Studienabbruch-Frühwarnsystem: Gefährdete Studierende früh erkennen

Das echte Ausmaß des Problems

Laut dem Deutschen Zentrum für Hochschul- und Wissenschaftsforschung (DZHW, Dezember 2024) brechen rund 30 Prozent aller Bachelor-Studierenden in Deutschland ihr Studium ab, bevor sie einen Abschluss erwerben. An Universitäten liegt die Quote bei 35 Prozent, an Hochschulen für angewandte Wissenschaften bei 20 Prozent. In den Geisteswissenschaften beträgt die Abbruchquote an Universitäten sogar 49 Prozent.

Das sind keine anonymen Kennzahlen. Hinter jeder Prozentzahl stecken Personen, denen die Hochschule hätte helfen können, wenn sie frühzeitig interveniert hätte. Studienabbruchforschung zeigt konsistent: Die Mehrheit derjenigen, die das Studium aufgeben, sucht vorher keine formelle Studienberatung auf. Sie kündigen nicht, sie verschwinden still.

Das ist keine Frage mangelnden Angebots. Die meisten deutschen Hochschulen haben Studienberatungen, Fachstudienberater und Mentoring-Programme. Das Problem ist: Diese Ressourcen erreichen die Gefährdeten nicht, weil niemand systematisch nach ihnen sucht. Das Frühwarnsystem löst genau dieses Mismatch.

Was die Hochschule noch bewegt: Laut Statistischem Bundesamt (Destatis, Pressemitteilung PD24_39_p002, September 2024) betragen die durchschnittlichen staatlichen Ausgaben für ein Bachelor-Studium rund 36.500 Euro je Studienplatz (2022). An Universitäten sind es 47.700 Euro, an Fachhochschulen 18.700 Euro. Jeder Studienabbruch nach zwei Semestern entspricht einem Drittel dieser Investition, Geld, das ohne Bildungsertrag in der Hochschulbilanz versinkt.

Der Stifterverband für die Deutsche Wissenschaft schätzt den volkswirtschaftlichen Gesamtschaden durch Studienabbrüche auf über 7,6 Milliarden Euro jährlich, wenn man neben staatlichen Kosten auch entgangenes Erwerbseinkommen der Abbrecher einrechnet. Das ist keine Rechtfertigung für Leistungsdruck, sondern ein Argument dafür, dass Prävention sich lohnt.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Schätzwerte auf Basis der FragSte-Projektpublikationen (Schneider/Berens, Springer 2021) und der TU-Dresden-PASST?!-Erfahrungen.
² Ergebnisse variieren stark je nach Subgruppe und Interventionsintensität, für die Gesamtpopulation sind die Effekte kleiner.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Studienberaterinnen und -berater sparen pro Woche 30–90 Minuten Vorbereitungszeit, weil das System Risikoprofile bereits aufbereitet liefert. Die eigentliche Beratungsarbeit verändert sich nicht, sie wird nur besser priorisiert. Verglichen mit Anwendungsfällen wie Automatisiertem Lernfeedback, das täglich Lehrkräfte direkt entlastet, ist der Zeitvorteil hier konzentrierter, aber weniger breit spürbar.

Kosteneinsparung, hoch (4/5) Bei 47.700 Euro staatlicher Investition pro Bachelor-Studiengang an Universitäten (Destatis 2024) ist das Einsparpotenzial je verhindertem Abbruch erheblich. Eine Abbruchreduktion um 15 Prozent in einer Kohorte von 500 Studierenden bedeutet ~75 verhinderte Abbrüche, das entspricht staatlicher Bildungsinvestition im höheren sechsstelligen Bereich, die jetzt einen Bildungsertrag erzeugt. Dieser Hebel ist unter allen Bildungsanwendungsfällen einer der wenigen mit direkt messbarem finanziellem Rücklauf für die Institution.

Schnelle Umsetzung, niedrig (2/5) 3–6 Monate bis zum Produktivbetrieb sind realistisch, und das ist optimistisch gerechnet. Dateneinwilligungen, Datenschutz-Folgenabschätzung, IT-Integration in das Hochschulrechenzentrum und Abstimmung mit der Personalvertretung für den Einsatz von Verhaltensdaten benötigen Zeit. Der Einstieg ist komplexer als bei pädagogischen KI-Tools wie KI-Tutoren oder der Unterrichtsplanung.

