Empfehlungen zur Kurswahl und Studienplanung (Studienberatung)

Studierende wählen aus einem Katalog von Hunderten Modulen nach Regeln, die nur wenige vollständig verstehen, und Studienberater sehen nicht alle, die vom Kurs abkommen. Ein hybrides System verbindet eine deterministische Regelengine (was erlaubt und vorgeschrieben ist) mit Ranking-Modellen (was zu dieser Person passt) und einer Erklärschicht auf Basis eines LLM. Es liefert einen machbaren Plan und eine priorisierte Arbeitsliste für die Beratung. Dokumentierte Ergebnisse an US-Universitäten zeigen schnellere Abschlüsse, aber nur in Verbindung mit mehr Beratungskapazität.

Problem & Nutzen

• Heute: Studierende nutzen PDF-Ordnungen, eine statische Studienverlaufsprüfung (Degree Audit) und eine offene Sprechstunde. Fehler fallen spät auf: eine fehlende Voraussetzung, ein Kurs, der im nächsten Semester nicht angeboten wird, Credits, die nicht angerechnet werden. Beim Übergang von der Schule zur Hochschule (Studienorientierung) wählen Studieninteressierte aus einer sehr großen Studiengangslandschaft, mit wenig persönlicher Beratung.
• KI-Nutzen: Pläne, die Randbedingungen berücksichtigen, personalisierte Rangfolge von Wahlmodulen, Frühwarnungen und Beratungszeit, die vom Nachschlagen von Regeln hin zum Gespräch verlagert wird.
• Belege (selbst berichtet, nicht unabhängig evaluiert): Die Georgia State University baute ihr GPS-Advising-System mit EAB auf zehn Jahren Kursnoten auf (rund 2,5 Millionen), mit über 700 Risikomarkierungen, und stellte zugleich 42 Studienberater ein, wodurch die Betreuungsquote von rund 700 auf 300 Studierende sank. Die Universität berichtet, Studierende hätten durch schnelleren Abschluss rund 12 Millionen USD an Studiengebühren gespart [1]. Die personelle Aufstockung ist ein Störfaktor: Betrachten Sie das Werkzeug als Verstärker der Berater, nicht als Ersatz.

Varianten

• Studienplanung innerhalb einer Hochschule: mehrsemestriger Plan, Was-wäre-wenn bei Fachwechsel.
• Unterstützung bei der Kursanmeldung: gereihte Wahlmodule bei der Einschreibung, unter Berücksichtigung von Platzzahlen und Stundenplan.
• Studienorientierung (Schule zur Hochschule): Selbsteinschätzung zu Interessen und Eignung mit einer Auswahlliste von Studiengängen; nur beratend, niemals zulassungsrelevant.
• Frühwarn-Beratung: Dashboard für Studienberater mit Studierenden, die vom Plan abweichen (überschneidet sich mit EDU-007; hier ist das Ergebnis jedoch ein empfohlener Weg, nicht nur ein Risikowert).
• Community College / berufliche Bildung: Planung von Transferwegen, kombiniert mit EDU-014.

So funktioniert es

SIS / LMS / timetable data (pseudonymised features)
  -> degree-rule model (prerequisites, credit buckets, exam regulations as code/graph)
  -> candidate generation (all rule-feasible courses and plans)
  -> optimisation (CP-SAT/MIP: no timetable clashes, capacity, workload, on-time graduation)
  -> ranking (interest, outcome-based fit, difficulty-for-this-profile) + explanation (LLM)
  -> student view (suggestions + "why") and advisor view (off-track list)
  -> advisor confirms; student decides; feedback logged

• Zuerst die Regeln: Die Machbarkeit entscheidet eine explizite Regelengine oder ein Wissensgraph, niemals ein LLM. LLMs überführen lediglich Ordnungsdokumente in Regeln (die vom Personal geprüft werden) und formulieren Erklärungen.
• Ranking: Kollaboratives Filtern und Gradient-Boosting-Modelle auf Kurswahl- und Notenhistorien; Kurs-Embeddings aus den Beschreibungen helfen beim Kaltstart neuer Module.
• Ergebnismodellierung: Vorhergesagte Note oder Abschlusswahrscheinlichkeit je Kurs, mit Vorsicht eingesetzt und auf Verzerrungen zwischen Gruppen geprüft; Uplift- und kausale Methoden sind der reinen Korrelation vorzuziehen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Studienberater prüfen Warnmeldungen und Sonderpläne; Studierende entscheiden stets selbst.

