학사경고자 예측을 위한 학습분석학적 모형 탐색
Exploring a Model for Predicting Academic Warning with Learning Analytics
0
조회
0
다운로드
16
인용
0
참고문헌
키워드
초록
본 연구는 대학에서 학습에 어려움을 겪고 있는 학습자에게 적절한 지원을 제공할 수 있도록 대학의 정보시스템을 통해 축적되고 있는 데이터를 통한 학사경고자 예측 가능성을 탐색하고자 하였다. 이에 학사경고자의 특징을 확인하고, 학기 시작 후 8주 동안 수집 가능한 데이터를 활용하여 학기말 학사경고자를 예측할 수 있는 모형을 개발하고자 하였다. 이를 위해 본 연구는 A대학의 2017학년도 2학기 재학생 4,433명의 개별특성, 대학관련 특성, 고교관련 특성, 대학생활관련 특성, 학문적 특성에 따른 29개의 변수를 사용하여 로지스틱 회귀분석을 실시하였다. 그 결과, 학사경고에 정적인 영향을 미치는 변수는 고교관련 특성의 고교유형, 대학생활 관련특성의 휴학횟수, 누적된 학사경고횟수, 학문적 특성의 수강신청전공학점으로 나타났다. 부적인 영향을 미치는 변수는 대학관련 특성의 이수학기, 대학생활 관련특성의 도서대출횟수, 학문적 특성의 직전학기 총 평점으로 확인되었다. 선정된 변수를 통해 도출된 모형은 학사경고자를 59.9% 예측하는 것으로 나타났으며, 예측정확도는 92.8%로 나타났다. 본 연구결과를 통해 학사경고자를 조기에 예측할 수 있음이 확인되었으나, 예측율을 높일 수 있도록 데이터의 수집 및 전처리 과정이 정교화될 필요가 있음을 시사하고 있다.
Abstract
This study aims to explore the possibility of predicting academic warning through the data accumulated through the information systems in higher education so as to help the students who are having difficulties in learning at university. For this purpose, the study tried to identify the characteristics of the students who received academic warning and develop a model that can predict the academic warning of students at the end of the semester using data collected during 8 weeks after the start of the semester. This study conducted logistic regression analysis using 29 variables according to individual characteristics, college related characteristics, high school related characteristics, college life related characteristics, and academic characteristics of 4,433 students who enrolled in the fall semester of 2017 in A university. As a result, high school type, number of leave of absences, cumulative number of academic warning, and academic credits have a statistically significant effect on the academic warning. Variables with negative effects were identified as the number of semesters, the number of book borrowings, and the last semester cumulative GPA. The model derived from the selected variables predicted 59.9% of students who received academic warning, and the prediction accuracy was 92.8%. Although the results of this study confirm that students who receive an academic warning can be predicted early, it suggests that the data collection and preprocessing process needs to be elaborated to improve the prediction rate.