ROI-Sicherheit, hoch (4/5) Die Abbruchquote ist messbar. Mit einer einfachen Kontrollgruppe (Kohorte mit Intervention vs. historische Vergleichskohorte) lässt sich der Effekt auf Dropout-Raten direkt berechnen. Wichtige Einschränkung: Die Forschungslage (Pelz et al., ZeHf 2022; FragSte-Projekt) zeigt, dass der Effekt für die Gesamtpopulation geringer ist als für gezielt angesprochene Hochrisiko-Subgruppen. Wer die Intervention konsequent auf die Warnliste beschränkt, sieht messbare ROI; wer sie flächendeckend ausdehnt, verwässert den Effekt.

Skalierbarkeit, hoch (4/5) Ein trainiertes Modell läuft für alle Studiengänge und Fachbereiche parallel, ohne, dass für jeden Bereich ein neues System nötig ist. Der einzige echte Engpass beim Skalieren ist die Beratungskapazität: Das Modell kann unbegrenzt Risikolisten generieren, aber die Hochschule muss auch genug Beratungspersonal haben, um darauf zu reagieren.

Richtwerte, stark abhängig von Hochschulgröße, LMS-Abdeckung und verfügbarer Beratungskapazität.

Was das System konkret macht

Ein Studienabbruch-Frühwarnsystem ist im Kern ein Predictive Analytics-Modell: Es lernt aus historischen Daten, welche Verhaltensmuster mit späterem Studienabbruch korrelieren, und wendet dieses Wissen auf die aktuelle Kohorte an.

Die technische Architektur hat drei Schichten:

1. Datenpipeline: Wöchentlich werden anonymisierte Verhaltensdaten aus dem Lernmanagementsystem (Moodle oder Canvas), dem Campus-Management-System und, wo vorhanden, der Campuscard-Nutzung (Bibliothek, Mensa) zusammengeführt. Der Fokus liegt auf Aktivitätstrends, nicht auf Inhalten: Wie oft hat jemand sich eingeloggt? Hat die Login-Frequenz in den letzten drei Wochen abgenommen? Wurden Prüfungsanmeldungen zurückgezogen?

2. Klassifikationsmodell: Ein Gradient-Boosting-Algorithmus (in der Praxis oft XGBoost oder LightGBM) erhält für jeden Studierenden einen Feature-Vektor aus diesen Verhaltensdaten und gibt einen Risikowert zwischen 0 und 1 zurück. Das Modell wurde auf historischen Daten der eigenen Hochschule trainiert, Klausurergebnisse, Anwesenheitsdaten und Abbruchstatus aus früheren Semestern. Wichtig: Das Modell kennt keine persönlichen Umstände, keine Hausarbeits-Inhalte, keine Noten in Echtzeit. Es sieht nur aggregierte Verhaltensmuster.

3. Beratungs-Dashboard: Beraterinnen und Berater sehen eine wöchentlich aktualisierte Risikoliste: Studierendennummer, Studiengang, Risikowert und die zwei bis drei Hauptsignale, die zum Score beigetragen haben. Das System trifft keine Entscheidungen, es priorisiert. Die Kontaktaufnahme, das Gespräch und die tatsächliche Intervention liegen vollständig beim Menschen.

In einer realen Implementierung an der Hochschule Emden/Leer (KOMPASS-System, dokumentiert auf der Hochschulwebsite) erhalten Studierende, die das System als gefährdet markiert, zunächst eine standardisierte Einladung zur Studienberatung, keine Stigmatisierung, kein Hinweis auf einen „Warnsignal-Status”. Die Übernahme-Entscheidung liegt beim Berater.

Die Daten, die das Modell braucht, und welche es nicht braucht

Das ist der wichtigste praktische Abschnitt dieses Dokuments, weil er über Datenschutzkonformität, Modellqualität und ethische Vertretbarkeit entscheidet.

