기초학력 미달 학생 예측을 위한 심층인공신경망 모형의 활용

• 영문명: Prediction of Low Academic Achievers from Imbalanced Educational Data Using a Deep Neural Network
• 발행기관: 한국교육평가학회
• 저자명: 홍유정(Yujung Hong) 박현정(Hyun-Jeong Park)
• 간행물 정보: 『교육평가연구』제34권 제4호, 615~647쪽, 전체 33쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2021.12.31

국문 초록

교육 연구에서 기초 수준 이하로 낮은 성취를 보이는 기초학력 미달 학생들은 지속적인 관심의 대상이다. 학습 결손은 학년을 거듭할수록 누적되고 심화되는 특성을 보이기 때문에, 기초학력 미달 학생의 학습 결손 초기에 선제적인 교육적 지원을 제공하는 것은 중요하다고 할 수 있다. 하지만 기초학력 미달 학생들은 소수집단으로 불균형 자료의 특성을 지니고 있어 일반적인 통계모형을 적용하여 분석하는 데 한계를 지닌다. 이러한 점을 고려하여 본 연구에서는 자료의 구조나 모형의 특성에 상대적으로 유연한 심층인공신경망을 적용하여 기초학력 미달 학생을 예측하는 모형을 구축하고자 하였다. 이를 위하여 한국교육종단연구 2013의 중학교 시기 응답 정보를 활용하였으며, Sparse Group Lasso 방법을 적용하여 학생, 학부모, 학교 전반의 방대한 정보 중 주요 예측변수를 선정하고, 이를 예측모형에 활용하였다. 또한, 심층인공신경망 모형에서는 소수집단 정보를 반영할 수 있는 다양한 방법을 탐색하고 그 결과를 기저모형인 HGLM 모형과 비교하였다. 분석결과, 비용민감기법을 적용한 예측모형의 성능이 모든 과목에서 우수하게 나타났으며, 과대표집 모형과 HGLM 모형 성능은 과목에 따라 다르게 나타났다. 이상의 결과를 토대로 교육연구에서 심층인공신경망을 활용한 소수집단 예측 연구의 시사점을 논하였으며, 추후 연구를 제언하였다.

영문 초록

Low Academic Achievers’ learning deficit is gradually accumulated and deepened. Therefore, it is important to provide appropriate educational support to them before the learning deficit become severe. Educational Researchers have tried to figure out their cognitive, emotional and situational difficulties and build a system that identifies underachieving student early. However, since low academic achiever group is a minority class, it is hard to apply statistical prediction models. This study aims to predict low academic achievers by employing a deep neural network (DNN) that is relatively flexible model for both data structure and statistical assumptions when dealing with imbalanced data. Middle school students’ information in Korean Educational Longitudinal Study (KELS)2013 was used for analysis. Before specifying the predictive model, main predictors among all 364 variables in KELS2013 were selected by using Sparse Group Lasso technique. In predictive model using DNN, over-sampling and cost-sensitive methods that can reflect minority class information in model training were applied and the result of HGLM which is base model was also presented. The results showed that the cost-sensitive DNN model had a good performance in all subjects while the performance of the over-sampling DNN and the HGLM varied depending on subjects. Based on the results of this study, the implications for early predicting low academic achievers using DNN were discussed.

목차

Ⅰ. 서 론

Ⅱ. 이론적 배경

Ⅲ. 연구방법

Ⅳ. 연구결과

Ⅴ. 요약 및 논의

키워드

학업성취수준 예측 기초학력 미달 불균형 자료 한국교육종단연구 심층인공신경망 딥러닝 prediction of academic performance low academic achiever imbalanced data Korean Educational Longitudinal Study deep neural network deep learning