung pseudonymisieren (PREP-022); (7) Fairness über Gruppen hinweg prüfen. Werkzeuge: SQL, Python/pandas, ein Data Warehouse, DataLad oder ähnliche Versionierung.

Grober Aufwandsanteil: 50-60 Prozent, meist mehr als die Modellierung selbst. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Öffentlicher Sektor (Hochschulen, Schulen): Weg C, weil Studierendendaten hochsensibel sind und Entscheidungen echte Folgen haben; ein tabellarisches Modell auf eigener Hardware mit Open-Source-Werkzeugen (Moodle Analytics, scikit-learn, Open Learning Analytics) hält die Daten im Haus.
• Unternehmen (Enterprise): Weg A, weil betriebliche LMS- und HR-Analytics-Produkte Frühwarnfunktionen für den Schulungsabschluss als Standardfunktion bieten.
• Entwickler (Developer): Weg C, weil Open-Source-ML-Stacks und ein transparentes Modell mit erklärbaren Faktoren die sicherste Grundlage für ein Produkt sind.

Weg A — Kaufen (Standardsoftware; empfohlen für betriebliches Lernen)

• LMS-native Analytik: Moodle Learning Analytics (Open Source, eingebautes Modell „Studierende mit Abbruchrisiko“ und API für eigene Modelle [2]); Analytik-Add-ons von Canvas/Instructure und Blackboard/Anthology; D2L Brightspace Performance Plus.
• Plattformen für Studienerfolg: Ellucian, Salesforce Education Cloud, EAB Navigate, Civitas Learning (überwiegend US-zentriert; EU-Hosting und DSGVO-Bedingungen prüfen). Optionen für EU/DACH: Anbieter von Campus-Management (z. B. HISinOne der HIS eG, CAMPUSonline, Projekte auf Basis von Ilias/Stud.IP) und nationale Initiativen; die aktuellen Analytik-Module je Anbieter prüfen.
• A wählen, wenn: ein dominantes LMS/SIS, ein kleines Data-Science-Team und Bedarf an einem unterstützten Dashboard besteht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenplattform: Data Warehouse in einer EU-Region (Azure, AWS Frankfurt, Google Cloud EU oder EU-Anbieter wie STACKIT, OVHcloud, IONOS).
• Modellierung: AutoML oder verwaltete ML-Dienste (Azure ML, Vertex AI, SageMaker) auf pseudonymisierten Daten.
• LLM-Schicht: ein Frontier-Modell in einer EU-Region (Claude, Gemini, GPT über EU-Endpunkte) oder Mistral (EU) für Nachrichtenentwürfe und Zusammenfassungen; nur minimierten, pseudonymisierten Kontext senden.
• Integration: LTI-1.3-/xAPI-/Caliper-Ereignisse aus dem LMS; Datenpipelines nach IMS-Standard.

Weg C — Selbst betreiben (Open Source; empfohlen für öffentliche Einrichtungen)

• Stack: scikit-learn, XGBoost/LightGBM, SHAP für Erklärungen, Fairlearn für Gruppenmetriken [3], MLflow, dbt/Airflow oder Dagster, Dashboards mit Superset/Metabase; Moodle-Analytics-API.
• LLM-Entwürfe (optional): ein Open-Weight-Modell wie Mistral Small, Qwen3 oder Llama über Ollama oder vLLM; HW1 für tabellarisches ML, HW2 für lokale Entwurfsmodelle.
• Aufwand: ein Dateningenieur plus eine Data Scientistin bzw. ein Data Scientist; die Daten bleiben auf dem Campus, was Einwilligung und Verhandlungen mit dem Betriebsrat erleichtert.

Weg D — Eigenes Training

Fast immer mit C kombiniert: einrichtungsspezifische Modelle auf 3–5 Jahren Kohortenhistorie trainieren, da generische Modelle über Studiengänge und Länder hinweg schlecht übertragbar sind. Erfordert mehrere Tausend Datensätze „Studierende × Semester“ mit klarem Ergebnislabel (Abbruch, Verzögerung, nicht bestandener Kurs). Jedes Semester auf Drift neu validieren (Curriculumänderungen, Nach-Pandemie-Effekte).