참고문헌 (34)
- 권해수, "데이터마이닝을 활용한 학사경고 결정 요인", 인간이해, 37(2), pp.29~46 (2016), 학생생활상담연구소
- 김성식, "대학생들의 학업중단 및 학교이동에 대한 탐색적 분석 : 대학선택요인과 대학생활 만족도의 영향", 한국교육, 35(1), pp.227~249 (2008), 한국교육개발원[DOI]
- 김수연, "대학생의 학업지속과 중도탈락 요인 분석", 한국교육, 33(4), pp.33~62 (2006), 한국교육개발원
- 김용남, "대학생의 학업중단 요인 분석", 박사, 교육행정학및교육사회학, pp.2009
- 김종두, "학사경고 학생들의 면담과 학업성취도", 한국엔터테인먼트산업학회논문지, 10(3), pp.253~265 (2016), 한국엔터테인먼트산업학회
- 남상은, "대학생 학사경고자를 위한 코칭 프로그램의 개발 및 적용에 관한 실행연구(Action Research)", 교양교육연구, 11(1), pp.281~311 (2017), 한국교양교육학회
- 박종배, "대학생의 도서관 이용과 학업성취도 간의 영향관계 분석", 한국도서관·정보학회지, 45(2), pp.5~27 (2014), 한국도서관·정보학회[DOI]
- AMOS 통계분석방법, "SPSS", pp.2008, 송지준
- 연보라, "대학생의 중도탈락 시기 및 영향요인 분석", 교육사회학연구, 25(1), pp.129~155 (2015), 한국교육사회학회[DOI]
- 오영재, "대학간 학생이동의 영향요인에 관한 실증적 연구", 교육행정학연구, 23(1), pp.327~356 (2005), 한국교육행정학회
- 유지원, "일반대학에서 교양 e-러닝 강좌의 중도탈락 예측모형 개발과 조기 판별 가능성 탐색", 컴퓨터교육학회 논문지, 17(1), pp.1~12 (2014), 한국컴퓨터교육학회[DOI]
- 이상우, "대학신입생의 특질이 대학생활의 성과에 미치는 영향 : 비전형요소를 중심으로", 산업경제연구, 24(3), pp.1863~1883 (2011), 한국산업경제학회
- 이용진, "학사경고생의 특성 변인과 교육적 개입 필요성에 대한 탐색", 교육방법연구, 29(1), pp.161~184 (2017), 한국교육방법학회[DOI]
- 이학식, "SPSS 22 매뉴얼" (2015), 집현재
- 이혜주, "데이터마이닝을 이용한 학업성취 결정요인 탐색", 아동교육, 22(2), pp.5~18 (2013), 한국아동교육학회
- 이훈희, "학습분석학을 이용한 학사경고자 예측에 관한 실증적 연구", 석사, pp.2017
- "한국대학평가 인증 기본방향" (2018), 한국대학교육협의회[URL]
- Logistic regression using SAS: Theory and application, "Allison, P. D.", SAS Institute, ~ (2012)
- Casey, M., "Academic probation, student performance and strategic behavior", annual meeting for the Association for Education Finance and Policy (2015)
- Cherry, E., "Proving our worth: The impact of electronic resource usage on academic achievement", College & Undergraduate Libraries, 20(3-4), pp.386~398 (2013)
- Chatti, M. A., "A reference model for learning analytics", International Journal of Technology Enhanced Learning, 4(5), pp.318~331 (2012)
- Chawla, N. V., "SMOTE : synthetic minority over-sampling technique", Journal of artificial intelligence research, 16, pp.321~357 (2002)
- Cox, D. R., "The regression analysis of binary sequences", Journal of the Royal Statistical Society. Series B, pp.215~242 (1958)
- Dobbin, K. K., "Optimally splitting cases for training and testing high dimensional classifiers", BMC medical genomics, 4(1), pp.31~ (2011)
- "Things you should know about analytics, EDUCAUSE 7 things you should know series" (2010)[URL]
- "The Effects of Academic Probation on College Success: Lending Students a Hand or Kicking Them While They Are Down?" (2010)[URL]
- Hanger, M. A., "The bounce back retention program: One-year follow-up study", Journal of College Student Retention: Research, Theory & Practice, 13(2), pp.205~227 (2011)
- Harrell, F. E., "Regression modeling strategies", pp.311~325 (2015), Springer, Cham
- The 2011 Horizon Report, "Johnson, L.", The New Media Consortium, ~ (2011)
- "Logistic regression (with R)" (2007)[URL]
- Pascarella, E. T., "A multiinstitutional, path analytic validation of Tinto’s model of college withdrawal", American educational research journal, 20(1), pp.87~102 (1983)
- Romero, C., "Educational data mining: A review of the state of the art", IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), pp.601~618 (2010)
- Sage, T. L., "Academic Probation_How students navigate and make sense of their experiences", master’s, pp.2010
- "What are learning analytics?" (2010)[URL]