KR20190098376A - 대학입시 합격 예측 방법 - Google Patents

대학입시 합격 예측 방법 Download PDF

Info

Publication number
KR20190098376A
KR20190098376A KR1020180018237A KR20180018237A KR20190098376A KR 20190098376 A KR20190098376 A KR 20190098376A KR 1020180018237 A KR1020180018237 A KR 1020180018237A KR 20180018237 A KR20180018237 A KR 20180018237A KR 20190098376 A KR20190098376 A KR 20190098376A
Authority
KR
South Korea
Prior art keywords
college
entrance examination
machine learning
college entrance
predicting
Prior art date
Application number
KR1020180018237A
Other languages
English (en)
Inventor
정재민
Original Assignee
정재민
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 정재민 filed Critical 정재민
Priority to KR1020180018237A priority Critical patent/KR20190098376A/ko
Publication of KR20190098376A publication Critical patent/KR20190098376A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2053—Education institution selection, admissions, or financial aid

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 대학수학능력시험을 치룬 수험생이 입력하는 대학입시에 대한 빅데이터를 근거로 수험생의 지원대학에 대한 합격 또는 지원 가능한 대학교의 학과들을 예측하는 기술에 관한 것이다.
이러한 본 발명은, (a) 대학수학능력시험을 치룬 수험생이나 관련자가 입력하는 대학입시성적 데이터를 수험생 단말기를 통해 전달받아 대학입시 합격 예측 장치에 전송하는 단계; (b) 상기 대학입시 합격예측 장치가 대학수학능력시험 모집단의 평균 및 표준편차를 이용하여 대학입시결과예측용 기계학습모델을 생성하는 단계; 및 (c) 상기 수험생의 성적으로 입학을 원하는 대학의 학과에 지원할 경우 얼마나 합격이 가능한지에 대하여, 상기 대학입시결과예측용 기계학습모델을 통해 예측하여 그 예측 결과를 상기 수험생 단말기에 전송하는 단계;를 포함하는 것을 특징으로 한다.

