일반계 고등학교 학업성취 수준에 따른 학교 특성 비교 : 랏소 로짓 모형을 활용하여
Comparisons of General High-School Characteristics by Academic Achievement Level: Applying the L ASSO L ogit Model
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구는 학생의 학업성취에 영향을 미치는 학교의 특성을 분석하는 데 목적을 두었다. 이를 위해 2019 국가수준학업성취도 평가 결과 나타난 고등학교 학생의 학업성취 수준을 기준으로 우수학력 학생과 노력요망 학생 비율이평균 이상인 학교를 각각 우수학력학교와 노력요망학교로 구분하고, 연구문제를 다음과 설정하였다. 첫째, 교과목별학업성취수준 우수학력학교와 노력요망학교를 예측하는 학교 특성 요인은 무엇인가? 둘째, 이 요인은 우수학력학교와노력요망학교 간 차이가 있는가? 이를 위해 2019년 국가수준 학업성취도 평가 결과와 학생, 교사, 교장 설문조사를분석자료로 활용하였다. 연구문제에 대한 답은 벌점화 회귀모형의 한 방법인 랏소 로짓 모형을 활용하여 분석하였다. 변수별 우수학력학교와 노력요망학교 간 학교특성 평균차이는 분석 결과에서 통계적으로 의미있는 것으로 나타난변수를 중심으로 제시하였다. 국어, 영어, 수학에서 공통적으로 우수학력학교와 노력요망학교 간 차이를 보여주는변수는 학부모 풍토(자녀의 학업성취 향상을 위한 학부모 요구), 기초생활수급대상자 수, 다문화가정 학생수, 학생의학교에 대한 긍정적 인식, 학교설립유형(국공립/사립), 학생 자율학습 시간 등이었다.
Abstract
The study compares the characteristics of high-schools depending on students' academic achievement. To this end, based on the level of academic achievement of high school students, schools are divided into high-achieving and low-achieving schools. Research questions are set as follows. First, what are the predictors of high-achieving and low-achieving schools for reading, English, and mathematics? Second, what is the extent of the differences in the predictors between high-achieving and low-achieving schools? The 2019 National Assessment of Educational Achievement (NAEA) results and surveys from students, teachers, and principals are used for analysis. To find the school-level predictors, first, the LASSO logit model using the penalty regression model is applied. Second, the averages of high- and low-achieving school characteristics are compared. Characteristics that commonly exhit differences between high- and low-achieving schools in reading, English, and mathematics are the parent climate (request of parents to improve their children's academic achievement), the number of students from multicultural families, positive perception of schools, school types(public/private), and students’ self-study time, and so on.
참고문헌 (34)
- 곽현주, "학교 학업성취수준에 영향을 미치는 학교특성 요인: 학업고성취 및 저성취수준에 미친 요인비교를 중심으로", 교육과정평가연구, 19(1), pp.333~358 (2016), 한국교육과정평가원
- 기초학력미달 학생 밀집학교 선정 및 지원 방안, "교육과학기술부", ~ (2009)
- 교육부, "2014년 국가수준 학업성취도 평가 결과 발표", 교육부 보도자료, ~ (2014)
- 구미령, "집단내 상관계수(ICC) 크기에 따른 벌점회귀모형의 변수 선택 및 예측 성능 비교: TALIS 2018 자료의 교사협력 예측 변수 탐색", 아시아교육연구, 22(1), pp.31~59 (2021), 교육연구소
- 국가수준 학업성취도 평가 출제 연구, "구자옥", 한국교육과정평가원, ~ (2019)
- 2012년 국가수준학업성취도 평가 결과: 학교교육의 성과와 변화, "김경희", 한국교육과정평가원, ~ (2013)
- 국가수준 학업성취도 평가의 전수시행에 따른 교육맥락변인 탐색과 설문지 개발, "김성숙", 한국교육과정평가원, ~ (2009)
- 김성숙, "국가수준 학업성취도 평가 결과의 지역간 학력 차이에 따른 초·중·고 학교특성 분석", 교육평가연구, 24(1), pp.51~72 (2011), 한국교육평가학회
- 김진욱, "일반고 수학교과 학업성취도 변화에 영향을 미치는 학교특성 및 교육정책 변인 탐색: 잠재성장모형을 적용하여", 학습자중심교과교육연구, 19(6), pp.55~79 (2019), 학습자중심교과교육학회[DOI]
