KI-Modell vorhersagt Schulnoten und Bestehen – 96 % Genauigkeit bei 4.400 Schülern

Eine neue Studie aus dem Bereich der künstlichen Intelligenz zeigt, dass ein einziges Machine‑Learning‑Modell gleichzeitig die Bestehenswahrscheinlichkeit und die tatsächlichen Noten von Schülerinnen und Schülern vorhersagen kann. Im Gegensatz zu bisherigen Ansätzen, die Klassifikation und Regression getrennt behandeln, nutzt das vorgestellte Framework beide Aufgaben gleichzeitig, um ein umfassenderes Bild des Lernfortschritts zu erhalten.

Für die Klassifikation wurden Logistische Regression, Entscheidungsbäume und Random Forest eingesetzt, während für die Regression Lineare Regression, Entscheidungsbaum‑Regressor und Random Forest Regessor verwendet wurden. Die Hyperparameter wurden mittels umfangreicher Grid‑Search‑Optimierung angepasst. Auf Basis von akademischen und demografischen Daten von 4.424 Schülerinnen und Schülern erreichten die Klassifikationsmodelle eine Genauigkeit von bis zu 96 % und die Regressionsmodelle einen Bestimmtheitsmaß von 0,70 – deutlich besser als herkömmliche Basisverfahren.

Die Ergebnisse unterstreichen die Machbarkeit einer frühzeitigen, datenbasierten Identifikation von Risikopädagogik. Durch die gleichzeitige Vorhersage von Bestehen und Noten können Lehrkräfte gezielte, personalisierte Interventionen planen, die Wiederholungen reduzieren und Ressourcen effizienter einsetzen. Das neue Framework bietet damit einen praktischen Ansatz, um die Qualität und Gerechtigkeit im Sekundarschulbereich nachhaltig zu verbessern.