KR20220150544A - 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법 - Google Patents

사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법 Download PDF

Info

Publication number
KR20220150544A
KR20220150544A KR1020210057655A KR20210057655A KR20220150544A KR 20220150544 A KR20220150544 A KR 20220150544A KR 1020210057655 A KR1020210057655 A KR 1020210057655A KR 20210057655 A KR20210057655 A KR 20210057655A KR 20220150544 A KR20220150544 A KR 20220150544A
Authority
KR
South Korea
Prior art keywords
variable
semester
dropout
students
expected
Prior art date
Application number
KR1020210057655A
Other languages
English (en)
Other versions
KR102603784B1 (ko
Inventor
박용원
박철
노건태
Original Assignee
서울사이버대학교 산학협력단
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 서울사이버대학교 산학협력단 filed Critical 서울사이버대학교 산학협력단
Priority to KR1020210057655A priority Critical patent/KR102603784B1/ko
Publication of KR20220150544A publication Critical patent/KR20220150544A/ko
Application granted granted Critical
Publication of KR102603784B1 publication Critical patent/KR102603784B1/ko

Links

Images

Classifications

    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법이 개시된다. 전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시 예에 따른 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법은, 기설정된 수집기간 동안 1차 변인 및 2차 변인을 각각 수집하는 단계, 수집된 1차 변인 및 2차 변인을 수치화하는 단계, 수치화된 1차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기중 탈락 예정자를 판단하는 단계, 및 수치화된 2차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기후 탈락 예정자를 판단하는 단계를 포함한다.

