기계학습 기반 대학원생 학업중단 예측 연구: K 대학을 중심으로
A study on predicting dropout of graduate students based on machine learning: A case of K university
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 대학원생의 학업중단을 예측하고 학업중단에 영향을 미치는 요인에 대한 탐구를 목적으로한다. 이를 위해 기계학습 방법을 이용하였으며, 구체적으로는 부스팅 계열의 XGBoost 알고리즘을 활용하였다. K대학의 2020년~2022년 입학생 데이터를 활용하였으며, 이들의 학적, 장학, 연구 등의 교내데이터를 분석하였다. 모델의 성능을 측정한 결과, F1-score는 0.7417, AUC는 0.9515가 나왔다. 성능 평가 후, SHAP 라이브러리를 통해 학업중단에 영향을 끼치는 피처를 확인하였다. 상위 10개의 피처로분석 시점까지의 월수, 학점, LMS 접속 횟수, 학적 변동 수, 휴학(일반 휴학) 횟수, 연구비 합, 포털 접속 횟수, 입학 학기, 장학금액, 나이 피처를 확인할 수 있었다. 이러한 연구 결과를 통해 다음과 같은교육적 시사점을 도출하였다. 첫째, 대학원생들은 학교 생활을 어느 정도 한 시점에서 학업을 중단하므로, 학교 차원에서 대학원생들의 생활에 관심을 갖고 이들의 어려움을 들으려 하는 노력이 필요하다. 둘째, 학업중단의 위험신호를 포착할 수 있는 교육행정적 장치가 필요하다. 데이터베이스에 별도의 테이블을 만들거나, 학적 데이터에 추가로 기록하는 등의 방식을 통해 학업중단의 신호를 포착할수 있다. 셋째, 학교 차원에서 대학원생들이 연구 과제를 보다 많이 수행할 수 있게 하고, 학생들이장학금 정보에 쉽게 접근할 수 있게 하는 등의 노력이 필요하다. 본 연구의 한계점으로는 재현율의아쉬움, 임계값에 대한 수정 필요성, 구체적인 시스템의 미비를 들 수 있다. 이같은 시사점과 한계점을 바탕으로 본 연구는 대학원생 학업중단을 예측할 수 있는 시스템 구축의 필요성과 방법을 역설하였고, 추가적인 연구를 위한 데이터 확보와 데이터 활용 방안 마련을 촉구하였다.
Abstract
This study aims to predict graduate student dropout rates and explore the factors influencing academic discontinuation. Machine learning methods were utilized, specifically the XGBoost algorithm within the boosting family. Data from students admitted to K University from 2020 to 2022 were analyzed, including their academic records, scholarships, and research activities. After evaluating the performance, the SHAP library was used to identify features that impact dropout. The top 10 influential features were enrolled months, grades, LMS login counts, changes in academic status, number of semesters off, total research funding, portal login counts, admission semester, scholarship amounts, and age. Educational implications derived from the results include the following: First, institutions need to address and listen to difficulties graduate students face to prevent dropout. Second, a model should be implemented to detect early signs of dropout risk, possibly by enhancing database. Third, attempts should be taken to increase graduate student participation in research and improve access to scholarship information. The limitations of this study include a disappointing recall rate, the need to adjust the threshold, and the lack of a specific system. Based on these implications and limitations, this study underscores the necessity and method for developing a system to predict graduate student dropout, advocating for the acquisition and utilization of additional data for further research.
참고문헌 (29)
- 2020 교육통계 분석자료집: 고등교육 통계편, "교육부", 한국교육개발원, ~ (2020)
- 김경리, "대학 신입생 입학만족 및 중도탈락의향에 미치는 영향에 관한 연구 : A대학교의 사례를 중심으로", 교육연구논총, 42(3), pp.5~27 (2021)
- 김명종, "AUC 최적화 부스팅 모형의 기업 부실 예측 연구", 한국지능시스템학회논문지, 34(1), pp.58~67 (2024)
- 김용남, "대학생의 학업중단 요인 분석", 박사, 교육행정학및교육사회학, pp.2009
- 김수연, "대학생의 학업지속과 중도탈락 요인 분석", 한국교육, 33(4), pp.33~62 (2006)
- 김진성, "빅데이터 분석기법을 이용한 대학생 중도 탈락 행태와 영향요인에 대한 분석", 한국지능시스템학회논문지, 31(2), pp.150~157 (2021)
- 김현규, "대학생들의 중도 탈락 예측을 위한 신경망과 그레디언트 부스팅 머신의 성능 비교", 韓國컴퓨터情報學會論文誌, 28(8), pp.49~58 (2023)
- 문승호, "대학신입생의 중도탈락 예측 연구 : 부산 B대학교 사례", Journal of the Korean Data Analysis Society, 24(1), pp.119~132 (2022)
- "‘대학 떠나는 학생들 늘어난다’ 중도 탈락 학생 지난해 9만 명 돌파" (2019)[URL]
- 박혜진, "온라인 학습자의 중도탈락 예측 요인 탐색 : 랜덤 포레스트를 적용하여", 교육공학연구, 38(1), pp.297~332 (2022)
- 서지범, "머신러닝과 설명가능한 인공지능 SHAP을 활용한 사범대 과학교육 전공생의 전공만족도 및 학업만족도 영향요인 탐색", 科學敎育硏究誌, 47(1), pp.37~51 (2023)
- 송연주, "의사결정나무를 활용한 대학생 중도탈락 영향 요인 탐색", 인문사회 21, 13(5), pp.2401~2416 (2022)
- 심정미, "대학생의 외․내적 요인과 중도탈락의도 간의 경로모형 탐색 : 그릿, 진로미결정, 대학생활적응을 중심으로", 한국교육문제연구, 39(4), pp.219~245 (2021)
- 연보라, "대학생의 중도탈락 시기 및 영향요인 분석", 교육사회학연구, 25(1), pp.129~155 (2015)
- 이상우, "대학생의 특성과 학업 중도 탈락의 상관성 분석", 학습자중심교과교육연구, 19(11), pp.1185~1210 (2019)
- 이승형, "구조적 토픽모델링을 활용한 대학 중도탈락 연구동향 분석", 학습자중심교과교육연구, 23(11), pp.293~308 (2023)
- 이용은, "K-겹 교차 검증과 서포트 벡터 머신을 이용한 고무 오링 결함 검출 시스템", 한국가시화정보학회지, 19(1), pp.68~73 (2021)
- 이은정, "랜덤 포레스트를 활용한 4년제 대학 중도탈락률 예측 요인 탐색 : 대학 수준 결정요인을 중심으로", 교육공학연구, 36(1), pp.191~219 (2020)
- 이은정, "생존분석을 적용한 대학 신입생 중도탈락 시점 영향요인 분석 : S대학교 의 사례를 중심으로", 학습자중심교과교육연구, 20(18), pp.235~258 (2020)
- 이은정, "대학 신입생 중도탈락 예측 요인 분석 : S대학 사례를 중심으로", 한국콘텐츠학회논문지, 21(4), pp.317~330 (2021)
- 이은화, "대학생 중도탈락 연구동향과 과제 : 학술지 연구를 중심으로", 학습자중심교과교육연구, 19(10), pp.169~199 (2019)
- 전재은, "지도교수의 대학원생 지도 유형과 대학원생의 학업중단 의사 : 전공계열별 분석", 한국교육학연구, 27(1), pp.407~433 (2021)
- 정도헌, "대학생 중도탈락 예방을 위한 기계 학습 기반 추천 시스템 구현 방안", 한국융합학회논문지, 12(10), pp.37~43 (2021)
- 정주영, "사이버대학생의 중도탈락 의도에 영향을 미치는 요인 탐색연구", 한국교육문제연구, 35(4), pp.149~168 (2017)
- 최고은, "대학원생의 학업성취 및 그 영향 요인들 간 구조적 관계 : 가치 인식 및 흥미의 매개효과를 중심으로", 교육방법연구, 34(4), pp.785~810 (2022)
- 최길성, "D대학 사례를 중심으로 한 전문대학 중도탈락 개선 방안", 한국콘텐츠학회논문지, 13(11), pp.979~987 (2013)
- 최윤희, "대학생의 중도탈락 예측 요인 탐색", 한국콘텐츠학회논문지, 23(6), pp.377~387 (2023)
- 한송이, "대학생의 중도탈락 및 교육적 회복 요인 탐색", 학습자중심교과교육연구, 18(24), pp.1369~1391 (2018)
- 황현정, "학습결과 분석을 통한 원격대학 중도탈락 예측 시스템 AI 알고리즘 적용방안", 컴퓨터교육학회 논문지, 24(5), pp.63~73 (2021)