Starke Signale (hohe Vorhersagekraft, datenschutzarm):

• LMS-Login-Frequenz und -Trend: Nicht „hat heute eingeloggt”, sondern „Anzahl Logins in den letzten drei Wochen im Vergleich zu den ersten drei Semesterwochen”. Ein Rückgang von mehr als 60 Prozent innerhalb von zwei Wochen ist eines der stärksten Einzelsignale überhaupt.
• Prüfungsrückzüge: Wer eine Prüfungsanmeldung still zurückzieht, ohne sich abzumelden, signalisiert oft mehr als eine Terminkorrektur. Das Campus-Management-System hält diese Daten vor.
• Abgabe-Muster: Verspätete oder fehlende Abgaben früh im Semester sind aussagekräftiger als kurzfristiger Leistungseinbruch. Das LMS protokolliert Abgabezeitpunkte automatisch.
• ECTS-Fortschritt nach dem zweiten Semester: Wer nach zwei Semestern weniger als 30–40 Prozent der erwarteten ECTS erreicht hat, trägt ein deutlich erhöhtes Abbruchrisiko. Laut FragSte-Projektdaten reicht nach dem zweiten Semester reines ECTS-Monitoring als Basisfilter.

Schwache oder problematische Signale (vermeiden):

• Inhalte von Abgaben oder Forenpostings: Persönlichkeitssensibel, hoher Datenschutzbedarf, kaum prädiktive Kraft über Aktivitätsmuster hinaus. Nicht verwenden.
• Sozioökonomische Merkmale: Herkunft, Finanzierungsquelle, Familienstand. Hohe Diskriminierungsgefahr, führt zu unfairen Modellen mit systematischen Verzerrungen gegen bestimmte Gruppen.
• Psychologische Selbstauskunft: Aus Fragebögen extrahierte Stresswerte oder Wohlbefindenswerte sind zu sensibel für automatisierte Verarbeitung.
• Social-Media-Aktivität: Außerhalb des Hochschulbereichs, datenschutzrechtlich nicht vertretbar.

Die Forschung ist eindeutig: Modelle, die nur auf Verhaltensmustern im LMS und Campus-Management-System basieren, erreichen eine Klassifikationsgenauigkeit von 0,85–0,92 (AUC-ROC), ohne je auf persönliche Inhalte oder sensible Merkmale zuzugreifen. Mehrwert durch zusätzliche sensitive Daten ist marginal, das Datenschutzrisiko überproportional.

Das Profilierungs-Dilemma, individuelle Warnung oder systemische Reaktion

Hier trennst du die guten von den sehr guten Implementierungen.

Das naive Muster läuft so: KI gibt Warnung aus → Berater kontaktiert Studierenden → Studierender weiß nun, dass er als „Abbruchrisiko” markiert ist → Gespräch ist von Anfang an belastet. In einigen Pilotstudien hat dieses Muster den gegenteiligen Effekt erzeugt: Studierende, die von ihrem Risikostatus erfahren haben, empfanden das als beschämend und haben die Hochschule schneller verlassen, die sogenannte Self-fulfilling-Prophecy-Falle.

Das bessere Muster trennt das Signal von der Begründung. Das System sagt: „Priorisiere Kontakt zu diesen Personen.” Der Berater nimmt Kontakt auf, nicht mit einem Verweis auf den Algorithmus, sondern mit einer offenen Einladung. „Wir bieten allen Studierenden im dritten Semester proaktiv ein Gespräch an.” Der Studierende weiß nicht, dass er auf einer Warnliste steht. Er bekommt Aufmerksamkeit.

Darüber hinaus gibt es eine wichtige strategische Ebene. Wenn das EWS zeigt, dass 40 Prozent der Studierenden in einem Studiengang bereits nach der zweiten Woche Abfall-Signale senden, ist das kein Problem von 40 Prozent der Individuen, sondern ein Problem mit dem Studiengang, der Lehrveranstaltungsgestaltung oder der Eingangserwartung. Dieses Signal rechtfertigt keine Einzelinterventionen, sondern eine Kursreform. Systemische Probleme brauchen systemische Antworten, keine individuelle KI-Überwachung.

Diese Doppelfunktion, individuelles Triage-Instrument und institutionelles Qualitätssignal, ist der eigentliche Mehrwert des EWS, wenn es gut eingesetzt wird.

