머신러닝 기반의 학업성취 예측 모형 탐색: 대학의 오프라인 수업을 중심으로 = Exploring a Model for Predicting Academic Achievement with Machine Learning for Off-line Courses in Higher Education

다국어 초록 (Multilingual Abstract)

The purpose of this study is to explores the possibility of developing a model that predicts the level of academic achievement of college students in individual courses by using data related to learning activities accumulated in the learning management system in the context of face-to-face classes in general colleges using machine learning algorithms. Also, the study aims to present implications for discriminating learners in crisis. Academic achievement, log data in the Moodle-based learning management system, and attendance data of 3,500 students of 115 courses in the fall semester of 2018 at University A were analyzed. In terms of academic achievement, there were 1,030 students in group A (29.46%), 1,315 students in group B (37.57%), and 1,155 students in group C (33.00%). As a result of developing a prediction model by applying the Gradient Boost model, the predictive performance for the C group, which can be said to be a learner in crisis, was good at 72.86% recall and 65.05% precision, based on the 7th week after the start of the semester. Through this study, we confirmed the usefulness of the machine learning model using the activity data of the learning management system to predict learners' academic achievement in individual courses.

국문 초록 (Abstract)

본 연구는 머신러닝 알고리즘을 활용하여 일반 대학의 오프라인 수업 맥락에서 학습관리시스템에 축적되는 학습활동 관련 데이터를 활용하여 개별 강좌에서 학습자의 학업성취 수준을 예측하는 모형 개발의 가능성을 탐색해 보고, 이를 바탕으로 선제적으로 위기의 학습자를 판별하는 시스템 개발에 대한 시사점을 제시하고자 하였다. 이를 위해 A대학의 2018학년도 2학기에 개설된 115개 강좌의 수강생인 3,500명의 학업성취도와 Moodle기반의 학습관리시스템 내의 로그 데이터, 출석데이터를 분석하였다. 분석대상은 학업성취도를 기준으로 ‘가’ 집단 1,030명(29.46%), ‘나’ 집단 1,315명(37.57%), ‘다’ 집단 1,155명(33.00%)이었다. Gradient Boosting 모델을 적용하여 예측모형을 개발하여 예측한 결과 학기 시작 후 7주차를 기준으로 저성과 학습자라고 할 수 있는 ‘다’ 집단에 대한 예측성능이 재현율 72.86%, 정밀도 65.05%로 모델의 판별력이 나타났다. 본 연구를 통해 학습관리시스템의 활동 데이터를 이용한 머신러닝 모델이 개별강좌에서 학습자의 학업성취를 예측하는 유용한 모형임을 확인하였다.

참고문헌 (Reference)

1 정영란, "학습분석학 기반의 사이버대학의 중도탈락 예측 분석" 한국교육방법학회 32 (32): 205-232, 2020

2 신종호, "학습분석 기반 대학 신입생 대상 학습부진 위험학생 조기예측 모델 개발 및 군집별 특성 분석" 한국교육공학회 35 (35): 425-454, 2019

3 조명희, "학사경고자 예측을 위한 학습분석학적 모형 탐색" 한국교육공학회 34 (34): 877-900, 2018

4 유지원, "일반대학에서 교양 e-러닝 강좌의 중도탈락 예측모형 개발과 조기 판별 가능성 탐색" 한국컴퓨터교육학회 17 (17): 1-12, 2014

5 조일현, "이러닝에서 학습자의 시간관리 전략이 학업성취도에 미치는 영향: 학습분석학적 접근" 한국교육정보미디어학회 19 (19): 83-107, 2013

6 이현우, "오프라인 강좌에서 대학생의 학업성취에 따른 학습관리시스템 활동의 차이 분석" 한국교육정보미디어학회 25 (25): 201-222, 2019

7 최환석, "머신러닝 기반 음식점 추천시스템 설계 및 구현" 한국디지털콘텐츠학회 21 (21): 259-268, 2020

8 조헌국, "머신 러닝을 활용한 이러닝 학습 환경에서의 학습자 성취 예측 모형 탐색" 학습자중심교과교육학회 18 (18): 553-572, 2018

9 이은정, "랜덤 포레스트를 활용한 4년제 대학 중도탈락률 예측 요인 탐색: 대학 수준 결정요인을 중심으로" 한국교육공학회 36 (36): 191-219, 2020

10 이정은, "동영상 기반 학습 환경에서 머신러닝을 활용한 행동로그의 학업성취 예측 모형 탐색" 한국컴퓨터교육학회 23 (23): 53-64, 2020

11 김연희, "기계학습을 활용한 대학생 학습결과 예측 연구" 한국콘텐츠학회 20 (20): 695-704, 2020

12 Davis, J., "The relationship between precision-recall and roc curves" 233-240, 2006

13 Johnson, L., "The 2010 Horizon Report" The New Media Consortium 38-70, 2011

14 Agudo-Peregrina, Á. F., "Predicting academic performance with learning analytics in virtual learning environments: A comparative study of three interaction classifications" 1-6, 2012

15 Bzdok, D., "Points of significance: Statistics versus machine learning" 15 (15): 233-234, 2018

16 Murphy, K. P., "Machine learning: a probabilistic perspective" MIT press 2012

17 Gašević, D., "Let’s not forget : Learning analytics are about learning" 59 (59): 64-71, 2015

18 Reigeluth, C. M., "Instructional design theories and models: An overview of their current status" Lawrence Erlbaum Associates 1983

19 Kondo, N., "Early detection of at-risk students using machine learning based on LMS log data" IEEE 198-201, 2017

20 Kang, E., "A Pilot Study of Predicting Failing Grades Using Data from UCLA's Learning Management System" UCLA 2017