Description

대학입시 합격 예측 방법{METHOD FOR ESTIMATING COLLEGE ACCEPTANCE OF APPLYING}
본 발명은 대학입시에 대한 합격 예측기술에 관한 것으로, 특히 대학수학능력시험을 치룬 수험생이 입력하는 빅데이터를 머신 러닝에서 분석하고 그 분석 결과를 근거로 수험생의 지원대학에 대한 합격 또는 지원 가능한 대학교의 학과들을 예측하여 그 예측 결과를 알려줄 수 있도록 한 대학입시 합격 예측 방법에 관한 것이다.
근래 들어 개발된 종래의 대학입시 합격 예측 기술은 수험생의 정량적인 대학입시 요소 즉, 주로 수험생의 대학수학능력시험 점수 및 내신성적 등을 기초로 해당 연도에 지원하고자 하는 대학에 대하여 합격이 가능한지 예측하는 기술이다.
이와 같은 종래의 대학입시 합격 예측 기술은 일반적으로 전통적 통계 이론을 사용한다. 예를 들어, 대학입시에 대한 모집단의 분포, 평균, 표준편차 및 등급 구간 최저 점수 등을 이용하여 분포를 예측하고, 이 예측 결과와 대학입시 전문가의 직관적인 예측 결과를 바탕으로 어느 수험생이 어느 대학의 어느 학과에 진학하면 좋을지를 상담한다. 여기서, 직관적에 따른 예측 결과는 전문가에 따라 큰 편차를 갖는 것으로 알려져 있다.
따라서, 이와 같은 종래의 대학입시 합격 예측 방법을 이용하는 경우, 보다정확한 예측결과를 얻는데 어려움이 있다.
본 발명이 해결하고자 하는 과제는 대학입시 전형 시 전통적인 통계 이론이나 확률에 기반한 예측 시스템에서 보일 수 있는 인간의 인지나 방법론적 한계에서 오는 정확도 오차 및 편차(bias)를 줄여 일반인들도 쉽게 이용할 수 있는 예측 시스템을 제공하는데 있다.
상기 기술적 과제를 이루기 위한 대학입시 합격 예측 방법은, (a) 대학입시 합격예측 장치가 데이터 베이스로부터 해당 수험생에 관련된 대학입시성적 데이터를 읽어오는 단계; (b) 상기 대학입시 합격예측 장치가 대학수학능력시험 모집단의 평균 및 표준편차를 이용하여 대학입시결과예측용 기계학습모델을 생성하는 단계; 및 (c) 상기 수험생의 성적으로 입학을 원하는 대학의 학과에 지원할 경우 합격이 가능지에 대하여, 상기 대학입시결과예측용 기계학습모델을 통해 예측하여 그 예측 결과를 상기 수험생 단말기에 전송하는 단계;를 포함하는 것을 특징으로 한다.
상기 (a) 단계에서 상기 데이터베이스에 저장된 대학입시성적 데이터는 대학수학능력시험 성적에 관한 데이터 중에서 응시자의 영역별 평균, 표준편차, 등급, 등급 커트라인, 해당 연도의 대학수학능력시험 영역별 응시자수, 대학교 및 학과별 응시자수, 과거 지원자의 지원 결과 중에서 하나 이상을 포함할 수 있다.
상기 (b) 단계에서 대학입시결과예측용 기계학습모델은 SVM(support vector machine), 인공신경망(Neural Network), 인공신경망의 한 종류인 다층 퍼셉트론(Multi Layer Perceptron) 및 심화 학습(Deep Learning) 중에서 하나 이상을 포함할 수 있다.
상기 (b) 단계는 다년 간의 데이터를 근거로 당해 연도 입시 결과가 어떻게 되었는지 예측하기 위해 모집단의 전수 조사 또는 일부 조사를 통해 표본을 선정하고, 왜곡(bias)을 바로잡는 단계, 및 기계학습을 통해 각 입시 결과가 어떻게 되었는지를 학습하는 단계를 포함할 수 있다.
상기 (b) 단계는 n-1년도까지의 과거 데이터를 기반으로 상기 대학입시결과예측용 기계학습모델을 생성하되, i년도와 i-1년도의 표준 편차 및 평균 차이를 상기 대학입시결과예측용 기계학습모델에 입력하여 년도별로 분포 차이가 나는 것을 보정하는 단계를 포함할 수 있다.
