다양한 군집분석 알고리즘을 적용한 대학생 핵심역량 기반 군집분석 사례

A Comparative Analysis of Clustering Algorithms for Assessing College Students’ Key Competencies

본 연구의 목적은 서울 소재 4년제 A 대학 학생들을 해당 대학의 4대 핵심역량(창조적 문제 개발 및 해결역량, 감성적 인지역량, 글로벌 시민역량, 디지털 문해역량)의 발달 수준에 따라 분류하는 것이다. 이를 위해 A 대학에서 개발한 핵심역량 진단도구를 활용하여 434명의 핵심역량 수준을 측정하고, 병합적 계층적 군집분석, k-평균 군집분석, 가우시안 혼합분포 군집분석, DBSCAN을 포함한 네 가지 군집분석 알고리즘을 적용하였다. 연구 결과, 병합적 계층적 군집분석과 k-평균 군집분석에서는 2, 3개의 군집이 적절한 것으로 나타났고, 가우시안 혼합분포 군집분석과 DBSCAN에서는 1개의 군집이 적절한 것으로 나타났다. 다음으로, 2개 이상의 군집이 나타난 병합적 계층적 군집분석과 k-평균 군집분석의 내부 유효성 및 군집 안정성 평가 결과, 군집 수를 2로 지정한 k-평균 군집분석의 성능이 우수한 것으로 나타났다. 최종 선정된 k-평균 군집분석 결과에서 분석 대상은 모든 역량에서 평균 이상인 집단과 평균 미만인 집단으로 분류되었다.

The purpose of this study was to categorize students into distinct groups based on their key competency development levels. For this purpose, four clustering algorithms - Agglomerative hierarchical clustering, k-means clustering, Gaussian mixture model clustering, and DBSCAN - were utilized with data collected from 434 students at a university in Seoul. Agglomerative hierarchical clustering revealed two clusters, with one group showing higher development levels across all key competencies and the other exhibiting competencies below the average. Similarly, k-means clustering identified an optimal two-cluster solution. In contrast, Gaussian mixture model clustering and DBSCAN suggested a single cluster. Internal validity indices, such as the Davies-Bouldin index and the silhouette coefficient, favored k-means clustering with two clusters. Significantly, k-means clustering demonstrated higher stability compared to agglomerative hierarchical clustering. Consequently, this study selected k-means clustering with two clusters as the most suitable algorithm for the dataset, categorizing students into ‘Proficient’ and ‘Advanced’ groups.