본문 바로가기
KERD
논문KCI 등재

학습분석학 기반의 사이버대학의 중도탈락 예측 분석

A prediction analysis on the dropout of cyber university based on learning analytics

정영란
한국교육방법학회 (The Korean Journal Of Educational Methodology Studies)|2020.05|교육방법연구 (The Korean Journal of Educational Methodology Studies)|제32권 제2호|pp. 205-232|DOI 10.17927/tkjems.2020.32.2.205

0

조회

0

다운로드

31

인용

0

참고문헌

키워드

사이버대학중도탈락학업 지속학습분석학
주제분류교육학

초록

본 연구는 학습분석학적 접근을 바탕으로 사이버대학 1학년 신입생의 1, 2학기 중도탈락을 예측하고, 신입생의 첫 학기와 이후 학기의 중도탈락 양상을 비교하여, 확인된 영향 요인들을 바탕으로 학습 과정에서 수집 가능한 데이터 셋에 근거하여 중도탈락 위험군을 분석함으로써, 중도탈락 방지를 위한 시사점을 제시하고자 하였다. 선행연구의 검토를 통해 사이버대학 중도탈락 영향 요인을 학습 여건(경제적 부담, 학업 강도), 학습 과정(학습 참여 활동, 학습 규칙성), 학습 결과(성적, 수업만족도)의 3개 영역에서 6가지 요인으로 도출하여 로지스틱 회귀분석을 통하여 사이버대학 중도탈락 예측 모형을 도출하였다. 분석 결과, 사이버대학의 중도탈락을 예측하는 가장 중요한 요인은 성적(평균 평점)이며, 학습 규칙성, 수업만족도, 전액장학 여부가 예측요인으로 검증되었다. 결과 분석을 통해 중도탈락 방지를 위한 예비적 조치로써 신입생의 첫 학기 학습지원 전략과 이후 학기의 전략의 차별화의 필요성이 도출되었으며, 학습 규칙성을 안정적으로 확보하여 온라인 교육에 적응하도록 하는 것이 중도탈락 없이 학업을 지속하는 핵심전략으로 도출되었다.

Abstract

Based on the learning analysis approach, this study was intended to predict the dropout of freshmen in the first and second semesters of cyber universities, and to compare the dropout patterns of freshmen in the first and second semesters. In order to predict the dropout, the data sets that can be collected in the course of learning were analyzed to distinguish the risk group of dropouts and suggested implications for preventing dropouts. Through the review of the preceding study, six factors were derived in three areas: learning conditions (economic burden, academic intensity), learning processes (learning participation activities, learning regularity), and learning outcomes (grade, class satisfaction) to derive a cyber university dropout prediction model through logistic regression. The analysis shows that the most important factors in predicting a cyber university's dropout are grades(GPA), learning regularity, class satisfaction, and full scholarship are proven predictors. As a result, the need to differentiate between the first semester learning support strategy for new students and the next semester as a preintervention to prevent them from going out of the university. In addition, regular learning was derived as a key strategy to continue the study without dropping out.

참고문헌 (41)

  1. 강민석, "IPA 방법에 의한 사이버대학 운영에 대한 중도탈락자의 인식 및 재학생 중도탈락 방지를 위한 개선사항의 우선순위 규명", 교육정보미디어연구, 16(4), pp.481~503 (2010), 한국교육정보미디어학회
  2. 권혜진, "개인, 교육기관, 사회적 변인이 사이버대 재학생의 중도탈락의도 결정에 미치는 영향", 한국콘텐츠학회 논문지, 10(3), pp.404~412 (2010), 한국콘텐츠학회
  3. 김수연, "대학 학업중단 여부에 영향을 미치는 1학년 적응 과정 분석 -대학 중도탈락생의 이동 경로 구조 기초 연구-", 進路敎育硏究, 25(3), pp.139~160 (2012), 한국진로교육학회
  4. 서종택, "원격평생교육에서 학습자 로그 데이터 및 개인배경 데이터에 기반한 전공계열별수료가능성 탐색적 연구", 박사, pp.2020
  5. 신종호, "대학교육에서 학습분석 적용에 관한 탐색적 연구: 교수자의 관점을 중심으로", 교육공학연구, 31(2), pp.223~252 (2015), 한국교육공학회[DOI]
  6. 유지원, "일반대학에서 교양 e-러닝 강좌의 중도탈락 예측모형 개발과 조기 판별 가능성 탐색", 컴퓨터교육학회 논문지, 17(1), pp.1~12 (2014), 한국컴퓨터교육학회[DOI]
  7. 안미리, "해외 학습분석학(Learning Analytics) 연구에 대한 동향 분석: 실증 연구 중심으로", 교육정보미디어연구, 21(4), pp.601~643 (2015), 한국교육정보미디어학회[DOI]
  8. 안미리, "학습분석학 국내 문헌 고찰: 로그 데이터를 이용한 실증연구를 중심으로", 교육공학연구, 32(2), pp.253~291 (2016), 한국교육공학회[DOI]
  9. 이지은, "학생 중도탈락 예측지수에 관한 사후검증 연구", 한국빅데이터학회 학회지, 4(2), pp.175~183 (2019), 사)한국빅데이터학회[DOI]
  10. 임연욱, "사이버대학 학습자관련 변인과 중도탈락 간의 관계 규명을 위한 실증적 연구", 정보교육학회논문지, 11(2), pp.205~219 (2007), 한국정보교육학회
  11. 정영란, "사이버대학에서의 재등록률 영향 요인 분석", 교육방법연구, 28(4), pp.791~814 (2016), 한국교육방법학회[DOI]
  12. 전주성, "사이버대학의 잠재적 중도탈락자 예측에 관한 연구", Andragogy Today: Interdisciplinary Journal of Adult & Continuing Education (IJACE), 13(1), pp.121~139 (2010), 한국성인교육학회[DOI]
  13. 조일현, "이러닝에서 학습자의 시간관리 전략이 학업성취도에 미치는 영향: 학습분석학적 접근", 교육정보미디어연구, 19(1), pp.83~107 (2013), 한국교육정보미디어학회
  14. 조일현, "학습분석학을 활용한 e-러닝 학업성과 추정 모형의 통계적 유의성 확보 시점 규명", 교육공학연구, 29(2), pp.285~306 (2013), 한국교육공학회
  15. 주영주, "사이버대학 학생의 중도탈락 경험에 근거한 중도탈락 요인에 관한 질적 연구", 교육정보미디어연구, 13(3), pp.209~233 (2007), 한국교육정보미디어학회
  16. 최선, "웹기반 학습자의 중도탈락 요인에 관한 연구 - H 사이버대학을 중심으로", e-비즈니스연구, 9(2), pp.225~245 (2008), 국제e-비즈니스학회[DOI]
  17. Agudo-Peregrina, Á. F., "Predicting academic performance with learning analytics in virtual learning environments : A comparative study of three interaction classifications", 2012 International Symposium on Computers in Education, pp.1~6 (2012)
  18. Baker, R., "Cambridge handbook of the learning sciences", pp.253~274 (2014), Cambridge University Press
  19. Baker, S., "Emergence and Innovation in Digital Learning", pp.83~98 (2016)
  20. Berry, L. J., "Using learning analytics to predict academic success in online and face-to-face learning environments", Doctor, pp.2017
  21. Blackwell, M. L., "Examining Nursing Student Dropout Behavior: An Event History Examining Nursing Student Dropout Behavior: An Event History Analysis Analysis", Doctor, pp.2020
  22. Brooks C., "Handbook of Learning Analytics", pp.61~68 (2017), Society for Learning Analytics Research
  23. Chatti, M. A., "A reference model for learning analytics", International Journal of Technology Enhanced Learning, 4(5), pp.318~331 (2012)
  24. De Freitas, S., "Foundations of dynamic learning analytics : Using university student data to increase retention", British journal of educational technology, 46(6), pp.1175~1188 (2015)
  25. "Learning Analytics: Definitions, Processes and Potential" (2011)[URL]
  26. Grace-Odeleye, B., "Integrated Support Strategies for Promotion of Students’ Retention and Achievement During First Years of College", International Journal of Contemporary Education, 3(1), pp.9~22 (2020)
  27. IMS Global, "Learning Measurement for Analytics Whitepaper" (2013), IMS Global
  28. NMC Horizon Report: 2016 Higher Education Edition, "Johnson, L.", The New Media Consortium, ~ (2016)
  29. Khalil, M., "When Learning Analytics Meets MOOCs - a Review on iMooXCase Studies", Innovations for Community Services: 16th International Conference, I4CS2016, pp.3~19 (2016), Springer International Publishing
  30. Kizilcec, R. F., "Handbook of Learning Analytics", pp.61~68 (2017), Society for Learning Analytics Research
  31. Lacave, C., "Learning Analytics to identify dropout factors of Computer Science studies through Bayesian networks", Behaviour and information technology, 37(10-11), pp.993~1007 (2018)
  32. "Undergraduate retention and graduation rates"[URL]
  33. Long, P., "Penetrating the fog : Analytics in learning and education", EDUCAUSE Review, 46(5), pp.31~40 (2011)
  34. Pardo, A., "Handbook of Learning Analytics", pp.61~68 (2017), Society for Learning Analytics Research
  35. Pistilli, M. D., "Purdue Signals : Mining real-time academic data to enhance student success", About Campus, 15(3), pp.22~24 (2010)
  36. Shum. S. B., "Learning Analytics", UNESCO IITE Policy brief, ~ (2012)
  37. Sperandei, S., "Understanding logistic regression analysis", Biochemia medica : Biochemia medica, 24(1), pp.12~18 (2014)
  38. Toledo, I., "Learning Analytics to Explore Dropout in Online Entrepreneurship Education", Psychology, 11, pp.268~284 (2020)
  39. Vaclavek, J., "Learning Analytics Dashboard Analysing First-Year Engineering Students", Lifelong Technology-Enhanced Learning-13th European Conference on Technology Enhanced Learning, pp.575~578 (2018), Springer
  40. West, D., "Let's talk learning analytics : A framework for implementation in relation to student retention", Online Learning, 20(2), pp.1~21 (2016)
  41. Erman Yukselturk, "Predicting Dropout Student: An Application of Data Mining Methods in an Online Education Program", European Journal of Open, Distance and E-Learning, 17(1), pp.118~133 (2014), Walter de Gruyter GmbH[DOI]