Description

사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법 {Modeling method for predicting risk of getting out of the way in online university}
본 발명은 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법에 관한 것으로서, 보다 상세하게는, 온라인대학의 학생들이 학업을 포기하기 이전에 미리 예측하여 학생 이탈을 최소화하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법에 관한 것이다.
정보통신 기술이 발달함에 따라, 오프라인에서만 진행되던 강의 시스템이 온라인 상에서 많이 이루어지고 있다. 온라인 강의 시스템이 발달하면서, 온라인 강의가 단순한 강의에 그치지 않고 대학 시스템으로 이어져, 시간과 장소에 구애받지 않고 대학 강의에 참여할 수 있도록 한 온라인대학이 인기를 끌고 있다.
이러한 온라인대학은 온라인 상에서 대부분의 강의가 진행되므로, 학생들이 혼자서 학습을 진행하여야 한다. 이로 인해, 온라인대학은 기존의 오프라인 대학에 비하여 상당한 수준의 ICT(Information and Communications Technologies) 역량을 필요로 한다.
하지만, 현재의 온라인대학에서 제공하는 학습 환경을 살펴보면, 혼자서 학습을 진행해야 하는 학생들에 대한 주변 환경의 지지가 상당히 부족하고, 즉각적인 피드백을 진행하지 못하고 있는 실정이다.
또한, 온라인대학의 특성상, 학업 배경 및 수준 등이 매우 다양한 학생들이 입학하게 된다. 예를 들면, 온라인대학에 입학하는 학생들에는 정규 교육과정을 마친 어린 학생들도 있지만, 어떠한 이유로든 학업을 제때 마치지 못하였던 고연령층의 학생들도 많이 있다.
이와 같이, 오프라인 대학의 학생들과는 다른 특성을 보이는 온라인대학에서는 입학 첫 학기 또는 학기 직후에 중도 탈락하는 학생의 비율이 전체 신입생의 20 내지 26%에 이르고 있다.
학업을 중도에 포기하는 것은, 대학 진학을 고심하여 선택한 학생에게도 문제가 되지만, 온라인대학측에서는 학생을 잃게 되는 문제로 연결된다. 그러므로, 온라인대학측에서는 신입생을 유지하기 위하여, 학생이 이탈하기 전에 학업 혹은 학교에 적응하지 못하는 학생을 찾아내어 지원책을 제공할 필요가 있다.
국내공개특허 제10-20200051147호(2020. 05. 13. 공개)
전술한 문제점을 해결하기 위하여 본 발명이 이루고자 하는 기술적 과제는, 온라인대학의 학생들을 대상으로 학습에 영향을 주는 여러 학습활동 데이터들을 추적함으로써, 학업을 중도에 포기할 가능성이 보이는 학생들을 사전에 추출 및 지도할 수 있도록 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법을 제시하는 데 있다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시 예에 따른 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법은, 기설정된 수집기간 동안 1차 변인 및 2차 변인을 각각 수집하는 단계, 수집된 1차 변인 및 2차 변인을 수치화하는 단계, 수치화된 1차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기중 탈락 예정자를 판단하는 단계, 및 수치화된 2차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기후 탈락 예정자를 판단하는 단계를 포함한다.
바람직하게, 수집하는 단계 및 수치화하는 단계를 기설정된 수집주기마다 반복 수행하는 단계를 더 포함할 수 있다.
또한 바람직하게, 학기중 탈락 예정자를 판단하는 단계는, 반복 수행 결과를 반영하여 비교한 결과 중복되는 학생을 학기중 탈락 예정자로 판단하고, 학기후 탈락 예정자를 판단하는 단계는, 반복 수행 결과를 반영하여 비교한 결과 중복되는 학생을 학기후 탈락 예정자로 판단할 수 있다.
또한 바람직하게, 학기중 탈락 예정자를 판단하는 단계는, 1차 변인을 기설정된 변인순서에 따라 단계별로 비교하여, 각 단계에서 변인의 수치값이 각각의 기준 레벨에 미달하는 학생을 추출하고, 마지막 단계까지 변인의 수치값이 기준 레벨에 미달하는 학생을 학기중 탈락 예정자로 판단할 수 있다.
또한 바람직하게, 학기후 탈락 예정자를 판단하는 단계는, 2차 변인을 기설정된 변인순서에 따라 단계별로 비교하여, 각 단계에서 변인의 수치값이 각각의 기준 레벨에 미달하는 학생을 추출하고, 마지막 단계까지 변인의 수치값이 기준 레벨에 미달하는 학생을 학기후 탈락 예정자로 판단할 수 있다.
또한 바람직하게, 1차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 및 기본등록금 납부시점을 포함할 수 있다.
