대학교육 성과 예측 요인 탐색에 대한 연구 = A Study on the Exploration of Predictive Factors of University Education Outcomes

국문 초록 (Abstract)

본 연구는 급변하는 고등교육 환경 속에서 대학교육 성과를 보다 체계적이고 예측 가능하게 관리하기 위한 실증적 분석틀을 마련하는 데 목적을 두었다. 최근 학령인구 감소, 재정지원사업의 성과 중심 운영, 대학정보공시 강화 등으로 인해 대학은 교육성과에 대한 책무성과 투명성을 동시에 요구받고 있다. 그러나 기존의 대학교육 성과 관련 연구는 주로 단일 지표 중심의 사후 평가에 머무르거나, 성과 요인 간의 구조적 관계와 예측 가능성을 충분히 설명하지 못하는 한계를 지닌다. 이에 본 연구는 대학교육 성과를 다차원적 개념으로 재구성하고, 성과를 사전에 예측할 수 있는 분석 모형을 제시함으로써 대학의 전략적 의사결정과 정책 설계에 활용 가능한 근거를 제공하고자 하였다.
연구 방법은 크게 두 단계로 구성된다. 첫째, 문헌 분석과 전문가 조사를 바탕으로 대학교육 성과를 구성하는 투입요인과 산출요인을 구조화하고, AHP（Analytic Hierarchy Process）를 적용하여 각 요인의 상대적 중요도를 산출하였다. 투입요인은 대학운영 및 재정, 교육여건, 학생모집, 교육과정, 사회공헌, 국제화의 6개 영역 36개 지표로 구성하였고, 산출요인은 교육성과와 연구성과의 2개 영역 15개 지표로 설정하였다. 둘째, AHP 분석 결과를 토대로 중요도가 높은 투입요인을 독립변수로 선정하고, 주요 산출요인을 목표변수로 설정하여 의사결정나무（Decision Tree） 분석을 실시하였다. 이를 통해 전국 171개 대학의 공시자료를 활용한 대학교육 성과 예측 모형을 구축하였다.
연구 결과, AHP 분석에서는 투입요인 중 교육과정 영역이 가장 높은 중요도를 보였으며, 대학운영 및 재정, 교육여건, 학생모집 영역이 그 뒤를 이었다. 하위요인 분석에서는 학생 중도탈락률, 학생 1인당 교육비, 캡스톤디자인 및 현장실습 이수 비율, 전임교원 확보율 등이 핵심 투입요인으로 도출되었다. 산출요인에서는 교육성과 영역이 연구성과 영역보다 현저히 높은 중요도를 보였으며, 하위요인 분석 결과 졸업생 취업률과 졸업생 유지취업률이 가장 중요한 성과 지표로 확인되었다. 의사결정나무 분석을 통해 대학교육 성과 예측 요인을 탐색한 결과 다음과 같은 일관된 경향을 보였다. 첫째, 모든 예측모형에서 ‘학생 중도탈락률’이 가장 높은 빈도로 주요 예측변수로 나타났으며, 이는 대학의 교육품질·학사관리·학생지원 시스템이 핵심 성과를 좌우한다는 점을 입증한다. 둘째, 교육비·장학금·자료구입비 등 학생 1인당 재정투자 변수가 대부분의 예측모형에서 높은 영향력을 보였다. 셋째, 캡스톤디자인·현장실습·주문식 교육과정 등 실무·경험 기반 교육과정 지표가 취업률·창업성과뿐 아니라 진학률·연구성과까지 폭넓게 영향을 미치는 것으로 나타났다. 넷째, 계약학과 재학생 수와 같은 산학협력 기반 변인은 취업률·창업자 수 등 산업 연계 성과에 매우 강한 영향력을 보였으며, 대학의 외연 확장 전략이 성과로 연결됨을 확인할 수 있었다.
본 연구의 결과는 대학교육 성과가 단일 지표의 개선이나 단기적 정책 개입을 통해 달성되기보다는, 대학 운영과 재정 투자, 교육과정의 산업 연계성, 학생 지원 체계가 구조적으로 결합될 때 비로소 안정적으로 형성된다는 점을 시사한다. 특히 충원율, 취업률, 유지취업률, 진학 및 창업 성과, 연구성과 등 주요 성과 지표는 공통적으로 중도탈락률 관리, 교육비 및 장학금 수준, 계약학과와 현장 연계 교육과정 운영 여부와 밀접한 관련을 보였으며, 이는 대학 성과 관리의 초점이 사후적 성과 평가에서 성과 발현 조건의 선제적 관리로 전환되어야 함을 의미한다. 이에 따라 향후 고등교육 정책은 재정지원사업의 성과 지표를 결과 중심으로 단순화하기보다는, 성과를 예측하고 관리할 수 있는 핵심 투입 요인을 중심으로 한 구조적 관리 체계를 강화할 필요가 있다. 또한 대학 차원에서는 단기 실적 중심의 대응을 넘어, 학생의 학업 지속성과 교육 경험의 질을 제고하는 중·장기적 전략을 수립함으로써, 대학교육 성과의 질적 향상과 지속가능성을 동시에 확보할 수 있을 것으로 판단된다.
본 연구는 AHP와 데이터마이닝을 결합한 실증적 접근으로 대학교육의 성과 예측요인을 다면적으로 탐색하였다는 점에서 의의가 있다. 향후 연구에서는 다양한 머신러닝 기법 비교, 지역·유형별 대학군 분석, 비정형 데이터 활용 등으로 확장할 필요가 있으며, 본 연구 결과는 개별 대학의 체계적 성과관리와 정부의 고등교육 정책 설계에 실질적 근거로 활용될 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

