머신러닝 기반의 학업성취 예측 모형 탐색

Exploring a Model for Predicting Academic Achievement with Machine Learning for Off-line Courses in Higher Education

본 연구는 머신러닝 알고리즘을 활용하여 일반 대학의 오프라인 수업 맥락에서 학습관리시스템에 축적되는 학습활동 관련 데이터를 활용하여 개별 강좌에서 학습자의 학업성취 수준을 예측하는 모형 개발의 가능성을 탐색해 보고, 이를 바탕으로 선제적으로 위기의 학습자를 판별하는 시스템 개발에 대한 시사점을 제시하고자 하였다. 이를 위해 A대학의 2018학년도 2학기에 개설된 115개 강좌의 수강생인 3,500명의 학업성취도와 Moodle기반의 학습관리시스템 내의 로그 데이터, 출석데이터를 분석하였다. 예측 분석의 대상은 개별 강좌에서 받은 성적 등급을 기준으로 A+ 또는 A를 받은 ‘가’ 집단 1,030명(29.46%), B+ 또는 B를 받은 ‘나’ 집단 1,315명(37.57%), C+ 이하를 받은 ‘다’ 집단 1,155명(33.00%)이었다. Gradient Boosting 모델을 적용하여 예측모형을 개발하여 예측한 결과 학기 시작 후 7주차를 기준으로 저성과 학습자라고 할 수 있는 ‘다’ 집단에 대한 예측 성능이 재현율 72.86%, 정밀도 65.05%로 모델의 판별력이 나타났다. 본 연구를 통해 학습관리시스템의 활동 데이터를 이용한 머신러닝 모델이 개별강좌에서 학습자의 학업성취를 예측하는 유용한 모형임을 확인하였다.

The purpose of this study is to explores the possibility of developing a model that predicts the level of academic achievement of college students in individual courses by using data related to learning activities accumulated in the learning management system in the context of facetoface classes in general colleges using machine learning algorithms. Also, the study aims to present implications for discriminating learners in crisis. Academic achievement, log data in the Moodlebased learning management system, and attendance data of 3,500 students of 115 courses in the fall semester of 2018 at University A were analyzed. In terms of academic achievements, there were 1,030 students in group A (29.46%), 1,315 students in group B (37.57%), and 1,155 students in group C (33.00%). As a result of developing a prediction model by applying the Gradient Boost model, the predictive performance for the C group, which can be said to be a learner in crisis, was good at 72.86% recall and 65.05% precision, based on the 7th week after the start of the semester. Through this study, we confirmed the usefulness of the machine learning model using the activity data of the learning management system to predict learners academic achievement in individual courses.