각 대학마다 복수전공에 대한 선택의 폭이 넓어짐에 따라 학과별 복수전공자의 유입과 유출에 심한 편중현상이 나타나고 있다. 이런 현상의 결과로 특정 학과에서는 과도한 복수전공자의 유입(유출)으로 여러 가지 문제가 발생하고 있다. 따라서 본 논문에서는 사회연결망 분석과 의사결정나무 분석을 이용하여 학과별 복수전공자들의 유입과 유출에 대한 특성을 분석하였다. 분석방법으로 데이터 마이닝의 한 기법인 의사결정나무 모형을 활용하였으며, 분석결과에 대한 적절한 함의를 찾기 위해서 이지분리를 하는 CART 알고리즘을 사용하였다. 분석결과에 따르면, 복수전공 유입에 영향을 미치는 특성으로는 학과별 수능성적이 가장 많은 영향을 미치며, 그 다음으로 계열, 강의평가점수, 취업률의 순서로 나타났다. 한편 복수전공 유출에 영향을 미치는 특성으로는 계열이 가장 많은 영향을 미치며, 그 다음으로 수능성적, 취업률, 강의평가점수의 순서로 나타났다.
각 대학마다 복수전공에 대한 선택의 폭이 넓어짐에 따라 학과별 복수전공자의 유입과 유출에 심한 편중현상이 나타나고 있다. 이런 현상의 결과로 특정 학과에서는 과도한 복수전공자의 유입(유출)으로 여러 가지 문제가 발생하고 있다. 따라서 본 논문에서는 사회연결망 분석과 의사결정나무 분석을 이용하여 학과별 복수전공자들의 유입과 유출에 대한 특성을 분석하였다. 분석방법으로 데이터 마이닝의 한 기법인 의사결정나무 모형을 활용하였으며, 분석결과에 대한 적절한 함의를 찾기 위해서 이지분리를 하는 CART 알고리즘을 사용하였다. 분석결과에 따르면, 복수전공 유입에 영향을 미치는 특성으로는 학과별 수능성적이 가장 많은 영향을 미치며, 그 다음으로 계열, 강의평가점수, 취업률의 순서로 나타났다. 한편 복수전공 유출에 영향을 미치는 특성으로는 계열이 가장 많은 영향을 미치며, 그 다음으로 수능성적, 취업률, 강의평가점수의 순서로 나타났다.
Recently, the number of students who get double majors has tended to increase in many universities. As results, many problems occur because immoderate inflow of double-major students is concentrated in a specific popular department. In this paper, we study the characteristic of inflow and outflow of...
Recently, the number of students who get double majors has tended to increase in many universities. As results, many problems occur because immoderate inflow of double-major students is concentrated in a specific popular department. In this paper, we study the characteristic of inflow and outflow of double majors using social network analysis and decision tree analysis. According to the results, SAT score affected the inflow of double majors the most. Additionally, department category, course evaluation score, employment rate also affected the inflow of double majors in the order named. On the other hand, department category affected the outflow of double majors the most. Additionally, SAT score, employment rate, course evaluation score also affected the outflow of double majors in the order named.
Recently, the number of students who get double majors has tended to increase in many universities. As results, many problems occur because immoderate inflow of double-major students is concentrated in a specific popular department. In this paper, we study the characteristic of inflow and outflow of double majors using social network analysis and decision tree analysis. According to the results, SAT score affected the inflow of double majors the most. Additionally, department category, course evaluation score, employment rate also affected the inflow of double majors in the order named. On the other hand, department category affected the outflow of double majors the most. Additionally, SAT score, employment rate, course evaluation score also affected the outflow of double majors in the order named.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
중심성을 측정하는 방법에는 연결정도 중심성, 근접 중심성, 그리고 매개 중심성이라는 세 가지 유형이 있다. 그러나 본 연구에서는 학과별 복수전공자들의 유입과 유출에 대한 연결망 구조를 파악하는 것이 목적이므로 중심성 척도 중에서 연결정도 중심성을 중심으로 분석하고자 한다.
그리고 학과별 복수전공의 유입과 유출에 대해서 사회연결망 분석을 위해서는 학과가 개체에 해당되며, 학과별 복수전공자의 유입과 유출이 개체간의 관계를 의미한다. 대학 전체 학과구조를 개체와 개체를 연결하는 링크로 구성되는 연결망으로 도식화하고 이들 간의 관계 (상호작용)를 계량화하여 분석하고자 한다. 본 연구에서 사용한 소프트웨어로는 Uncinet 홈페이지 (http://www.
