대학기관연구(IR)에서 학생중심교육을 위한 텍스트마이닝 활용 사례 연구: S대학을 중심으로

A case study on the use of text mining for student-centered education in university institutional research (IR)

목적 본 연구는 대학기관연구(IR)의 일환으로 PDCA 환류 체계의 평가(Check) 단계에서 수집된 다양한 비정형 학생 응답 데이터를 텍스트 분석 기법(TF-IDF, 동시 출현 분석, 토픽모델링-LDA)에 적용한 사례를 중심으로, 해당 기법의 활용 방안과 효과성 및 시사점을 규명하고자 하였다. 이를 통해 학과 및 부서 차원의 교육⋅행정 개선에 실질적으로 기여할 수 있는 분석 결과를 도출하고, 나아가 환류 체계의 개선(Act) 단계에서도 학생중심교육을 강화할 수 있는 구체적인 방안을 모색하고자 하였다. 방법 서울소재 4년제 S대학교의 대학IR센터에서 2022년 실시한 교육과정 만족도 조사, 교육 수요자 만족도 조사, 22-1학기 중간 수업 평가를 통해 수집된 학생 주관식 의견을 대표적인 비정형 텍스트 분석 기법(TF-IDF, 동시 출현 분석, 토픽모델링-LDA)으로 분석한 후, 이 결과와 연계하여 학과 및 부서 등의 행정적 지원 및 개선 방안을 도출한 환류 사례를 중심으로 텍스트 분석 기법의 활용 방안 및 효과성과 시사점을 도출하였다. 결과 본 연구의 주요 결과는 다음과 같다. 첫째, 교육과정 만족도 조사의 주관식 의견을 분석하는 데 ‘TF-IDF’를 적용하여 학과마다 중요한 키워드를 도출함으로써, 각 학과에서 우선 해결해야 할 과제를 더 효과적으로 파악할 수 있었다. 둘째, 교육 수요자 만족도 조사의 주관식 의견을 분석하는 데 ‘동시 출현 분석’을 적용하여 핵심 과제와 연관된 키워드를 도출하였고, 이를 근거로 행정부서 간 협업 방안과 학생지원을 위한 통합적인 개선 과제를 발견할 수 있었다. 셋째, 중간 수업 평가의 주관식 응답을 분석하는 데 ‘토픽모델링-LDA’ 를 적용하여 학생들이 학기 중 강의 운영 전반에서 느끼는 불편과 만족 요소를 도출함으로써 즉각적인 수업 개선과 행정부서의 지원이 가능하도록 하였다. 결론 향후 각 대학IR 및 행정 차원에서 학생중심교육을 효과적으로 달성하기 위해서는 정량 데이터뿐만 아니라 주관식 학생 의견과 같은 다양한 비정형 데이터에 대한 텍스트 분석을 중요한 분석 도구로 적절히 활용해야 한다. 이를 위해서는 첫째, 피드백 수집 시점이나 질문 구성 등의 자료 수집 및 전처리와 분석 과정을 정교하고 체계적으로 설계해야 한다. 둘째, 환류 목적과 대상에 맞는 텍스트 분석 기법을 적절히 선별하여 적용해야 한다. 마지막으로, 학생의 의견을 바탕으로 교육 및 교육 환경을 개선하고자 하는 대학 전반의 인식이 변화해야 한다.

Objectives This study explores how three text analysis techniques―TF-IDF, co-occurrence analysis, and topic modeling (LDA)―can effectively interpret unstructured student feedback collected during the “Check” phase of a PDCA cycle in institutional research (IR). It aims to enhance the validity of such feedback, reflect department-specific needs, and inform improvements in the subsequent “Act” phase. Methods Student comments were gathered from three 2022 surveys at a four-year private university in Seoul: curriculum satisfaction, overall student satisfaction, and mid-term course evaluations. TF-IDF helped identify critical department-level issues, co-occurrence analysis uncovered interconnected themes, and LDA revealed students’ key concerns. These results guided administrative and departmental strategies for targeted improvements. Results First, TF-IDF illuminated each department’s unique priorities, enabling more precise problem identification. Second, co-occurrence analysis highlighted core topics requiring cross-departmental collaboration, clarifying integrated improvement tasks. Third, LDA-based topic modeling pinpointed immediate instructional strengths and weaknesses in mid-term evaluations, allowing prompt course adjustments and relevant support from administrative units. Conclusions Incorporating text analysis of unstructured student data significantly bolsters efforts to achieve student-centered education. To maximize its impact, institutions should carefully plan data collection and preprocessing, choose analysis methods suited to specific feedback contexts, and foster a culture of continuous improvement grounded in student perspectives. This approach can lead to meaningful insights for both policy decisions and educational practice.