| Aktuelle Version |
Dein Text |
| Zeile 1: |
Zeile 1: |
| ''Anmerkung: die meisten Aussagen wurden nicht abgestimmt, sondern nur einzeln geäußert.''
| | 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. |
|
| |
|
| Links: https://www.jmwiarda.de/2018/06/21/algorithmus-enthusiasmus/ https://www.jmwiarda.de/2018/06/26/algorithmus-enthusiasmus/ https://arxiv.org/abs/1606.06364 https://www.researchgate.net/publication/322919234_Predicting_Student_Dropout_a_Machine_Learning_Approach
| | Da die KIF sich der Informatik zuständig fühlt hat sie vielleicht eine Meinung dazu ob so etwas hilfreich ist oder nicht. |
|
| |
|
| = Protokoll = | | == 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) |
| | https://md.kif.rocks/Studierenerfolgswahrscheinlichkeit# |
|
| |
|
| AK-Leitung übernommen Ziel: Resolution ## Kurze Vorstellungsrunde Hochschule Karlsruhe, TU Kaiserslautern, Göttingen, Uni Bonn, HTWK Leipzig, Uni Tübingen, Hochschule Emden-Leer, TU Chemnitz, TH Mittelhessen, Wiesbaden HSRheinMain, Aachen, Uni Mainz, Hamburg, Bamberg, TU Dresden
| | == Mögliche Fragen zur Diskussion == |
| | | * Ist das methodisch ok? |
| '''Motivation für AK-Teilnahme:''' * Machine Learning in Uni / Arbeit * Technische Motivation * Predictive Measuring / Datensammlung * Ethik * Folgen für Studierende * Realitätsabgleich / Einfluss von ML auf Alltag (u.a. Konkrete Nutzung bestehender Daten) * Erwartete Folgen (Diskriminierung? Chance?) * Rechtliche Auswirkungen, u.a. bzgl. d. Berufsfreiheit i.S.v. Art. 12 GG
| | * Welche Auswirkungen hat das? |
| | | * Kann es hilfreich sein so etwas zu wissen um Unterstützungsangebote zu forcieren? |
| '''Fragen''' * Sinnvoller Einsatz der ML Technik * Erwartbare Folgen * Methodische Ansätze * Auswirkungen * Unterstützung forcieren * Wirkung-Datenschutz-Nutzen * Machine-Learning erforderlich? -> Was wollen wir überhaupt?
| | * 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? |
| === Kurze Zussammenfassung von dem vorrangegangen Beitrag siehe Links === | |
| | |
| * Aufgrund von Noten in ersten beiden / bis zu drittem Semester Abbruchquote errechnen | |
| * verpflichtende Beratungsgespräche
| |
| | |
| == Technische Umsetzung ==
| |
| | |
| * Definition Machine Learning (Deep Learning)
| |
| * Modell auf bestehenden Daten trainieren
| |
| * Testdaten einordnen
| |
| * Problematik: erforderliche Datenmenge nicht einfach zu erhalten
| |
| * Statistische Signifikanz der “Ergebnisse”
| |
| * Genauigkeit der Vorhersage nimmt durch zu exakte Zuordnung ab (Pattern Matching nicht zu spezifisch) | |
| | |
| === Welche Datenmengen wären erforderlich? ===
| |
| | |
| * 100000-500000 Datenpunkte erforderlich
| |
| * es gibt auch andere Ansichten (deutlich weniger Datenpunkte) | |
| | |
| === Erfoderlichkeit von ML für ein solches Verfahren ===
| |
| | |
| * Statistik: Regression anstelle von ML, sofern nur Noten betrachtet werden?