또한 바람직하게, 2차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 기본등록금 납부시점, 총장학금액, 국가장학금액, 수강신청학점, 및 시험응시율을 포함할 수 있다.
본 발명에 따르면, 온라인대학의 학습활동에서 나타나는 데이터들 중, 학업포기 의사가 있는 학생들이 보이는 학습행태에 관련된 변인을 추적하여 이에 의해 학업포기 예정자를 예측해냄으로써, 정확한 학업포기 예정자를 예측할 수 있는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법을 제공하는 효과가 있다.
또한, 정확하게 학업포기 예정자를 예측해냄으로써, 학생이 학업을 포기하기 이전에 학업을 지속할 수 있도록 하는 노력을 기울여, 학생의 유출을 최소화할 수 있는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 바람직한 실시예에 따른 예측 서버의 블럭도,
도 2는 본 발명의 바람직한 실시예에 따른 예측 서버에서 사용하는 연령 변인의 관찰 결과를 예시한 도면,
도 3은 본 발명의 바람직한 실시예에 따른 예측 서버에서 사용하는 성별 변인의 관찰 결과를 예시한 도면
도 4는 본 발명의 바람직한 실시예에 따른 변인순서에 따라 단계별 비교 절차에 의해 학기중 탈락 예정자를 예측하는 방법을 설명하기 위한 도면,
도 5는 본 발명의 바람직한 실시예에 따른 변인순서에 따라 단계별 비교 절차에 의해 학기후 탈락 예정자를 예측하는 방법을 설명하기 위한 도면,
도 6은 본 발명의 바람직한 일 실시예에 따른 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법을 설명하기 위한 흐름도, 그리고,
도 7은 본 발명의 바람직한 다른 실시예에 따른 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법을 설명하기 위한 흐름도이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시 예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시 예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한, 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시 예들은 그것의 상보적인 실시 예들도 포함한다.
또한, 제1 엘리먼트 (또는 구성요소)가 제2 엘리먼트(또는 구성요소) 상(ON)에서 동작 또는 실행된다고 언급될 때, 제1 엘리먼트(또는 구성요소)는 제2 엘리먼트(또는 구성요소)가 동작 또는 실행되는 환경에서 동작 또는 실행되거나 또는 제2 엘리먼트(또는 구성요소)와 직접 또는 간접적으로 상호 작용을 통해서 동작 또는 실행되는 것으로 이해되어야 할 것이다.
어떤 엘리먼트, 구성요소, 장치, 또는 시스템이 프로그램 또는 소프트웨어로 이루어진 구성요소를 포함한다고 언급되는 경우, 명시적인 언급이 없더라도, 그 엘리먼트, 구성요소, 장치, 또는 시스템은 그 프로그램 또는 소프트웨어가 실행 또는 동작하는데 필요한 하드웨어(예를 들면, 메모리, CPU 등)나 다른 프로그램 또는 소프트웨어(예를 들면 운영체제나 하드웨어를 구동하는데 필요한 드라이버 등)를 포함하는 것으로 이해되어야 할 것이다.
또한, 어떤 엘리먼트(또는 구성요소)가 구현됨에 있어서 특별한 언급이 없다면, 그 엘리먼트(또는 구성요소)는 소프트웨어, 하드웨어, 또는 소프트웨어 및 하드웨어 어떤 형태로도 구현될 수 있는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 바람직한 실시예에 따른 예측 서버의 블럭도이다.
예측 서버(100)는 온라인대학의 학생들의 온라인 학습활동 과정을 통해 나타나는 데이터를 분석하여, 중도 이탈 위험군을 예측하는 서버이다. 여기서, 중도 이탈 위험군은, 온라인대학의 입학으로부터 졸업까지의 일련의 과정을 마치지 않고, 중간에 학업을 포기하는 학생들의 그룹을 말한다. 예를 들면, 중도 이탈은 학기중에 학업을 포기하는 경우, 및 학기후 학업을 포기하는 경우 등을 들 수 있다.
도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 예측 서버(100)는 네트워크 인터페이스부(110), 수집부(120), 수치화부(130), 예측부(140), 저장부(150), 및 제어부(160)를 포함한다.
네트워크 인터페이스부(110)는 예측 서버(100)와 외부 단말기기(미도시)들 간의 네트워크 인터페이스를 지원한다. 외부 단말기기는 예를 들면, 교수, 교직원, 및 학생들이 사용하는 단말기기로, 인터넷이 가능한 데스크탑, 노트북, 태블릿 PC 및 스마트폰 등이 해당한다. 네트워크 인터페이스부(110)를 통해 예측 서버(100)는 외부 단말기기와 다양한 정보를 송수신할 수 있다.