본 발명은 대학수학능력시험을 치룬 수험생이 입력하는 대학입시에 대한 수험생의 빅데이터를 기계 학습을 통해 분석하고 그 분석 결과를 근거로 수험생의 지원대학에 대한 합격 또는 지원 가능한 대학교의 학과들을 예측하여 그 예측 결과를 알려 줌으로써, 다음과 같은 효과가 있다.
첫째, 기계 학습을 통해 수험생의 지원대학에 대한 합격 또는 지원 가능한 대학교의 학과들을 예측하므로 전통적인 통계론을 이용하는 것에 비하여 정확한 결과를 얻을 수 있는 효과가 있다.
둘째, 인간의 직관이 개입되지 않아 보다 효율적이고 정성적인 오류가 적은 결과를 도출할 수 있는 효과가 있다.
셋째, 스마트폰과 같은 단말기 및 서버를 통해 수험생의 지원대학에 대한 합격 또는 지원 가능한 대학교의 학과들을 알아볼 수 있으므로 보다 많은 사람들이 저렴한 비용으로 이용할 수 있는 효과가 있다.
도 1은 본 발명에 따른 대학입시 합격 예측 방법이 적용되는 대학입시 합격 예측 시스템의 블록도.
도 2는 본 발명에 따른 대학입시 합격 예측 방법의 흐름도.
도 3은 대학입시결과예측용 기계학습모델을 예시적으로 나타낸 도면.
도 4는 머신러닝의 인자 셋팅 예시도.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 대학입시 합격 예측 방법이 적용되는 시스템의 개략도로로서 이에 도시한 바와 같이 대학입시 합격 예측 시스템(100)은 대학입시 합격예측 장치(110), 수험생 단말기(120) 및 데이터 베이스(130)를 포함한다. 여기서, 대학입시 합격 예측 시스템(100)의 관리자를 위해 상기 대학입시 합격예측 장치(110)에 사용자 인터페이스가 구비될 수 있다.
도 2는 본 발명에 따른 대학입시 합격 예측 방법의 처리과정을 나타낸 흐름도로서 이에 도시한 바와 같이 입시 성적 데이터 입력단계(S1), 대학입시결과예측용 기계학습모델 생성단계(S2), 합격 예측 단계(S3) 및 선호도 입력 단계(S4) 및 대학 및 학과 추천 단계(S5)를 포함한다.
먼저, 대학입시 성적 데이터 전송단계(S1)에서, 대학입시 합격예측 장치(110)는 데이터베이스(130)에 저장된 대학입시성적 데이터 예를 들어, 1,2,3,..., (n-1)년도의 대학수학능력시험 수험생의 영역별 성적, 내신 성적 및 과거 지원하였던 대학의 학과에 대한 합격 여부, 해당 연도의 영역별 예측 또는 실제의 평균 및 표준편차, 해당 연도의 영역별, 등급별 구간을 결정하는 최저 점수를 읽어온다. 여기서, 대학입시 성적 데이터는 과거 성적을 이미 데이터베이스화한 것으로서 데이터베이스(130)에 미리 저장된 각 과목의 원점수 및 표준점수, 대학수학능력시험의 각 과목에 대한 원점수, 표준점수 및 내신성적, 영역별 수학능력시험 구간을 나누는 최저 점수 등을 포함할 수 있다. 또한, 대학입시 성적 데이터에 대해서 추가적인 단계를 포함하여 오차를 보정하거나 불필요한 표본을 제거할 수 있다. 상기 대학입시 성적 데이터는 온라인 상의 데이터베이스에 저장된 것 또는 사설 입시기관이 보유한 전년도 채점 또는 가채점 결과에 대한 것으로서 공공기관 및 사설기관이 발표하거나 보유한 전체 성적 분포 또는 표준편차, 등급 구간 등을 포함할 수 있다. 상기 대학입시 성적 데이터는 특별하게 한정되지 않는 것으로 다른 데이터 예를 들어, 대학수학능력시험의 각 과목에 대한 원점수, 표준점수 및 내신성적, 영역별 수학능력시험 구간을 나누는 최저 점수를 포함할 수 있다.
대학입시결과예측용 기계학습모델 생성단계(S2)에서, 대학입시 합격예측 장치(110)는 대학수학능력시험 모집단의 평균 및 표준편차 등을 이용하여 대학입시결과예측용 기계학습모델을 생성한다.
