Die Technologie
Data-Mining-Technologie (DTM) ist eine gut entwickelte Technologie, die Unternehmen dabei unterstützt, fundierte Entscheidungen zu treffen, anstatt Annahmen und Vermutungen anzustellen, indem sie nützliche Informationen aus großen Datenmengen extrahiert, die in der Vergangenheit gesammelt wurden (Wook, Yusof, & Nazri, 2014). Das DMT besteht aus verschiedenen Ansätzen und Techniken, die in Geschäfts- und Industrieprozessen umfassend eingesetzt werden. Es wurde festgestellt, dass die in diesen Organisationen anwendbaren Data-Mining-Techniken auch im Bildungssektor, insbesondere in der Hochschulbildung, eingesetzt werden können. In diesem Beitrag wird die Einführung und Nutzung von Data Mining an der kanadischen Universität Dubai vorgeschlagen.
Data Mining bezieht sich auf “die Extraktion verborgener prädiktiver Informationen aus großen Datenbanken und ist eine leistungsstarke neue Technologie mit großem Potenzial, Unternehmen dabei zu helfen, sich auf die wichtigsten Informationen in ihren Data Warehouses zu konzentrieren” (Thearling, 2012, S. 1). In Anbetracht der Robustheit der Data-Mining-Technologie kann sie zum Verständnis einzigartiger Elemente der in Bildungsdatenbanken gespeicherten Daten eingesetzt werden (Luan, 2004). Das Ziel des Data Mining im Bildungsbereich besteht darin, die Qualität der Bildung für die breite Masse durch proaktive und wissensbasierte Entscheidungsansätze zu verbessern. In Anbetracht dieser Vorteile sollten sich Hochschuleinrichtungen auf Data-Mining-Technologien als neue Strategien zum Verständnis und zur Verbesserung von Lern- und Lehrprozessen konzentrieren. In der Tat benötigt die Hochschulbildung Technologie, um den Wettbewerb zu steigern und die Bildungsergebnisse zu verbessern.
Einige Hochschuleinrichtungen haben zwar beträchtliche Investitionen in die Data-Mining-Technologie getätigt, doch haben sie der Erfindung komplexer Algorithmen oder technischer Elemente große Aufmerksamkeit geschenkt (Luan, 2004). Diese Einrichtungen haben sich jedoch kaum mit der Nutzerwahrnehmung von Data-Mining-Technologien befasst. Darüber hinaus haben sich nicht viele Studien auf das Verständnis der Nutzung von Data-Mining-Technologien konzentriert, was die Akzeptanz und Wertschätzung hemmen könnte (Jan & Contreras, 2011). Wie bei anderen Technologien, die in unterschiedlichen Umgebungen eingesetzt werden, ist die Unterstützung durch die Nutzer von entscheidender Bedeutung für den Erfolg solcher Technologien. Andernfalls kann es sein, dass die Akzeptanz von DMT ungeachtet der bemerkenswerten Ergebnisse und Vorteile gering ausfällt (Jan & Contreras, 2011). Es ist daher unerlässlich, das Nutzerverhalten zu beobachten, bevor Technologien vorgeschlagen und implementiert werden. Dieser Ansatz würde niedrige Nutzungsraten oder den völligen Verzicht auf die Nutzung verringern.
Das Technologieakzeptanzmodell (TAM) und verschiedene Modelle wurden entwickelt, um das spezifische Nutzerverhalten bei der Einführung von Technologien zu verstehen. Daher ist es für Hochschulen ratsam, solche Instrumente in ihre Strategien zu integrieren, bevor sie DMT einführen.
Wer benutzt sie?