Stand der Technik (2026)

• Modelle: Boosted Trees auf konstruierten Merkmalen mit wöchentlichen Momentaufnahmen bleiben die starke Basislinie; Überlebenszeitanalyse (Zeit bis zum Abbruch) und kalibrierte Wahrscheinlichkeiten werden rohen Labels vorgezogen.
• Erklärbarkeit und Fairness sind inzwischen Standardanforderungen: Faktorlisten pro Studierendem und die Leistung in Untergruppen (Geschlecht, Migrationshintergrund, Erstakademiker, Behinderung, soweit rechtmäßig verarbeitbar) müssen geprüft werden, da Modelle Stellvertretermerkmale lernen und Gruppen systematisch zu oft oder zu selten markieren können.
• Interventionsforschung: Die Forschung konzentriert sich zunehmend darauf, was nach der Markierung geschieht (Nudges, Tutoring, Beratung) und auf A/B- oder gestaffelte Einführungsevaluationen statt nur auf die AUC.
• LLM-Unterstützung verlagert den Aufwand vom Lesen von Dashboards zum Handeln: Zusammenfassungen, Entwürfe für die Kontaktaufnahme, dialogischer Zugriff auf Kohortenstatistiken.
• Grenzen: sich selbst erfüllende Prophezeiungen und Etikettierungseffekte; niedrige Basisraten machen falsch positive Treffer häufig; LMS-Klicks messen echtes Lernen schlecht; Modelle verschlechtern sich, wenn sich Kurse ändern; Studierende, die offline lernen, wirken „inaktiv“. Schließen Sie nie auf Emotionen oder Aufmerksamkeit aus Kamera oder Stimme (siehe KI-Verordnung unten).

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml, time-series): PRED-003 Kundenabwanderung und PRED-012 Mitarbeiterfluktuation nutzen dieselben Werkzeuge für Modellierung und Monitoring; eine MLOps-Plattform kann alle bedienen (HW1).
• Kombinierbar mit: EDU-003 (Bewertungsdaten und Feedback), EDU-005 (adaptive Lernpfade als Maßnahme), EDU-004 (Engagement-Signale des KI-Tutors), EDU-008 (Integritätsdaten müssen von der Unterstützungsanalytik getrennt bleiben), EDU-006 (betriebliche Abschlussverfolgung).
• Datenpipeline: Identitätszuordnung, Pseudonymisierung und Einwilligungsverwaltung sind über alle Anwendungsfälle mit Studierendendaten wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis ein Semester zur Inbetriebnahme, überwiegend Lizenzkosten plus Change-Management.
• Weg B/C: 4–9 Monate für Datenintegration, ein validiertes Modell, Dashboard und Beratungsprozess; der größte Kostenblock sind Menschen (Data Engineering, Zeit der Beratenden), nicht Rechenleistung.
• Kennzahlen: Verbleibs-/Fortsetzungsquote im Vergleich zur Vergleichskohorte, Anteil der markierten Studierenden, die innerhalb von X Tagen kontaktiert wurden, Precision/Recall bei der Kapazität der Beratenden, Kalibrierung, Fehlerratenlücken zwischen Untergruppen, von Studierenden berichteter Nutzen, Arbeitsbelastung der Beratenden.

Menschen & Veränderung

Beziehen Sie zuerst die Leitung und die Datenverantwortlichen ein (Studierendensekretariat, IT, Dekane), dann Beratende und Lehrende, die auf Basis der Ausgabe handeln, sowie Studierendenvertretungen. IT-Sicherheit und IT übernehmen die Integration; die oder der Datenschutzbeauftragte muss ab der Konzeptphase beteiligt sein: Bei systematischer Bewertung von Personen ist eine Datenschutz-Folgenabschätzung (DSFA) wahrscheinlich, und die Rechtsgrundlage für das Profiling von Studierenden braucht eine klare Prüfung (GUIDE-005). Nach der KI-Verordnung (AI Act) können Systeme, die Lernergebnisse bewerten, je nach Verwendung in den Hochrisiko-Bereich fallen (Anhang III), mit Pflichten ab dem 2. Dez. 2027 (GUIDE-014).

Betriebsrat: ja, soweit Beschäftigte analysiert werden, und auch das Verhalten der Lehrenden im LMS wird protokolliert; das System ist objektiv zur Verhaltenskontrolle geeignet, daher gilt §87 Abs. 1 Nr. 6 BetrVG (in öffentlichen Einrichtungen der Personalrat nach BPersVG/Landesrecht), mit frühzeitiger Information nach §90 Abs. 1 Nr. 3 (GUIDE-004).

