머신러닝을 활용한 중학교 수학 기초학력 미달 비율 예측모형 탐구
A Study on the Prediction Model for the Ratio of Mathematics Low-Performing Students in Middle School Using Machine Learning
0
조회
0
다운로드
21
인용
0
참고문헌
키워드
초록
교육당국의 노력에도 불구하고 기초학력 미달 학생의 비율이 지속적으로 증가추세에 있다. 기초학력 미달은 학습결손이 초등학교, 중학교, 고등학교로 이어지며 누적되기 때문에 시급히 해결해야 할 교육문제가 되었다. 이에 본 연구는 기초학력 미달에 영향을 미치는 요인을 밝히기 위해 중학교 수학 기초학력 미달 비율을 예측하는 모형을 개발하고, 이 예측모형의 성능 분석과 최적화를 수행하였다. 수집된 자료는 ‘에듀데이터 서비스 시스템’에서 운영하는 2009년부터 2017년까지의 다년간 학교정보 공시자료이며, 이를 11개의 머신러닝 알고리즘을 이용한 예측모형 개발에 투입하고, 개발한 각 모형에 대해 예측유효성을 평가하였다. 연구 결과, 먼저 기초학력 미달 비율을 판단하는 기준으로 중위값 4.7619를 얻었다. 둘째, 머신러닝의 정보획득 지수를 통해서 파악한 중학교 수학 기초학력 미달 비율에 영향을 미치는 요인에는 ‘학생당 방과후학교 지원비’, ‘학생당 학교예산’, ‘남여 학생비율’, ‘방과후학교 프로그램 참여학생수 비율’ 등의 순으로 나타났다. 셋째, 본 연구가 활용한 11개의 머신러닝 알고리즘 중에서 random forest를 통해 개발한 예측모형이 가장 높은 예측유효성을 보여 최적의 알고리즘으로 나타났다. 본 연구 결과를 바탕으로 random forest 머신러닝 알고리즘을 통해 개발한 예측모형이 중학교 수학 기초학력 미달 비율에 영향을 미치는 변인 파악에 유용함을 확인할 수 있었다. 하지만 예측모형의 변인들은 인과관계를 나타내지 않으므로 유의해서 해석해야 한다.
Abstract
Despite the endeavor of education authorities, the ratio of low-performing students continues to increase. Since the learning loss connects and cumulates from elementary to high school, this has become an urgent educational problem to solve. Thus, in order to find out factors affecting low-performing, this study developed models that predict the ratio of middle school low-performing students, and conducted performance analysis and optimization of the prediction models. Data collected was the education public disclosure information from 2009 to 2017, was put into the prediction models developed by 11 machine learning algorithms, and evaluated robustness of the models respectively. Findings were as follows: first, the study gained the median value as categorization criterion of low-performing was 4.7619. Second, according to the information gain index, factors affecting mathematics low-performing in middle school included ‘after school support budget per student’ ‘school budget per student’ ‘the ratio of male/female students’ ‘the number of students participating in after school programs’ in order. Third, random forest prediction model, which has the highest robustness, was identified as an optimal algorithm among the 11 machine learning algorithms utilized in the study. The results of the study confirmed that the prediction model developed by random forest machine learning algorithm was useful to find out factors affecting the ratio of mathematics low-performing students in middle school. However, since variables in the prediction model do not have causality, interpretation with care is required.
참고문헌 (47)
- 곽현주, "학교 학업성취수준에 영향을 미치는 학교특성 요인: 학업고성취 및 저성취수준에 미친 요인비교를 중심으로", 교육과정평가연구, 19(1), pp.333~358 (2016), 한국교육과정평가원
- "한 아이도 놓치지 않고 기초학력 책임진다" (2019), 교육부[URL]
- 김성열, "창원시 중학교 학력수준 분석 및 개선 방안 모색", 디지털융복합연구, 16(12), pp.153~162 (2018), 한국디지털정책학회[DOI]
- 김성열, "학업성취가 높은 학교의 교장들은 무엇이 다른가", KICE Position Paper, 1(5), pp.38~42 (2009)
- 김소영, "초등학교 3학년 학생의 기초학력에 영향을 미치는 변인 고찰", 초등교육연구, 22(2), pp.233~256 (2009), 한국초등교육학회
- 학습부진아 지도 프로그램 개발 연구: 초등학교 국어, 수학, 과학 및 학습전략 프로그램 예시안 개발을 중심으로, "김수동", 한국교육과정평가원, ~, pp.RRC 1998-4 (1998)
- 김양분, "중학생의 학업성취 변화 관련 요인 탐색", 한국교육, 44(1), pp.33~61 (2017), 한국교육개발원[DOI]
- 김지은, "학력향상 중점학교 사업의 기초학력 향상 효과 분석", 초등교육연구, 25(2), pp.117~139 (2012), 한국초등교육학회[DOI]
- 박성혁, "학습 부진아의 교육받을 권리 보장 -기초학력 책임지도제를 중심으로-", 시민교육연구, 40(1), pp.29~46 (2008), 한국사회과교육학회[DOI]
- 안소룡, "우리나라 학교급식 지원정책의 문제점과 개선 방안", 석사, pp.2016
- 중학생 학습부진 원인 분석에 따른 효과적 지원 방안 연구, "양희섭", 서울특별시교육연구정보원, ~, pp.서교연 2011-37 (2011)
- 기계학습(Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구, "오미애", 한국보건사회연구원, ~, pp.연구보고서 2017-46 (2017)
