선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 강의평가 결과에 영향을 미치는 영향력을 분석하기 위해 교과목 수준의 강좌 특성과 수강생 수준의 인적특성을 모두 고려하여 위계적 선형모형으로 분석하고자 한다. 이를 위해 다중대응분석 (multiple corresponding analysis)을 이용하여 강의평가결과와 교과목 수준의 강좌특성 및 수강생 수준의 인적특성 변수들 간의 상호 관련성을 분석한다.
- 이를 위해 다중대응분석 (multiple corresponding analysis)을 이용하여 강의평가결과와 교과목 수준의 강좌특성 및 수강생 수준의 인적특성 변수들 간의 상호 관련성을 분석한다. 또한 의사결정나무분석 (decision tree analysis)을 이용하여 강의평가 결과에 영향을 주는 강좌특성 변수들과 인적특성 변수들의 상호작용 효과를 분석하고자 한다. 여기서 동일한 수강생들이 다수의 교과목을 수강한다는 판단에 근거하여 교과목 수준의 강좌특성 변수를 1-수준 (level 1)으로, 수강생 수준의 인적특성 변수를 2-수준 (level 2)로 설정 하였다.
- 본 논문은 위계선형모형을 이용하여 교과목수준의 특성과 수강생의 인적특성이 강의평가 결과에 미치는 영향력을 분석하였다. 주요 결과는 다음과 같다.
- 본 논문의 관심은 교과목 수준 강좌특성 변수와 수강생수준의 인적특성 변수들이 강의평가 결과에 대해 어느 정도 영향을 미치는지를 알아보고자 한다. 4.
- 수강생의 강의평가 결과에 대한 교과목 수준의 강좌특성 변수들과 수강생 수준의 인적특성 변수들을 구분해서 각 수준에서 유의하게 영향을 미치는 변수들을 파악하고자 한다. 이를 위해서 Table 2.
- 이 절에서는 1-수준 (교과목수준)과 2-수준 (개인수준)의 특성변수들 각각이 강의평가결과 (Escore) 와 상호 관련성을 알아보고, 또한 강의평가결과에 미치는 각 수준별 특성변수들의 상호작용효과를 알아보고자 한다.
- 다음으로는 1-수준 특성변수와 2-수준 특성변수들이 강의평가 결과에 미치는 효과를 각각 분석하기 위해 비모수적인 방법인 의사결정나무 분석을 이용하고자 한다. 이를 통해서 강의평가 결과에 영향을 미치는 각 수준별 특성변수들에 대한 고차의 상호작용효과를 분석하고자 한다. 의사결정나무분석을 수행하기 위해 지니지수 (Gini index)를 분리기준으로 사용하였으며, 이지분리를 수행하는 CART (classification and regression trees; Breiman 등, 1984) 알고리즘을 사용하였다.
제안 방법
- 의사결정나무 분석과 관련된 선행연구로는 Cho와 Park (2012)과 Jung과 Min (2013) 등이 있다. 강좌특성 (인적특성) 변수들에 대한 정지규칙으로는 최대나무깊이 (maximum tree depth)는 3 (3)으로 설정하였으며, 최소 케이스 수(minimum number of cases)에서 부모마디 (parent node)는 4000 (400), 자식마디 (child node)는 400(40)으로 설정하였으며, 가지치기 (pruning)를 병행하였다.
- 제 2절에서는 자료소개와 기술통계를 하고, 제 3절에서는 다중대응 분석을 통해서 강의평가 결과와 교과목 수준의 강좌특성 및 수강생 수준의 인적특성들 간의 상호관련성을 각각 분석한다. 그리고 의사결정나무분석을 이용하여 강좌특성 및 인적특성 변수들의 상호작용효과를 각각 분석한다. 제 4절에서는 위계적 선형모형을 활용하여 4가지 분석모형을 설정하고 교과목 수준의 강좌특성과 수강생 수준의 인적특성들이 강의평가 결과에 미치는 영향력을 분석한다.
- 다음으로는 1-수준 특성변수와 2-수준 특성변수들이 강의평가 결과에 미치는 효과를 각각 분석하기 위해 비모수적인 방법인 의사결정나무 분석을 이용하고자 한다. 이를 통해서 강의평가 결과에 영향을 미치는 각 수준별 특성변수들에 대한 고차의 상호작용효과를 분석하고자 한다.
- 여기서 동일한 수강생들이 다수의 교과목을 수강한다는 판단에 근거하여 교과목 수준의 강좌특성 변수를 1-수준 (level 1)으로, 수강생 수준의 인적특성 변수를 2-수준 (level 2)로 설정 하였다. 또한 위계적 선형모형을 이용하여 4가지의 분석모형을 설정하여 2가지 수준의 특성변수들이 강의평가 결과에 미치는 영향을 분석하기 위해서 고정효과와 확률효과를 분석한다.
