본문 바로가기
KERD
논문KCI 등재

온라인 학습자의 중도탈락 예측 요인 탐색: 랜덤 포레스트를 적용하여

Exploring Factors Predicting Student Dropout in Online Learning: Using Random Forest Model

이성혜|김석원|박혜진
한국교육공학회 (Korean Society Of Educational Technology)|2022.03|교육공학연구 (Journal of Educational Technology)|제38권 제1호|pp. 297-332|DOI http://dx.doi.org/10.17232/KSET.38.1.297

0

조회

0

다운로드

7

인용

0

참고문헌

키워드

기계학습online learning온라인 학습machine learning랜덤 포레스트random forestdropout중도탈락로그 데이터log data
주제분류교육학

초록

본 연구는 중․고등학생 대상 온라인 교육 프로그램에서 중도탈락 주요 예측 요인을 탐색하고 중도탈락 예측 요인은 중도탈락 학습자와 수강지속 학습자 간에 차이가 있는지 분석하고자 하였다. 이를 위해 본 연구에서는 2020년 3월부터 6월까지 총 12주의 교육 기간 중 6주 동안 K-대학 온라인 교육 학습관리시스템에 기록된 788명의 로그 데이터(학습자 변인, 학습활동 데이터, 학습 콘텐츠 데이터)와 콘텐츠 인식 설문 데이터를 분석에 포함하였다. 중도탈락 예측 요인 탐색을 위해 랜덤 포레스트(random forest)를 적용하여 분석하였으며, 중도탈락 예측 요인에서 중도탈락 학습자와 수강지속 학습자 간 차이를 알아보고자 독립표본 t 검증을 실시하였다. 분석 결과, 중도탈락을 예측하는 상위 주요 8개 변인은 과제 성적, 과제 제출, 로그인 횟수, eBook 학습 횟수, 학습 질문 횟수, 로그인 간격, 로그인 규칙성, 자기효능감으로 확인되었다. 또한 중도탈락 주요 예측 요인으로 도출된 상위 8개 변인 모두에서 중도탈락 학습자와 수강지속 학습자 간 차이가 있는 것으로 분석되었다. 연구결과를 토대로 본 연구의 의의와 시사점을 제시하였다.

Abstract

This study was to investigate meaningful student dropout factors and to examine the differences between dropout and persistent learners in online education program for middle and high school students. Both log data(learner individual characteristics, learning activity data, learning content data) and survey data, which were recorded in the learning management system for 6 weeks out of a total of 12 weeks education period from March to June 2020, were collected from 788 learners who enrolled in the online program offered by K university. To this end, the Random Forest Model technique in Machine Learning(ML) was applied to explore factors predicting dropout, and the independent-samples t-test was carried out to examine the difference in learning behavior between dropout and persistent learners. Findings revealed that the top eight important factors predicting dropout were identified as assignment score, assignment submission, login number, number of eBook learning, number of questions, login interval, login regularity, and self-efficacy. In addition, dropout and persistent learners showed statistical differences in all the top eight factors derived as major factors for the dropout prediction. Further implications and significance of these findings were discussed.

참고문헌 (99)