- 김태은, "초등학생의 기초학력 미달 여부에 영향을 미치는 변인들의 효과 분석", 교육심리연구, 26(2), pp.505~521 (2012), 한국교육심리학회[DOI]
- 오주한, "임상의를 위한 다변량 분석의 실제", 대한 견주관절 학회지, 16(1), pp.63~72 (2013), 대한견주관절학회
- 우종필, "빅데이터 분석대로 미래는 이루어진다" (2017), 매일경제신문사
- 유미경, "중학교 기초학력 성취도 차이에 미치는 영향 요인 분석", 박사, pp.2016
- 이성은, "방과후학교지원비의 기초학력향상 효과 분석", 교육종합연구, 10(3), pp.211~233 (2012), 교육종합연구원
- 이은정, "랜덤 포레스트를 활용한 4년제 대학 중도탈락률 예측 요인 탐색: 대학 수준 결정요인을 중심으로", 교육공학연구, 36(1), pp.191~219 (2020), 한국교육공학회[DOI]
- 이재규, "경영정보시스템 원론" (2005), 법영사
- 이정연, "서울시 초․중 학생들의 교육격차 분석: 2010년∼2013년 학업성취도를 중심으로", 서울교육, 56(1), pp.142~155 (2014)
- 이종석, "돈이 보이는 빅데이터: 새로운 기회와 수익을 만드는 빅데이터 사용법" (2018), 김영사
- 이형일, "평가와 선택기법에 기반한 대표패턴 생성 알고리즘", 한국컴퓨터정보학회논문지, 14(3), pp.139~147 (2009), 한국컴퓨터정보학회
- 이효정, "중학교 기초학력 미달률에 미치는 학교환경과 교장공모제의 효과", 교육과정평가연구, 21(1), pp.173~195 (2018), 한국교육과정평가원[DOI]
- 임종헌, "초･중학교의 기초학력 향상방안 연구", 학습자중심교과교육연구, 17(20), pp.889~918 (2017), 학습자중심교과교육학회[DOI]
- 학습부진에 영향을 미치는 학생과 학교의 교육 맥락적 요인 탐색, "임현정", 한국교육개발원, ~, pp.OR 2009-03-07 (2009)
- 빅데이터를 활용한 학업중단 학생 대응 모델 연구, "정제영", 한국교육학술정보원, ~, pp.연구보고 RR 2018-10 (2018)
- 조규락, "데이터 사이언스 가이드: 이해와 실제와 전망" (2020), 학지사
- 기초학력 증진을 위한 정책 개발 기초 연구, "조난심", 한국교육과정평가원, ~, pp.연구보고 RRI 2009-2 (2009)
- 천세영, "교육지원청 수준에서 기초학력 영향변인 연구", 교육학연구, 51(2), pp.37~62 (2013), 한국교육학회
- 한국데이터베이스진흥원, "데이터 분석 전문가 가이드" (2016), 한국데이터베이스진흥원
- 홍석미, "엔트로피를 기반으로 한 특징 집합 선택 알고리즘", 전자공학회논문지 - CI, 41(02), pp.133~140 (2004), 대한전자공학회
- 황진숙, "학습부진학생 지도·지원정책의 개선 방안 연구", 석사, 교육정책, pp.2011
- Amanchukwu, R. N., "A review of leadership theories, principles and styles and their relevance to educational management", Management, 5(1), pp.6~14 (2015)
- Blazer, C., "Supervisor, unintended consequences of high-stakes testing", Information Capsule, 1008, pp.1~21 (2011)
- Breiman, L., "Random forests", Machine Learning, 45(1), pp.5~32 (2001)
- Conway, D. F., "Digital media in teaching and its added value" (2015), Waxmann
- Davis, J., "The relationship between precision-recall and roc curves", Proceeding Icml ’06 Proceedings of the 23rd International Conference on Machine Learning, pp.233~240 (2006)
- Fritsch, J., "A new performance measure and evaluation benchmark for road detection algorithms", The 16th International Ieee Conference on Intelligent Transportation Systems (2013)
- Greiner, M., "Principles and practical application of the receiver-operating characteristic analysis for diagnostic tests", Preventive Veterinary Medicine, 45, pp.23~41 (2000)
- Kumar, Y., "Analysis of parametric & non parametric classifiers for classification technique using weka", International Journal of Information Technology and Computer Science, 7, pp.43~49 (2012)
- Monrad, D. M., "Climate for high achievement: A study of gap-closing schools in South Carolina" (2007), South Carolina Educational Policy Center College of Education University of South Carolina-columbia
- Pitakrat, T., "A comparison of machine learning algorithms for proactive hard disk drive failure detection", Isarcs ‘13 Proceedings of the 4th International Acm Sigsoft Symposium on Architecting Criticial Systems, pp.1~10 (2013)
- Scheerens, J., "Educational effectiveness and ineffectiveness" (2015), Springer
- Swets, J. A., "Measuring the accuracy of diagnostic systems", Science, 240, pp.1285~1293 (1988)
- Symonds, K. W., "After the test: Closing the achievement gaps with data" (2004), Learning Point Associates and Bay Area School Reform Collaborative
- Tamizharasi, K., "Performance analysis of various data mining algorithms", International Journal of Computing Communication and Information System, 6(3), pp.118~127 (2014)
- Wilkinson, C., "Teaching and managing: Inseparable activities in schools" (2018), Routledge