잠재계층성장분석과 머신러닝에 의한 초등학교 저학년 학업수행능력의 종단 유형 예측

• 영문명: Investigating Predictors of the Longitudinal Type of Academic Performance during the Lower Grades of Elementary School Using Latent Class Growth Analysis and Machine Learning
• 발행기관: 학습자중심교과교육학회
• 저자명: 고은경(Goh, Eun-Kyoung)
• 간행물 정보: 『학습자중심교과교육연구』제20권 18호, 1211~1230쪽, 전체 20쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2020.09.30

국문 초록

본 연구의 목적은 잠재계층성장분석과 머신러닝 알고리즘을 사용하여 초등학교 저학년 아동의 학업수행능력 종단 유형을 예측하기 위한 것이다. 초등학교 1학년부터 3학년에 걸쳐 실시된 한국아동패널 8-10차 조사에서 아동 406명의 자료를 활용하였다. 연구결과, 첫째, 초등학교 1-3학년 동안 아동의 학업수행능력 종단 유형은 상위유지 집단(70.0%), 상승 집단(22.2%), 감소 집단(7.9%)으로 분류되었다. 둘째, 초등학교 1-3학년 동안 학업수행능력을 안정적으로 유지하기 어려운 잠재집단을 분별하기 위하여 4개의 머신러닝 알고리즘을 적용한 모델을 개발하였다. 머신러닝 모델 중 랜덤 포레스트 모델의 정확도는 .78이었고, 중요 예측변수는 집행기능 곤란의 하위요인인 행동통제 곤란, 계획-조직화 곤란, 부주의이었다. 본 연구를 통해 한국아동패널 데이터와 머신러닝을 활용한 분석이 아동의 학업수행능력을 예측하고 분별하는 데 유용하였으나, 더 정확한 분석을 위해서는 추가적인 자료수집이 필요함을 논의하였다.

영문 초록

The purpose of this study is to predict the longitudinal types of elementary school children s academic performance ability using latent class growth analysis and machine learning algorithms. The data of 406 children were used in the 8th-10th survey of the Korean Children s Panel from the 1st to 3rd grades of elementary school. The research results are as follows. First, the longitudinal types of academic performance during the first and third grades of elementary school were classified into high-retaining group (70.0%), rising group (22.2%), and decreasing group (7.9%). Second, in order to identify latent groups that are difficult to maintain stable academic performance during the 1-3 grades of elementary school, a model applied with four machine learning algorithms was developed. Among the machine learning models, the accuracy of the random forest model was .78, and the important predictors in this model were behavior control difficulties, planning-organization difficulties, and carelessness, which are sub-factors of executive function difficulties. Through this study, analysis using Korean Children s Panel data and machine learning was useful in predicting and discriminating children s academic performance, but it was discussed that additional data collection is necessary for more accurate analysis.

목차

Ⅰ. 서 론

Ⅱ. 연구방법

Ⅲ. 연구결과

Ⅳ. 논의 및 결론

참고문헌

키워드

초등학교 저학년 학업수행능력 잠재계층성장분석 머신러닝 lower grades of elementary school academic performance latent class growth analysis machine learning