ZusammenfassungVerfahren des maschinellen Lernens werden erfolgreich eingesetzt, um für universitäre Online-Kurse das Bestehen von Abschlussprüfungen frühzeitig zu prognostizieren und damit Kursabbrüche zu minimieren. Für die im Schulbereich häufig eingesetzten Lern-Apps gibt es allerdings keine publizierten Beispiele für die Anwendung dieser Methodik. Diese Lern-Apps unterscheiden sich von semesterlangen Online-Kursen vor allem im Hinblick auf die flexiblen Einsatzmöglichkeiten, eine nicht sequenziell vorgegebene Bearbeitung der Lerninhalte sowie formative Assessments, die mehrfach wiederholt werden können. Mit diesem Beitrag soll beispielhaft untersucht werden, wie man Verfahren des maschinellen Lernens anwenden kann, um Misserfolg in einem derart strukturierten Übungstool rechtzeitig vorhersagen zu können. Datengrundlage sind Lern- und Leistungsdaten von 2999 Schülerinnen und Schülern aus Sekundarschulen (177 Klassen), die in unterschiedlichen Themenbereichen und Levels einer Web-App für Grammatik und Rechtschreibung gearbeitet haben (www.masteryx.de). Verschiedene Modellierungen ergaben, dass die Vorhersagewerte von semesterlangen Online-Kursen nicht erreicht werden können. Die Modellierungen reichen allenfalls, um für besonders lernschwache Schülerinnen und Schüler ein Frühwarnsystem zu implementieren. Verschiedene Herausforderungen für die Entwicklung von Vorhersagemodellen für analog strukturierte, digitale Lernsysteme werden diskutiert.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.