- 먼저 Model I (null model)은 강의평가 점수에 미치는 영향을 분석함에 있어서 강좌특성변수와 인적 특성변수들을 모두 포함하지 않은 기본모형 (일원분산모형)을 통하여 수강생 간 강의평가점수의 평균차이 존재 여부와 그 비율을 분석하고자 한다. 즉 level-1 (교과목특성)과 level-2 (수강생특성)에 대한 기본모형은 다음과 같다.
- 본 논문에서 고려한 모형으로는 (1) 기본모형 (Model I : null model), (2) level-1의 교과목 수준 변수만 포함한 모형 (Model II : random coefficient model), (3) level-2의 수강생 수준 변수만 포함한 모형(Model III : mean as outcomes model), (4) level-1과 level-2의 교과목 수준 변수와 수강생 수준 변수를 모두 포함한 모형 (Model IV : intercepts and slopes as outcomes model)을 설정하고 분석하였다. 각 분석 모형에 대한 수리적 표현은 다음과 같다.
- 동일한 수강생 속에는 다수의 교과목들이 포함되므로 다층구조 (multi-level)의 속성을 지니게 되는 위계적 자료구조를 갖게 된다. 본 논문에서는 교과목 수준의 강좌특성을 1-수준 (level-1), 수강생 수준의 인적특성을 2-수준 (level-2)으로 설정하였다.
- 또한 의사결정나무분석 (decision tree analysis)을 이용하여 강의평가 결과에 영향을 주는 강좌특성 변수들과 인적특성 변수들의 상호작용 효과를 분석하고자 한다. 여기서 동일한 수강생들이 다수의 교과목을 수강한다는 판단에 근거하여 교과목 수준의 강좌특성 변수를 1-수준 (level 1)으로, 수강생 수준의 인적특성 변수를 2-수준 (level 2)로 설정 하였다. 또한 위계적 선형모형을 이용하여 4가지의 분석모형을 설정하여 2가지 수준의 특성변수들이 강의평가 결과에 미치는 영향을 분석하기 위해서 고정효과와 확률효과를 분석한다.
- 수강생의 강의평가 결과에 대한 교과목 수준의 강좌특성 변수들과 수강생 수준의 인적특성 변수들을 구분해서 각 수준에서 유의하게 영향을 미치는 변수들을 파악하고자 한다. 이를 위해서 Table 2.1과 Table 2.2에 있는 교과목 수준의 강좌특성 변수와 수강생수준의 인적특성 변수들을 사용하였다. 그리고 모든 범주형 변수들은 위계적 선형모형에 독립변수로 투입하기 위해 아래 Table 4.
- 그리고 의사결정나무분석을 이용하여 강좌특성 및 인적특성 변수들의 상호작용효과를 각각 분석한다. 제 4절에서는 위계적 선형모형을 활용하여 4가지 분석모형을 설정하고 교과목 수준의 강좌특성과 수강생 수준의 인적특성들이 강의평가 결과에 미치는 영향력을 분석한다. 그리고 마지막 제 5절에서는 결론을 제시한다.
대상 데이터
- 본 논문에서 사용된 자료는 모 대학의 2011년도 2월 졸업생들의 3학년 재학기간까지 이수한 교과목들의 강의평가 결과와 함께 교과목 수준의 강좌특성과 수강생 수준의 인적특성이 포함된 자료이다. 여기서 수강생들의 강의평가 결과는 평가대상이 되는 교과목 수준의 강좌특성뿐만 아니라, 평가주체인 수강생들의 인적특성에 영향을 받는다고 선행연구들을 밝히고 있다.
데이터처리
- 먼저 수준별 특성변수들이 강의평가결과와 상호관련성을 알아보기 위해 각 특성변수들의 범주 수준별로 다중대응분석 (multiple correspondence analysis)을 실시하였다. 다중대응분석은 개체 (케이스)와 범주에 계량적 수치를 부여함으로써 범주형 데이터를 수량화하는 분석기법으로서, 내적 일관성의 원리로부터 범주의 수량화를 실시하는 분석기법이다.
- 따라서 본 연구에서는 강의평가 결과에 영향을 미치는 영향력을 분석하기 위해 교과목 수준의 강좌 특성과 수강생 수준의 인적특성을 모두 고려하여 위계적 선형모형으로 분석하고자 한다. 이를 위해 다중대응분석 (multiple corresponding analysis)을 이용하여 강의평가결과와 교과목 수준의 강좌특성 및 수강생 수준의 인적특성 변수들 간의 상호 관련성을 분석한다. 또한 의사결정나무분석 (decision tree analysis)을 이용하여 강의평가 결과에 영향을 주는 강좌특성 변수들과 인적특성 변수들의 상호작용 효과를 분석하고자 한다.
