대학생 학업 중단 예방을 위한 기계학습 기반 모형 탐색

Applying machine learning-based models to prevent University student dropouts

본 논문에서는 학생들의 학업 중단 예방을 위해 학생의 특징과 중도 탈락 여부의 예측 성능 지수가 좋은 모델을 탐색하였다. 2018년~2022년 동안 충남지역 A 대학교 학적 데이터 30,118건을 6가지 분류 모형에 적용한 결과, 정확률은 XGBoost 알고리즘이 96.9%, 재현율은 서포트벡트머신이 94.4% 성능을 나타냈다. 전반적으로 성능 지표가 좋은 XGboost가 최종모형으로 선택되었으며 중도 탈락 영향 요소 중요도는 학적 변동 총 횟수, 이수 학기 수, 휴학 횟수, 총 평점 평균, 학년, 학사경고 횟수 순으로 높게 나타났다. 마지막으로 기계학습 모형 결과를 기반으로 일관적인 중도 탈락 예측 과정을 통해 학교 이탈 확률이 높은 학생들의 대응관리 장·단기 전략을 제시하였다.

In this paper, we explored models with good performance indexes for predicting student characteristics and dropout status to prevent students from dropping out. As a result of applying 6 classification models to 30,118 academic data of University A from 2018 to 2022, the accuracy rate of XGboost algorithm was 96.9% and the recall rate was 94.4%. XGboost was selected as the final model and the importance of the dropout influencing factors was high in the following order: total number of grade changes, number of semesters completed, number of leaves of absence, grade point average, grade level, and number of academic warnings. Finally, we proposed long-term and short-term management strategies for students with a high probability of dropping out of school through a consistent dropout prediction process.