군집분석과 랜덤 포레스트를 활용한 대학생 중도이탈 위험군 유형 및 결정 요인 탐색

• 영문명: Exploring Types and Determinants of Dropout Risk Groups among University Students Using Cluster Analysis and Random Forest
• 발행기관: 한국교육학회
• 저자명: 장지현 송우리
• 간행물 정보: 『교육학연구』제63권 제7호, 103~130쪽, 전체 28쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2025.11.30

국문 초록

학령인구의 급격한 감소와 함께 대학생의 중도이탈 증가는 고등교육의 질적 안정성과 지속 가능성을 위협하는 중요한 과제로 대두되고 있다. 이 연구는 대학생 중도이탈 위험군을 유형화하고, 각 유형별 특성과 이에 영향을 미치는 요인을 규명하는 것을 목적으로 한다. 이를 위해 A 대학 중도이탈 위기학생 예측 모델에서 추출된 위기학생 2,174명의 데이터를 활용하여 K-평균 군집분석을 실시하였으며, 그 결과 중도이탈 위험군은 ‘초기-비자발적 탈락 위험군’, ‘중기 탈락 위험군’, ‘초기-잠재적 탈락 위험군’의 세 유형으로 구분되었다. 이후 랜덤 포레스트(Random Forest) 기법을 적용하여 유형 구분에 기여하는 주요 요인을 도출하였으며, 다항 로지스틱 회귀분석을 통해 각 요인이 유형별로 어떠한 방식으로 영향을 미치는지를 검증하였다. 분석 결과, 교과 성적, 출결, 상담 신청 형태, 장학금 수혜, 학적 변동, 캠퍼스 접근성 등이 중도이탈 위험군의 구분에 핵심적으로 작용하는 것으로 나타났다. 이러한 결과는 대학생 중도이탈이 단순한 학업 성취 수준의 문제가 아니라 학업·생활·경제·심리·제도적 요인이 복합적으로 작용하는 다차원적 현상임을 나타낸다. 이 연구는 군집분석과 머신러닝 기법을 결합하여 중도이탈 위험군의 세분화와 영향 요인을 실증적으로 규명하였다는 점에서 의의가 있으며, 대학생의 중도이탈 방지를 위한 대학 차원의 체계 구축과 맞춤형 학생지원정책 수립을 위한 근거 자료로 활용될 수 있을 것으로 기대된다.

영문 초록

A declining school-age population and rising university dropout rates threaten the stability and sustainability of higher education. This study aims to empirically classify dropout risk groups, describe their characteristics, and examine associated predictors. Using data from 2,174 students identified as at risk by University A’s machine-learning based dropout prediction model, K-means clustering identified three distinct dropout risk groups: early involuntary dropout risk, mid-term dropout risk, and early latent dropout risk. Random Forest analysis determined key predictors distinguishing the clusters, and multinomial logistic regression assessed the relative influence of these variables. Course performance, attendance, counseling patterns, number of scholarship awards, academic changes, and commuting distance emerged as primary discriminators among risk groups. Findings indicate that dropout risk extends beyond academic underperformance and reflects the combined effects of academic, behavioral, economic, and institutional factors. By integrating cluster analysis with machine learning, this study offers an evidence-based framework for early risk detection and informs targeted student support strategies in higher education.

목차

Ⅰ. Introduction

Ⅱ. Theoretical Background

Ⅲ. Research Method

Ⅳ. Results

Ⅴ. Discussion and Conclusion

References

키워드

중도이탈 군집분석 랜덤 포레스트 고등교육 dropout cluster analysis random forest higher education