KIF465:Vorhersage Studienerfolgswahrscheinlichkeit per Machine Learning: Unterschied zwischen den Versionen
Aus KIF
Tb (Diskussion | Beiträge) (Die Seite wurde neu angelegt: „Szenario: Die Hochschule sagt zu einer Person die studieren möchte: Du wirst mit einer Wahrscheinlichkeit von 95% dein Studium nicht bestehen. Das hat der Com…“) |
Tb (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
||
| Zeile 8: | Zeile 8: | ||
* Predicting Student Dropout in Higher Education https://arxiv.org/abs/1606.06364 (US university) | * Predicting Student Dropout in Higher Education https://arxiv.org/abs/1606.06364 (US university) | ||
* Predicting Student Dropout: a Machine Learning Approach https://www.researchgate.net/publication/322919234_Predicting_Student_Dropout_a_Machine_Learning_Approach (German university) | * Predicting Student Dropout: a Machine Learning Approach https://www.researchgate.net/publication/322919234_Predicting_Student_Dropout_a_Machine_Learning_Approach (German university) | ||
== Mögliche Fragen zur Diskussion == | |||
* Ist das methodisch ok? | |||
* Welche Auswirkungen hat das? | |||
* Kann es hilfreich sein so etwas zu wissen um Unterstützungsangebote zu forcieren? | |||
* Wollen wir Studierende die Probleme mit ihrem Studium haben oder haben werden identifizieren um ihnen zu helfen? Wie würden wir dies einbetten in ein komplexes Feld von falscher Nutzung/Wirkung, Datenschutz und Nutzen? | |||
* Braucht man dafür ML, oder ist das nur ein Hype? | |||
Version vom 12. September 2018, 17:29 Uhr
Szenario: Die Hochschule sagt zu einer Person die studieren möchte: Du wirst mit einer Wahrscheinlichkeit von 95% dein Studium nicht bestehen. Das hat der Computer ausgerechnet.
Da die KIF sich der Informatik zuständig fühlt hat sie vielleicht eine Meinung dazu ob so etwas hilfreich ist oder nicht.
Links
- https://www.jmwiarda.de/2018/06/21/algorithmus-enthusiasmus/
- https://www.jmwiarda.de/2018/06/26/algorithmus-enthusiasmus/
- Predicting Student Dropout in Higher Education https://arxiv.org/abs/1606.06364 (US university)
- Predicting Student Dropout: a Machine Learning Approach https://www.researchgate.net/publication/322919234_Predicting_Student_Dropout_a_Machine_Learning_Approach (German university)
Mögliche Fragen zur Diskussion
- Ist das methodisch ok?
- Welche Auswirkungen hat das?
- Kann es hilfreich sein so etwas zu wissen um Unterstützungsangebote zu forcieren?
- Wollen wir Studierende die Probleme mit ihrem Studium haben oder haben werden identifizieren um ihnen zu helfen? Wie würden wir dies einbetten in ein komplexes Feld von falscher Nutzung/Wirkung, Datenschutz und Nutzen?
- Braucht man dafür ML, oder ist das nur ein Hype?