Zur DSGVO-Lage: Ein Rechtsgutachten zum Datenschutz bei Learning Analytics an Hochschulen in NRW (2021, RUB-Forschungsgruppe, verfügbar über hss-opus.ub.ruhr-uni-bochum.de) stellt klar: Die DSGVO erlaubt die Verarbeitung von Studierendendaten für Beratungszwecke, wenn entweder eine informierte Einwilligung vorliegt oder ein berechtigtes Interesse der Hochschule überwiegt. „Einwilligung” ist bei Studierenden jedoch problematisch, weil ein strukturelles Machtgefälle zwischen Studierendem und Hochschule besteht, das Gutachten empfiehlt stattdessen, den Weg über berechtigtes Interesse nach Art. 6 Abs. 1 lit. f DSGVO zu wählen, verbunden mit einer Opt-out-Möglichkeit und vollständiger Transparenz über das System.

Konkrete Werkzeuge, was wann passt

Moodle als Datenbasis, Fast alle deutschen Hochschulen nutzen Moodle oder ein vergleichbares Open-Source-LMS auf eigenen Servern. Moodle protokolliert standardmäßig alle Nutzeraktivitäten (Logins, Dateiaufrufe, Abgaben, Forum-Teilnahmen) in der mdl_logstore_standard_log-Tabelle. Diese Daten liegen bereits vor, sie werden für das EWS nur systematisch abgefragt. Entscheidender Vorteil: Bei eigenem Hosting bleiben alle Daten in der Hochschule, kein Drittzugriff.

KNIME für No-Code-ML-Pipelines, Für Hochschulen ohne eigenes Data-Science-Team ist KNIME der empfohlene Einstieg. Die kostenlose Desktop-Version ermöglicht visuelle Drag-and-Drop-Pipelines: Moodle-Datenbankanbindung, Feature Engineering, Gradient-Boosting-Modell-Training, Ausgabe einer Risikoliste als CSV. Keine Programmierkenntnisse nötig, aber IT-Grundkenntnisse für die Datenbankanbindung erforderlich.

Azure Machine Learning für Automatisierung und MLOps, Wenn die Hochschule bereits auf Microsoft Azure läuft (viele deutsche Hochschulen nutzen Microsoft 365 und Azure AD), ermöglicht Azure ML eine vollautomatisierte wöchentliche Modell-Pipeline mit Versionierung und Audit-Trail. Region Germany West Central in Frankfurt erfüllt DSGVO-Anforderungen. Kosten: 200–800 EUR/Monat für eine produktive Hochschul-Pipeline mit automatischem Retraining.

Microsoft Power BI für das Beratungs-Dashboard, Das Beratungsteam sieht eine täglich/wöchentlich aktualisierte Übersicht: Risikowert je Studierendem, Trendrichtung, Hauptsignale. Power BI Pro (12,10 EUR/Person/Monat) ist für Hochschulen, die bereits in der Microsoft-Welt sind, die naheliegendste Lösung für die Dashboard-Schicht. Für Einrichtungen ohne Microsoft-Lizenz ist eine einfache exportierte Excel-/CSV-Risikoliste funktional gleichwertig.

Zusammenfassung: Wann welcher Ansatz

• Kleines Budget, kein Data-Science-Team, Moodle on-prem → KNIME + Excel-Export
• Microsoft-Hochschule, automatische Pipelines gewünscht → Azure Machine Learning + Microsoft Power BI
• Große Hochschule mit eigenem IT-Team → Python-Stack (auf eigenen Servern, vollständige Datenkontrolle)
• Ohne eigene IT-Kapazität → Kommerzieller Anbieter (EAB Navigate, in den USA weit verbreitet; in Deutschland wenig verbreitet)

Datenschutz und Datenhaltung

Studierendendaten sind Sozialdaten im Sinne der DSGVO. Das bedeutet: jede Verarbeitung braucht eine Rechtsgrundlage, eine Zweckbindung und Verhältnismäßigkeit. Folgende Schritte sind Pflicht, keine davon ist optional:

Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO): Da ein EWS systematisch Verhaltensprofile von Studierenden erstellt und diese für Entscheidungen (Kontaktaufnahme) verwendet, ist eine DSFA erforderlich. Laufzeit: typisch 4–8 Wochen in Abstimmung mit dem Datenschutzbeauftragten.