여기서, 해당 연도(예:2017년)의 과목별(예:언어, 수리, 영어, 사회탐구 등) 및 영역별(예: 가형/나형, 문과/이과 등)로 응시자 수가 있는데, 이들 각각을 모집단이라 한다. 예를 들어, 수리 가형의 응시자수 전체를 모집단이라 한다. 상기 모집단의 평균 및 표준편차는 대학수학능력시험을 치룬 직후 또는 대학수학능력시험의 성적이 발표된 직후 각 사설입시기관들에서 발표한 것을 이용할 수 있다. 도 3은 상기 대학입시결과예측용 기계학습모델을 예시적으로 나타낸 도면이다.
상기 대학입시결과예측용 기계학습모델(111A)을 생성하기 위해 머신러닝을 이용하고, 상기 대학입시성적 데이터를 임의의 비율(예, 8:1:1)로 나누어 학습(training) 단계, 검증(validation) 단계 및 테스트(test) 단계를 수행한다. 상기 대학입시결과예측용 기계학습모델(111A)로서 Multilayer Perceptron, Neural Network, Support Vector Machine, 등 인공신경망(Artificial Neural Network) 모델이 사용될 수 있다. 여기서, 상기 비율(8:1:1)은 고정된 것이 아니라 임의 선택에 따라 가변될 수 있다.
예를 들어, 상기 대학입시성적 데이터는 각 수험생들(1,2,3,…k,…,n)에 대하여 Data(x) = [k1,k2,k3,k4,k5,k6,….KP]과 같이 구성될 수 있다. 여기서, k1=국어 영역 점수, k2=영어 영역 점수, k3=국어 영역 모집단의 평균, k4=영어 영역 모집단의 평균, k5 = 국어 영역 모집단의 표준편차로 입력될 수 있으며, k번째 수험생에 대한 데이터의 묶음(집합)이 Data(k)가 된다.
이러한 Data(k)가 n개가 있을 때, 1,2,3,...,n 중에서 예를 들어 랜덤으로 80%는 대학입시결과예측용 기계학습 모델을 학습시키는 데 사용하고(Data(k)t), 10%는 대학입시결과예측용 기계학습 모델에서 사용되는 내부 인자들을 조율하는데 사용하고(Data(k)v), 10%는 입력 인자를 이용해서 출력(output)을 예측해 보고 이것이 실제로 맞는지를 테스트해 보는데(Data(k)c) 사용될 수 있다.
학습 단계에서는 1, 2, ..., n-2, n-1 년도의 Data(k)를 상기 대학입시결과예측용 기계학습모델(111A)에 입력하여 학습시킨다.
이어서, 1, 2, ... , n-2년도까지의 수험생 점수 및 합격/불합격 결과에 대한 데이터를 입력한다. 이때, n-1년도의 모집단 분포, n-1년도와 n-2년도의 영역별 평균 및 표준편차 등을 입력하여 해당 학생의 n-1년도 입시 결과를 기계 학습을 통해 예측할 수 있도록 한다.
이때, 해당 수험생의 대학수학능력시험에 대해 수험생이 가채점한 시험 점수 분포 예를 들어, 가채점 점수, 평균 및 표준편차, 등급 구간 예측치(A), 응시자수(B), 학과 정원(C), n-1 년도와 n-2 년도의 평균 차이(D), n 년도 및 n-1 년도의 표준편차 등을 상기 대학입시결과예측용 기계학습모델(111A)에 입력하여 학습시킨다. 여기에 1,2,...n-1년도까지의 각각의 수험생에 대한 합격/불합격 결과를 포함할 수 있다. 즉, 도 3의 대학입시결과예측용 기계학습모델(111A)에 수험생(00010)의 입력인자들(예: 국어 예측 점수,..., 평균, 표준편차) 뿐만 아니라 이들의 합격/불합격 결과에 대한 데이터도 같이 입력하여 학습시킨다. 또한, k 년도와 k-1 년도의 평균 차이와 각각의 표준편차를 입력하고 이를 통해 이 k 년도와 k-1 년도의 분포 차이가 어떻게 k 년도의 결과에 영향을 미쳤는가를 미리 학습하여, (i) n-1 년도의 데이터와 (ii) n 년도와 n-1 년도의 평균 차이 및 두 집단의 표준 편차를 입력했을 때 n 년도의 결과를 예측할 수 있게 만든다. 결과적으로, 이러한 프로세스를 거쳐 n 년도에 수험생이 자신의 점수(가채점 또는 실제 점수)를 입력하였을 때 지원하려는 대학의 해당 학과에 합격할 수 있는지에 대해 기계 학습을 이용하여 보다 정확하게 예측할 수 있게 된다.
