랜덤 포레스트와 SMOTE 기법을 활용한 대학생 학습성공 및 학습부진 예측 모델 연구 사례

A Case Study on Predictive Modeling for University Student Success and Underachievement: Utilizing R

학령인구 감소와 사회적 변화로 인해 대학의 경쟁력 확보를 위한 고등교육의 혁신이 필수적이다. 이에 따라 대학들은 데이터 기반의 전략적 의사결정 체제를 기반으로 학생 중심 패러다임으로의 전환을 시도하고 있다. 본 연구는 대학 내 분절된 데이터를 통합하여 학습성공 또는 학습부진을 예측하는 모델링 사례를 소개하고, 특히 학생의 학습성공을 위한 모니터링 및 교육적 개입을 위한 랜덤 포레스트를 활용한 예측 모델링을 개발하는데 있어 데이터 불균형 문제에 대한 SMOTE 오버샘플링 적용 가능성을 제시하였다. 또한 이러한 예측모델링이 대학의 데이터 시스템 구축과 연계되어 활용되어 정보가 대학 내 서비스로 제공되기 위한 실천적 시사점을 논의하였다.

The declining school-age population and evolving societal landscape necessitate innovative strategies in higher education to maintain institutional competitiveness. As universities transition towards a student-centered paradigm, data-driven decision-making emerges as a crucial tool. This study proposes a predictive modeling approach, leveraging random forest algorithms, to identify students at risk of academic underachievement and predict student success. To address the inherent imbalance in academic performance data, the study explores the potential of the Synthetic Minority Over-sampling Technique (SMOTE) to enhance model performance. By integrating fragmented data sources within university systems, this research aims to provide actionable insights for targeted interventions and support services. Additionally, the study delves into the practical implications of deploying predictive modeling as a service within the university, enabling data-informed decision-making at various levels.