관련 논문AI추천

사이버대학의 잠재적 중도탈락자 예측에 관한 연구전주성한국성인교육학회 · Andragogy Today: Interdisciplinary Journal of Adult & Continuing Education (IJACE)2010 · 제13권 제1호사이버대학교 학생의 중도탈락 원인분석박기홍, 조규락한국교육정보미디어학회 · 교육정보미디어연구2024 · 제30권 제3호사이버대학에서의 재등록률 영향 요인 분석정영란한국교육방법학회 · 교육방법연구2016 · 제28권 제4호학생 중도탈락 예측지수에 관한 사후검증 연구이지은사)한국빅데이터학회 · 한국빅데이터학회 학회지2019 · 제4권 제2호학사경고자 예측을 위한 학습분석학적 모형 탐색김은진, 이현우, 조명희한국교육공학회 · 교육공학연구2018 · 제34권 제4호사이버대학 학습자관련 변인과 중도탈락 간의 관계 규명을 위한 실증적 연구임연욱한국정보교육학회 · 정보교육학회논문지2007 · 제11권 제2호

이 간행물의 다른 논문 (4건)

대학 PBL에서 자기조절, 협력적 자기조절, 집단응집성이 지속수강의향에 미치는 영향노혜란, 최미나pp. 163-183가상현실 치과시뮬레이션에서 학습자의 숙련도가 수행시간, 수행정확도, 과제부하에 미치는 영향김병기, 류지헌, 정무석pp. 185-204온라인매체 활용 교육과 가상⋅증강현실 활용 교육에 대한 교사의 TPACK 수준 비교신원석, 고유정pp. 233-254피드백 및 학생실수에 대한 중등교사의 인식과 피드백 수행의 관계박용한, 오문정pp. 255-282
원문 보기