Rechtsgrundlage: Berechtigtes Interesse (Art. 6 Abs. 1 lit. f) kombiniert mit transparenter Information und Opt-out-Option ist der praktisch gangbarste Weg für deutsche Hochschulen. Alternativ Einwilligung, aber nur, wenn sie wirklich freiwillig ist und keine Nachteile bei Ablehnung entstehen.

Datenminimierung: Nur Aktivitätsmuster, keine Inhalte. Keine sensiblen Merkmale nach Art. 9 DSGVO (Herkunft, Gesundheit, Religion). Kein Zugriff auf private Geräte oder Social Media.

Transparenz gegenüber Studierenden: Laut DSGVO Art. 13/14 müssen Studierende informiert werden, dass ihre Nutzungsdaten für Beratungszwecke analysiert werden. Das kann über die allgemeinen Datenschutzhinweise der Hochschule erfolgen, aber der Hinweis muss auffindbar und verständlich sein.

Aufbewahrungsfristen: Personenbezogene Risikodaten sollten nach maximal einem Semester gelöscht oder anonymisiert werden. Das trainierte Modell selbst enthält keine personenbezogenen Daten und kann dauerhaft vorgehalten werden.

Betriebsrat/Personalrat: In öffentlich-rechtlichen Hochschulen ist der Personalrat bei der Einführung von Systemen zur Verhaltens- oder Leistungsüberwachung von Beschäftigten zu beteiligen, für Studierende nicht direkt, aber die Abgrenzung ist diskussionswürdig und sollte juristisch begleitet werden.

DSGVO-Ampel für die Werkzeuge:

• Moodle (self-hosted, deutsches Rechenzentrum): grün, volle Datensouveränität
• KNIME Desktop (lokal): grün, keine Datenübertragung
• Azure Machine Learning (Germany West Central): gelb-grün, EU-Hosting, AVV verfügbar, aber Microsoft-Cloud
• EAB Navigate: rot für deutschen Kontext, US-gehostet, ohne klare DSGVO-Konformität

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenschutz-Folgenabschätzung + juristisches Gutachten: typisch 5.000–15.000 Euro (externer Datenschutzberater und/oder Rechtsgutachten, je nach Hochschulstruktur)
• Technische Implementierung: 20.000–60.000 Euro Entwicklungsaufwand, entweder intern (Data Scientist, 3–6 Monate Teilzeit) oder extern (Dienstleister)
• Dashboard-Entwicklung + Schulung Beratungsteam: 5.000–10.000 Euro
• Gesamteinmalig: ca. 30.000–85.000 Euro

Laufende Kosten (pro Jahr)

• Modell-Retraining und -Wartung: ca. 2.000–8.000 Euro (intern, 1 Person Teilzeit)
• Azure ML oder ähnliche Infrastruktur: 2.400–9.600 Euro/Jahr
• Power BI Pro für Beratungsteam (10 Personen): 1.452 Euro/Jahr
• Laufend: ca. 6.000–20.000 Euro/Jahr

Was du dagegenrechnen kannst

Bei einer mittelgroßen FH mit 3.000 eingeschriebenen Bachelor-Studierenden und einer Abbruchquote von 20 Prozent (600 Abbrüche pro Kohorte) und staatlichen Ausgaben von 18.700 Euro je FH-Studienplatz entspricht jeder verhinderte Abbruch ~6.000–10.000 Euro staatlicher Investition, die jetzt einen Bildungsertrag erzeugt (konservativ: ein Drittel der Studienkosten bereits aufgelaufen).

Eine Abbruchreduktion um 15 Prozent bedeutet ~90 verhinderte Abbrüche je Kohorte → 540.000–900.000 Euro “gerettete” Bildungsinvestition pro Jahr (ohne die persönlichen und gesellschaftlichen Ertragskomponenten).

Wie du den Nutzen tatsächlich misst: Am verlässlichsten per Kontrollgruppenvergleich, eine Kohorte erhält proaktive Beratungsangebote auf Basis des EWS, eine vergleichbare Kohorte erhält Standardangebote. Die Differenz in den Abbruchquoten nach 4 Semestern ergibt den messbaren Effekt. Alternativ: Vorher-Nachher-Vergleich über mehrere Jahrgänge.