Wie bereits erwähnt, nutzen mehrere Organisationen, Unternehmen und Branchen die Data-Mining-Technologie zur Verbesserung der Entscheidungsfindung. Die Data-Mining-Technologie wird in allen Sektoren und Organisationen eingesetzt, auch in kleinen und mittelgroßen Unternehmen. So hat beispielsweise ein Pharmaunternehmen die vergangenen Verkaufsaktivitäten analysiert, um die Kundenansprache zu verbessern und die besten Marketingstrategien zu ermitteln. Finanzinstitute haben sich auf Data Mining gestürzt, um eine Fülle von Daten aus Kundentransaktionen für die Kreditwürdigkeitsprüfung zu nutzen und Kunden zu identifizieren, die am ehesten neue Kredite beantragen werden. Kundenerfahrungen und -bedürfnisse können für die Marktsegmentierung genutzt werden. Und schließlich können Einzelhändler Daten aus Kundenkarten auswerten, um das Kaufverhalten zu verstehen und die Verkaufsprozesse und die Kundenerfahrung zu verbessern. Generell kann jede Organisation die Data-Mining-Technologie anwenden, auch Universitäten.
Wie funktioniert das?
Data-Mining-Technologie im Bildungswesen ist möglich. Educational Data Mining (EDM) ist “der Bereich der wissenschaftlichen Forschung, der sich auf die Entwicklung von Methoden konzentriert, um Entdeckungen in den einzigartigen Daten zu machen, die aus dem Bildungsbereich stammen” (de Baker, 2010, S. 2). Der Begriff steht auch für die Anwendung von Data-Mining-Techniken auf einen bestimmten Datensatz in einem Bildungsumfeld.
Datenanalysten oder Wissenschaftler haben verschiedene Techniken und eine breite Palette von Methoden verwendet, wie z. B. Clustering, Vorhersage und Relationship Mining, Entscheidungsbaum, k-means, Bayes’sche Netze und neuronale Netze (Erdoğan & Timor, 2005). Diese Techniken und Methoden sind im Bildungsbereich und auf Daten anwendbar (Romero & Ventura, 2010). Insbesondere neuronale Netze, Bayes’sche Netze und Entscheidungsbäume wurden als für den Bildungssektor besser geeignet bezeichnet (Romero & Ventura, 2010).
Im Bildungsbereich konzentriert sich Data Mining auf die Analyse großer Datenmengen aus verschiedenen Quellen, um das Verständnis von Lernprozessen und -ergebnissen zu verbessern. Wie in Abbildung 1 dargestellt, beinhaltet der Prozess des Educational Data Mining die Umwandlung großer Datenmengen in wertvolles Wissen für die Nutzer.
Abbildung 2 zeigt die “Phasen und den iterativen Charakter eines Data-Mining-Projekts” (Oracle, 2015, S. 1). Anhand dieses Prozesses kann man sehen, dass der Fluss des Prozesses nie aufhört, selbst wenn eine bestimmte Lösung gefunden und umgesetzt wurde. Stattdessen tauchen neue Fragen auf, die anschließend zur Erstellung robusterer Modelle verwendet werden können.
Die Data-Mining-Technologie ist nützlich, um Zugang zu Daten aus strukturierten und unstrukturierten Quellen zu erhalten – aus dem Web und aus traditionellen Datenspeicherungswerkzeugen.
Die Daten können ausgewertet werden, um mögliche Verhaltensweisen und Trends der Lernenden in den Kursen zu bestimmen oder vorherzusagen. Zu diesen Verhaltensweisen und Trends können Leistung und Lehrplan gehören. Durch den effektiven Einsatz von Data-Mining-Technologien kann beispielsweise das Scheitern oder der Erfolg von Studierenden in einem bestimmten Kurs vorhergesagt werden. Klassifikatoren oder Variablen werden verwendet, um die Beziehungen zwischen den Variablen bei der Vorhersage der Ergebnisse zu bestimmen. Gleichzeitig kann die Universität auch die Abbrecherquoten ermitteln und geeignete Interventionssysteme entwickeln, um die Zahl der Lernenden, die dazu neigen, ihre Kurse abzubrechen, zu kontrollieren.
Gleichzeitig wird die Data-Mining-Technologie in letzter Zeit verstärkt im webbasierten Bildungsbereich eingesetzt. So sind beispielsweise Daten, die aus E-Learning, Lernmanagementanwendungen, Tutorsystemen und adaptiven Systemen gewonnen werden, für Pädagogen von entscheidender Bedeutung, um das Online-Lernverhalten und die Trends der Lernenden besser zu verstehen.
Die prädiktiven Ansätze stützen sich auf die Aktivitäten der Schüler und andere damit zusammenhängende Informationen, einschließlich der online verbrachten Zeit, der Einreichung von Aufgaben, der studierten Inhalte und der Studienergebnisse. In diesem Fall können Lehrkräfte die Ergebnisse der prädiktiven Analytik nutzen, um gefährdete Schüler zu identifizieren. Folglich können sie die effektivsten Interventionsmethoden entwickeln, um die Ergebnisse für diese Schüler zu verbessern. In dieser Hinsicht können sich Lehrkräfte und Einrichtungen auf die Data-Mining-Technologie verlassen, um die Lernumgebung für die Lernenden zu verbessern und ihre betrieblichen Abläufe zu optimieren.
TCO einer solchen Technologie
Auf dem Markt sind heute viele Data-Mining-Tools erhältlich. Data-Mining-Tools wie WEKA von der University of Waikato, Neuseeland, sind absolut kostenlos. Andererseits bieten einige Anbieter wie Oracle, SAP, IBM SPSS und SAS diese Data-Mining-Tools zu unterschiedlichen Kosten an, die erheblich sein können. Daher ist es zwingend erforderlich zu verstehen, ob die CUD ein Open-Source-Tool einsetzen oder die am meisten angepriesene teure Data-Mining-Software von bestimmten Anbietern verwenden kann.
Die Kosten, die mit der Einstellung oder Ausbildung von Datenwissenschaftlern für die Universität verbunden sind, könnten enorm sein. Es ist unbedingt zu beachten, dass es derzeit nicht genügend Datenwissenschaftler gibt, um den steigenden Bedarf zu decken.
Literaturübersicht über ausgewählte Technologien
Viele Wissenschaftler haben erkannt, dass Hochschulen mit einer Vielzahl von Herausforderungen konfrontiert sind (Delavari, Phon-Amnuaisuk, & Beikzadeh, 2008). Insbesondere sind die Entscheidungsprozesse aufgrund der vielen miteinander verknüpften Faktoren im Bildungssystem schwieriger geworden. In diesem Zusammenhang wurde Data Mining durch den Einsatz effizienterer Technologien und Fachkenntnisse als eine Technik identifiziert, die Universitäten bei Entscheidungsprozessen unterstützen kann. Die Informationen, die zur Erleichterung der Entscheidungsfindung benötigt werden, befinden sich in den Datenbanken der Universitäten. Es werden lediglich Werkzeuge und Techniken benötigt, um aus den Daten neues Wissen zu gewinnen (Thearling, 2012).
Forscher entwickeln weiterhin neue Data-Mining-Modelle für den Einsatz in Hochschuleinrichtungen (Al-Twijri & Noaman, 2015). Diese Modelle sollen Entscheidungsprozesse erleichtern und Elemente der Zulassung und des Abschlusses von Studierenden kontrollieren. In diesem Zusammenhang können wichtige Merkmale der Lernenden, die zu einer höheren Verweildauer und einem besseren Abschluss führen könnten, aus den verfügbaren Daten herausgefiltert und früh genug innerhalb des ersten Semesters vorhergesagt werden (Raju & Schumacker, 2015).
Seit langem haben Studien immer wieder gezeigt, dass Lernende einzigartig sind, einen unterschiedlichen Wissensstand haben, in unterschiedlichem Tempo lernen, mit unterschiedlichen sozioökonomischen Herausforderungen konfrontiert sind und mit verschiedenen Themen vertraut sind. Vor diesem Hintergrund sollte ein intelligenter Lehrplan die individuellen Bedürfnisse jedes Lernenden berücksichtigen, anstatt einen Standardlehrplan für alle zu verwenden. Die Lerninhalte sollten flexibel und anpassungsfähig sein und regelmäßig überprüft werden. Dies erfordert Analysen, damit wichtige Erkenntnisse gewonnen und angewendet werden können, um die Inhalte für verschiedene Lernende zu gestalten und die Lernerfahrungen zu verbessern (Wagner & Ice, 2012).
Auf den unteren Ebenen sollte die Hochschulbildung Data Mining für die Akquise von Studierenden, die Auswahl von Kursen, die Verbesserung von Leistungen, studentische Arbeitsgruppen, die Bindung von Studierenden, die Effektivität von Lehrkräften und die Fluktuation nutzen (Schmarzo, 2014). Diese vielfältigen Anwendungen zeigen, dass die Ergebnisse der Hochschulbildung durch Data-Mining-Technologie verbessert werden können. Data Mining kann als Grundlage für fundierte Entscheidungen dienen, die u. a. die Lehrplangestaltung und -durchführung, die Bewertung von Lerninhalten, die Lernaktivitäten der Studierenden, die Ressourcenzuweisung und die Ergebnisüberwachung betreffen.
Die Universitäten müssen die Analyse über die Akquise von Studenten und die Abbruchquoten hinaus vertiefen. Auch wenn dies ein guter Ausgangspunkt ist, können tiefere Einblicke gewonnen werden, indem beispielsweise Studierende beobachtet werden, bei denen ein größeres Risiko besteht, einen Kurs abzubrechen oder das College zu verlassen. Wenn diese Probleme früh genug erkannt werden, können die Hochschulen Programme entwickeln, um die Abbrecherquote wirksam zu senken.
Die rasche Expansion der Universitäten, die Online-Ausbildung und die Technologien setzen diese Einrichtungen unter großen Druck, ihre Leistungen und Abschlussquoten zu steigern. Glücklicherweise können die Hochschulen von der Datenanalyse profitieren, um die Bildungsergebnisse zu verbessern. Die Hochschulen können die in Studien ermittelten Chancen erkennen und nutzen und Data Mining einsetzen, um zu zeigen, wie sie die vielfältigen Herausforderungen im Hochschulbereich lösen können. Der Prozess erfordert die Zusammenarbeit mit Technologieanbietern und Datenexperten, um zu zeigen, wie diese neuen Technologien das Lernen an Hochschulen unterstützen können. Die Hochschulen sollten bewährte Verfahren und Modelle für Data Mining übernehmen, die ihnen die Möglichkeit bieten, Lernerfahrungen und -ergebnisse für Studierende, Lehrkräfte und andere Beteiligte zu verbessern.
Anwendung der Technologie an der kanadischen Universität Dubai
Die Data-Mining-Technologie wird für die Canadian University Dubai (CUD) vorgeschlagen. Mit der zunehmenden Globalisierung haben sich globale Universitäten auf die Ausweitung ihrer Reichweite konzentriert. Die Universität wurde im Jahr 2006 in Dubai gegründet. Sie bietet den Studierenden eine “kanadische Ausbildung, aber unter Berücksichtigung der Kultur und der Werte der Vereinigten Arabischen Emirate” (Canadian University Dubai, 2015, S. 1).
Das Ziel der Universität ist es, jedem Studenten dabei zu helfen, “sich weiterzuentwickeln und einen vielseitigen, lebenslangen Lernprozess zu gewährleisten” (Canadian University Dubai, 2015, S. 1). Folglich hat sie sich auf akademische Leistungen und außerschulisches Engagement konzentriert. Obwohl all diese Ziele gut klingen, werden die Ziele der Universität wahrscheinlich länger dauern als nötig, da es ihr an robusten Entscheidungsunterstützungssystemen fehlt. Die Universität hat keine Data-Mining-Technologie eingeführt, um nützliche Erkenntnisse aus ihrer bestehenden Datenbank zu gewinnen.
Um zu zeigen, wie die Universität von der Data-Mining-Technologie profitieren kann, werden verschiedene Fallstudien herangezogen, um zu veranschaulichen, wie sie bestimmte Herausforderungen bewältigen kann und welche Vorteile die Ergebnisse bringen. Zum Beispiel kann die Universität Data Mining nutzen, um zu verstehen, welche Studenten die meisten Kreditstunden in Anspruch nehmen, welche Kurse am wahrscheinlichsten beliebt sind, welche Studenten am wahrscheinlichsten zusätzliche Kurse besuchen oder sogar um die Zusagen von Alumni vorherzusagen.
Eine bestimmte Hochschule wollte konsequente Lernergebnistypologien erstellen, sah sich aber mit der Herausforderung konfrontiert, dass sie die Studierenden nur begrenzt versteht. Um dieses Problem zu lösen, wurde unüberwachtes Data Mining eingesetzt (Luan, 2004). An einer typischen Universität sind etwa “15.000 Studenten eingeschrieben, die in Gruppen eingeteilt werden, die sich auf einen Wechsel des Studienfachs beziehen, eine Berufsausbildung absolvieren oder ihre Grundkenntnisse verbessern” (Luan, 2004, S. 4). Diese Mittel zur Identifizierung der Studierenden enthalten grundlegende Informationen darüber, was die Lernenden bei der Immatrikulation angegeben haben. Darüber hinaus spiegeln sie nicht die spezifischen Unterschiede zwischen den einzelnen Lerntypen wider. In diesem Fall setzte die Universität Data-Mining-Techniken ein, um die genauen Typologien für ihre 15.000 Studenten zu entwickeln. Die Forscher wendeten zwei Clustering-Algorithmen an, TwoStep und K-means, und wendeten die Algorithmen auf die drei oben genannten allgemeinen Klassifikationen an und erhielten gemischte Ergebnisse” (Luan, 2004, S. 4). Selbst nach einer Datenbereinigung und wiederholten Messungen gab es keine Unterschiede zwischen den Grenzen der Cluster. Es wurden keine signifikanten Verbesserungen der Ergebnisse festgestellt. Die Forscher kamen daher zu dem Schluss, dass die ursprüngliche Erklärung bei der Einschreibung nicht das tatsächliche Verhalten der Lernenden widerspiegelte. Sie wendeten dann eine Ersatztechnik an, indem sie sich auf “Bildungsergebnisse neben der Studiendauer” konzentrierten (Luan, 2004, S. 4).
Die Bildungsergebnisse waren schwer zu definieren. Eine bestimmte Lernzeit war erforderlich, um sicherzustellen, dass ein Lernender einen bestimmten Meilenstein erreicht hat. Auch der Studienabbruch wurde als “Ergebnis des Lernens bewertet, während die Forscher sich mit ‘Abbrechern’ befassen mussten – Lernenden, die das Studium abbrachen, aber später zurückkehrten, um es fortzusetzen” (Luan, 2004, S. 5). Daher muss der Datenwissenschaftler in der Lage sein, all diese verschiedenen Variablen zu berücksichtigen, um die spezifische Frage der Typologie und das Forschungsziel zu beantworten. Nach Beseitigung der Ausreißer durch Eliminierung oder Aufnahme in andere Cluster hat der TwoStep-Algorithmus die folgenden Cluster gebildet: “Übergänger”, “Berufsschüler”, “Schüler mit Grundkenntnissen”, “Schüler mit gemischten Ergebnissen” und “Schulabbrecher” (Luan, 2004, S. 5). Die Forscher verwendeten dann k-means, um die generierten Cluster zu validieren. Die Dauer des Studiums wurde ebenfalls in die Variablen für jedes Cluster einbezogen, und es ergaben sich neue Perspektiven. “Einige Lernende des Transfer-Clusters schlossen ihr Studium schnell ab, andere brauchten länger, und wieder andere schienen einfach nur einen oder zwei Kurse zu belegen” (Luan, 2004, S. 5).
Die Ergebnisse waren für die Universität aufschlussreich. Anhand der Datenauswertung konnte die Universität demografische und andere damit zusammenhängende Informationen über Studententypologien ermitteln. Es wurde auch festgestellt, dass “einige ältere Studenten mehr Zeit brauchten, um ihr Studium zu absolvieren, während jüngere Studenten mit mehr sozioökonomischen Vorteilen sich für Kurse mit hohen Kreditpunkten entschieden und ihr Studium schneller abschlossen” (Luan, 2004, S. 5). Die Universität war in der Lage, die Studierenden unter anderem als “Transfer-Speeder”, “College-Historiker”, “Zaungäste” und “Qualifikationsverbesserer” zu klassifizieren. Die Typologien sorgten dafür, dass die Universität die Studierenden über die normale homogene Gruppierung hinaus verstehen konnte. Das Data-Mining-Projekt förderte verborgene wichtige Informationen zutage, die die Universität nutzen konnte, um den unterschiedlichen Bedürfnissen der Lernenden gerecht zu werden.
Ein weiteres Beispiel dafür, wie die Universität die Data-Mining-Technologie anwenden kann, ist der Bereich der akademischen Planung und Interventionen (Luan, 2004). In dieser Fallstudie stand die Hochschule vor der großen Herausforderung, die akademischen Ergebnisse genau vorherzusagen, um geeignete Maßnahmen für die Lernenden zu entwickeln. Die Hochschulen wenden Data-Mining-Techniken an, um die Lernenden zu ermitteln, bei denen ein Risiko für schlechte Leistungen besteht. Folglich können sie geeignete Maßnahmen entwickeln, um ein Scheitern zu verhindern, noch bevor die Lernenden die Risiken erkennen. Der Übergang in die vierjährige akademische Laufbahn an der Universität ist das Hauptziel vieler Studenten. Akademische Herausforderungen führen jedoch dazu, dass sie den Studiengang über längere Zeiträume wechseln müssen, während andere Studierende den Wechsel komplett verpassen. Bislang war es schwierig, diese Probleme und den Wechsel von Studierenden zu verstehen. Data Miner können jedoch Daten aus verschiedenen Quellen auswerten und abgleichen, um das Verhalten und die Merkmale von Studierenden zu verstehen, die wechseln oder nicht wechseln. So können Datenwissenschaftler und Entscheidungsträger diese Daten mit dem akademischen Verhalten und den Ergebnissen der Studierenden in Beziehung setzen, um die Übertrittsergebnisse zu bestimmen.
Die Lösung für das Problem der Übertragung wurde durch die Anwendung von Data-Mining-Techniken gefunden. Es wurden verschiedene Typologien und Fachkenntnisse verwendet, um ein geeignetes Data-Mining-Modell zu entwickeln (Luan, 2004). In diesem Fall wurde festgestellt, dass die zuverlässigste Methode zum Umgang mit der Übertrittsproblematik darin besteht, übertrittswillige Studierende so früh wie möglich zu identifizieren. Die Ausbildung von Studenten, die potenzielle Kandidaten für einen Wechsel sind, ist relevanter als die Konzentration auf Studenten, die genügend Punkte für einen Wechsel gesammelt haben. Auf der Grundlage von Daten zu den Übertrittsergebnissen entwickelten die Datenschürfer “einen Datensatz mit verschiedenen Schülervariablen unter den wichtigsten Übertrittsclustern von Nachzüglern und Beschleunigern” (Luan, 2004, S. 5). Aus dem ursprünglichen Datensatz erstellten die Forscher dann einen Testdatensatz und einen Validierungsdatensatz durch eine eigene Randomisierungstechnik (Luan, 2004). Die Überweisung wurde als Ergebnisvariable betrachtet, während andere Variablen wie “erworbene Einheiten, belegte Kurse, demografische Daten und finanzielle Unterstützung als Prädiktoren eingestuft wurden” (Luan, 2004, S. 5). Daher wurden sie analysiert, ohne den Schwerpunkt auf schrittweise Signifikanztests zu legen (Luan, 2004). Der Data-Mining-Prozess “tolerierte Wechselwirkungen zwischen Variablen und nichtlineare Beziehungen” (Luan, 2004, S. 5). Die Forscher verwendeten für die Studie überwachtes Data Mining. So wurden die Algorithmen des neuronalen Netzes und der Regelinduktion “gleichzeitig durchgeführt, um die Genauigkeit der Vorhersage vergleichen und gegenüberstellen zu können” (Luan, 2004, S. 5).
Das Ergebnis ermöglichte es der Hochschule, Studenten mit besseren Wechselmöglichkeiten zu identifizieren. Das umfangreiche maschinelle Lernen durch “neuronale Netzwerkalgorithmen erhöhte die Genauigkeit der Vorhersage” (Luan, 2004, S. 5). So konnten die Forscher in den Daten gefundene Muster leicht erkennen.
Dies sind nur einige wenige Beispiele, die veranschaulichen, wie die kanadische Universität Dubai Data-Mining-Technologie einsetzen kann, um die Lern- und Lehrergebnisse zu verbessern. Robuste Algorithmen und Tools können zusammen mit hochqualifizierten Datenwissenschaftlern eingesetzt werden, um der Universität zu helfen, ihre Ziele zu erreichen.
Diskussion und Analyse
Ein großes Problem, mit dem sich die Hochschulen derzeit konfrontiert sehen, ist die Vorhersage möglicher Ergebnisse ihrer Studierenden und Absolventen. Die Hochschulen müssen feststellen, wie viele Studenten sich einschreiben und welche Studenten Hilfe beim Wechsel benötigen. Auch andere Probleme im Zusammenhang mit der traditionellen Verwaltung des Lernens veranlassen die Hochschulen, nach besseren Alternativen zu suchen. Daher haben einige Universitäten das Potenzial der Data-Mining-Technologie erkannt, um solche Herausforderungen zu bewältigen. Data Mining gibt verschiedenen Organisationen die Möglichkeit, ihre vorhandenen Datenressourcen und Data-Mining-Tools, -Techniken und -Fachkenntnisse zu nutzen, um verborgene Muster in großen Datenbanken aufzudecken und zu verstehen. Die ermittelten Muster werden zu Data-Mining-Modellen weiterentwickelt, die den Hochschulen nützliche Informationen liefern, mit denen sie das Verhalten der Studierenden vorhersagen können. Anhand der gewonnenen Erkenntnisse können die Hochschulen ihre Lehr- und Lernressourcen genauer und effektiver zuweisen.
Die Data-Mining-Technologie würde der Universität beispielsweise die Möglichkeit bieten, Studienabbrüche vorherzusagen und geeignete Maßnahmen zu entwickeln, um Studienabbrüche zu verhindern oder möglicherweise mehr Ressourcen für einen bestimmten Kurs auf der Grundlage der Vorhersage bereitzustellen.
Frühere Studien zum Thema Data Mining und dessen Anwendung in der Hochschulbildung zeigen ein leistungsfähiges Instrument, das den Bildungssektor verändern kann. So können beispielsweise gefährdete Studierende identifiziert werden und die nötige Unterstützung erhalten, die sie benötigen. Darüber hinaus gibt es bestimmte Funktionsbereiche in der Hochschulbildung, in denen Analysen und Vorhersagen eingesetzt werden können, um die Ergebnisse zu verbessern. Analytik kann beispielsweise in kritischen Bereichen wie Finanzen und Budgetierung, Immatrikulation, Lehr- und Lernfortschrittsmanagement und anderen eingesetzt werden (Mattingly, Rice, & Berge, 2012).
Obwohl nur wenige Hochschulen Data-Mining-Technologien einsetzen, können sie die Leistungen, die Nutzung und das Verhalten der Studierenden, die Leistungen der Lehrkräfte und soziale Erkenntnisse wie Tendenzen, Neigungen und Trends nutzen, um die Prozesse zur Einbindung der Lernenden zu optimieren, die Fluktuationsrate zu senken, den Lebenszeitwert zu erhöhen und die Lernbereitschaft zu fördern (Schmarzo, 2014).
Zusammenfassung
In dem Papier wird die Einführung und Nutzung von Data Mining an der kanadischen Universität Dubai vorgeschlagen. Data Mining bezieht sich auf die “Extraktion unbekannter prädiktiver Informationen aus großen Datenbanken” (Thearling, 2012, S. 1). Die Technologie gilt als leistungsfähig und bietet robuste prädiktive Analysen, die Organisationen dabei helfen können, sich auf wertvolle Daten zu konzentrieren, die in ihren Datenbanken gespeichert sind. Die Data-Mining-Technologie hilft Unternehmen bei der Vorhersage möglicher zukünftiger Trends. Anhand der Ergebnisse können Unternehmen dann auf der Grundlage des verfügbaren Wissens proaktiv handeln und somit ihre Entscheidungen zuverlässiger treffen. Es ist wichtig zu erkennen, dass Data Mining robust ist und über die Datenanalyse hinausgeht. Es umfasst die Extraktion großer Datenmengen aus verschiedenen Quellen, die zur Unterstützung von Entscheidungen analysiert werden. Viele Data-Mining-Tools, einschließlich offener, frei verfügbarer Tools, können einige schwierige Probleme lösen, die früher als komplex oder langwierig galten. Diese Tools können mehrere Datenbanken nach Informationen durchsuchen, die prädiktiv sind und potenzielle zukünftige Verhaltensweisen aufzeigen.
Die Ergebnisse von Organisationen, darunter auch einige Hochschulen, die Data Mining eingesetzt haben, zeigen, dass Data Mining ein robustes Analysewerkzeug ist, das Organisationen bei der Bewältigung einiger Herausforderungen helfen kann. Beispielsweise können Hochschulen Data-Mining-Techniken nutzen, um das Verhalten der Studierenden zu verstehen, die Ressourcen- und Personalverteilung zu verbessern und die Beziehungen zu den Ehemaligen zu intensivieren. Die verborgenen Muster können auf der Grundlage von Vorhersagemodellen wichtige Informationen zum Umgang mit Einschreibungen, Studienabbrechern, Absolventen und sogar Ehemaligen liefern.
Verschiedene Organisationen haben Data-Mining-Tools und -Techniken eingesetzt, um große Datenmengen zu analysieren und Erkenntnisse zu gewinnen, die bei der Entscheidungsfindung helfen können. Auch die kanadische Universität Dubai kann die Data-Mining-Technologie für analytische Zwecke einsetzen. Dies erfordert jedoch Fachwissen in Datenwissenschaft und effektive Tools für maschinelles Lernen, die große Mengen an strukturierten und unstrukturierten Daten aus verschiedenen Quellen verarbeiten können.
Referenzen
Al-Twijri, M. I., & Noaman, A. Y. (2015). A New Data Mining Model Adopted for Higher Institutions. Procedia Computer Science, 65, 836-844. Web.
Kanadische Universität Dubai. (2015). Über die Kanadische Universität Dubai. Web.
de Baker, R. J. (2010). Data Mining für das Bildungswesen. Oxford, UK: Elsevier.
Delavari, N., Phon-Amnuaisuk, S., & Beikzadeh, M. R. (2008). Anwendung von Data Mining in höheren Bildungseinrichtungen. Informatik im Bildungswesen, 7(1), 31-54.
Erdoğan, Ş. Z., & Timor, M. (2005). Eine Data-Mining-Anwendung in einer Studentendatenbank. Journal of Aeronautics and Space Technologies, 2(2), 53-57.
Jan, A. U., & Contreras, V. (2011). Technologieakzeptanzmodell für den Einsatz von Informationstechnologie an Universitäten. Computers in Human Behavior, 27(2), 845-851. Web.
Luan, J. (2004). Data-Mining-Anwendungen in der Hochschulbildung. Chicago: SPSS Inc.
Mattingly, K. D., Rice, M. C., & Berge, Z. L. (2012). Learning Analytics als Instrument zur Schließung der Bewertungsschleife in der Hochschulbildung. Knowledge Management & E-Learning: An International Journal, 4(3), 236-247.
Orakel. (2015). Data Mining Concepts. Web.
Raju, D., & Schumacker, R. (2015). Exploring Student Characteristics of Retention that Lead to Graduation in Higher Education Using Data Mining Models. Journal of College Student Retention: Research, Theory & Practice, 16(4), 563-591. Web.
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 40(6), 601 – 618. Web.
Schmarzo, B. (2014). Was Universitäten von Big Data lernen können – Higher Education Analytics. Web.
Thearling, K. (2012). Eine Einführung in Data Mining. Web.
Wagner, E., & Ice, P. (2012). Data Changes Everything: Delivering on the Promise of Learning Analytics in Higher Education. EDUCAUSE Review, 47(4).
Wook, M., Yusof, Z. M., & Nazri, M. Z. (2014). Data Mining Technology Adoption in Institutions of Higher Learning: A Conceptual Framework Incorporating Technology Readiness Index Model and Technology Acceptance Model 3. Journal of Applied Sciences, 14, 2129-2138. Web.