Datenaufbereitung

Benötigt werden: Studierendendaten (Leistungsübersichten, Noten, Einschreibungen) aus dem SIS oder Campus-Management-System (HISinOne, CAMPUSonline), die Studien- und Prüfungsordnungen als PDF oder Word auf den Dateiablagen der Fachbereiche, der Modulkatalog, Stundenpläne und Platzkapazitäten sowie pseudonymisierte Jahrgangsverläufe. Datenverantwortliche sind in der Regel das Studierendensekretariat, das Prüfungsamt und die Fakultäten.

Typische Lücken: Ordnungen liegen nur als Fließtext vor und unterscheiden sich je Studiengang und Fassung; Modulbeschreibungen sind veraltet oder uneinheitlich; Anerkennungen von Credits werden in Tabellen verwaltet; Notenverläufe erstrecken sich über mehrere Ordnungsfassungen; Exporte aus Alt-SIS sind schwer zu beschaffen; Zugriffsrechte auf Studierendendaten sind grob.

Schritte: (1) Quellen und Verantwortliche mit einer Prüfung der Datenreife erfassen (PREP-001, PREP-004, GUIDE-003); (2) SIS-Daten über API oder ein schreibgeschütztes Data Mart extrahieren (PREP-005); (3) Ordnungen in maschinenprüfbare Regeln überführen, mit LLM-gestütztem Parsing und Prüfung durch das Prüfungsamt; (4) Modulkatalog und Terminologie vereinheitlichen (PREP-012, PREP-015); (5) von Beratern freigegebene Pläne als Goldstandard-Testmenge sammeln (PREP-016, PREP-018); (6) Trainingsdaten pseudonymisieren (PREP-022).

Aufwand: Die Aufbereitung von Daten und Regeln ist der größte Block, rund 50-60 Prozent des Projekts; die Modellarbeit fällt dagegen gering aus.

Umsetzungswege

Welcher Weg für wen

• Enterprise (große Hochschulen, private Bildungsträger): B, weil der Wert in der Abbildung der lokalen Prüfungsordnungen und der Integration in das eigene SIS liegt, was kein Standardprodukt vollständig abdeckt.
• Öffentlicher Sektor (staatliche Hochschulen, Behörden): C, weil Studierendendaten sensibel sind, die Beschaffung einen souveränen Betrieb bevorzugt und der Stack (Regelengine, CP-SAT, Open-Weight-LLM) auf HW2 läuft.
• Developer (Edtech-Anbieter, Campus-IT-Teams): C, weil quelloffene Recommender und Solver volle Kontrolle bieten und keine Lizenzkosten pro Studierendem anfallen.

Weg A — Kaufen (Standardsoftware)

• Plattformen für Beratung und Studienerfolg: EAB Navigate360 (US-zentriert; Warnungen im GPS-Stil, von Georgia State genutzt), Stellic (Studienplanung und Audit), Ellucian (Degree Works und Journey), Civitas Learning, Anthology und Salesforce Education Cloud. Es handelt sich überwiegend um US-Produkte; prüfen Sie EU-Hosting, AVV und die Passung zu lokalen Creditsystemen (ECTS, Prüfungsordnung).
• Campus-Management im EU-/DACH-Raum: HISinOne (HIS eG), CAMPUSonline (TU Graz), Campusnet, mit Studienplanern und Degree-Audit-Modulen; KI-Funktionen variieren und sind oft Zusatzmodule.
• Wählen Sie A, wenn: Sie bewährte Warn-Workflows wünschen und eine Standardstruktur der Regeln vorliegt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM für das Parsing von Ordnungen und für Erklärungen: Mistral (EU), Azure OpenAI in EU-Regionen, Claude oder Gemini über EU-Endpunkte. Nutzen Sie strukturierte Ausgaben für die Regelextraktion und eine Retrieval-Schicht über den Ordnungen.
• Embeddings und Suche: verwaltete Vektorsuche in EU-Regionen. Optimierung mit Google OR-Tools CP-SAT [3] in der eigenen Umgebung.
• Anbindung an das SIS über dessen API oder ein schreibgeschütztes Data Mart.

Weg C — Selbst betreiben (Open Source)

• Regeln als Graph (Neo4j Community oder eine typisierte Regelbibliothek); OR-Tools CP-SAT für die Planung; LightFM, implicit oder RecBole für Recommender; LightGBM für Ergebnismodelle.
• Open-Weight-LLMs (Mistral-, Qwen-, Llama-Familien, betrieben mit vLLM) für Erklärungen und das Parsing von Ordnungen. HW2 genügt für ein quantisiertes Modell mit 7-30 Mrd. Parametern; die Studierendendaten bleiben auf dem Campus.