Fünf typische Einstiegsfehler

1. Die Daten sind da, also bauen wir das Modell. Der häufigste Fehler: Techniker fangen mit der Modellentwicklung an, bevor die Datenschutzdokumentation steht. Das führt entweder dazu, dass das System fertig ist, aber nicht eingesetzt werden darf, oder dass es unter Zeitdruck ohne DSFA in Betrieb genommen wird, mit rechtlichem Risiko. Reihenfolge: erst Datenschutz, dann Technik.

2. Das Modell wurde an anderen Hochschulen trainiert. Studienabbruchmuster sind hochschulintern. Ein Modell, das an der TU München trainiert wurde, ist an einer norddeutschen FH mit anderen Studiengängen, anderen Zugangsbedingungen und anderen Beratungsangeboten kaum übertragbar. Wer ein vorgefertigtes Modell einkauft oder übernimmt, muss es auf eigenen Daten retrainieren, mindestens zwei bis drei historische Jahrgänge werden benötigt.

3. Die Warnliste wird zur internen Stigma-Liste. Wenn Lehrende oder Sekretariate Zugriff auf Risikowerte erhalten, entsteht das Risiko, dass Studierende als „Risikofall” behandelt werden, in der Sprechstunde, bei Prüfungen, bei Förderentscheidungen. Zugriff auf die Risikoliste muss strikt auf die Studienberatung beschränkt sein. Keine Weitergabe an Fachbereiche, Prüfungskommissionen oder Studiendekanat.

4. Das Modell läuft, aber niemand reagiert. Das ist der stille Fehler, der sich erst nach zwei Semestern zeigt: Das Dashboard existiert, aber das Beratungsteam hat keine Kapazität, die Top-50-Warnmeldungen pro Woche zu bearbeiten. Das System priorisiert, aber wenn die Beratungskapazität fehlt, verpufft der Effekt. Die Faustregel: Für je 500 gefährdete Studierende auf der Warnliste braucht man mindestens eine Vollzeitstelle proaktive Outreach-Beratung, zusätzlich zum regulären Beratungsangebot.

5. Das Modell wird nicht neu trainiert. Nach zwei Jahren driftet das Modell ab: Studiengänge ändern sich, der Studienalltag verändert sich (Pandemie-Effekte, veränderte LMS-Nutzung, neue Prüfungsformate). Ein Modell, das mit 2019-Daten trainiert wurde und 2025 noch unverändert läuft, gibt irreführende Risikoscores. Jährliches Retraining auf den aktuellsten verfügbaren Jahrgangsdaten ist Pflicht, nicht Option.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Implementierung ist das Einfachste an diesem Projekt.

Was tatsächlich schwieriger ist:

Zunächst die institutionelle Einigung darüber, was mit den Ergebnissen passiert. In vielen Hochschulen haben Studienberatung, Prüfungsamt, Fachstudienberater und Dekanat unterschiedliche Zuständigkeiten für gefährdete Studierende, und keine klare Eskalationslogik. Das EWS legt diese Unklarheiten schonungslos offen.

Dann: der Widerstand aus dem Mittelbau. Lehrende, die von dem System hören, reagieren manchmal mit der Befürchtung, das System zeige, dass ihr Kurs zu viele Gefährdete produziert, und das könnte für ihre Lehrevaluation relevant werden. Hier ist eine klare Kommunikation wichtig: Das EWS beobachtet Studierende, nicht Lehrende. Die aggregierten Daten auf Kursebene sind wertvoll für die Qualitätsentwicklung, aber sie werden nicht in Lehrberichte einfließen.

Und schließlich: die Skepsis der Studierendenvertretung. AStA und Studierendenparlamente werden das System kritisch begleiten, zu Recht. Wer sie frühzeitig in die Konzeption einbindet und Transparenz über Datenquellen, Algorithmus und Verwendungszweck schafft, gewinnt oft konstruktive Mitgestalter statt Blockierer. Wer wartet, bis das System läuft, und dann die Studierenden informiert, kassiert berechtigten Widerstand.

