SLAM 2018 konzentriert sich auf die Vorhersage von Fehlern, die ein Schüler beim Einsatz der Duolingo-Anwendung begeht. In diesem Paper beschreiben wir das von uns entwickelte System für diese gemeinsame Aufgabe. Unser System nutzt ein logistisches Regressionsmodell, um die Wahrscheinlichkeit eines Fehlers bei der Bearbeitung einer Übung in der Duolingo-Anwendung in allen drei Sprachspuren – Englisch/Spanisch (en/es), Spanisch/Englisch (es/en) und Französisch/Englisch (fr/en) – vorherzusagen. Während der Entwicklung dieses Systems führen wir eine Ablationsstudie mit mehreren Merkmalen durch und stellen fest, dass kontextbasierte Merkmale eine entscheidende Rolle bei der Modellierung des Spracherwerbs spielen. Unser Modell übertrifft in allen drei Sprachspuren die Baseline-Ergebnisse von Duolingo (AUROC-Werte: en/es = 0,821, es/en = 0,790, fr/en = 0,812). Unsere Arbeit unterstreicht die Bedeutung, günstigen textuellen Kontext für Lernende bereitzustellen, wenn sie eine zweite Sprache erlernen.