그러나 이러한 결과는 다른 속성변수들의 상호작용에 의해서 나타나는 복수전공의 유입과 유출의 특성을 분석하기에는 한계가 있다. 따라서 이 절에서는 복수전공의 유입과 유출에 대한 학과별 연결망 구조의 연결정도 중심성을 여러 속성변수들의 상호작용 효과를 중심으로 분석하고자 한다.
따라서 이 절에서는 의사결정나무 분석을 이용하여 복수전공의 유입과 유출에 대한 연결정도 중심을 분석하고자 한다. 사용된 독립변수는 3절에서 사용한 계열, 수능성적, 강의평가점수 및 취업률 등속성변수와 동일하다.
본 연구에서는 모 대학교의 학과별 복수전공자들의 유입과 유출에 대한 자료를 이용하여 학과별 복수전공의 유입과 유출에 대한 연결망 구조를 분석하고자 한다. 또한 복수전공의 유입과 유출에 영향을 미치는 주요 변수를 분석하기 위해 독립변수들의 2차, 3차 이상의 상호작용효과를 분석하고자 한다. 이를 위해 데이터마이닝의 한 기법인 의사결정나무 (decision tree) 모형을 이용하고자 한다.
본 연구에서는 모 대학교의 학과별 복수전공자들의 유입과 유출에 대한 자료를 이용하여 학과별 복수전공의 유입과 유출에 대한 연결망 구조를 분석하고자 한다. 또한 복수전공의 유입과 유출에 영향을 미치는 주요 변수를 분석하기 위해 독립변수들의 2차, 3차 이상의 상호작용효과를 분석하고자 한다.
제안 방법
한편 취업률 (employment rate) 은 낮은 (low) 학과일수록 유출이 상대적으로 높음을 알 수 있다.다음으로 계열, 수능성적, 강의평가 점수, 취업률과 같은 속성변수를 사용하여 복수전공 유입과 유출에 대한 사회연결망 분석을 하고자 한다. 아래 Figure 3.
본 논문에서는 사회연결망 분석과 의사결정나무분석을 이용하여 학과별 복수전공의 유입과 유출에 대한 특성을 분석하여 아래와 같은 결과를 얻었다.
이 절에서는 복수전공의 유입과 유출에 대한 학과별 연결망 구조를 중심성 척도 중 연결정도 중심성을 중심으로 분석한다. 이를 위해 학과별 복수전공의 유입과 유출에 영향을 미치는 속성변수들로 계열, 평균 수능성적, 평균 강의평가점수, 취업률 등을 고려하였다.
이 절에서는 복수전공의 유입과 유출에 대한 학과별 연결망 구조를 중심성 척도 중 연결정도 중심성을 중심으로 분석한다. 이를 위해 학과별 복수전공의 유입과 유출에 영향을 미치는 속성변수들로 계열, 평균 수능성적, 평균 강의평가점수, 취업률 등을 고려하였다. 여기서 복수전공의 유입과 유출은 중심성 척도에서 내향 연결정도와 외향 연결정도를 각각 의미한다.
의사결정나무분석을 수행하기 위해 지니지수 (Gini index)를 분리기준으로 사용하였으며, 이지분리를 수행하는 CART (Classification And Regression Trees; Breiman 등, 1984) 알고리즘을 사용하였다.정지규칙으로는 최대나무깊이 (maximum tree depth=3), 최소 케이스 수 (minimum number of cases; parent node = 10, child node=1)로 설정하였으며, 가지치기 (pruning) 를 병행하였다.
대상 데이터
대학 전체 학과구조를 개체와 개체를 연결하는 링크로 구성되는 연결망으로 도식화하고 이들 간의 관계 (상호작용)를 계량화하여 분석하고자 한다. 본 연구에서 사용한 소프트웨어로는 Uncinet 홈페이지 (http://www.analytictech.com/ucinet/)에서 제공하는 Ucinet 6.0과 Minitab 16.0을 이용 하여 분석하였다.
본 연구에서 사용한 자료는 모 대학교에서 2011년 2월에 졸업한 졸업생 중에서 학과별로 복수전공을 이수한 학생들만을 대상으로 하였다. 그리고 학과별 복수전공의 유입과 유출에 대해서 사회연결망 분석을 위해서는 학과가 개체에 해당되며, 학과별 복수전공자의 유입과 유출이 개체간의 관계를 의미한다.