Weg D — Eigenes Training

Lohnt sich für große Systeme mit mehrjährigen Einschreibungsprotokollen: Sequenzmodelle der Kurswahl trainieren oder ein Embedding-Modell auf lokalen Katalogtexten feintunen. Erforderlich sind mehrere Jahrgänge pseudonymisierter Daten; eine Fairness-Auswertung nach Geschlecht, Migrationshintergrund und Erstakademiker-Status ist vor dem Einsatz verpflichtend.

Stand der Technik (2026)

• Neuro-symbolische Hybride sind das bewährte Muster: Symbolische Constraint-Lösung garantiert die Gültigkeit, ML reiht, LLMs erklären. Reine LLM-Planung erzeugt plausible, aber ungültige Pläne (übersehene Voraussetzungen, nicht existierende Kurse).
• Dialogorientierte Beratungsagenten beantworten Fragen anhand der Ordnungen mit Quellenangaben; sie sind stark beim Nachschlagen, schwächer bei der Beurteilung von Ausnahmen.
• Prädiktive Analytik ist in den USA ausgereift; in Europa verläuft die Einführung langsamer wegen des Datenschutzes und der Zersplitterung der Ordnungen je Studiengang.
• Grenzen: Historische Daten enthalten vergangene Ungleichheiten (bestimmte Gruppen wurden von anspruchsvollen Fächern weggelenkt); kleine Jahrgänge je Modul liefern verrauschte Ergebnisschätzungen; Ordnungen ändern sich jährlich; Studienziele sind oft nicht benannt oder instabil. Nudges können die Vielfalt der Wahl verringern.

Gemeinsame Bausteine & Kombinationen

• Derselbe Recommender-Stack wie bei REC-001, REC-002 und REC-008 (Embeddings, Ranking, Feedback-Protokollierung).
• EDU-007 liefert Merkmale zum Abbruchrisiko; EDU-005 sequenziert Inhalte innerhalb eines Kurses, während dieser Anwendungsfall auf Curriculum-Ebene arbeitet; EDU-014 liefert anerkannte Credits; EDU-015 ist das Gegenstück auf der Zulassungsseite und unterliegt strengeren Pflichten.
• Die Segmentierungsmethoden aus REC-004 lassen sich für die Gruppierung der Fälle von Beratern wiederverwenden.
• LLM- und Vektor-Infrastruktur wird mit einem internen Chatbot für Studierendenservices geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-9 Monate inkl. SIS-Integration und Regelkonfiguration; die Lizenzkosten skalieren in der Regel mit der Zahl der Studierenden.
• Weg B/C: 4-9 Monate; der Hauptaufwand liegt in der Abbildung der Studienordnungen, nicht in der Modellarbeit.
• Kennzahlen: Studiendauer bis zum Abschluss, erworbene Credits pro Semester, Anteil der Studierenden mit gültigem Plan, Fehlerquote bei Voraussetzungen, Betreuungsquote und Kontaktrate der Berater, Zeit von Warnung bis Kontakt, Verbleibquote je Gruppe (Unterschiede prüfen), Zufriedenheit der Studierenden, Anteil angenommener Empfehlungen.

Menschen & Veränderung

Beziehen Sie zuerst die Hochschulleitung (Budget, Zweck, KI-Richtlinie) und das Prorektorat für Studium und Lehre ein; das Prüfungsamt und die Fakultäten sind Prozessverantwortliche und müssen die Regelabbildung verantworten. Datenverantwortliche (Studierendensekretariat, IT) und die IT-Sicherheit stoßen in der Architekturphase hinzu; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte von Anfang an, denn für die systematische Bewertung von Studierenden ist eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) nötig, dazu ein AVV (Art. 28) mit jedem Anbieter. Studierende sind die betroffene Gruppe: Beziehen Sie Studierendenvertretungen früh ein.