이론/모형
- 이를 통해서 강의평가 결과에 영향을 미치는 각 수준별 특성변수들에 대한 고차의 상호작용효과를 분석하고자 한다. 의사결정나무분석을 수행하기 위해 지니지수 (Gini index)를 분리기준으로 사용하였으며, 이지분리를 수행하는 CART (classification and regression trees; Breiman 등, 1984) 알고리즘을 사용하였다. 의사결정나무 분석과 관련된 선행연구로는 Cho와 Park (2012)과 Jung과 Min (2013) 등이 있다.
성능/효과
- 또한 남자 (sexd1)가 여자에 비해서 통계적으로 유의하게 강의평가점수가 높으며, 인문계열 (Cdptd2)과 공학계열 (Cdptd3)이 예체능계열에 비해서 강의평가점수가 유의하게 낮게 나타났다. 그리고 기타전형에 비해서 수능전형 (typed1)의 강의평가점수는 유의하게 높고, 인문계고전형 (typed2)은 유의하게 낮게 나타났다. 그리고 수강생의 평균평점이 3.
- 셋째, 수강생수준의 인적특성 변수들만 추가한 결과에서는 남자가 여자에 비해서 유의하게 강의평가 점수가 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮게 나타났다. 그리고 기타전형에 비해서 수능전형의 강의평가점수는 유의하게 높고, 인문계고전형은 유의하게 낮게 나타났다. 그리고 수강생의 평균평점이 3.
- 그리고 기타전형에 비해서 수능전형 (typed1)의 강의평가점수는 유의하게 높고, 인문계고전형 (typed2)은 유의하게 낮게 나타났다. 그리고 수강생의 평균평점이 3.5이상 (GPAd2)인 경우는 평균 평점이 2.5미만인 경우보다 통계적으로 유의하게 강의평가점수가 높게 나타났다.
- 기본모형에 수강생수준의 인적특성 변수들만 투입한 Model III (mean as outcomes model)의 결과에서는 Model I에 비해서 추가한 독립변수들이 갖는 설명력은 1-수준과 2-수준에서 각각 0%와 8%로 증가한 것으로 나타났다. 또한 남자 (sexd1)가 여자에 비해서 통계적으로 유의하게 강의평가점수가 높으며, 인문계열 (Cdptd2)과 공학계열 (Cdptd3)이 예체능계열에 비해서 강의평가점수가 유의하게 낮게 나타났다.
- 또한 비전임교원에 비해서 전임교원 (tenured1)이, 해당교과목의 총평균평점이 높을수록, 그리고 일반강의에 비해서 원어강의 (natived1)의 강의평가점수가 통계적으로 유의하게 높음을 알 수 있다. 다음으로 랜덤효과 (random effect)의 결과를 보면, graded4, cGPAd2, natived1를 제외한 모든 변수에 대해서 랜덤효과가 통계적으로 유의함을 알 수 있다. 즉 이들 변수들이 강의평가 결과에 미치는 효과는 수강생에 따라 유의하게 차이가 있음을 의미한다.
- 전임교원은 비전임교원에 비해서, 교과목 평균평점이 높을수록, 그리고 원어강좌가 일반강좌에 비해서 유의하게 높게 나타났다. 다음으로 수강생수준의 변수들이 강의평가에 미치는 효과를 살펴보면, 남자는 여자에 비해서 유의하게 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮게 나타났다. 또한 인문계고전형은 기타전형에 비해서 통계적으로 유의하게 낮게 나타났으며, 수강생의 평균평점이 3.
- 다음으로 수강생수준의 인적특성 변수들이 강의평가에 미치는 효과를 살펴보면, 남자는 여자에 비해서 통계적으로 유의하게 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮음을 알 수 있다. 또한 인문계고전형은 기타전형에 비해서 통계적으로 유의하게 낮게 나타났으며, 수강생의 평균평점이 3.
- 둘째, 교과목수준의 강좌특성 변수들만 투입한 결과 강좌규모는 20명미만에 비해서 20∼40명미만이 유의하게 강의평가점수가 낮게 나타났다.
- 5미만인 경우보다 통계적으로 유의하게 높게 나타났다. 또한 랜덤효과(random effect)의 결과를 보면, 대부분의 교과목 수준의 특성변수들에 대해서 랜덤효과가 통계적으로 유의함을 알 수 있었다.
