摘要：Ergebnisindikatoren von Studierbarkeit können als studienerfolgsrelevante Kenngrößen operationalisiert und dadurch modelliert und prognostiziert werden. Im vorliegenden Papier wird gezeigt wie die Wahl eines passenden Machine-Learning-Verfahrens sowohl die Prognose individueller Studierbarkeit mit einer Treffsicherheit von fast 90% als auch die Identifizierung von Einflussfaktoren auf individuelle Studierbarkeit ermöglicht. Weiters wird eine konzeptionelle Verschränkung des Prognosemodells mit einem Simulationsmodell diskutiert um die strukturelle Dimension von Studierbarkeit analysieren zu können.