상기 등급 구간 예측치(A)란 예를 들어, n-1 년도의 대학수학능력시험에서 사회탐구 영역의 1등급과 2등급을 가르는 점수, 즉 1등급을 받기 위한 최소 점수가 될 수 있다. 또한, 상기 응시자수(B)란 예를 들어, n-1 년도 사회탐구 영역에 응시한 전체 수험생 수를 의미하고, 상기 학과정원(C)이란 n-1 년도 특정 학생이 진학하기 원하는 학교의 학과의 입학 정원수를 의미한다. 또한, 상기 n-1 년도와 n-2 년도의 평균 차이(D)란 사설입시기관이나 대학수학능력시험 평가원에서 발표한 해당 과목(예: 국어 영역)의 (n-1 년도 평균 점수)-(n-2 년도 평균 점수)를 의미한다.
상기 대학입시결과예측용 기계학습모델(111A)을 사용하는 경우는 점수 발표 여부에 따라 크게 두 가지 경우로 나누어진다. 첫째는 대학수학능력시험이 치뤄진 직후 시점으로서 수험생들이 스스로 채점한 가채점 점수와 입시기관이 이를 수집하여 예측한 모집단의 평균 및 표준편차 등 분포를 사용하는 경우이다. 둘째는 실제 공식 기관에서 실제 채점 결과가 발표된 뒤 시점으로서 대학수학능력시험 평가원에서 발표한 모집단에 대한 정확한 평균 및 표준편차 등 분포 수치를 사용하는 경우이다.
상기 두 가지 경우에 대응하여 대학입시결과예측용 기계학습모델(111A)을 분리시켜 별도의 모델로 학습시키거나 하나의 대학입시결과예측용 기계학습모델(111A)에 공통으로 학습시킬 수 있다. 여기서, 하나의 대학입시결과예측용 기계학습모델(111A)에 공통으로 학습시키는 경우 Data(k)에 입력인자를 하나 추가하여 kp+1= {0,1}과 같이 세팅할 수 있다. 이때, kp +1 값이 0일 경우 본채점, 1일 경우 가채점을 의미한다.
검증 단계(validation process)에서는 미리 준비한 10%의 데이터를 사용하여 여러번 모델을 실행하면서 대학입시결과예측용 기계학습모델(111A)의 인자들을 보다 최적으로 세팅한다.
도 4는 상기 머신러닝의 인자 셋팅예를 나타낸 것이다. 여기서, 기계학습 인자 중 러닝 레이트(learning rate)는 얼마나 빠른 속도로 기계가 학습하게 할 것인지를 결정하기 위한 인자이다. 학습 속도가 빠르면 시간이 단축되는 이점이 있으나 정확도가 떨어질 수 있는 단점이 있다. 반대로 학습 속도가 느리면 정확도가 향상되지만 컴퓨터 자원이 많이 소모되고 또한 최적점이 두개 이상인 경우 부분 최적점만을 찾게 되는 경우가 발생될 수 있다. 첫째, 히든레이어 유니트(hiddenlayer_units)는 인공신경망을 사용 할 때 몇 겹의 히든 레이어를 사용할 것인지 결정하는 인자이다. 예를 들어, 도 4에서는 입력 레이어(Input layer)와 출력 레이어(Output layer)를 제외한 3개의 히든 레이어(hiddenlayer 1, hiddenlayer 2, hiddenlayer 3)가 있다. 둘째, 히든 타입(hidden0_type)은 어떤 활성화 함수(activation function)를 사용할지를 지정하는 것으로서 이 종류로서 Rectifier, Sigmoid, Tanh 등이 있다. 여기서, 상기 대학입시결과예측용 기계학습모델(111A)을 학습시키기 위해 위에서 예로 든 세 가지 인자들을 최적화시키는 것이 중요하므로, 검증단계에서 상기 10%의 대학입시성적 데이터를 이용하여 이 최적의 인자 셋팅을 하는 단계를 거치게 된다.