수집부(120)는 온라인대학의 신입생 및 재학생들에 관련된 다양한 정보를 수집한다. 수집부(120)에서 수집되는 정보는 온라인대학의 학생들이 기본적으로 제공하는 학생정보로부터 수집될 수 있고, 네트워크 인터페이스부(110)를 통해 온라인대학의 홈페이지의 각종 게시판으로부터 수집될 수 있다.
수집부(120)는 기설정된 수집기간 동안 학업포기 예정자 예측에 사용될 변인들을 수집한다. 보다 구체적으로, 수집부(120)는 정해진 수집시기에 기설정된 수집기간 동안의 변인들을 1회 수집할 수 있다. 또한, 수집부(120)는 기설정된 수집주기마다 반복적으로 수집기간 동안의 변인들을 수차례 수집할 수 있다.
본 실시예에서는, 학기중 탈락 예정자를 판단하는데 사용되는 변인을 1차 변인이라 하고, 학기후 탈락 예정자를 판단하는데 사용되는 변인을 2차 변인이라 한다. 여기서, 1차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 기본등록금 납부시점을 포함할 수 있다. 또한, 2차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 기본등록금 납부시점, 총장학금액, 국가장학금액, 수강신청학점, 시험응시율을 포함할 수 있다.
이외에도 수집부(120)에서 수집할 수 있는 변인은 보다 다양하게 변형될 수 있다. 학업에 관련된 변인으로, 출석시간, 과제 진도율, 시험 응시율, 포털 로그인 횟수, 학업 공지 확인도, 수업 참여도, 토론 참여도, 수업게시판 활용도를 포함할 수 있다. 또한, 학생 배경 및 특징에 관련된 변인으로, 연령, 성별, 직업, 거주지역, 입학유형, 및 전형 자격을 포함할 수 있다. 또한, 학업여건에 관련된 변인으로, 경제상태, 고용형태, 가족상황, 학업지지도, 국가장학금, 교내장학금을 포함할 수 있다. 또한, 사회통합에 관련된 변인으로, 지역모임 참석율, 교내 오프라인 행사 참석율, 교내 SNS 활용도, 수업게시판 활동도를 포함할 수 있다. 또한, 정의적 변인으로, 자기효능감, 학교만족도, 목표헌신도, 스트레스 지수를 포함할 수 있다. 학업결과 변인으로는, 학교 성적을 포함할 수 있다. 이러한 다양한 변인들을 1차 변인 혹은 2차 변인에 적용할 수 있다.
수치화부(130)는 수집부(120)에 의해 수집된 1차 변인 및 2차 변인을 수치화하여 수치화값으로 변환한다. 수치화부(130)에서 변인들을 수치화하는 것은 각 변인에 따라 적합한 방식이 사용되어야 한다.
연령 변인은 각 연령대별 또는 나이 비율을 변수로 사용한다. 성별 변인은 남녀를 나타내는 명목변수를 사용한다. 직업 변인은 직업군에 따른 명목변수를 사용한다. 거주지역 변수는 지역에 따른 명목변수를 사용한다. 입학유형 변인은 신입학, 편입학 등에 따른 명목변수를 사용한다. 전형자격 변인은 일반전형, 산업체, 군위탁 등에 따른 명목변수를 사용한다.
출석시간 변인은 수강과목 평균 및 진도율로 변환하여 사용한다. 과제진도율 변인은 출제된 과제에 대한 제출율을 사용한다. 시험응시율 변인은 중간고사 및 기말고사와 같은 정기시험의 응시율을 사용한다. 포털로그인횟수 변인은 학교 포털에 로그인한 횟수를 사용한다. 학업공지 확인 변인은 각 과목별 강의 공지 확인 여부를 비율로 전환하여 사용한다. 수업 참여도 변인은 수업 게시판, 토론 참여 게시판, 질문 게시판 등의 참여도를 비율로 사용한다.
국가장학금 및 교내장학금 변인은 국가장학금의 수혜금액 및 교내장학금의 수혜금액을 사용한다. 교내 오프라인 행사 참여율 변인은 입학식, 오리엔테이션, 학과 야유회, 체육대회 등의 각종 행사에 대한 참여율을 사용한다.
예측부(140)는 다양한 변인들의 수치화값을 이용하여 학업포기 예정자를 추출한다. 예측부(140)에서 추출하는 학업포기 예정자는 학기 중 학기중 탈락 예정자 및 학기후 탈락 예정자를 포함할 수 있다.
본 실시예에서는 학업포기 예정자(중도 이탈)를 학기중 탈락 예정자 및 학기후 탈락 예정자로 구분하였으나, 이는 반드시 여기에 한정되지는 않는다. 학업포기 예정자는 기언급한 두 가지 예 이외에도 보다 세분화되거나 다양하게 구성될 수 있다. 예를 들면, 학기후 탈락 예정자도 자퇴 예정자 및 휴학 예정자로 보다 세분할 수도 있다.
예측부(140)는 1차 변인의 수치화값을 각 변인별로 설정된 기준 레벨과 비교하는 동작에 의해 학기중 탈락 예정자를 판단할 수 있고, 2차 변인의 수치화값을 각 변인별로 설정된 기준 레벨과 비교하는 동작에 의해 학기후 탈락 예정자를 판단할 수 있다.
수집부(120)에서 기설정된 수집주기마다 1차 변인 및 2차 변인을 반복적으로 수집하는 경우, 예측부(140)는 수집부(120)에서 변인들이 반복적으로 수집될 때마다 각 변인들을 해당 기준 레벨과 비교하고, 그 비교 결과가 중복되는 학생을 학기중 탈락 예정자 혹은 학기후 탈락 예정자로 판단할 수 있다.
