Ausgabe Nr. 4 / 2021
Theresa Kley & Pamela Wicker
Der Blick auf Employability im universitären Sportmanagementstudium aus Studierenden- und Dozierendenperspektive
Abstract
Die Studie untersucht, welchen Stellenwert Studierende eines universitären Sportmanagementstudiengangs dem seit der Bologna-Reform geforderten Erwerb von Employability (Beschäftigungsfähigkeit) zuschreiben und inwiefern sich die studentische von der Dozierendenperspektive unterscheidet. Aus differenzierungstheoretischer Sicht werden fremd- und selbstreferenzielle Perspektiven gemäß der eingenommenen Leistungs- und Publikumsrolle konstruiert. Im Rahmen qualitativer Interviews wurden Studierende und Dozierende eines Sportmanagement-Bachelors zum Erwerb von Employability im Studium befragt. Die Ergebnisse zeigen eine heterogene studentische sowie Lehrendenperspektive. Studierende sehen die Universitäten stärker in der Pflicht, die Entwicklung von Employability zu ermöglichen. Hingegen erachten Dozierende die Entwicklung beruflich relevanter Fähigkeiten ohne konkreten Veranstaltungsbezug als im Studium als gewährleistet.
Schlüsselwörter: Beschäftigungsfähigkeit, Employability, Kompetenzen, Studierendenforschung
Zitation: Kley, T. & Wicker, P. (2021). Bauers, S.B. (2021). Der Blick auf Employability im universitären Sportmanagementstudium aus Studierenden- und Dozierendenperspektive. Sciamus - Sport und Management, Jg. 2021, Nr. 4, S. 1-25.
Johannes Philipp Schregel, Marius Leckelt & Henning Zülch
Die Prognose von Erfolg und Misserfolg in der Bundesliga durch Machine Learning: Der FoMa Q-Score als intelligentes Steuerungsinstrumen
Abstract
Die Bundesligavereine haben sich zu komplexen Fußballunternehmen entwickelt, welche ein professionelles Management benötigen. Der Football Management Quality-Score (FoMa Q-Score) ist ein zuverlässiges Scoring-Modell für die Management Qualität. Anhand dieses Proof of Concept wird gezeigt, wie der FoMa Q-Score durch Machine Learning zu einem intelligenten Framework um modelliert werden kann. Dadurch wird die Vorhersage von Bundesligaplatzierungen ermöglicht und es können durch model explainability Techniken spezifische Handlungsempfehlungen für das Management eines Fußballclubs abgeleitet werden, um den zukünftigen Erfolg des Clubs zu steigern.
Die Vorhersagen des Machine Learning Modells haben Genauigkeitsraten zwischen 63 % und 86 % (Balanced Accuracy) und zwischen 78 % und 96 % (AUC).
Schlüsselwörter: Professionelles Fußballmanagement, Machine Learning, Predictive Analytics, FoMa-Q Score, Strategisches Sportmanagement
Zitation: Schregel, J.P. , Leckelt, M. & Zülch, H. (2021). Die Prognose von Erfolg und Misserfolg in der Bundesliga durch Machine Learning: Der FoMa Q-Score als intelligentes Steuerungsinstrument. Sciamus - Sport und Management, Jg. 2021, Nr. 4, S. 26-46.