This study aims to establish an empirical analytical framework for managing university education outcomes in a more systematic and predictive manner amid rapidly changing university education environments. Recent trends—such as the prolonged decline in the college-age population, the expansion of performance-based government funding programs, and the reinforcement of university information disclosure systems—have simultaneously increased demands for accountability and transparency regarding educational outcomes at the institutional level. However, existing studies on university education outcomes have largely remained limited to post hoc evaluations centered on single indicators, or they have failed to sufficiently explain the structural relationships among outcome-related factors and their predictive potential. In response, this study reconceptualizes university education outcomes as a multidimensional construct and seeks to provide an analytically grounded model capable of predicting outcomes in advance, thereby offering practical evidence to support strategic decision-making and policy design in university education institutions.
The research methodology consists of two main stages. First, based on an extensive literature review and expert surveys, the study structured input and output factors constituting university education outcomes and applied the Analytic Hierarchy Process（AHP） to derive the relative importance of each factor. Input factors were organized into six domains—university governance and finance, educational conditions, student recruitment, curriculum, social contribution, and internationalization—comprising 36 indicators. Output factors were classified into two domains, educational outcomes and research outcomes, consisting of 15 indicators. Second, based on the AHP results, input variables with university importance were selected as independent variables, while key output indicators were designated as target variables. Decision Tree analysis was then conducted to develop predictive models of university education outcomes using publicly disclosed data from 171 universities nationwide.
The findings reveal that, among input factors, the curriculum domain exhibited the highest level of importance, followed by university governance and finance, educational conditions, and student recruitment. At the sub-factor level, student dropout rates, educational expenditure per student, participation rates in capstone design and internship courses, and the proportion of full-time faculty emerged as core input variables. With respect to output factors, educational outcomes were found to be significantly more important than research outcomes, and among the sub-indicators, graduate employment rates and employment retention rates were identified as the most critical outcome measures. Decision Tree analyses further revealed several consistent patterns. First, student dropout rate appeared most frequently as a key predictive variable across all models, underscoring the central role of educational quality, academic management, and student support systems in determining institutional performance. Second, per-student financial investment variables—including educational expenditure, scholarships, and learning resource acquisition—demonstrated strong predictive power in most models. Third, practiceand experience-based curricular components, such as capstone design, internships, and industry-tailored programs, were found to exert broad influence not only on employment and entrepreneurial outcomes but also on progression to graduate study and research performance. Fourth, industry–university cooperation variables, such as enrollment in contract-based academic programs, showed particularly strong effects on industry-linked outcomes, confirming that institutional expansion strategies aligned with industry demand can translate into tangible performance gains.
Overall, the results suggest that university education outcomes are not achieved through isolated improvements in single indicators or short-term policy interventions. Rather, they are stably formed through the structural integration of university governance and financial investment, industry-linked curricula, and comprehensive student support systems. Key outcome indicators—such as enrollment rates, employment and employment retention rates, progression to graduate study, entrepreneurial performance, and research productivity—were commonly associated with effective management of dropout rates, adequate levels of educational and scholarship investment, and the operation of contract-based and field-oriented curricula. These findings imply that university education performance management should shift from retrospective evaluation toward proactive management of conditions that enable performance to emerge.
Accordingly, future university education policies should move beyond simplifying performance indicators toward outcome-based funding and instead strengthen structural management systems centered on key predictive input factors. At the institutional level, universities are encouraged to move beyond short-term performance-oriented responses and adopt mid- to long-term strategies that enhance students’ academic persistence and the quality of educational experiences, thereby ensuring both qualitative improvement and sustainability of university education outcomes.
This study contributes to the literature by adopting an integrated empirical approach that combines AHP and data mining techniques to comprehensively explore predictive factors of university education outcomes. Future research may extend this work by comparing various machine learning methods, conducting analyses across different regional and institutional types, and incorporating unstructured data sources. The findings of this study are expected to provide practical evidence for systematic performance management at the institutional level and for the design of evidence-based university education policies.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 배경과 목적 1
• 2. 연구문제 4
• 3. 용어의 정의 5
• Ⅱ. 이론적 배경 6
• 1. 대학교육 성과 개념 및 구성요인 6
• 2. 대학교육 성과 평가모형 15
• 3. 대학교육 성과 보장을 위한 정책 및 제도 24
• Ⅲ. 연구방법 37
• 1. 연구절차 37
• 2. 분석자료 및 연구대상 39
• 3. 분석방법 41
• Ⅳ. 연구결과 48
• 1. 대학교육 성과 구성요인（AHP 초안） 도출 48
• 2. 대학교육 성과 구성요인의 상대적 중요도（AHP） 산출 54
• 3. 대학교육 성과 예측 요인 탐색（데이터 마이닝） 68
• Ⅴ. 논의 및 결론 125
• 1. 논의 125
• 2. 결론 및 제언 133
• 참고문헌
• 부록 1. 2024 대학정보공시 구성 항목
• 부록 2. AHP 설문지