테스트 단계에서는 나머지 10%의 대학입시성적 데이터를 상기 대학입시결과예측용 기계학습모델(111A)에 입력하여 결과를 도출해 보고 그 도출 결과를 실제의 결과와 비교하여 어떻게 다른지 확인한다. 예를 들어, Data(k) = [k1, k2, k3, k4,..., kp]일 때 k1,k2,k3등은 점수이고 kp는 합격 결과, 즉 kp=0이면 불합격이라 하고 kp=1이면 합격임을 나타낸다고 한다. k = {1,2,3,...u}라 할 때 이들 중 80%는 랜덤으로 획득하여 kt라 하고, 나머지 중에서 10%는 랜덤으로 획득하여 kc라 한다. 상기 kt는 대학입시결과예측용 기계학습모델(111A)을 학습시키기 위하여 사용하고, 상기 kc는 대학입시결과예측용 기계학습모델(111A)을 테스트하는데 사용한다. 여기서, v ∈ kc 일 때 Data(v) = [v1, v2, v3,...,vp-1, vp] 에서 [v1, v2, v3,...,vp-1]를 머신에 입력시켜 결과값으로 wp를 도출한다. 이 wp는 기계 학습으로 해당 수험생에 대한 합격 여부를 예측한 것으로서 상기 wp를 해당 수험생의 이미 알려진 실제 합격/불합격 결과(vp)와 비교하여 정확성을 평가한다. 전체 kc에 대해 이 과정을 반복하면 10%의 테스트 데이터(kc)에 대해 몇% 오차가 났는지를 확인할 수 있다. 또한 결과값을 실수값(확률)으로 도출할 경우 R2나 MSE(Mean Square Error), RMSE(Root Mean Square Error), MAE(Mean Absolute Error)등을 활용하여 오차를 수치화시킬 수 있다.
상기 학습단계(training process), 검증 단계(validation process) 및 테스트 단계(test process)를 가지고 있는 년도 1, ... , n-1에 대하여 실시하여 상기 대학입시결과예측용 기계학습모델(111A)을 수립한다.
합격 예측 단계(S3)에서, 해당년도 수험생의 성적 및 지원 모집 단위 및 결과를 수험생 단말기(120)를 통해 대학입시결과예측용 기계학습모델(111A)에 전송한다. 이를 통해 입학을 하고자 하는 대학 및 학과에 지원하는 경우 합격이 가능한지를 대학입시결과예측용 기계학습모델(111A)을 통해 예측한 후 그 결과치를 수험생 단말기(120)에 전송한다. 여기서, 수험생의 성적은 대학수학능력시험에 대해 수험생이 가채점한 시험 점수 또는 대학수학능력시험 평가원에서의 본채점 결과에 따라 발표한 해당 수험생의 시험점수를 의미한다. 상기 합격 예측 단계(S3)의 다른 실시예로써, 활성화 함수(Activation Function)로서 렉티파이어(Rectifier) 또는 리니어(Linear)를 사용하는 경우 합격률을 도출할 수 있다. 이 합격률은 합격 여부(binary)가 아니라 0~100%까지의 합격률이 도출된다. 이 확률은 실제적인 확률과는 정확히 일치하지 않으나 일직선상에 대응하는 수치로서 0부터 100%까지의 값을 가질 수 있다.
이때, 수험생의 성적이 상기 가채점한 시험 점수 분포인 경우 그 가채점한 시험 점수 분포로 지원하는 경우 가채점 평균, 가채점 표준편차, 가채점 등급 구간 예측치, 응시자수, 학과 정원, 가채점을 기준으로 한 n 년도와 n-1 년도의 평균 차이, n-1 년도의 표준편차 등을 대학입시결과예측용 기계학습모델(111A)에 입력하고 예측을 진행한다. 그리고, 수험생의 성적이 실제 본채점한 결과인 경우에는 수학능력시험 주관측에서 공식적으로 발표한 본채점의 평균, 본채점의 표준편차, 본채점의 등급 구간, 응시자수, 학과 정원, 본채점을 기준으로 한 n 년도와 n-1 년도의 평균 차이, n년도 및 n-1 년도의 표준편차를 입력한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세히 설명하였지만, 본 발명의 권리범위가 이에 한정되는 것이 아니라 다음의 청구범위에서 정의하는 본 발명의 기본 개념을 바탕으로 보다 다양한 실시예로 구현될 수 있으며, 이러한 실시예들 또한 본 발명의 권리범위에 속하는 것이다.
100 : 대학입시 합격 예측 시스템 110 : 대학입시 합격예측 장치
120 : 수험생 단말기 130 : 데이터베이스

