기계학습 모델 기반 전국 대학생 자퇴의향 예측 탐색 연구: 2019-2023 KEDI NASEL 데이터 활용

• 영문명: A Machine Learning Model-based Exploratory Study on Predicting Dropout Intentions of University Students: Utilizing 2019-2023 KEDI NASEL Data
• 발행기관: 학습자중심교과교육학회
• 저자명: 김희란(Heeran Kim) 김종숙(Jong Suk Kim)
• 간행물 정보: 『학습자중심교과교육연구』제25권 5호, 585~602쪽, 전체 18쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2025.03.15

국문 초록

목적 본 연구의 목적은 한국교육개발원의 2019년부터 2023년까지의 NASEL 통합 데이터를 활용하여 전국 대학생의 자퇴의향을 예측하는 기계학습 기반 모델을 개발하고, 중요한 예측 변인을 탐색하는 것이다. 방법 연구모델은 독립변인 55개와 종속변인의 3개 클래스(‘자퇴의향 없음’, ‘비학문적 자퇴의향’, ‘학문적 자퇴의향’)로 구성하였다. 클래스 불균형 문제해결을 위해 언더샘플링(Undersampling)과 오버샘플링(Oversampling)을 적용하였으며, 총 16,620개의 표본을 분석대상으로 삼았다. 다양한 기계학습 알고리즘(랜덤 포레스트, 의사결정 나무, 로지스틱 회귀, XGB, LGBM, 앙상블 모델 등)을 활용하여, 각 모델의 예측 성능을 비교 분석하였다. 결과 모델 성능 비교 결과, 랜덤 포레스트, 앙상블, LGBM 순으로 높은 예측 정확도를 보였다. 반면, 의사결정 나무와 로지스틱 회귀 모델은 상대적으로 낮은 성능을 나타냈다. 특히, 모델 성능이 우수한 상위 3개 모델에서 대학 만족도, 졸업 후 진로계획, 등록 학기 수, 동료 및 교수와의 상호작용, 능동학습, 협력학습, 사고력 증진활동 등이 자퇴의향 예측에 있어 중요한 변인으로 확인되었다. 결론 학문적⋅비학문적 자퇴의향을 구분한 모델이 자퇴 예방을 위한 맞춤형 개입에 기여할 수 있음을 확인하였다.

영문 초록

Objectives The purpose of this study is to develop a machine learning-based model that predicts the intention to withdraw of university students nationwide using NASEL integrated data from 2019 to 2023 from the Korea Education Development Institute and to explore important predictors. Methods The research model consisted of 55 independent variables and three classes of dependent variables (‘no intention to withdraw’, ‘non-academic intention to withdraw’, and ‘academic intention to withdraw’. In addition, undersampling and oversampling were applied to solve the class imbalance problem, and a total of 16,620 samples were analyzed. The predictive performance of each model was compared and analyzed using various machine learning algorithms (random forest, decision tree, logistic regression, XGB, LGBM, ensemble model, etc.). Results When comparing the model performance, Random Forest, Ensemble, and LGBM had the highest prediction accuracy. In contrast, decision trees and logistic regression models performed relatively poorly. In particular, college satisfaction, career plans after graduation, number of semesters enrolled, interaction with peers and professors, active learning, collaborative learning, and thinking activities were identified as important predictors of withdrawal intentions in the top three models. Conclusions We found that a model that distinguishes between academic and non-academic withdraw intentions can contribute to tailored interventions to prevent withdraw.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 연구방법

Ⅳ. 연구결과

Ⅴ. 논의 및 시사점

참고문헌

키워드

대학생 예측 모델 기계학습 자퇴의향 중도탈락 university students predictive models machine learning intention to withdraw dropout