Fördern Sie die KI-Kompetenz der Beratenden (Art. 4 AI Act, GUIDE-006): Werte sind Hinweise, keine Urteile. Typische Bedenken sind Stigmatisierung und Überwachung. Begegnen Sie ihnen mit unterstützender Kontaktaufnahme auf freiwilliger Basis (Opt-in), erklärbaren Faktoren, ohne automatische Konsequenzen und mit menschlichen Beratenden, die jeden Kontakt entscheiden. Pilotieren Sie mit einer Fakultät und bewerten Sie die Ergebnisse, bevor Sie skalieren (GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 3 nennt Bildungssysteme, die den Zugang oder die Zulassung bestimmen, Lernergebnisse bewerten (auch wenn sie den Lernprozess steuern), das angemessene Bildungsniveau beurteilen oder verbotenes Verhalten bei Prüfungen überwachen [4]. Ein Abbruch-Score, der nur freiwillige Unterstützung durch Beratende priorisiert, liegt wohl außerhalb dieser Liste, aber ein System, das den Lernweg einer oder eines Studierenden bewertet oder steuert oder in Entscheidungen über Fortschritt, Förderung oder Exmatrikulation einfließt, sollte als Hochrisiko behandelt werden (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Transparenz; die Hochrisiko-Pflichten gelten ab dem 2. Dez. 2027 nach dem Digital Omnibus on AI, Verordnung (EU) 2026/1744). Verbot nach Art. 5: Emotionserkennung in Bildungseinrichtungen (z. B. das Ableiten von Langeweile oder Stress aus Webcam oder Stimme) ist außer aus medizinischen oder Sicherheitsgründen untersagt; nehmen Sie sie nicht auf.
• DSGVO: Studierendendaten sind personenbezogene Daten; bei Minderjährigen besondere Sorgfalt. Rechtsgrundlage ist bei Hochschulen typischerweise die öffentliche Aufgabe oder das berechtigte Interesse (nationales Hochschulrecht), keine pauschale Einwilligung; eine DSFA ist erforderlich (umfangreiches Profiling), ebenso Zweckbindung, Datenminimierung und Speicherbegrenzung. Art. 22 beschränkt ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung; behalten Sie eine menschliche Entscheidungsperson [5].
• Mitbestimmung und Ethik: Studierendenvertretungen, Datenschutzbeauftragte(r) und, bei betrieblich Lernenden, der Betriebsrat müssen beteiligt werden; veröffentlichen Sie einen Hinweis in verständlicher Sprache sowie eine Möglichkeit zum Widerspruch bzw. zur Beschwerde.
• Typische Risiken und Gegenmaßnahmen: Stigmatisierung (einschränken, wer Werte sieht; unterstützende Formulierungen verwenden), Verzerrung (Untergruppenprüfung jedes Semester), undurchsichtige Modelle (Erklärungen), Zweckentfremdung (von Disziplinar- und Integritätsnutzung trennen), Datenpannen (Pseudonymisierung, Zugriffsprotokolle).

Erste Schritte

1. Zuerst Entscheidung und Maßnahme festlegen: wer wen kontaktiert, mit welchem Angebot, innerhalb welcher Zeit.
2. Eine DSFA durchführen und Rechtsgrundlage, Datenumfang und Aufbewahrung mit der oder dem Datenschutzbeauftragten vereinbaren.
3. Eine Basislinie aus 3+ Jahren Historie aufbauen; ein einfaches logistisches Modell mit Boosted Trees vergleichen.
4. In einer Fakultät oder einem Studiengang ein Semester lang mit Vergleichsgruppe pilotieren; Fairness in Untergruppen prüfen.
5. Den Pilot mit Beratenden und Studierenden auswerten, dann über Ausweitung oder Abbruch entscheiden.

Quellen

1. Kuzilek, Hlosta, Zdrahal — Open University Learning Analytics Dataset, Scientific Data 2017 — https://www.nature.com/articles/sdata2017171
2. Moodle Docs — Learning analytics (students at risk of dropping out model) — https://docs.moodle.org/en/Learning_analytics
3. Fairlearn project — fairness assessment and mitigation toolkit — https://fairlearn.org
4. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Regulation (EU) 2016/679 (GDPR), Art. 22 and Art. 35 — https://eur-lex.europa.eu/eli/reg/2016/679/oj
6. SHAP documentation — https://shap.readthedocs.io
7. scikit-learn documentation — https://scikit-learn.org