  1. 교육소외 청소년을 위한 방송통신 중․고등학교 운영방안 연구, "강성국", 한국교육개발원, ~ (2014)
  2. 권선아, "원격고등교육에서 성인학습자의 중도탈락에 관한 로지스틱 회귀분석", 평생학습사회, 16(4), pp.149~169 (2020), 원격교육연구소[DOI]
  3. 권혜진, "개인, 교육기관, 사회적 변인이 사이버대 재학생의 중도탈락의도 결정에 미치는 영향", 한국콘텐츠학회 논문지, 10(3), pp.404~412 (2010), 한국콘텐츠학회
  4. 김미림, "랜덤 포레스트를 활용한 대학생의 최초 취업 사교육 참여 시점별 특성 분석", 교육연구논총, 40(1), pp.1~33 (2019), 교육연구소[DOI]
  5. 김지현, "사이버대학생의 중도탈락 결정요인에 관한 연구", 사이버교육연구, 7(2), pp.1~16 (2013)
  6. 방송대생 학업지속률 제고를 위한 학업중단경험의 제유형 및 결정요인의 분석, "남신동", 한국방송통신대학교 원격교육연구소, ~ (2014)
  7. 노민정, "Adaptive LASSO를 통한 진로결정 관련 변수 탐색", 열린교육연구, 27(4), pp.133~155 (2019), 한국열린교육학회[DOI]
  8. 대학알리미, "중도탈락 학생 현황(대학)", ~ (2021)
  9. 박미현, "머신러닝 분류기법을 적용한 중학생의 학습 부진 예측모형 개발연구: 대구교육종단자료를 중심으로", 교육공학연구, 37(3), pp.627~648 (2021), 한국교육공학회[DOI]
  10. 박소영, "랜덤 포레스트를 활용한 고등학생의 진로개발역량 예측변수 탐색", 열린교육연구, 29(1), pp.239~265 (2021), 한국열린교육학회[DOI]
  11. 서선주, "사이버대학생들의 중도탈락 요인에 관한 연구", 석사, 평생교육, pp.2004
  12. 손윤희, "랜덤 포레스트를 활용한 읽기소양 수준에 따른 집단 결정요인 분석: PISA 2018 자료를 중심으로", 아시아교육연구, 21(1), pp.191~215 (2020), 교육연구소[DOI]
  13. 신종호, "학습분석 기반 대학 신입생 대상 학습부진 위험학생 조기예측 모델 개발 및 군집별 특성 분석", 교육공학연구, 35(2), pp.425~454 (2019), 한국교육공학회[DOI]
  14. 유지원, "일반대학에서 교양 e-러닝 강좌의 중도탈락 예측모형 개발과 조기 판별 가능성 탐색", 컴퓨터교육학회 논문지, 17(1), pp.1~12 (2014), 한국컴퓨터교육학회[DOI]
  15. 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
  16. 유진은, "기계학습: 대용량", 패널자료와 학습분석학 자료 분석으로의 활용, 2019, pp.35(2), 313~338[DOI]
  17. 유진은, "기계학습 기법을 활용한 플립러닝 강좌의 LMS 로그파일 분석 사례 연구", 열린교육연구, 28(5), pp.79~102 (2020), 한국열린교육학회[DOI]
  18. 유진은, "Group Mnet 기계학습 기법을 통한 중학생의 끈기(grit) 관련 변수 탐색", 한국청소년연구, 31(1), pp.157~182 (2020), 한국청소년정책연구원[DOI]
  19. 이대현, "학습분석 기반 중도탈락 예측 모델", 한국컴퓨터교육학회 학술대회논문집, 25(1), pp.211~213 (2021)
  20. 이성혜, "온라인학습환경에서 학업성취도에 영향을 미치는 자기조절학습 변인 및 학습행동 데이터 특성 탐색", 교육정보미디어연구, 27(2), pp.723~748 (2021), 한국교육정보미디어학회
  21. 이은정, "랜덤 포레스트를 활용한 4년제 대학 중도탈락률 예측 요인 탐색: 대학 수준 결정요인을 중심으로", 교육공학연구, 36(1), pp.191~219 (2020), 한국교육공학회[DOI]
  22. 이종현, "머신러닝을 활용한 중학교 수학 기초학력 미달 비율 예측모형 탐구", 교육공학연구, 37(1), pp.95~129 (2021), 한국교육공학회[DOI]
  23. 이지은, "학생 중도탈락 예측지수에 관한 사후검증 연구", 한국빅데이터학회 학회지, 4(2), pp.175~183 (2019), 사)한국빅데이터학회[DOI]
  24. 이현우, "머신러닝 기반의 학업성취 예측 모형 탐색: 대학의 오프라인 수업을 중심으로", 교육방법연구, 33(1), pp.29~46 (2021), 한국교육방법학회
  25. 임연욱, "사이버대학 학습자관련 변인과 중도탈락 간의 관계 규명을 위한 실증적 연구", 정보교육학회논문지, 11(2), pp.205~219 (2007), 한국정보교육학회
  26. 전주성, "사이버대학의 잠재적 중도탈락자 예측에 관한 연구", Andragogy Today: Interdisciplinary Journal of Adult & Continuing Education (IJACE), 13(1), pp.121~139 (2010), 한국성인교육학회[DOI]
  27. 정선정, "직업교육 이러닝(e-Learning)의 중도탈락 원인 분석", 석사, 멀티미디어학, pp.2006
  28. 정영란, "사이버대학에서의 재등록률 영향 요인 분석", 교육방법연구, 28(4), pp.791~814 (2016), 한국교육방법학회[DOI]
  29. 정영란, "학습분석학 기반의 사이버대학의 중도탈락 예측 분석", 교육방법연구, 32(2), pp.205~232 (2020), 한국교육방법학회
  30. 정주영, "사이버대학생의 중도탈락 의도에 영향을 미치는 요인 탐색연구", 한국교육문제연구, 35(4), pp.149~168 (2017), 한국교육문제연구소[DOI]
  31. 방송대 학습자의 학업지속 장애요인 극복 방안, "정혜령", 한국방송통신대학교 원격교육연구소, ~ (2015)
  32. 정혜원, "청소년의 읽기 소양과 삶의 만족도의 영향변인 탐색: PISA 2018 한국 핀란드 국제비교", 교육과정평가연구, 24(1), pp.123~152 (2021), 한국교육과정평가원
  33. K-MOOC(한국형 공개 온라인 강좌)의 현황과 개선과제, "조인식", 국회입법조사처, ~ (2020)
  34. 조일현, "이러닝에서 학습자의 시간관리 전략이 학업성취도에 미치는 영향: 학습분석학적 접근", 교육정보미디어연구, 19(1), pp.83~107 (2013), 한국교육정보미디어학회
  35. 주영주, "기업 사이버교육에서 학습자의 중도탈락에 대한 결정요인 분석", 교육정보미디어연구, 14(4), pp.5~25 (2008), 한국교육정보미디어학회
  36. 주영주, "사이버대학 학생의 중도탈락 경험에 근거한 중도탈락 요인에 관한 질적 연구", 교육정보미디어연구, 13(3), pp.209~233 (2007), 한국교육정보미디어학회
  37. 주영주, "사이버대학에서 인지된 고립감, 조직의 지원, 만족도, 학습지속의향간 구조적 관계 규명", 전자공학회논문지, 49(10), pp.240~250 (2012), 대한전자공학회
  38. 한정윤, "온라인 소프트웨어 교육에서 학습자의 자기조절학습 관련 특성에 기반한 온라인 학습 유형 분석: 계층적 군집 분석 기법을 활용하여", 컴퓨터교육학회 논문지, 22(5), pp.51~65 (2019), 한국컴퓨터교육학회[DOI]
  39. 황현정, "학습결과 분석을 통한 원격대학 중도탈락 예측 시스템 AI 알고리즘 적용방안", 컴퓨터교육학회 논문지, 24(5), pp.63~73 (2021), 한국컴퓨터교육학회[DOI]
  40. Allen, J. S., "Online faculty behaviors that impact student persistence", doctor, pp.2017
  41. Bandura, A., "Self-Efficacy: The exercise of control" (1997), W.H. Freeman and Company
  42. Behr, A., "Early Prediction of University Dropouts-A Random Forest Approach", Jahrbücher für Nationalökonomie und Statistik, 240(6), pp.743~789 (2020)
  43. Bettinger, E., "The effects of class size in online college courses : Experimental evidence", Economics of Education Review, 58, pp.68~85 (2017)