또한, 예측부(140)는 1차 변인 혹은 2차 변인을 기설정된 변인순서에 따라 단계별로 비교하여 각 단계에서 변인의 수치값이 각각의 기준 레벨에 미달하는 학생을 추출하며, 마지막 단계까지 변인의 수치값이 기준 레벨에 미달하는 학생을 학기중 탈락 예정자 혹은 학기후 탈락 예정자로 판단할 수 있다.
저장부(150)는 예측 서버(100)의 동작에 필요한 모든 정보를 저장한다. 예를 들면, 저장부(150)는 예측부(140)의 동작에 사용되는 변인들 각각에 대하여 기설정된 기준레벨을 저장할 수 있으며, 예측 서버(100)의 원활한 동작을 위해 온라인대학의 학생들에 대한 기초 정보를 저장할 수 있다.
제어부(160)는 예측 서버(100)의 전반적인 동작을 제어한다. 즉, 제어부(160)는 네트워크 인터페이스부(110), 수집부(120), 수치화부(130), 예측부(140), 및 저장부(150)들 간의 신호 입출력을 제어한다.
도 2는 본 발명의 바람직한 실시예에 따른 예측 서버에서 사용하는 연령 변인의 관찰 결과를 예시한 도면이다.
본 실시예는 수집부(120)에서 수집하는 여러 변인들 중에서 연령 변인을 이용하여 3학기 동안의 다음 학기 재등록율을 추적하여 그래프화하여 나타낸 것이다. 학생들을 연령별로 구분하고, 학기중 탈락 그룹(A), 학기후 탈락 그룹(B), 및 학업지속 그룹(C)으로 구분하여 그래프로 나타내었다.
(a)는 추적을 개시한 첫번째 학기의 연령대별 재등록율 변화를 나타낸 것으로, 학기중 탈락을 선택한 학생의 비율이 많지는 않지만, 다양한 연령층 중에서는 20대의 비중이 가장 높게 나타난다.
(b)는 추적을 개시한 후 두번째 학기의 연령대별 재등록율 변화를 나타낸 것으로, (a)의 결과와 크게 다르지는 않으나, 60대 연령층에서 학기중 탈락이 전혀 발생하지 않았다.
(c)는 추적을 개시한 후 세번째 학기의 연령대별 재등록율 변화를 나타낸 것이다. 그래프를 살펴보면, 모든 연령층에서 학기중 탈락을 선택한 학생들이 증가하였고, 특히 60대 연령층에서 학기중 탈락이 크게 증가하였다. 또한, 학기후 탈락을 선택한 학생들 중 20대 연령층이 증가하였다.
(a) 내지 (c)의 그래프를 참조하면, 학기중 탈락이 많이 발생하는 연령층 혹은 학기후 탈락이 많이 발생하는 연령층을 파악할 수 있다. 이에 의해, 해당 연령층에 대하여 학업을 지속하도록 하는 관리가 가능하도록 할 수 있다.
도 3은 본 발명의 바람직한 실시예에 따른 예측 서버에서 사용하는 성별 변인의 관찰 결과를 예시한 도면이다.
본 실시예는 수집부(120)에서 수집하는 여러 변인들 중에서 성별 변인을 이용하여 3학기 동안의 다음 학기 재등록율을 추적하여 그래프화하여 나타낸 것이다. 이전 실시예에서와 마찬가지로, 학생들을 연령별로 구분하고, 학기중 탈락 그룹(A), 학기후 탈락 그룹(B), 및 학업지속 그룹(C)으로 구분하여 그래프로 나타내었다.
(a)는 추적을 개시한 첫번째 학기의 성별에 따른 재등록율 변화를 나타낸 것으로, 학기중 탈락 그룹(A)에는 남 여 구분없이 적은 수의 학생들이 나타났고, 학기후 탈락 그룹(B)에는 남학생이 조금 더 많게 나타났다.
(b)는 추적을 개시한 후 두번째 학기의 성별에 따른 재등록율 변화를 나타낸 것으로, (a)에 비하여 조금 더 많은 학생들이 학업을 포기했으며, 학기중 탈락 및 학기후 탈락 모두에서 남학생이 더 많은 것으로 나타난다.
(c)는 추적을 개시한 후 세번째 학기의 성별에 따른 재등록율 변화를 나타낸 것으로, (a) 및 (b)에 비하여 조금 더 많은 학생들이 학업을 포기했으며, 여전히 학기중 탈락 및 학기후 탈락 모두에서 남학생이 더 많은 것으로 나타난다.
(a) 내지 (c)의 그래프를 통해, 남학생들이 학기후 탈락을 선택하는 경우가 많은 결과를 보이므로, 학교에서는 남학생들이 학업을 중도에 포기하지 않고 지속할 수 있도록 관리를 기울일 필요가 있다.
도 2 및 도 3에서는 수집부(120)에서 수집 가능한 변인들 중, 연령 및 성별 변인에 대하여 여러 학기에 걸쳐 학기중 탈락자 및 학기후 탈락자를 추적한 결과를 나타내었다. 본 출원인은 연령 및 성별 변인 이외에도 기언급한 여러 변인들에 대하여 동일하게 여러 학기에 걸쳐 학기중 탈락자 및 학기후 탈락자를 추적하여 분석하였다. 이에, 어떤 변인을 적용하여 학기중 탈락자 및 학기후 탈락자를 예측하는 것이 가장 바람직한지를 찾아내었다.
이에, 1차 변인으로 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 및 기본등록금 납부시점을 사용하였고, 2차 변인으로 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 기본등록금 납부시점, 총장학금액, 국가장학금액, 수강신청학점, 및 시험응시율을 사용하였다. 하지만, 이는 바람직한 실시예일 뿐, 다른 변인으로 대체, 추가가 가능하다.
도 4는 본 발명의 바람직한 실시예에 따른 변인순서에 따라 단계별 비교 절차에 의해 학기중 탈락 예정자를 예측하는 방법을 설명하기 위한 도면이다.
