Federated Learning erkennt gefährdete Studierende – 85 % Genauigkeit

Hohe Dropout‑Raten und Ausfallquoten im Fernstudium stellen Bildungseinrichtungen vor große Herausforderungen. Um Studierende frühzeitig zu identifizieren, die Gefahr laufen, das Studium abzubrechen, wurde ein Machine‑Learning‑Modell entwickelt, das auf den ersten Leistungsdaten und digitalen Engagement‑Mustern aus dem umfangreichen OULAD‑Datensatz einer britischen Universität basiert.

Um die häufig auftretenden Probleme von Datenschutz und institutionellen Silos zu überwinden, wurde das Modell in einem Federated‑Learning‑Framework implementiert. Dabei werden die Daten lokal auf den jeweiligen Servern verarbeitet, sodass keine sensiblen Informationen zentral gespeichert werden. Das Vorgehen ermöglicht eine datenschutzfreundliche Zusammenarbeit mehrerer Institutionen.

Die Studie vergleicht zwei Modellkomplexitäten – eine logistische Regression und ein tiefes neuronales Netzwerk – sowie unterschiedliche Ansätze zur Datenbalancierung. Das finale federierte Modell erreicht einen ROC‑AUC‑Wert von etwa 85 %, was eine sehr hohe Genauigkeit bei der Vorhersage von gefährdeten Studierenden bedeutet.

Die Ergebnisse zeigen, dass Federated Learning eine praktikable und skalierbare Lösung für Hochschulen darstellt, um effektive Frühwarnsysteme zu entwickeln. Durch die Kombination von hoher Vorhersagekraft und inhärentem Datenschutz können Bildungseinrichtungen proaktive Unterstützungsmaßnahmen anbieten und gleichzeitig die Privatsphäre der Studierenden schützen.