- 그리고 개설학년이 올라갈수록 유의하게 강의평가점수가 높게 나타났다. 또한 비전임교원에 비해서 전임교원이, 해당교과목의 총평균평점이 높을수록, 그리고 일반강의에 비해서 원어강의의 강의평가점수가 유의하게 높게 나타났다.
- 다음으로 수강생수준의 인적특성 변수들이 강의평가에 미치는 효과를 살펴보면, 남자는 여자에 비해서 통계적으로 유의하게 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮음을 알 수 있다. 또한 인문계고전형은 기타전형에 비해서 통계적으로 유의하게 낮게 나타났으며, 수강생의 평균평점이 3.5이상인 경우는 평균평점이 2.5미만인 경우보다 통계적으로 유의하게 높게 나타났다. 랜덤효과(random effect)의 결과를 보면, 대부분의 변수에 대해서 랜덤효과가 통계적으로 유의함을 알 수 있다.
- 마지막으로 기본모형에 교과목수준과 수강생수준의 특성 변수들을 추가한 Model IV (intercepts and slopes as outcomes model)의 결과에서는 추가한 독립변수들이 갖는 설명력은 1-수준과 2-수준에서 각각 13%와 13%로 증가한 것으로 나타났다. 먼저 교과목수준의 강좌특성 변수들이 강의평가점수에 미치는 효과를 살펴보면 더미변수 sized2와 sized3를 제외한 모든 더미변수들이 통계적으로 유의함을 알 수 있다.
- 다음으로 기본모형에 교과목수준의 강좌특성 변수들만 추가한 Model II (random coefficient model)의 분석결과는 다음과 같다. 먼저 Model I에 비해서 추가한 독립변수들이 갖는 설명력은 1-수준과 2-수준에서 각각 13%와 8%로 증가한 것으로 나타났다. 또한 강좌규모는 기본범주 (reference category)인 20명 미만에 비해서 20명 이상 40명 미만 (sized1)이 통계적으로 유의하게 강의평가점수가 낮음을 알 수 있다.
- 마지막으로 기본모형에 교과목수준과 수강생수준의 특성 변수들을 추가한 Model IV (intercepts and slopes as outcomes model)의 결과에서는 추가한 독립변수들이 갖는 설명력은 1-수준과 2-수준에서 각각 13%와 13%로 증가한 것으로 나타났다. 먼저 교과목수준의 강좌특성 변수들이 강의평가점수에 미치는 효과를 살펴보면 더미변수 sized2와 sized3를 제외한 모든 더미변수들이 통계적으로 유의함을 알 수 있다. 먼저 강좌규모가 20∼40명 미만 (sized1)은 20명 미만에 비해서 통계적으로 유의하게 강의 평가점수가 낮으며, 개설학년이 증가할수록 통계적으로 유의하게 강의평가점수가 높음을 알 수 있다.
- 먼저 교과목수준의 변수들이 강의평가점수에 미치는 효과를 살펴보면, 강좌규모가 20∼40명 미만은 20명 미만에 비해서 유의하게 강의평가점수가 낮으며, 개설학년이 증가할수록 통계적으로 유의하게 높게 나타났다.
- 계열 (department category)별로는 자연계열 (Cdpt1)이 가장 높게 나타났으며, 그 다음으로 예술계열 (Cdpt0), 공과계열 (Cdpt0)의 순으로 나타났다. 모집시기 (admission time)별로는 정시모집 (sched1)이 수시모집 (sched0)에 비해서 높게 나타났고, 전형방법 (admission method)의 경우는 수능전형 (type1)이 가장 높게 나타났으며, 그 다음으로 일반전형 (type3), 인문계고전형 (type2) 등의 순으로 나타났다. 복수전공 (double major)에 따라서는 복수전공을 한 학생 (Dmajor1)이 복수전공을 하지 않은 학생 (Dmajor0)에 비해서 강의평가점수가 높게 나타났으며, 해당 교과목성적 (sGPA)이 높을수록 강의평가 점수가 높게 나타났다.
- 모집시기 (admission time)별로는 정시모집 (sched1)이 수시모집 (sched0)에 비해서 높게 나타났고, 전형방법 (admission method)의 경우는 수능전형 (type1)이 가장 높게 나타났으며, 그 다음으로 일반전형 (type3), 인문계고전형 (type2) 등의 순으로 나타났다. 복수전공 (double major)에 따라서는 복수전공을 한 학생 (Dmajor1)이 복수전공을 하지 않은 학생 (Dmajor0)에 비해서 강의평가점수가 높게 나타났으며, 해당 교과목성적 (sGPA)이 높을수록 강의평가 점수가 높게 나타났다.