이론/모형
한편, 실증연구에서 많이 사용하는 회귀모형은 독립변수들에 대한 주효과를 분석할 경우에는 효과적이지만, 독립변수들의 2차, 3차 이상의 상호작용효과를 분석하는 것은 한계가 있었다. 따라서 이 절에서는 복수전공의 유입과 유출에 대한 연결정도 중심성에 영향을 주는 독립변수들의 고차 상호작용효과를 분석하기 위해 비모수적 방법인 의사결정나무 (decision tree) 모형을 이용하고자 한다. 그러나 의사결정나무분석은 독립변수가 종속변수에 미치는 주효과 (main effect)를 파악할 수 없다는 한계점을 지니고 있으나, 독립변수들의 고차 상호작용효과가 종속변수에 미치는 영향을 파악한다는 점에서 주효과를 주로 분석 대상으로 하는 회귀분석 결과를 보완할 수 있는 방법이 될 수 있다.
사용된 독립변수는 3절에서 사용한 계열, 수능성적, 강의평가점수 및 취업률 등속성변수와 동일하다. 의사결정나무분석을 수행하기 위해 지니지수 (Gini index)를 분리기준으로 사용하였으며, 이지분리를 수행하는 CART (Classification And Regression Trees; Breiman 등, 1984) 알고리즘을 사용하였다.정지규칙으로는 최대나무깊이 (maximum tree depth=3), 최소 케이스 수 (minimum number of cases; parent node = 10, child node=1)로 설정하였으며, 가지치기 (pruning) 를 병행하였다.
또한 복수전공의 유입과 유출에 영향을 미치는 주요 변수를 분석하기 위해 독립변수들의 2차, 3차 이상의 상호작용효과를 분석하고자 한다. 이를 위해 데이터마이닝의 한 기법인 의사결정나무 (decision tree) 모형을 이용하고자 한다. 이와 관련된 보다 자세한 내용은 Kass (1980), Breiman 등 (1984), Biggs 등 (1991), Loh와 Shih (1997) 와 SPSS Inc.
성능/효과
그리고 수능성적별 복수전공의 유입과 유출에 대한 연결망 구조에서, 수능성적이 ‘상’과 ‘중’인 학과들이 상대적으로 연결망 구조에서 중심에 위치하고 있고 노드의 크기가 커서 이들 학과 간에 복수전공의 유입과 유출이 활발한 것으로 나타났다.
그리고 수능성적이 ‘중’과 ‘상’ 그룹 중에서는 취업률이 ‘중’과 ‘하’인 그룹이 1.448로 취업률이 ‘상’인 그룹의 1.180보다 높게 나타나서 복수전공 유출이 높은 것으로 나타났다.
다음으로 강의평가점수별 복수전공의 유입과 유출에 대한 연결망 구조에서, 강의평가점수가‘중’인 학과들이 상대적으로 중심위치에 있어서 이들 학과 간에 복수전공의 유입과 유출이 활발한 것으로 나타났으며, 취업률별 복수전공의 유입과 유출에 대한 연결망 구조에서는 취업률이 ‘중’과‘상’인 학과들 간에 복수전공의 유입과 유출이 활발한 것으로 나타났다.
다음으로 복수전공 유출에 영향을 미치는 특성으로는 계열이 가장 많은 영향을 미쳤으며, 그 다음으로 수능성적, 취업률, 강의평가점수의 순서로 나타났다. 인문계열이면서 수능성적이 ‘하’인 학과그룹이 3.
먼저 복수전공 유입에 영향을 미치는 특성으로는 수능성적이 가장 많은 영향을 미쳤으며며, 그 다음으로 계열, 강의평가점수, 취업률의 순서로 나타났다. 수능성적이 ‘상’이고 강의평가점수가 ‘중’과‘상’인 경우 3.
인문계열이면서 수능성적이 ‘하’인 학과그룹이 3.007로 복수전공 유출이 특히 높으며, 자연계열이면서 강의평가점수가 ‘중’과 ‘상’인 경우 0336으로 복수전공 유출이 특히 낮음을 알 수 있었다.