Claims (6)

  1. (a) 대학입시 합격예측 장치가 데이터 베이스로부터 해당 수험생에 관련된 대학입시성적 데이터를 읽어오는 단계;
    (b) 상기 대학입시 합격예측 장치가 대학수학능력시험 모집단의 평균 및 표준편차를 이용하여 대학입시결과예측용 기계학습모델을 생성하는 단계; 및
    (c) 상기 수험생의 성적으로 입학을 원하는 대학의 학과에 지원할 경우 합격이 가능지에 대하여, 상기 대학입시결과예측용 기계학습모델을 통해 예측하여 그 예측 결과를 상기 수험생 단말기에 전송하는 단계;를 포함하는 것을 특징으로 하는 대학입시 합격 예측 방법.
  2. 제1항에 있어서, 상기 대학입시성적 데이터는
    상기 수험생의 해당 연도의 대학수학능력시험의 영역별 성적, 내신 성적 및 지원하였던 대학의 학과에 대한 합격 여부, 대학수학능력시험의 영역별 예측 또는 실제의 평균 및 표준편차, 해당 연도의 대학수학능력시험의 영역별, 등급별 구간을 결정하는 최저 점수 중에서 하나 이상을 포함하는 것을 특징으로 하는 대학입시 합격 예측 방법.
  3. 제1항에 있어서, 상기 대학입시성적 데이터는
    상기 수험생이 실제 점수가 나오기 전에 가채점한 대학수학능력시험의 점수로서 상기 수험생 단말기, 통신망을 통해 상기 데이터베이스에 저장되었거나 이미 다른 수집 단계를 통해 상기 데이터베이스에 저장된 각 과목의 영역별 점수 및 이를 변형 처리한 표준점수, 백분위, 표본집단 및 이를 통해 추정한 모집단의 평균 및 표준편차, 해당 연도의 영역별, 등급별 구간을 결정하는 최저 점수, 해당 대학 및 지원단위의 경쟁률 및 지원인구, 정원, 전체 대학수학능력시험 응시인구 및 영역별 전체 응시인구 중에서 하나 이상을 포함하는 것을 특징으로 하는 대학입시 합격 예측 방법.
  4. 제1항에 있어서, 상기 (b) 단계는
    n-1 년도의 대학수학능력시험 점수를 상기 대학입시결과예측용 기계학습모델에 입력하여 학습시키는 학습 단계;
    상기 대학입시결과예측용 기계학습모델을 생성하기 위한 머신러닝의 인자를 셋팅하기 위해 관련 데이터들을 입력하여 최적의 대학입시결과예측용 기계학습모델을 수립하는 검증 단계; 및
    상기 대학입시성적 데이터를 상기 대학입시결과예측용 기계학습모델에 입력하여 결과를 도출한 후 그 도출 결과를 실제의 결과와 비교하여 어떻게 다른지 확인하는 테스트 단계;를 포함하는 것을 특징으로 하는 대학입시 합격 예측 방법.
  5. 제4항에 있어서, 상기 대학입시결과예측용 기계학습모델을 생성하기 위하여,
    머신러닝을 이용하고, 상기 대학입시성적 데이터를 미리 설정된 비율로 분할하여 상기 학습 단계, 검증 단계 및 테스트 단계를 수행하는 것을 특징으로 하는 대학입시 합격 예측 방법.
  6. 제1항에 있어서, 상기 대학입시결과예측용 기계학습모델은
    대학수학능력시험이 치뤄진 직후 수험생들이 직접 채점한 가채점 점수와 입시기관이 이들을 수집하여 예측한 모집단의 평균 및 표준편차 분포를 사용하거나,
    실제 채점 결과가 발표된 후 대학수학능력시험 평가원에서 발표한 모집단에 대한 평균 및 표준편차 분포 수치를 사용하는 것을 특징으로 하는 대학입시 합격 예측 방법.
KR1020180018237A 2018-02-14 2018-02-14 대학입시 합격 예측 방법 KR20190098376A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180018237A KR20190098376A (ko) 2018-02-14 2018-02-14 대학입시 합격 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180018237A KR20190098376A (ko) 2018-02-14 2018-02-14 대학입시 합격 예측 방법