Betriebsrat: abhängig vom Einzelfall. Studierende sind keine Beschäftigten, daher erfasst das BetrVG sie nicht; Studienberater arbeiten jedoch mit dem Dashboard und ihre Nutzung wird protokolliert. Wo ein Betriebsrat besteht (private Träger), gilt daher § 87 Abs. 1 Nr. 6 BetrVG, und an staatlichen Hochschulen hat der Personalrat (BPersVG oder Landesrecht) vergleichbare Rechte. Nach § 90 Abs. 1 Nr. 3 BetrVG ist der Betriebsrat zu unterrichten, wenn Arbeitsverfahren mit KI geplant werden. Binden Sie ihn vor dem Pilotbetrieb ein und vereinbaren Sie eine Betriebs- oder Dienstvereinbarung, die eine Leistungskontrolle der Berater ausschließt.

Fördern Sie die KI-Kompetenz von Beratern und Personal (Art. 4 KI-Verordnung, GUIDE-006): was Regelengine, Ranking und LLM-Erklärung leisten und wo sie versagen. Kommunizieren Sie, dass das Werkzeug berät und Berater und Studierende entscheiden; zeigen Sie die Begründung jedes Vorschlags und ermöglichen Sie das Abwählen. Starten Sie den Pilotbetrieb mit einem Studiengang und einigen motivierten Beratern als Fürsprechern und sprechen Sie Bedenken (Steuerung, Etiketten wie „vorhergesagtes Scheitern“, Sorge um Arbeitsplätze) offen an, siehe GUIDE-008 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einzelfall ab. Anhang III Nr. 3 nennt Bildungssysteme, die den Zugang oder die Zulassung bestimmen, Lernergebnisse bewerten, das angemessene Bildungsniveau einer Person beurteilen oder verbotenes Verhalten bei Prüfungen überwachen [2]. Ein reiner Wahlmodul-Vorschlagsdienst ist in der Regel nicht erfasst; ein System, das den Zugang zu Studiengängen steuert oder einschränkt oder Studierende einem Niveau oder einer Laufbahn zuweist, kann unter Hochrisiko fallen (Konformität, Risikomanagement, menschliche Aufsicht, Protokollierung). Die Unterlagen sollten den bestimmungsgemäßen Zweck sorgfältig benennen. Emotionserkennung bei Studierenden ist im Bildungsbereich verboten (Art. 5 Abs. 1 Buchst. f) und darf nicht Teil einer Engagement-Bewertung sein.
• DSGVO: Studierendendaten sind personenbezogene Daten; Rechtsgrundlage ist normalerweise die öffentliche Aufgabe der Hochschule (Art. 6 Abs. 1 Buchst. e) zusammen mit dem Landeshochschulrecht; das Profiling Minderjähriger in der Orientierungsphase erfordert besondere Sorgfalt. Führen Sie eine DSFA durch, sorgen Sie für Transparenz und vermeiden Sie automatisierte Entscheidungen mit Rechtswirkung (Art. 22); Empfehlungen müssen beratend bleiben.
• Verzerrung und Selbstbestimmung: Ergebnisse nach Gruppen prüfen; Gründe anzeigen; Ignorieren oder Abwählen ermöglichen; „vorhergesagten Erfolg“ niemals als Hürde für einen gewählten Studiengang darstellen.
• Datenminimierung: keine Social-Media- oder biometrischen Daten; Trainingsdaten pseudonymisieren.

Erste Schritte

1. Wählen Sie einen Studiengang und bilden Sie seine Prüfungsordnung als maschinenprüfbare Regeln ab; validieren Sie sie anhand von 50 realen, von Beratern freigegebenen Plänen.
2. Bauen Sie einen Dienst für Studienverlaufsprüfung und Planmachbarkeit, bevor Sie ein Ranking hinzufügen.
3. Ergänzen Sie Empfehlungen im Schattenbetrieb für Berater und vergleichen Sie sie mit deren Vorschlägen.
4. Führen Sie DSFA und Einstufung nach KI-Verordnung gemeinsam mit der bzw. dem Datenschutzbeauftragten und den Studierendenvertretungen durch.
5. Starten Sie einen Pilotbetrieb mit einem Jahrgang; messen Sie Studiendauer und Chancengleichheits-Unterschiede gegenüber einer Kontrollgruppe.

Quellen

1. NPR - How one university used big data to boost graduation rates (Georgia State GPS) - https://www.npr.org/sections/ed/2016/10/30/499200614/how-one-university-used-big-data-to-boost-graduation-rates
2. Regulation (EU) 2024/1689 (AI Act), Annex III and Art. 5 - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. Google OR-Tools CP-SAT solver documentation - https://developers.google.com/optimization/cp
4. EAB Navigate360 - https://eab.com/solutions/navigate360/
5. Stellic - https://www.stellic.com/
6. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj