머신러닝과 설명가능한 인공지능 SHAP을 활용한 사범대 과학교육 전공생의 전공만족도 및 학업만족도 영향요인 탐색 = Exploration of Factors on Pre-service Science Teachers‘ Major Satisfaction and Academic Satisfaction Using Machine Learning and Explainable AI SHAP

다국어 초록 (Multilingual Abstract)

This study explored the factors influencing major satisfaction and academic satisfaction of science education major students at the College of Education using machine learning models, random forest, gradient boosting model, and SHAP. Analysis results showed that the performance of the gradient boosting model was better than that of the random forest, but the difference was not large. Factors influencing major satisfaction include 'satisfaction with science teachers in high school corresponding to the subject of one's major', 'motivation for teaching job', and 'age'. Through the SHAP value, the influence of variables was identified, and the results were derived for the group as a whole and for individual analysis. The comprehensive and individual results could be complementary with each other. Based on the research results, implications for ways to support pre-service science teachers’ major and academic satisfaction were proposed.

국문 초록 (Abstract)

본 연구는 사범대 과학교육전공 재학생의 전공만족도와 학업만족도에 영향을 주는 요인을 머신러닝 모델인 랜덤 포레스트와 그래디언트 부스팅 모델과 SHAP 기법을 활용하여 탐색했다. 연구 결과, 그래디언트 부스팅 모델의 성능이 랜덤 포레스트보다 우수한 것으로 드러났으나 그 차이는 크지 않았다. 전공만족도에 영향을 주는 요인으로는 ‘본인 전공 교과에 해당하는 고교시절 과학교사 만족도’, ‘교직 동기’, ‘나이’ 등이 있으며, 학업만족도는 ‘나이’, ‘성별’, ‘내신 과학 전문교과 이수여부’의 영향을 크게 받는 것으로 드러났다. SHAP value를 활용하여 변인의 영향력을 밝힐 수 있었고, 그 결과가 집단 전체에 대한 것과 개별적 분석으로 각각 도출이 가능했고, 서로 보완적 결과가 도출이 가능함을 확인하였다. 연구 결과를 바탕으로 과학교육과 재학생의 전공 및 학업 만족도를 지원하기 위한 방안을 제안하였다.

참고문헌 (Reference)

1 최정희 ; 이솔비, "입학전형에 따른 대학생의 학업성취도와 학과만족도 종단연구: D대학의 사례를 중심으로" 학습자중심교과교육학회 21 (21): 75-90, 2021

2 이봉우 ; 김희경, "왜 과학교사가 되려하는가? -우리나라 예비과학교사들의 교직 선택 동기 -" 한국과학교육학회 38 (38): 123-133, 2018

3 장현숙 ; 이현주, "예비과학교사들의 교사가 되고자 하는 동기와 교사상에 나타나는 특성" 한국과학교육학회 31 (31): 14-31, 2011

4 한은숙 ; 김종두, "사범대학생의 교육만족도에 미치는 영향요인 분석" 한국교원교육학회 20 (20): 313-335, 2003

5 이양구, "사범대 예비교사들의 학과 만족과 진로결정 효능감의 관계" 사범대학 부설 교육연구소 40 (40): 527-545, 2020

6 이가영 ; 최태월 ; 이용선, "대학생의 취업스트레스가 대학생활 적응에 미치는 영향" KNU 기업경영연구소 6 (6): 197-209, 2015

7 김수연, "대학 중도탈락생의 이동 경로 구조 분석" 교육과학연구소 43 (43): 131-163, 2012

8 강성배 ; 김광현, "대학 신입생의 대학생활적응과 학습태도간의 관계 : 입학전형의 차이분석" 한국교양교육학회 13 (13): 77-96, 2019

9 김광현 ; 강성배, "대학 신입생의 대학생활적응 척도 개발 및 타당화" 한국교양교육학회 10 (10): 253-293, 2016

10 이경건 ; 홍훈기, "고등학교에서 과학 선택 과목의 수, 심화(Ⅱ) 과목 비율, 교과 다양성이 이과 학생의 과학에 대한 태도 성장에 미치는 효과" 과학교육연구소 46 (46): 80-92, 2022

11 심현진 ; 이효녕, "고등학교 지구과학 I, II의 이수와 대학 전공이 예비과학 교사들의 일반지구과학 수업에 대한 태도 및 학업 성취도에 미치는 영향" 한국지구과학회 38 (38): 239-249, 2017

12 이일 ; 곽영순 ; 조향숙, "고등학교 과학과 선수과목 이수에 대한 이공계열 대학생들의 인식 조사" 과학교육연구소 43 (43): 195-206, 2019

13 이보경 ; 장수철, "고등학교 과학 심화선택과목 이수여부와 대학 과학 교과목의 학업성취도" 한국교육과정학회 26 (26): 191-210, 2008

14 Chen, T., "Xgboost: A scalable tree boosting system" 785-794, 2016

15 이재준 ; 이유린 ; 임도현 ; 안현철, "XGBoost와 SHAP 기법을 활용한 근로자 이직 예측에 관한 연구" 한국정보시스템학회 30 (30): 21-42, 2021

16 Breiman, L., "Random forests" 45 (45): 5-32, 2001

17 Ke, G., "Lightgbm : A highly efficient gradient boosting decision tree" Advances in neural information processing systems 30-, 2017

18 Dorogush, A. V., "CatBoost : gradient boosting with categorical features support"

19 Kim, H. S., "An analysis of factors affecting procedure of entrance and career choice related to science in college of natural science and engineering" Hanyang University 2009

20 Li, C., "A gentle introduction to gradient boosting"

21 Kim, K. H., "A Study of Department Satisfaction Factors of Undergraduate Students" 1 (1): 7-20, 2000