For the student, the graduation project is in most universities the final step towards graduation and increased opportunities in the professional career. It is not uncommon for students to struggle with the thesis in order to complete their graduation, resulting in disrupted plans, delays in completion and the worst case, non-completion of their degrees. This outcome is undesirable for not only the individual student or the university but also society at large.

The effects of a failed thesis are waste of resources and the supply of qualified individual in the society, for the student, the effects include lesser possibilities in the career, lower pay. Thus, the dissertation is addressing the problem of the management of resources in higher education, especially in undergraduate thesis supervision.

There are three aspects of the overall problem addressed in this dissertation; a practical problem in respect of too many uncompleted theses, or not completed on time. Another practical problem is increasing of the demand that is not accompanied by increased resources on a comparable scale. The third aspect of the problem is lack of knowledge in understanding the factors affecting the thesis process resulting in dropouts or delays. The lack of knowledge may result in a blind management process.

Two research questions investigate the problem, what factors influence the thesis completion or non-completion that can be useful for management, secondly, what management principles can be helpful to secure high quality in higher education.

The questions are answered through several studies that employ mixed-methods and learning analytics techniques which include data mining and the application of statistics and machine learning algorithms. In total, over 3000 thesis projects have been studied.

The thesis contributes with a better understanding of the factors that influence completion and non-completion of thesis projects, management guidelines for the thesis process, and a novel methodological approach using learning analytics and machine learning to support data-driven decision-making about thesis processes.

För en student är examenprojektet vid de flesta universitet det sista steget inför examen som ger ökade möjligheter i karriären. Det är inte ovanligt att studenter kämpar med sin uppsats för att kunna slutföra examen, vilket resulterar i rubbade planer, förseningar i att avsluta utbildningen och i värsta fall, att utbildning inte fullföljs alls. Detta är ett oönskat resultat inte bara för den enskilda studenten eller universiteten utan också för samhället i stort.

Effekterna av att misslyckas med uppsatsen är ett slöseri med resurser och leder till minskad tillgång till kvalificerad individer i samhället. För studenten blir effekten sämre karriärmöjligheter och lägre lön. Avhandlingen undersöker problemet att hantera resurser inom högre utbildning, särskilt när det gäller examensarbete.

Det finns tre aspekter av det övergripande problemet som tas upp i avhandlingen. Ett praktiskt problem med för många ofullständiga uppsatser, eller uppsatserr som inte avslutas i tid. Ett annat praktiskt problem är ökande efterfrågan på högre utbildning, som inte möts av ökande tilldelning av resurser i motsvarande grad. Den tredje aspekten av problemet är bristen på kunskap för att förstå de faktorer som påverkar uppsatsprocessen vilket resulterar i bortfall eller oönskade förseningar. Bristen på denna kunskap kan leda till en blind ledningsprocess.

Två forskningsfrågor formuleras för att undersöka problemet, vilka faktorer påverkar uppsatsen fullbordande eller ej. Faktorer som kan vara användbara för ledningen att känna till, och för det andra vilka ledningsprinciper kan vara till hjälp för att säkerställa hög kvalitet i högre utbildning.

Frågorna besvaras genom flera studier som använder blandade metoder och learning analyticstekniker, inklusive data mining och tillämpning av statistika metoder och maskininlärningsalgoritmer. Totalt har över 3 000 uppsatsprojekt studerats.

Avhandlingen bidrar till en bättre förståelse av de faktorer som påverkar avslutande eller icke avslutande av ett uppsatsprojekt, samt riktlinjer för uppsatsprocessen pekar dessutom på en ny metodik som använder learning analytics och maskininlärning för att stödja datadrivna beslut om uppsatsprocesser.