Loodus- ja täppisteaduste valdkonna üliõpilaste väljalangevus

Abstract

Loodus- ja täppisteaduste (LT) erialadel on probleem suure väljalangevusega. Valdkonna spetsialistide järelkasvu tagamiseks on oluline mõista, mis põhjustab õpingute katkestamist. Käesoleva töö eesmärk oli tuvastada olulised mõjutegurid väljalangevusele ja erialavahetusele Tartu Ülikooli LT valdkonna viiel õppekaval. Uuriti valimit 1167 õppeteekonnast 1139 tudengilt, kes immatrikuleeriti aastatel 2019-2023. Õpingute lõppseise prognoositi multinomiaalse ja binaarse logistilise regressiooniga, võrreldes tunnuste valikut tõepärasuhte testi ja Akaike informatsioonikriteeriumi alusel. Väljalangevuse oluliste mõjuteguritena tuvastati esimesel õppeaastal positiivsele tulemusele läbitud ainepunktide määr ja kõikide õpitud semestrite aritmeetiline keskmine hinne. Binaarse mudeli ennustusvõime oli rahuldav (AUC = 0.903 testhulgal). Erialavahetuse ennustamine ei õnnestunud: mudeli AUC oli vaid 0.675 ning testhulga 27 erialavahetajast prognoositi õigesti 6. Mõlemas mudelis valisid tõepärasuhte test ja AIC samad tunnused, seega statistiliselt mitteoluliste tunnuste lisamine ennustusvõimet ei parandanud.

Student attrition is a significant problem in the fields of science and technology. To ensure that the number of specialists in these fields grow, it is important to understand what causes students to leave their studies. The aim of this thesis was to identify significant predictors of dropout and switching programme at the University of Tartu’s Faculty of Science and Technology. The sample consisted of 1167 study trajectories from 1139 students on five programmes who enrolled on the school years starting on 2019-2023. Outcomes were predicted using multinomial and binary logistic regression, comparing variable selection by likelihood-ratio test and the Akaike information criterion. As significant predictors of dropout, rate of successfully completed course points in the first academic year and arithmetic mean grade across all studied semesters were identified. The predictive power of the binary model was satisfactory (AUC = 0.903 on test set). Prediction of programme switching was not successful: the model’s AUC was only 0.675 and of the 27 switchers in the test set, only 6 were predicted correctly. In both models, the likelihood-ratio test and AIC selected identical variable sets, indicating that including statistically non-significant predictors did not improve predictive performance.