- 셋째, 수강생수준의 인적특성 변수들만 추가한 결과에서는 남자가 여자에 비해서 유의하게 강의평가 점수가 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮게 나타났다. 그리고 기타전형에 비해서 수능전형의 강의평가점수는 유의하게 높고, 인문계고전형은 유의하게 낮게 나타났다.
- 위의 결과에서 강좌규모 (size)가 커질수록 강의평가 점수가 낮아지는 경향이 있으며, 해당 강좌의 총 평점 (cGP A)이 높아질수록 강의평가점수는 높아짐을 알 수 있다. 또한 교과목의 개설학년 (grade)이 높아질수록 강의평가점수가 높아지며, 원어강좌 (native1)의 경우가 일반강좌 (native0)에 비해서 강의 평가점수가 높고, 전임교원 (tenure1)이 비전임교원 (tenure0)보다 강의평가점수가 높음을 알 수 있다.
- 위의 결과에서 성별 (sex)는 여자 (sex0)의 3.832에 비해서 남자 (sex1)가 4.035로 강의평가점수가 높으며, 전과 (changing major)를 하지 않은 학생 (Cmajor0)이 3.920으로 전과를 한 학생 (Cmajor1)의 강의평가점수(3.909)가 낮게 나타났다. 계열 (department category)별로는 자연계열 (Cdpt1)이 가장 높게 나타났으며, 그 다음으로 예술계열 (Cdpt0), 공과계열 (Cdpt0)의 순으로 나타났다.
- 이상의 위계적 선형모형의 결과는 3절의 다중대응분석과 의사결정나무분석의 결과들과 대체로 유사함을 알 수 있다.
- 먼저 교과목수준의 변수들이 강의평가점수에 미치는 효과를 살펴보면, 강좌규모가 20∼40명 미만은 20명 미만에 비해서 유의하게 강의평가점수가 낮으며, 개설학년이 증가할수록 통계적으로 유의하게 높게 나타났다. 전임교원은 비전임교원에 비해서, 교과목 평균평점이 높을수록, 그리고 원어강좌가 일반강좌에 비해서 유의하게 높게 나타났다. 다음으로 수강생수준의 변수들이 강의평가에 미치는 효과를 살펴보면, 남자는 여자에 비해서 유의하게 높으며, 인문계열과 공학계열이 예체능계열에 비해서 유의하게 낮게 나타났다.
- 첫째, 기본모형의 분석결과 강의평가점수는 교과목 간 차이가 수강생 간의 차이보다 더 큰 것으로 나타났다 (ICC=0.27).
- 1의 오른쪽 그림을 살펴보면, 강의평가 점수가 높은 그룹 (Escore2)은 복수전공를 하지 않고 (Dmajor0) 기타전형을 제외한 전형 (type1, type2), 정시모집 (sched1), 교과목 평균평점이 높은 그룹 (sGPA2), 남자 (sex1) 등이 상대적으로 가까운 거리에 위치하고 있어서 이들 간의 상호 관련성이 높은 것으로 나타났다. 한편, 강의평가 점수가 낮은 그룹 (Escore0)는 기타전형 (type0), 여자 (sex0), 예체능계열 (Cdpt0) 등과 상대적으로 가까운 거리에 위치하고 있어서 이들 간의 상호 관련성이 높은 것으로 나타났다.
후속연구
- 한편 본 논문은 3학년까지만 수강한 교과목에 대한 강의평가결과를 분석했다는 점과 4가지의 분석모형만 분석했다는 점에서 본 연구의 결과를 지나치게 일반화 시키는데는 한계가 있음을 밝혀 둔다. 보다 세밀한 분석모형의 설정과 분석은 향후의 과제로 남겨두기로 한다.
- 이상의 결과는 교육의 질 관리를 위한 기초자료로 제공될 수 있을 것이다. 한편 본 논문은 3학년까지만 수강한 교과목에 대한 강의평가결과를 분석했다는 점과 4가지의 분석모형만 분석했다는 점에서 본 연구의 결과를 지나치게 일반화 시키는데는 한계가 있음을 밝혀 둔다.
- 이상의 결과는 교육의 질 관리를 위한 기초자료로 제공될 수 있을 것이다. 한편 본 논문은 3학년까지만 수강한 교과목에 대한 강의평가결과를 분석했다는 점과 4가지의 분석모형만 분석했다는 점에서 본 연구의 결과를 지나치게 일반화 시키는데는 한계가 있음을 밝혀 둔다. 보다 세밀한 분석모형의 설정과 분석은 향후의 과제로 남겨두기로 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.