Was nach dem Rollout konkret hilft:

• Klare Kommunikation an alle Studierenden, welche Daten für welchen Zweck analysiert werden
• Opt-out-Möglichkeit, die ohne Nachteile wahrgenommen werden kann
• Vierteljährliche Auswertung: Welche Warnmeldungen haben zu erfolgreichen Gesprächen geführt? Welche nicht?
• Jahresbericht an Hochschulleitung über Wirkung und Datenschutz-Compliance

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Das ist Überwachung, wir beobachten das Verhalten unserer Studierenden.” Das ist keine falsche Aussage, sondern eine unvollständige. Die Hochschule beobachtet Verhalten bereits jetzt, Prüfungsanmeldungen, Abgaben, Noten. Das EWS strukturiert diese Beobachtung, um proaktiv zu helfen statt reaktiv zu reagieren. Der Unterschied zwischen “legitimer Fürsorge” und “unakzeptabler Überwachung” liegt in Transparenz, Zweckbindung und Konsequenz. Wenn das Ergebnis des Systems ausschließlich eine Einladung zu einem freiwilligen Gespräch ist, keine Sanktionen, keine Förderkürzungen, keine Prüfungsauflagen, ist das moralisch anders zu bewerten als ein Scoring-System mit echten Konsequenzen.

„Unser LMS wird von Studierenden kaum genutzt, die Datenbasis ist zu schwach.” Das ist ein reales Ausschlusskriterium (siehe unten). Aber: Wenn weniger als 60 Prozent der Studierenden regelmäßig das LMS nutzen, ist das selbst ein Signal, das Qualitätsentwicklungsmaßnahmen rechtfertigt, bevor ein EWS gebaut wird. Die Frage ist dann: Was braucht es, damit Moodle oder Canvas zum tatsächlichen Lernort wird?

„Wir haben nicht genug historische Daten.” Minimum: zwei vollständige Jahrgänge mit Abschlussdaten (wer hat abgebrochen, wer nicht). Für eine Hochschule, die seit fünf Jahren Moodle betreibt, sollten diese Daten vorliegen. Falls nicht, weil Log-Daten nicht aufbewahrt wurden, ist das ein Jahr Wartezeit wert: ab heute Daten konsequent speichern, im nächsten Jahr beginnen. Ein schlechtes Modell auf wenigen Daten ist schlechter als kein Modell.

Woran du merkst, dass das zu dir passt

Grüne Signale:

• Deine Hochschule hat mehr als 800 eingeschriebene Studierende und eine Abbruchquote von über 15 Prozent
• Moodle oder ein ähnliches LMS ist im tatsächlichen Lehrbetrieb integriert und wird von mehr als 70 Prozent der Studierenden regelmäßig genutzt
• Du hast mindestens zwei vollständige Jahrgänge mit Abbruchdaten in der Datenbank
• Das Beratungsteam hat Kapazität für 30–50 zusätzliche proaktive Outreach-Kontakte pro Monat
• Die Hochschulleitung und der Datenschutzbeauftragte sind grundsätzlich offen für Learning Analytics

Drei harte Ausschlusskriterien, wann ein EWS noch keine gute Idee ist:

1. Unter 800 Studierenden eingeschrieben. Der Einrichtungsaufwand (Datenschutzgutachten, Modellentwicklung, Dashboard) ist bei kleineren Hochschulen unverhältnismäßig. Ein persönliches Mentoring-Programm, in dem Studierende im ersten Semester regelmäßig nachgefragt werden, ist effektiver und günstiger. Das EWS ist ein Skalierungsinstrument für Institutionen, die zu groß sind für persönliche Aufmerksamkeit.

2. Das LMS wird primär als Datei-Ablage genutzt, nicht als Lernraum. Wenn Studierende Moodle nur einmal im Semester zum Download der Vorlesungsfolien besuchen, enthält der Login-Log keine nützlichen Aktivitätsmuster, nur Lärm. Voraussetzung für ein funktionierendes EWS ist ein LMS, das im Lernprozess lebt: Aufgaben, Foren, Tests, Kommunikation. Ohne echte LMS-Nutzungstiefe fehlt die Datenbasis.