본 실시예에서, enroll_credit는 수강신청학점을 의미하고, scholar는 총장학금액을 의미하여, pladytime은 컨텐츠 수강시간을 의미하며, out_scholar는 국가장학금액을 의미하여, age는 연령을 의미한다.
도시한 바와 같이, 첫번째 변인을 해당 기준 레벨과 비교하여 그 비교 결과에 따라 다음 단계로 진행하여 두번째 변인을 해당 기준 레벨과 비교한다. 이러한 과정이 마지막으로 설정된 변인까지 반복 진행되고, 최종적으로 학기중 탈락 예정자를 예측할 수 있다.
도 5는 본 발명의 바람직한 실시예에 따른 변인순서에 따라 단계별 비교 절차에 의해 학기후 탈락 예정자를 예측하는 방법을 설명하기 위한 도면이다.
본 실시예에서, notice는 수업 공지사항 조회율을 의미하고, login은 로그인 횟수를 의미하여, ftime은 출석완료 소요시간을 의미하며, tution_day은 기본등록금 납부시점을 의미한다.
도시한 바와 같이, 첫번째 변인을 해당 기준 레벨과 비교하여 그 비교 결과에 따라 다음 단계로 진행하여 두번째 변인을 해당 기준 레벨과 비교한다. 이러한 과정이 마지막으로 설정된 변인까지 반복 진행되고, 최종적으로 학기후 탈락 예정자를 예측할 수 있다.
도 6은 본 발명의 바람직한 일 실시예에 따른 학업포기 예정자 예측 방법을 설명하기 위한 흐름도이다.
수집부(120)는 기설정된 수집기간 동안 1차 변인과 2차 변인을 각각 수집한다(S200). 1차 변인 및 2차 변인은 복수개일 수 있으며, 온라인대학의 홈페이지로부터 해당 정보를 수집해야 하므로, 수집부(120)는 네트워크 인터페이스부(110)와 연동을 한다.
수집부(120)에서 1차 변인 및 2차 변인의 수집이 완료되면, 수치화부(130)에서는 1차 변인 및 2차 변인 각각을 기설정된 수치화 방법에 의해 수치화한다(S210).
예측부(140)에서는 1차 변인의 수치화값을 각각의 변인에 따라 다르게 설정된 기준 레벨과 비교한다. 이 비교 결과, 1차 변인의 수치화값이 기준 레벨 미만이면(S220-Y), 해당 학생을 학기중 탈락 예정자로 결정한다(S230).
또한, 예측부(140)에서는 2차 변인의 수치화값을 각각의 변인에 따라 다르게 설정된 기준 레벨과 비교한다. 이 비교 결과, 2차 변인의 수치화값이 기준 레벨 미만이면(S240-Y), 해당 학생을 학기후 탈락 예정자로 결정한다(S250).
만약, S220 단계 및 S240 단계에서, 1차 변인의 수치화값 혹은 2차 변인의 수치화값이 각각의 변인에 따라 다르게 설정된 기준 레벨 이상인 것으로 판단되면(S220-N, S240-N), 예측부(140)에서는 해당 학생을 학업지속자로 결정한다(S260).
도 7은 본 발명의 바람직한 다른 실시예에 따른 학업포기 예정자 예측 방법을 설명하기 위한 흐름도이다.
수집부(120)는 기설정된 수집기간 동안 1차 변인과 2차 변인을 각각 수집한다(S200). 1차 변인 및 2차 변인은 각각 복수개이며, 온라인대학의 홈페이지로부터 해당 정보를 수집해야 하므로, 수집부(120)는 네트워크 인터페이스부(110)와 연동을 한다.
예측부(140)에서는 1차 변인 중 n번째 변인의 수치화값을 각 변인에 따라 다르게 설정된 기준 레벨과 비교하는 동작을 수행한다. 이러한 동작은 1차 변인에 대하여 기설정된 단계의 변인이 모두 비교될 때까지 반복된다(S320).
1차 변인 중 n번째 변인의 수치화값이 기준 레벨 미만이고(S320-Y), 현재의 비교 단계가 마지막 비교 단계일 경우(S330-Y), 예측부(140)는 현재의 학생을 학기중 탈락 예정자로 결정한다(S340).
이후, 예측부(140)에서는 2차 변인 중 n번째 변인의 수치화값을 각 변인에 따라 다르게 설정된 기준 레벨과 비교하는 동작을 수행한다. 이러한 동작은 2차 변인에 대하여 기설정된 단계의 변인이 모두 비교될 때까지 반복된다(S350).
2차 변인 중 n번째 변인의 수치화값이 기준 레벨 미만이고(S350-Y), 현재의 비교 단계가 마지막 비교 단계일 경우(S360-Y), 예측부(140)는 현재의 학생을 학기후 탈락 예정자로 결정한다(S340).
만약, S320 및 S350 단계에서, 예측부(140)는 현재의 변인이 기준 레벨 이상인 것으로 판단되면, 현재의 학생을 학업지속자로 결정한다(S380).
수차례 반복하여 실행한 학생 관련 데이터들을 추적하여 분석한 결과, 다양한 변인들 중 학업포기가 예상되는 학생들이 나타내는 특징의 성향을 갖는 변인을 파악하였다. 본 실시예에서는, 이러한 변인에 의해 학생들이 실제로 학업을 포기하기 이전에 학업포기 의사를 파악해냄으로써, 학업을 포기하지 않고 지속할 수 있도록 하는 다양한 프로그램을 연계하여 실시할 수 있다.
본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 예측 서버 110 : 네트워크 인터페이스부
120 : 수집부 130 : 수치화부
140 : 예측부 150 : 저장부
160 : 제어부