Publications (1)

Publication Number Publication Date
KR20190098376A true KR20190098376A (ko) 2019-08-22

Family

ID=67766946

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180018237A KR20190098376A (ko) 2018-02-14 2018-02-14 대학입시 합격 예측 방법

Country Status (1)

Country Link
KR (1) KR20190098376A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102270568B1 (ko) * 2020-06-16 2021-07-27 주식회사 에이아이파트너스 대학입시 합격가능성 예측 및 교육 컨텐츠 연계 시스템 및 방법
KR20210115425A (ko) 2020-03-13 2021-09-27 주식회사 센스비전 실시간 음향분석에 의한 소음도에 따른 음성 안내시스템의 스마트 볼륨 조절 시스템
KR20220121325A (ko) 2021-02-25 2022-09-01 메이저맵 주식회사 개인역량에 기반한 학과 추천 서비스 시스템 및 방법
KR20220138929A (ko) 2021-04-07 2022-10-14 박동석 대학 입시정보 통합관리 시스템
KR20220139067A (ko) * 2021-04-07 2022-10-14 맹진영 Ai 기반 합격 예측 시스템
KR102481664B1 (ko) * 2022-02-17 2022-12-27 김도균 대학입시 합격가능성 예측 시스템 및 서비스 방법
KR102534416B1 (ko) * 2022-06-26 2023-05-26 김현진 체대 입시 컨설팅 서비스 시스템 및 방법
KR20230080892A (ko) 2021-11-30 2023-06-07 메이저맵 주식회사 인지역량게임을 활용한 학과추천 및 진로추천 시스템

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210115425A (ko) 2020-03-13 2021-09-27 주식회사 센스비전 실시간 음향분석에 의한 소음도에 따른 음성 안내시스템의 스마트 볼륨 조절 시스템
KR102270568B1 (ko) * 2020-06-16 2021-07-27 주식회사 에이아이파트너스 대학입시 합격가능성 예측 및 교육 컨텐츠 연계 시스템 및 방법
KR20220121325A (ko) 2021-02-25 2022-09-01 메이저맵 주식회사 개인역량에 기반한 학과 추천 서비스 시스템 및 방법
KR20220138929A (ko) 2021-04-07 2022-10-14 박동석 대학 입시정보 통합관리 시스템
KR20220139067A (ko) * 2021-04-07 2022-10-14 맹진영 Ai 기반 합격 예측 시스템
KR20230080892A (ko) 2021-11-30 2023-06-07 메이저맵 주식회사 인지역량게임을 활용한 학과추천 및 진로추천 시스템
KR102481664B1 (ko) * 2022-02-17 2022-12-27 김도균 대학입시 합격가능성 예측 시스템 및 서비스 방법
KR102534416B1 (ko) * 2022-06-26 2023-05-26 김현진 체대 입시 컨설팅 서비스 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR20190098376A (ko) 대학입시 합격 예측 방법
KR102104660B1 (ko) 사용자 맞춤형 학습 컨텐츠 제공 시스템 및 방법
Li et al. Traditional literature review and research synthesis
Van Dusen et al. Modernizing use of regression models in physics education research: A review of hierarchical linear modeling
CN108229718A (zh) 一种信息预测方法及装置
Nuankaew Dropout situation of business computer students, University of Phayao
Muratov et al. Computer-assisted decision support for student admissions based on their predicted academic performance
Harrison et al. Modelling melodic discrimination tests: Descriptive and explanatory approaches
KR102186936B1 (ko) 지원자 매칭을 위한 평가 시스템 및 방법
Putri et al. Analysis of students graduation target based on academic data record using c4. 5 algorithm case study: Information systems students of telkom university
CN104574234A (zh) 大学申请机会最优化教育咨询系统
CN111915224A (zh) 一种教学测评系统
Wyness et al. Grade expectations: how well can past performance predict future grades?
Hermansyah et al. Decision Support System for Identifying Best Students in the Class with Simple Additive Weighting (SAW) Method
CN106960400A (zh) 录取概率的评估方法、推荐高考院校的方法及装置
Hayat Adjustment for guessing in a basic statistics test for Indonesian undergraduate psychology students using the Rasch model
KR102573140B1 (ko) Ai 기반 합격 예측 시스템
Chen et al. Cross-cultural validity of the TIMSS-1999 mathematics test: Verification of a cognitive model
KR100539148B1 (ko) 성적 정보 제공 방법 및 장치
KR20010083847A (ko) 대입전형 합격가능확률 계산 시스템
Yhnell et al. The impact of attaining the Welsh Baccalaureate Advanced Diploma on academic performance in bioscience higher education
Jiménez-Macias et al. Analyzing feature importance for a predictive undergraduate student dropout model
CN113744101A (zh) 新高考模式下考生志愿智能填报方法、装置及计算机设备
He On-demand testing and maintaining standards for general qualifications in the UK using item response theory: possibilities and challenges
Wizsa et al. Decision-Making System for KIP IAIN Bukittinggi Scholarship Recipients Using the SAW and TOPSIS Methods

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application