| |
| * bei Betrachtung von Noten vermutlich möglich, falls andere Datenmengen betrachtet werden vermutlich erforderlich (z.B. Mensa und Bib.-Besuche) | |
| * Fallunterscheidung: ML vs. “reine Statistik” von Zielfall abhängig (Notwendigkeit der Unterscheidung wird angezweifelt, da ML im Grunde nur Statistik sei)
| |
| | |
| == Ethische Positionierung ==
| |
| | |
| * Wirtschaftliche Motivation für die Verwendung von ML (Studienabbrecher)
| |
| * Kontrahierende Positionen
| |
| * Weniger Geld in Studierende stecken, die das Studium abbrechen
| |
| * lehnt AK ab(?)
| |
| * Studieren über Regelstudienzeit hinaus kostet Uni Geld (in Niedersachsen) -> Lehre wird schlechter für alle
| |
| * Studierenden helfen, das Studium noch zu retten
| |
| * kann unintendierte Auswirkungen haben (Demotivation, Self-Fullfilling-Prophecy)
| |
| * jede Person soll selbst entscheiden, ob sie eine Prognose möchte (Opt-Out)
| |
| * Welche Daten sollen erhoben werden dürfen?
| |
| * in USA-Beispiel scheint ML sinnvoll (Daten auch bei Bewerbung schon vorhanden)
| |
| * Unterrepräsentierte Gruppen (Migrationshintergrund etc.) werden weiter diskriminiert
| |
| * Fraglich bei der Datenerhebung, welche Daten bezogen werden und wie diese interpretiert werden
| |
| * Datensammlung
| |
| * Problematik Helikoptereltern
| |
| * Fachschaftsengagement -> länger studieren
| |
| * Hessen: zwingendes Mentoring im Studienverlauf (bevor Drittsemestermodule geschrieben werden können)
| |
| * Vorschlag: Orientierungsprüfungen anstelle von anderen “Aussortierungsmechanismen”
| |
| * Mentoring verpflichtend
| |
| * Darf Wahrscheinlichkeit Grundlage für Entscheidung sein?
| |
| * Risikotstudierende erkennen und Mentoring anbieten, aber nicht
| |
| * Nutzung für automatische Aussortierung ausschließen
| |
| * Anfang des Verlaufs
| |
| * Wirtschaftliche Aspekte dürfen nicht in Vordergrund stehen, sondern Studierende
| |
| | |
| '''Motivationen zur Nutzung''' * bei Hochschule: Ablehnung der Erhebung von Daten * Ursachenforschung in Schule, in HS nicht sinnvoll * Gegenmeinung: in Verlauf des Studiums wird erst klar, ob Studiengang passt * Lehre * Wirtschatliche Motivation * lieber: positiven Einfluss vor Studium * Buddy-Programme für Ersties
| |
| | |
| '''Vertretbarkeit der Datenquellen''' * Datenerhebung * Sollen Daten für den Zweck erfasst werden, die bisher nicht erfasst wurden? (zusätzlich zu Noten, letztem Zeugnis, persönlichen Daten) * Nein (rechtlich auch kompliziert, zweckgebunden) + Ja * Sollen vorhandene Daten verwendet werden für Prediction? * Nein + Ja * Sollen Notendaten verwendet werden dürfen? * Ja mit Opt-Out (Opt-In schöner)
| |
| | |
| * Konsequenzen abgesehen von Gespräch werden abgelehnt | |
| * Prüfungsordnung kann Pflichtgespräche beinhalten
| |
| * Studierende (bzw. Erwachsene?) nicht zwingen, etwas zu tun
| |
| * Frage stellen: “Willst Du eigentlich studieren, was Du studierst?”
| |
| * Beratung grundsätzlich gut, Zwang diskutabel -> zu Glück zwingen?
| |
| * Mentoring durch ältere Studis
| |
| * ganz allgemein: Datenerhebung als Opt-In
| |
| * Personenbezogene Daten anonym verwenden
| |
| * Sozialer Druck == Regelstudienzeit
| |
| * Leute in zweitem Semester kennen Angebote nicht
| |
| | |
| '''Gespräch mit wem? Wozu?''' * Ablehnung von Zwangsgesprächen
| |