Claims (7)

  1. 기설정된 수집기간 동안 1차 변인 및 2차 변인을 각각 수집하는 단계;
    상기 수집된 1차 변인 및 2차 변인을 수치화하는 단계;
    상기 수치화된 1차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기중 탈락 예정자를 판단하는 단계; 및
    상기 수치화된 2차 변인을 각 변인별로 설정된 기준 레벨과 비교하여 학기후 탈락 예정자를 판단하는 단계;를 포함하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  2. 제 1 항에 있어서,
    상기 수집하는 단계 및 상기 수치화하는 단계를 기설정된 수집주기마다 반복 수행하는 단계;를 더 포함하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  3. 제 2 항에 있어서,
    상기 학기중 탈락 예정자를 판단하는 단계는, 상기 반복 수행 결과를 반영하여 비교한 결과 중복되는 학생을 상기 학기중 탈락 예정자로 판단하고,
    상기 학기후 탈락 예정자를 판단하는 단계는, 상기 반복 수행 결과를 반영하여 비교한 결과 중복되는 학생을 상기 학기후 탈락 예정자로 판단하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  4. 제 1 항에 있어서,
    상기 학기중 탈락 예정자를 판단하는 단계는,
    상기 1차 변인을 기설정된 변인순서에 따라 단계별로 비교하여, 각 단계에서 변인의 수치값이 각각의 기준 레벨에 미달하는 학생을 추출하고, 마지막 단계까지 상기 변인의 수치값이 기준 레벨에 미달하는 학생을 상기 학기중 탈락 예정자로 판단하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  5. 제 1 항에 있어서,
    상기 학기후 탈락 예정자를 판단하는 단계는,
    상기 2차 변인을 기설정된 변인순서에 따라 단계별로 비교하여, 각 단계에서 변인의 수치값이 각각의 기준 레벨에 미달하는 학생을 추출하고, 마지막 단계까지 상기 변인의 수치값이 기준 레벨에 미달하는 학생을 상기 학기후 탈락 예정자로 판단하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  6. 제 1 항에 있어서,
    상기 1차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 및 기본등록금 납부시점을 포함하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
  7. 제 1 항에 있어서,
    상기 2차 변인은, 연령, 성별, 입학 학년, 정원 구분, 입학모집차수, 전형료, 기본등록금 납부시점, 총장학금액, 국가장학금액, 수강신청학점, 및 시험응시율을 포함하는 것을 특징으로 하는 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법.
KR1020210057655A 2021-05-04 2021-05-04 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법 KR102603784B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210057655A KR102603784B1 (ko) 2021-05-04 2021-05-04 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210057655A KR102603784B1 (ko) 2021-05-04 2021-05-04 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법