  44. Boton, E. C., "Minimizing attrition in online degree courses", Journal of Educators Online, 12(1), pp.62~90 (2015)
  45. Borrella, I., "Predict and Intervene: Addressing the Dropout Problem in a MOOC-based Program", Proceedings of Sixth ACM Conference, pp.1~9 (2019)
  46. Breiman, L., "Random forests", Machine Learning, 45, pp.5~32 (2001)
  47. "Random forests"[URL]
  48. Breiman, L., "RandomForest: Breiman and cutler’s random forests for classification and regression. R package version", 4.6~14 (2018)
  49. Carr, S., "As distance education comes of age, the challenge is keeping the students", Chronicle of Higher Education, 46(23), pp.A39~A41 (2000)[DOI]
  50. Castles, J., "Persistence and the adult learner : Factors affecting persistence in Open University students", Active Learning in Higher Education, 5(2), pp.166~179 (2004)
  51. Chae, Y., "Korean high school student perceptions of classroom quality : Validation research", Gifted and Talented International, 22(2), pp.68~76 (2007)
  52. Chen, J., "MOOC dropout prediction using a hybrid algorithm based on decision tree and extreme learning machine", Mathematical Problems in Engineering, 1, pp.1~11 (2019)
  53. Choi, H. J., "Factors affecting adult student dropout rates in the korean cyber-university degree programs", Journal of Continuing Higher Education, 66(1), pp.1~12 (2017)
  54. Chung, A. Y., "Dropout early warning systems for high school students using machine learning", Children and Youth Services Review, 96, pp.346~353 (2019)
  55. Coussement, K., "Predicting student dropout in subscription-based online learning environments : The beneficial impact of the logit leaf model, Decis", Support Syst, 135, pp.113325~ (2020)
  56. Dalipi, K., "MOOC dropout prediction using maching learnig techniques: Review and reseaech chanllenge", 2018 IEEE Global Engineering Education Conference(EUCON). Santa Cruze de Tenerife (2018)
  57. Dass, S., "Predicting student dropout in self-paced MOOC course using random forest model", Information, 12(11), pp.476~ (2021)
  58. Dupin-Bryant, P., "Pre-entry variables related to retention in online distance education", American Journal of Distance Education, 18(4), pp.199~206 (2004)
  59. Genuer, R., "Variable selection using random forests", Pattern Recognition Letters, 31, pp.2225~2236 (2010)
  60. Goodfellow, I., "Deep learning" (2016), The MIT Press
  61. Halawa, S., "Dropout prediction in MOOCs using learner activity features", Proceedings of the second European MOOC stakeholder summit, 37(1), pp.58~65 (2014)
  62. Hamza, M., "An empirical comparison of ensemble methods based on classification trees", Journal of Statistical Computation and Simulation, 75(8), pp.629~643 (2005)
  63. Hart, C., "Factors associated with student persistence in an online program of study : A review of the literature", Journal of Interactive Online Learning, 11(1), pp.19~42 (2012)
  64. Haycock, L. A., "Procrastination in college students : The role of self-efficacy and anxiety", Journal of Counseling & Development, 76(3), pp.317~324 (1998)
  65. Impey, C. D., "Astronomy for astronomical numbers : A worldwide massive open online class", The International Review of Research in Open and Distributed Learning, 16(1), pp.57~79 (2015)
  66. Ishwaran, H., "Variable importance in binary regression trees and forests", Electronic Journal of Statistics, 1, pp.519~537 (2007)
  67. James, S., "Retention, progression and the taking of online courses", Journal of Asynchronous Learning Network, 20(2), pp.75~96 (2016)
  68. Jordan, K., "Initial trends in enrollment and completion of massive open online courses", International Review of Research in Open and Distance Learning, 15(1), pp.133~169 (2014)
  69. Kashyap, A., "Different machine learning models to predict dropouts in MOOCs", 2018 International Conference on Advances in Computing, Communications and Informatics (ICACCI), pp.80~85 (2018), IEEE
  70. Kember, D., "A longitudinal-process model of drop-out from distance education", The Journal of Higher Education, 60(3), pp.278~301 (1989)
  71. Klingsieck, K. B., "Procrastination in a distance university setting", Distance Education, 33(3), pp.295~310 (2012)
  72. Lee, Y., "A review of online course dropout research : Implications for practice and future research", Educational Technology Research and Development, 59(5), pp.593~618 (2011)
  73. Lee, Y., "Discriminating factors between completers of and dropouts from online learning courses", British Journal of Educational Technology, 44(2), pp.328~337 (2013)
  74. Levy, Y., "Comparing dropouts and persistence in e-learning courses", Computers and Education, 48(2), pp.185~204 (2007)
  75. Lim, J. M., "Predicting successful completion using student delay indicators in undergraduate self-paced online courses", Distance Education, 37(3), pp.317~332 (2016)
  76. Mohammed, M. B., "Comparison of five imputation methods in handling missing data in a continuous frequency table", Computer Science, AIP Conference Proceedings, 2355 (2021)
  77. Moore, M., "Distance education : A systems view" (1996), Wadsworth
  78. Morris, L. V., "Predicting retention in online general education courses", American Journal of Distance Education, 19(1), pp.23~36 (2005)
  79. Muse, H. E., "At-risk factors for the community college web-based student", 20th Annual Conference on Distance Teaching and Learning (2005)
  80. Opazo, D., "Analysis of first-year university student dropout through machine learning models : A comparison between universities", Mathematics, 9(20), pp.2599~ (2021)
  81. "Overview of social cognitive theory and of self-efficacy" (2002)[URL]
  82. Park, J., "Factors influencing adult learners' decision to drop out or persist in online learning", Educational Technology & Society, 12(4), pp.207~217 (2009)
  83. Rotgans, J. I., "Situational interest, task engagement, and achievement in an active-learning environment", Learning and Instruction, 21(1), pp.58~67 (2011)
  84. Rovai, A. P., "In search of higher persistence rates in distance education online programs", The Internet and Higher Education, 6(1), pp.1~16 (2003)
  85. "By the numbers: MOOCs in 2021" (2019)[URL]
  86. Strobl, C., "Bias in random forest variable importance measures : Illustrations, sources and a solution", BMC Bioinformatics, 8, pp.25~ (2007)
  87. Strobl, C., "An introduction to recursive partitioning : Rationale, application, and characteristics of classification and regression trees, bagging, and random forests", Psychological Methods, 14, pp.323~348 (2009)
  88. Tinto, V., "Dropout from higher education : A theoretical synthesis of recent research", Review of Educational Research, 45(1), pp.89~125 (1975)
  89. Toledo, I., "Learning analytics to explore dropout in online entrepreneurship education", Psychology, 11, pp.268~284 (2020)
  90. Urdan, T., "Self-efficacy beliefs of adolescents" (2006), Information Age Publishing
  91. van Buuren, S., "Mice : Multivariate imputation by chained equations in R", Journal of Statistical Software, 45(3), pp.1~67 (2011)
  92. Van Hulse, J., "Experimental perspectives on learning from imbalanced data", Proceedings of the International Conference on Machine Learning (ICML 2007), pp.935~942 (2007)
  93. Wang, A. Y., "Predictors of web-student performance : The role of self-efficacy and reasons for taking an on-line class", Computers in Human Behavior, 18, pp.151~163 (2002)
  94. "Beyond prediction: First steps toward automatic intervention in MOOC student stopout" (2015)[URL]
  95. Yasmin, D., "Application of the classification tree model in predicting learner dropout behaviour in open and distance learning", Distance Education, 34(2), pp.218~231 (2013)
  96. 유진은, "TIMSS 2015 Korean Student, Teacher, and School Predictor Exploration and Identification via Random Forests", The SNU Journal of Education Research, 26(4), pp.43~61 (2017), 교육종합연구원
  97. You, J. W., "Identifying significant indicators using lms data to predict course achievement in online learning", Internet and Higher Education, 29, pp.23~30 (2016)
  98. Yukselturk, E., "Predicting dropout student: An application of data mining methods in an online education program", European Journal of Open, Distance and E-Learning, 17, pp.118~133 (2014)
  99. Zimmerman, B. J., "Self-efficacy : An essential motive to learn", Contemporary Educational Psychology, 25(1), pp.82~91 (2000)