- 개별 학생 학업성취 변화에 대한 고등학교 학교교육 효과 분석. 학업성취 변화 추이에 기반한 학교교육의 성과와 과제, "김준엽", 한국교육과정평가원, ~ (2015)
- 김형관, "정규화 방법을 이용한 다층모형에서의 변수 선택", 석사, pp.2020
- 김형관, "ICILS 2018 컴퓨터·정보 소양 예측 변수 탐색: glmmLasso를 통한 다층모형에서의 변수 선택", 제주대학교 교육과학연구, 22(4), pp.1~21 (2020), 교육과학연구소[DOI]
- 학교 교육 실태 및 수준 분석(Ⅳ): 고등학교 연구, "남궁지영", 한국교육개발원, ~, pp.연구 보고 RR 2013-24 (2013)
- 학교지원기능 강화를 위한 지방교육행정 혁신 방안 연구, "나민주", 한국지방교육연구소, ~ (2020)
- 노민정, "Adaptive LASSO를 통한 진로결정 관련 변수 탐색", 열린교육연구, 27(4), pp.133~155 (2019), 한국열린교육학회[DOI]
- 문찬주, "일반고 교육역량 강화 정책 효과성 분석: 서울시 일반계 고등학교를 중심으로", 교육행정학연구, 39(1), pp.117~141 (2021), 한국교육행정학회[DOI]
- 2019년 국가수준 학업성취도 평가 결과: 고등학교, "서민희", 한국교육과정평가원, ~, pp.연구자료 ORM 2020-24-1 (2020)
- 2014년 국가수준 학업성취도 평가 결과: 고등학교 학업성취도 변화 추이, "시기자", 한국교육과정평가원, ~, pp.연구자료 ORM 2015-46-2 (2015)
- 유진은, "데이터 마이닝 기법을 통한 교육 패널데이터 분석: 벌점회귀모형과 KYPS 자료", 아시아교육연구, 17(3), pp.1~19 (2016), 교육연구소
- 유진은, "glmmLasso 기계학습 기법을 통한 일반고와 특성화고 고등학생의 학교소속감 예측 변수 탐색", 교원교육, 37(2), pp.467~486 (2021), 교육연구원[DOI]
- 유진은, "Group Mnet 기계학습 기법을 통한 중학생의 끈기(grit) 관련 변수 탐색", 한국청소년연구, 31(1), pp.157~182 (2020), 한국청소년정책연구원[DOI]
- 임현정, "교사 및 교수·학습활동 요인이 학업성취수준 도달에 미치는 차별적 효과", 교육평가연구, 25(1), pp.1~21 (2012), 한국교육평가학회
- 정혜원, "다층자료에 대한 벌점화 회귀모형의 모수추정값과 예측성과 비교 연구", 교육평가연구, 34(1), pp.183~205 (2021), 한국교육평가학회
- Bickel, P., "Regularization in statistics", Sociedad de Estad´ıstica e Investigacio´n Operativa Test, 15(2), pp.27~344 (2006)
- Fan, J., "Variable selection via nonconcave penalized likelihood and its oracle properties", Journal of the American Statistical Association, 96, pp.1348~1360 (2001)
- Why 70, "30 or 80", 20 relation between training and testing sets: A pedagogical explanation, University of Texas at El Paso, pp.2018, ~[DOI]
- Kyung, M., "Penalized regression, standard errors, and bayesian lassos", Bayesian Analysis, 5(2), pp.369~412 (2010)
- Joseph, R, "Statistical Analysis and Data Mining", pp.1~8 (2022)
- Nguyen, H., "Influence of data splitting on performance of machine learning models in prediction of shear strength of soil", Mathematical Probems in Engineering, pp.1~15 (2021)
- Pham, T., "Spatial prediction of rainfall-induced landslides using aggregating one-dependence estimators classifier", J. Indian Soc. Remote Sens, 46(9), pp.1457~1470 (2018)
- Tian, S., "Variable selection and corporate bankruptcy forecasts", Journal of Banking and Finance, 52, pp.89~100 (2015)
- Tibshirani, R., "Regression shrinkage and selection via the lasso", Journal of the Royal Statistical Society, 58(1), pp.267~288 (1996)
- Zou, H., "The adaptive lasso and its oracle properties", Journal of the American Statistical Association, 101, pp.1418~1142 (2006)
- Zou, H., "Regularization and variable selection via the elastic net", Journal of the Royal Statistical Society, 67(2), pp.301~320 (2005)