3. Kein dedizierter Prozesseigentümer und keine freie Beratungskapazität. Das EWS liefert Warnlisten, aber wenn niemand die Verantwortung für die Reaktion übernimmt und die Beratung keine freien Slots für proaktive Outreach hat, ist das System nichts weiter als ein teures Dashboard. Ein Frühwarnsystem ohne Intervention ist schlimmer als keines: Es erzeugt den Anschein von Handlungsfähigkeit, ohne tatsächlich zu handeln. Wer das EWS einführt, muss gleichzeitig klären: Wer ruft wen bis wann an, und was passiert danach?

Das kannst du heute noch tun

Beginne nicht mit dem Modell. Beginne mit der Datenfrage.

Geh zu eurem LMS-Administrator und lass dir zeigen, wie die Aktivitätslogs der letzten drei Semester aussehen, welche Daten existieren, in welchem Format, wie vollständig. Exportiere einen anonymisierten Testdatensatz für einen abgeschlossenen Jahrgang (z. B. Erstsemester 2022/23) inklusive der Information, wer das Studium abgebrochen hat und wer nicht. Das ist alles, was du brauchst, um die Machbarkeit zu prüfen.

Danach: Lass einen der folgenden Prompts durch ChatGPT oder Claude laufen, um schnell ein erstes exploratives Bild von deinen Daten zu bekommen.

Quellen & Methodik

• TU Dresden PASST?! Frühwarnsystem: Langfristig dokumentiertes Hochschulprogramm seit 2016. Über 10.000 Studierende fließen in das System. Franziska Schulze-Stocker, TU Dresden, Zentrale Studienberatung. Dokumentation auf tu-dresden.de/studium.
• FragSte-Projekt (Schneider/Berens 2021): „Maschinelle Früherkennung abbruchgefährdeter Studierender und Wirksamkeit niedrigschwelliger Interventionen”, in: Studienerfolg und Studienabbruch, Springer, 2021. DOI: 10.1007/978-3-658-32892-4_16. Erste empirische Studie zu ML-basiertem EWS an deutschen Hochschulen mit Interventionsnachweis.
• Pelz et al. (ZeHf 2022): „Optimierungspotentiale der Studienabbruchsvorhersage durch Frühwarnsysteme – Werden die ‘richtigen’ Studierenden gewarnt?”, Zeitschrift für empirische Hochschulforschung, Budrich Journals, 2022. Befund: Klassifikationsoptimierung bringt 6–8 Prozentpunkte mehr korrekt identifizierte Studierende.
• DZHW, Dezember 2024: Meldung zu Studienabbruchquoten Bachelor-Studierender: 30 Prozent gesamt, 35 Prozent Universitäten, 20 Prozent FH. dzhw.eu/services/meldungen.
• CHE Centrum für Hochschulentwicklung, 2024: „Hochschulen intensivieren Maßnahmen gegen Studienabbruch”, 48 Prozent der Fachbereiche nutzen bereits Frühwarnsysteme. che.de/2024/hochschulen-intensivieren-massnahmen-gegen-studienabbruch/.
• Statistisches Bundesamt (Destatis), September 2024: Pressemitteilung PD24_39_p002, durchschnittliche laufende Ausgaben für ein Bachelorstudium: 36.500 Euro gesamt, 47.700 Euro an Universitäten, 18.700 Euro an FHs (2022). destatis.de.
• Rechtsgutachten Learning Analytics NRW, RUB 2021: „Datenschutzrechtliche Beurteilung von Learning Analytics an Hochschulen in NRW”, verfügbar über hss-opus.ub.ruhr-uni-bochum.de. Empfehlung: Berechtigtes Interesse statt Einwilligung für EWS-Betrieb.
• Algorithmic Bias in Education (Springer 2022): Hintz et al., „Algorithmic Bias in Education”, International Journal of Artificial Intelligence in Education. Dokumentiert systematische Benachteiligungen bestimmter Gruppen durch ungeprüfte ML-Modelle.

Du willst wissen, ob eure Datenbasis für ein EWS ausreicht und welche Schritte für eure Hochschule sinnvoll wären? Wir klären das in einem kurzen Gespräch, ohne Verkaufsdruck, mit konkretem Ergebnis.