후속연구
따라서 본 연구의 결과를 지나치게 일반화하는 것은 한계가 있다. 따라서 복수전공의 유입과 유출에 영향을 미치는 다양한 자료를 바탕으로 심도 있는 분석은 향후의 과제로 남긴다.
또한 본 연구에서는 학과별로 수집 가능한 변수들만을 분석대상으로 했다는 측면에서, 복수전공의 선택여부에 영향을 미치는 다양한 중요한 변수가 누락 되었다. 따라서 본 연구의 결과를 지나치게 일반화하는 것은 한계가 있다. 따라서 복수전공의 유입과 유출에 영향을 미치는 다양한 자료를 바탕으로 심도 있는 분석은 향후의 과제로 남긴다.
이상의 결과로부터 복수전공의 유입과 유출에 대한 분석결과를 바탕으로 해당 부서에서 복수전공자의 편중현상으로 나타날 수 있는 문제점을 해결하는데 기초자료로 활용될 수 있다. 또한 본 연구에서는 학과별로 수집 가능한 변수들만을 분석대상으로 했다는 측면에서, 복수전공의 선택여부에 영향을 미치는 다양한 중요한 변수가 누락 되었다.
질의응답
핵심어
질문
논문에서 추출한 답변
복수 전공 유출이란?
많은 대학에서 복수전공에 대한 선택의 폭을 넓힘으로써, 복수전공을 신청하는 재학생들이 해마다 증가하는 경향이 있다. 특정 학과에서 해당 학과 학생들이 타 학과로 복수전공을 하는 학생을 ‘복수 전공 유출’이라 하고, 타 학과 학생들이 특정학과로 복수전공을 하기 위해서 신청한 학생을 ‘복수전공 유입’이라고 하자. 그러나 학과별로 복수전공자들의 유입과 유출에 심한 편중현상이 나타남으로써, 특정학과에서는 과도한 복수전공자들로 인한 강의실 배정, 분반, 추가적인 실험실습비 집행 등의 문제가 발생하고 있다.
복수전공을 신청하는 재학생들이 해마다 증가하는 이유는?
많은 대학에서 복수전공에 대한 선택의 폭을 넓힘으로써, 복수전공을 신청하는 재학생들이 해마다 증가하는 경향이 있다. 특정 학과에서 해당 학과 학생들이 타 학과로 복수전공을 하는 학생을 ‘복수 전공 유출’이라 하고, 타 학과 학생들이 특정학과로 복수전공을 하기 위해서 신청한 학생을 ‘복수전공 유입’이라고 하자.
학과별 복수전공자의 유입과 유출에 대한 심도있는 분석이 요구되는 이유는?
특정 학과에서 해당 학과 학생들이 타 학과로 복수전공을 하는 학생을 ‘복수 전공 유출’이라 하고, 타 학과 학생들이 특정학과로 복수전공을 하기 위해서 신청한 학생을 ‘복수전공 유입’이라고 하자. 그러나 학과별로 복수전공자들의 유입과 유출에 심한 편중현상이 나타남으로써, 특정학과에서는 과도한 복수전공자들로 인한 강의실 배정, 분반, 추가적인 실험실습비 집행 등의 문제가 발생하고 있다. 따라서 학과별 복수전공자의 유입과 유출에 대한 심도있는 분석이 요구된다.
참고문헌 (14)
Bigg, D., de Ville, B. and Suen, E. (1991). A method of choosing multiway partitions for classification and decision trees. Journal of Applied Statistics, 18, 49-62.
Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J. (1984). Classification and regression trees, Wadsworth, Belmont
Cho, J. S. (2010). The influence analysis of admission variables on academic achievements. Journal of the Korean Data & Information Science Society, 21, 729-736.
Cho, J. S. (2011). Determinants of job finding using student's characteristic information. Journal of the Korean Data & Information Science Society, 22, 849-856.
Choi, K. H. and Lee, Y. W. (2011). The deduction of objective linguistic information using statistical methods- The grouping of the possibility of interdisciplinary research. Journal of the Korean Data & Information Science Society, 22, 49-55.
Choi, S., Kang, C., Choi, H. and Kang, B. (2011). Social network analysis for a soccer game. Journal of the Korean Data & Information Science Society, 22, 1053-1063.
Huh, M. H. (2010). Introduction to social network analysis using R, Freedom Academy, Seoul.
Kass, G. (1980). An exploratory technique for investigating large quantities of categorical data. Applied Statistics, 29, 119-127.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.