Affiliation:
1. Szegedi Tudományegyetem
Abstract
Az egyetemi sikerességet meghatározó tényezők vizsgálata közel ötven éves múltra tekint vissza (Tinto, 1975). A hallgatók összetételének, illetve a környezeti tényezők folyamatos változása miatt általános modellt alkotni nehéz (Clercq és mtsai, 2017), sőt a kutatások eredménye sokszor ellentmondásos. A tanulmány keretein belül az ország egyik vezető egyetemén megvalósuló követéses vizsgálat adatait elemeztük abból a célból, hogy (1) összegyetemi szinten feltérképezzük a felvételi pontszám tanulmányi sikerességre, majd diplomaszerzésre gyakorolt előrejelző erejét, (2) jellemezzük ugyanezen jelenség működésének mechanizmusait a főbb képzési területeken, azaz az egyetemi struktúrát alapul véve képzési területi bontásban elemezzük, hogy a felvételi pontszám alapján milyen mértékben jelezhető előre a sikeres tanulmányi teljesítmény, majd a diplomaszerzés. Az elemzés mintáját az egyetem bemeneti kompetenciamérésén részt vett 3248 hallgató eredményei, illetve a hallgatók követéses tanulmányi adatai képezték. Az adatfelvétel az eDia rendszer támogatásával valósult meg. Az eredmények alapján összegyetemi szinten a felvételi pontszám pozitív és közepes erősségű előrejelző erővel bírt az első évben megszerzett kreditek mennyiségére, ami már közepes-erős erővel jelezte előre a későbbi diplomaszerzést. A felvételi pontszám diplomaszerzést közvetlenül előrejelző hatása alacsony szintűnek bizonyult. A karonként lefuttatott modellek és útegyütthatóik között jelentős különbségek manifesztálódtak, ugyanakkor megállapítható, hogy a lemorzsolódás csökkentése és a sikeres diplomaszerzés támogatása céljából képzési területtől függetlenül elsődlegesen a tanulmányaikat kezdő hallgatók azon sajátosságaira érdemes fókuszálni, amelyek módosíthatóak, és a leginkább meghatározó erővel bírnak az első két szemeszter sikeres elvégzésére, ugyanis az első éves sikeres egyetemi teljesítmény komoly előrejelző erővel bír a későbbi sikeres diplomaszerzésre.
Funder
Hungarian Scientific Research Fund
Magyar Tudományos Akadémia
Reference56 articles.
1. Ahmad, Z., & Shahzadi, E. (2018). Prediction of students’ academic performance using artificial neural network. Bulletin of Education and Research, 40(3), 157–164.
2. Akessa, G. M., & Dhufera, A. G. (2015). Factors that influence students’ academic performance: A case of Rift Valley University, Jimma, Ethiopia. Journal of Education and Practice, 6(22), 55–63.
3. Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(3), 1–21. https://doi.org/10.1186/s41239-020-0177-7
4. Aulck, L., Velagapudi, N., Blumenstock, J., & West, J. (2017). Predicting student dropout in higher education. ICML Workshop on #Data4Good: Machine Learning in Social Good Applications. https://doi.org/10.48550/arXiv.1606.06364
5. Behr, A., Giese, M., Teguim Kamdjou, H. D., & Theune, K. (2020). Dropping out of university: a literature review. Review of Education, 8(2). 614–652 DOI: 10.1002/rev3.320