머신러닝 기반 지방대학 중도 탈락률 예측 모형 개발 및 빅데이터 분석을 통한 영향 요인 탐색: 2017-2023년 대학 정보공시자료를 활용하여 (Development of a Machine Learning-Based Model for Predicting Dropout Rates in Regional Universities and Exploration of Influencing Factors through Big Data Analysis: Using University Information Discl)

서지정보

· 발행기관 : 학습자중심교과교육학회
· 수록지 정보 : 학습자중심교과교육연구 / 25권 / 1호 / 231 ~ 256페이지
· 저자명 : 백은주, 이승형

초록

목적 본 연구는 지방대학의 중도 탈락 문제를 심층적으로 분석하고 중도 탈락률 예측 모형을 개발하여, 대학의 중도 탈락 방지를위한 실질적 정책 방안을 제시하는 것을 목적으로 한다.
방법 이를 위해 2017년부터 2022년까지의 대학 정보공시 데이터를 활용하여 전국 140개 지방대학의 중도 탈락률 예측 모형을개발하였다. 2023년을 예측 기준 연도로 설정하여 선형회귀분석, 의사결정나무, 랜덤포레스트, 서포트벡터머신, Gradient Boosting Machine 등 다양한 머신러닝 기법을 적용하였다. 본 연구에서 활용한 머신러닝 기법들은 데이터의 정규성 가정에 크게의존하지 않는다는 장점이 있어, 일부 변수들의 정규성 가정 위배에도 불구하고 안정적인 예측이 가능하였다. 직전 1-2년의 중도탈락률, 재학생 충원율, 신입생 충원율, 전임교원 확보율, 장학금 수혜율 등을 주요 변인으로 활용하였으며, 각 모형의 예측 성능은평균절대오차(MAE), 평균제곱근오차(RMSE), 결정계수(R-squared) 등의 평가 지표를 통해 비교 검증하였다.
결과 서포트 벡터 머신(MAE 1.78)과 랜덤 포레스트(MAE 1.83) 모델이 가장 우수한 예측 성능을 보였다. 변수 중요도 분석을 통해직전 1~2년의 중도 탈락률, 재학생 충원율, 장학금 수혜율 등이 중도 탈락률에 유의미한 영향을 미치는 것으로 확인되었다. 2024년중도 탈락률 예측 결과, 국립대학은 3-5%, 사립대학은 5-12% 수준으로 나타났으며, 특히 일부 사립대학의 경우 10% 이상의 높은 중도 탈락률이 예측되어 시급한 대책 마련이 필요한 것으로 분석되었다.
결론 본 연구는 빅데이터와 머신러닝 기법을 활용하여 중도 탈락 문제에 접근했다는 점에서 방법론적 의의가 있으며, 정규성 가정에구애받지 않는 분석 방법을 통해 신뢰성 있는 예측 결과를 도출하였다. 연구 결과를 바탕으로 국가 장학금 지원 확대, 대학 기본역량진단 지표 개선, 교육 환경 개선을 위한 재정 투자 확대, 대학의 자율적 구조개혁 유도 등 구체적인 정책적 제언을 제시하였다.

영어초록

Objectives This study aims to analyze the dropout problem in local universities in depth and develop a prediction model for dropout rates.
Methods To this end, we developed a predictive model for the dropout rates of 140 regional universities nation wide, utilizing the university information disclosure data from 2017 to 2022. Setting 2023 as the base year for pre diction, we applied various machine learning techniques such as linear regression analysis, decision trees, random forests, support vector machines, and gradient boosting machines. Key variables used in the model included the dropout rates from the previous 1-2 years, student enrollment rates, freshmen enrollment rates, full-time faculty ratios, and scholarship recipient rates. The predictive performance of each model was compared and validated us ing evaluation metrics such as mean absolute error (MAE), root mean square error (RMSE), and coefficient of de termination (R-squared).
Results The analysis results showed that random forest and gradient boosting machine models demonstrated the best predictive performance. Variable importance analysis confirmed that dropout rates from the previous 1-2 years, student enrollment rates, and scholarship rates had significant effects on dropout rates. Predictions for 2024 dropout rates were 3-5% for national universities and 5-12% for private universities.
Conclusions This study has methodological significance in approaching the dropout problem using big data and machine learning techniques. Based on the research results, policy recommendations such as expanding financial support for students and strengthening academic adaptation programs were presented.

참고자료

· 없음