관련 논문AI추천

머신러닝 기반 MOOC 중도 탈락 예측모델 개발김민지, 박미주한국정보교육학회 · 정보교육학회논문지2025 · 제29권 제6호대학 온라인 학습에서 LMS 로그데이터를 활용한 자기조절학습 예측 요인 탐색: 학습 시간 관리를 중심으로박지우, 임규연한국교육정보미디어학회 · 교육정보미디어연구2023 · 제29권 제2호머신러닝 기반 온라인 학습성과의 최적 예측모델 수립(Part 2. 학습참여도 예측모델)신정민, 오문환, 이두완, 이장희, 임경화한국실천공학교육학회 · 실천공학교육논문지2025 · 제17권 제2호머신러닝 기반 대학생 중도탈락 예측 모델 구현 방안노윤정한국융합신호처리학회 · 융합신호처리학회 논문지2024 · 제25권 제2호머신러닝 기반 온라인 학습성과의 최적 예측모델 수립 (Part 1. 학습성취도 예측모델)오문환, 이장희, 임경화한국실천공학교육학회 · 실천공학교육논문지2025 · 제17권 제1호머신러닝 기반의 학업성취 예측 모형 탐색: 대학의 오프라인 수업을 중심으로이종문, 이현우, 차윤미한국교육방법학회 · 교육방법연구2021 · 제33권 제1호

이 간행물의 다른 논문 (9건)

근거이론을 활용한 SNS에서 발생하는 학습경험 탐구조규락pp. 1-36학습자 데이터 기반 맞춤형 수업설계에 대한 초등학교 교사의 인식금선영, 이현경, 조영환pp. 37-67초등학교 5-6학년군의 블렌디드러닝에서 학습 격차가 심화되는 과정에 관한 근거이론 연구김민정, 황현석pp. 69-108시선추적 데이터를 활용한 국내 교육 연구 동향 분석: 인지과정 프레임워크를 바탕으로송지수, 신서경pp. 109-148MOOC 환경에서 자기조절학습능력과 지각된 유용성이 학습지속의향에 미치는 영향: 학습몰입의 매개효과 및 과제기술적합성의 조절효과김효진, 김연경, 윤혜주, 송해덕pp. 149-177
원문 보기