Publications (2)

Publication Number Publication Date
KR20220150544A true KR20220150544A (ko) 2022-11-11
KR102603784B1 KR102603784B1 (ko) 2023-11-16

Family

ID=84042829

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210057655A KR102603784B1 (ko) 2021-05-04 2021-05-04 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법

Country Status (1)

Country Link
KR (1) KR102603784B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200051147A (ko) 2018-11-05 2020-05-13 신한대학교 산학협력단 학생관리장치 및 그 장치의 구동방법
KR20200129263A (ko) * 2019-05-08 2020-11-18 신종우 학업관리장치 및 그 장치의 구동방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200051147A (ko) 2018-11-05 2020-05-13 신한대학교 산학협력단 학생관리장치 및 그 장치의 구동방법
KR20200129263A (ko) * 2019-05-08 2020-11-18 신종우 학업관리장치 및 그 장치의 구동방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박철, "사이버대학 중도탈락 개선을 위한 예측모형 개발"* *

Also Published As

Publication number Publication date
KR102603784B1 (ko) 2023-11-16

Similar Documents

Publication Publication Date Title
Chalfin et al. Productivity and selection of human capital with machine learning
Tako et al. Model development in discrete-event simulation and system dynamics: An empirical study of expert modellers
Pembridge et al. Characterizing capstone design teaching: A functional taxonomy
Ahuja et al. Development of a comprehensive model of social entrepreneurial intention formation using a quality tool
Gelens et al. Affective commitment of employees designated as talent: Signalling perceived organisational support
Kartal Determining school administrators’ perceptions on institutional culture: A qualitative study
Feldon Do psychology researchers tell it like it is? A microgenetic analysis of research strategies and self-report accuracy along a continuum of expertise
Feldman-Maggor et al. Let them choose: Optional assignments and online learning patterns as predictors of success in online general chemistry courses
Park et al. Adaptive or adapted to: Sequence and reflexive thematic analysis to understand learners' self‐regulated learning in an adaptive learning analytics dashboard
Delprato et al. School efficiency in low and middle income countries: An analysis based on PISA for development learning survey
Atienza et al. A Deep Neural Network in a Web-based Career Track Recommender System for Lower Secondary Education
Kipper et al. Organisational management through performance indicators
Biddix et al. The influence of National Panhellenic Conference (NPC) sorority membership on graduation and time-to-degree: A multi-institution study
Imig et al. What is high quality teacher education?
KR20220150544A (ko) 사이버 대학의 학습활동 데이터 분석을 통한 중도이탈위험군 예측 모델링 방법
Schuetz Unit completion ratio: Assessing influences of campus on community college student success
Robledo et al. Hybrid simulation decision support system for university management
Li et al. Applying Markov chain analysis to supervisory interactions
Clark et al. Learning Analytics implementations in universities: Towards a model of success, using multiple case studies
Ifenthaler et al. Divulging Personal Information within Learning Analytics Systems.
Asrul et al. Analysis Of Decision Support Systems for Candidate Selection Scholarship Recipients Using TOPSIS Method
Saltzman et al. Simulating student flow through a university’s general education curriculum
Mălăescu et al. THE EFFICIENCY OF EMERGING INSTITUTIONAL MECHANISMS ADDRESSING EDUCATIONAL INEQUALITY AND STUDENTS'DROPOUT IN A ROMANIAN HIGHER EDUCATION INSTITUTION
Winter Fairness norms can explain the emergence of specific cooperation norms in the battle of the Prisoner's Dilemma
Pollard et al. Research design and establishing causality

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant