계열과 다른 대학 전공으로 진학한 고등학교 3학년 학생의 과학학습동기의 특성 탐색 Exploring the motivation for science learning of 3rd year high school students who chose different college majors from their track원문보기
이 연구는 학생들의 대학 전공 선택과 과학학습동기의 관련성을 분석하였다. 이를 위해 인문계 고등학생들이 연구에 참여하였으며, 예체능계열 학생을 제외한 문과와 이과 학생 중에서 각 집단 별로 무작위적으로 추출된 2012명의 학생을 중심으로 분석하였다. 과학학습동기는 25개의 문항으로 구성되어 있는 Glynn et al. (2011)의 SMQ II로 측정하였다. 연구결과 이과에서 비이공계로 진학한 학생이 전체 이과학생 중 11.5%, 문과에서 이공계로 진학하는 학생들의 비율이 전체 문과학생 중 14.4%로 나타났다. 또한 계열과 다른 진로를 선택하는 비율에서 성차가 나타났다. 이과에서 비이공계로, 문과에서 이공계로 진학학 학생들의 과학학습동기의 세부요인의 차이를 확인한 결과 직업동기에서만 유의미한 차이가 나타났다. 과학학습동기는 진로 선택에 있어 중요한 예측 변인이었으며 그 중에서도 직업동기는 가장 큰 영향력을 가진 변인이었다. 계열과 다른 진로를 선택하는 학생들을 위한 교육적 장치가 필요할 것으로 판단되며, 그 보다 앞서 학생들의 진로를 보다 면밀히 예측할 필요가 있다. 또한 과학학습동기 역시 그런 예측 변수로 판단되며, 학생들의 계열 선택 및 진로와 관련한 교수 학습 및 상담에서 학생들의 과학학습동기를 고려하는 것이 중요하다.
이 연구는 학생들의 대학 전공 선택과 과학학습동기의 관련성을 분석하였다. 이를 위해 인문계 고등학생들이 연구에 참여하였으며, 예체능계열 학생을 제외한 문과와 이과 학생 중에서 각 집단 별로 무작위적으로 추출된 2012명의 학생을 중심으로 분석하였다. 과학학습동기는 25개의 문항으로 구성되어 있는 Glynn et al. (2011)의 SMQ II로 측정하였다. 연구결과 이과에서 비이공계로 진학한 학생이 전체 이과학생 중 11.5%, 문과에서 이공계로 진학하는 학생들의 비율이 전체 문과학생 중 14.4%로 나타났다. 또한 계열과 다른 진로를 선택하는 비율에서 성차가 나타났다. 이과에서 비이공계로, 문과에서 이공계로 진학학 학생들의 과학학습동기의 세부요인의 차이를 확인한 결과 직업동기에서만 유의미한 차이가 나타났다. 과학학습동기는 진로 선택에 있어 중요한 예측 변인이었으며 그 중에서도 직업동기는 가장 큰 영향력을 가진 변인이었다. 계열과 다른 진로를 선택하는 학생들을 위한 교육적 장치가 필요할 것으로 판단되며, 그 보다 앞서 학생들의 진로를 보다 면밀히 예측할 필요가 있다. 또한 과학학습동기 역시 그런 예측 변수로 판단되며, 학생들의 계열 선택 및 진로와 관련한 교수 학습 및 상담에서 학생들의 과학학습동기를 고려하는 것이 중요하다.
This study aims to investigate the motivation for science learning of 3rd year high school students who choose different majors from their track. A total of 2,012 high school 3rd year students participated in this study. We used Science Motivation Questionnaire II (Glynn et al., 2011) to measure the...
This study aims to investigate the motivation for science learning of 3rd year high school students who choose different majors from their track. A total of 2,012 high school 3rd year students participated in this study. We used Science Motivation Questionnaire II (Glynn et al., 2011) to measure the students' science motivation and performed Rasch analysis, MANOVA and logistic regression analysis. First, results showed that 11.5% of students in the science track switched their pathway to a non-STEM major and 14.3% of students in the humanities track switched to a STEM major. In addition, there were gender differences in switching majors. Second, we found a significant difference in science motivation between two groups of students switching their major only in career motivation. Third, science motivation was the significant predictor of STEM major choice; in particular, career motivation was the most influential variable. Based on these results, we proposed that prediction of and paying close attention to students' career motivation are required before making decisions on which track to take.
This study aims to investigate the motivation for science learning of 3rd year high school students who choose different majors from their track. A total of 2,012 high school 3rd year students participated in this study. We used Science Motivation Questionnaire II (Glynn et al., 2011) to measure the students' science motivation and performed Rasch analysis, MANOVA and logistic regression analysis. First, results showed that 11.5% of students in the science track switched their pathway to a non-STEM major and 14.3% of students in the humanities track switched to a STEM major. In addition, there were gender differences in switching majors. Second, we found a significant difference in science motivation between two groups of students switching their major only in career motivation. Third, science motivation was the significant predictor of STEM major choice; in particular, career motivation was the most influential variable. Based on these results, we proposed that prediction of and paying close attention to students' career motivation are required before making decisions on which track to take.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
계열로 진로로 구분된 세 집단의 학생들의 과학학습동기는 어떠한 차이가 있는지 분석하였다. 각 진로 집단별로 과학학습 동기를 구성하는 5개 요인들의 라쉬 측정값은 Figure 1과 같다.
앞으로 시행될 문⋅이과 통합교육과정으로 이와 같은 교차지원자를 관찰할 수 있는 기회가 적어질 것이므로 이 연구의 필요성은 더 높다고 할 수 있다. 따라서 이 연구에서는 앞서 논의한 필요성에 근거하여 대학수학능력시험을 마치고 자신의 진로를 최종적으로 결정하여 대학입학 원서를 작성한 고등학교 3학년 학생들을 대상으로 어떤 진로를 결정하였는지 조사하였다.
앞서 우리는 3학년 학생들이 결정한 진로를 과학학습동기가 어느 수준으로 예측하는지와 과학학습동기 중 어떤 요인이 가장 큰 영향력을 보이는지 확인하였다. 하지만 학생들의 진로 결정에서 과학학습동기의 영향력은 1학년과 2학년, 그리고 3학년 시기가 지남에 따라 변화할 수도 있다.
이 연구에서는 또한 세 집단의 과학학습동기 요소들 간의 영향력을 확인하기 위하여 각 학습동기요소별 상관관계 분석을 실시하였다. 먼저 통계 방법론적으로 상관관계수치는 자료의 수에 따라 민감할 수 있기 때문에 상관관계 수치를 직접적으로 비교하기 위하여 세 집단 중에서 가장 적은 자료의 수인 115로 집단의 수를 통일하였다.
만약 과학학습동기의 영향력이 3년의 고등학교 과정동안 변화된다면 과학학습동기 점수로 진학지도에 대한 유용성이 학년마다 다르게 작용할 수 있을 것이다. 이 점을 확인하기 위하여 3학년시기에 과학학습동기와 진로 결정의 회귀 분석 관계식이 1학년과 2학년 학생들의 과학학습동기와 이공계 진로에 대한 의사와 어느 정도유사한지 확인해 보았다. 3학년 학생들의 자료를 토대로 산출된 로지스틱 회귀분석식의 계수를 활용하여(Table 5), 1학년과 2학년 학생들의 과학학습동기를 대입하여 예측수치를 산출하였다.
만약 그렇다면 왜 고1과정에서 진로를 결정할 때 직업동기를 충분히 반영하지 않았던 것인지 이해할 수 없다. 이와 같은 의문점을 해소하고 교차지원이라는 사회적 비용을 방지하고자 이 연구 결과를 바탕으로 교육적 제언을 하고자 한다. 먼저 계열과 진로에 대하여 차별화된 교육적 전략을 세워야 할 것이다.
앞서 Table 1에서 논의한 바와 같이 이과에서 비이공계 계열로 진학한 학생과 문과에서 이공계로 진학한 학생들은 고등학교 2학년과 3학년, 2년에 걸친 기간 동안 대학 진학과 크게 관련이 없는 과목의 학습을 하게 된 경우이다. 이와 같이 자신의 계열과 관련이 없는 대학학과로 진학을 결정한 학생들은 성별과 과학학습동기에서 어떤 특성이 있는지 분석해 보았다. 먼저 Table 2는 이과에서 이공계로 진학, 이과에서 비이공계로 진학, 문과에서 이공계로 진학한 세 집단의 남학생과 여학생의 분포를 보여준다.
제안 방법
이 점을 확인하기 위하여 3학년시기에 과학학습동기와 진로 결정의 회귀 분석 관계식이 1학년과 2학년 학생들의 과학학습동기와 이공계 진로에 대한 의사와 어느 정도유사한지 확인해 보았다. 3학년 학생들의 자료를 토대로 산출된 로지스틱 회귀분석식의 계수를 활용하여(Table 5), 1학년과 2학년 학생들의 과학학습동기를 대입하여 예측수치를 산출하였다. 그리고 예측수치가 0.
따라서 집단 간상관계수의 정확한 비교 분석을 위해, 세 집단 중에서 가장 적은 자료의 수인 115로 집단 크기를 통일한 후 상관분석을 수행하였다. 각 집단별로 115개의 자료의 무작위 추출 과정은 우연을 방지하기 위하여 10번의 걸쳐 반복적으로 실시하였다. 결과적으로 생성된 상관관계수치의 평균값을 분석 대상으로 삼았다.
3학년 학생들의 대학 진학 시 이공계 전공 선택 여부를 종속변수로 설정하고 5개의 과학학습동기 변인들을 독립변인으로 삼아 로지스틱 회귀분석을 수행하였다. 과학학습동기와 이공계 전공 선택간의 관계가 학년에 따라 다르게 나타나는지 확인하기 위하여 산출된 로지스틱모델이 1,2 학년 학생들의 자료에도 부합하는지 확인하였다. 이를 위해 이전에 3학년 학생들의 자료를 바탕으로 산출된 로지스틱 회귀분석 모델에 1, 2학년 학생들의 자료를 대입하고 이공계 전공 선택 예측확률을 산출한 후, 실제 1,2 학년 학생들의 실제 이공계 전공 희망여부와 비교하여 그 예측력이 3학년 자료의 예측력과 비슷한지 확인하였다.
이를 위해 3학년들의 과학학습동기 수치를 1학년들의 과학학습동기와 비율을 고려하여 1학년 수준으로 변환시킨 후 1학년 학생들의 로지스틱모델에 대입하였다. 그 결과 산출된 학생들의 전공 선택 예측치와 실제 학생들이 수행했던 전공 선택의 일치도를 비교 확인하였다. 이 부분에 대한 추가 설명은 연구 결과와 함께 제시되어 있다.
3학년 학생들의 자료를 토대로 산출된 로지스틱 회귀분석식의 계수를 활용하여(Table 5), 1학년과 2학년 학생들의 과학학습동기를 대입하여 예측수치를 산출하였다. 그리고 예측수치가 0.5초과면 이공계로 진학의사가 있음으로 분류하고, 그 이하면이공계로 진학의사가 없음으로 분류하였다. 이 결과와 실제 1학년과2학년 학생들의 응답한 이공계 진학 의사에 대한 결과와 비교하였다(Burns & Burns, 2008).
사후검정 분석으로는 Bonferroni 방식으로 집단 사이의 과학학습동기 변인들의 통계적 차이를 보다 자세히 확인하였다. 더불어 세 집단 별로 과학학습동기변인 간 상관분석을 수행하여 각 변인이 다른 변인에 미치는 영향력을 확인하였다. 이 때 상관관계분석은 자료의 수에 민감하게 영향을 받을 수 있다.
이 때 상관관계분석은 자료의 수에 민감하게 영향을 받을 수 있다. 따라서 집단 간상관계수의 정확한 비교 분석을 위해, 세 집단 중에서 가장 적은 자료의 수인 115로 집단 크기를 통일한 후 상관분석을 수행하였다. 각 집단별로 115개의 자료의 무작위 추출 과정은 우연을 방지하기 위하여 10번의 걸쳐 반복적으로 실시하였다.
또한 이과에서 이공계(자연, 공학계열), 문과에서 이공계, 이과에서 비이공계로 진로를 정하는지에 따라 세 집단으로 학생들을 구분하고, 각 집단별, 성별에 따른 학생비율의 차이도 확인하였다. 또한 각 집단에 따른 과학학습동기의 차이를 확인하였다. 이 때 리커트 척도로 측정된 각 과학학습동기 변인들의 점수를 라쉬(Rasch) 분석을 통해 등간척도(interval scale)의 점수로 변환하여 분석에 사용하였다.
연구문제 1과 2를 확인하고자 고등학교 3학년 학생들의 문이과 계열별 대학 전공 선택 비율을 확인하였다. 또한 이과에서 이공계(자연, 공학계열), 문과에서 이공계, 이과에서 비이공계로 진로를 정하는지에 따라 세 집단으로 학생들을 구분하고, 각 집단별, 성별에 따른 학생비율의 차이도 확인하였다. 또한 각 집단에 따른 과학학습동기의 차이를 확인하였다.
이를 위해 이전에 3학년 학생들의 자료를 바탕으로 산출된 로지스틱 회귀분석 모델에 1, 2학년 학생들의 자료를 대입하고 이공계 전공 선택 예측확률을 산출한 후, 실제 1,2 학년 학생들의 실제 이공계 전공 희망여부와 비교하여 그 예측력이 3학년 자료의 예측력과 비슷한지 확인하였다. 마지막으로 1학년 학생들의 과학학습동기로 3학년에서의 이공계 전공 선택을 예측할 수 있는지 간접적으로 확인하였다. 이를 위해 3학년들의 과학학습동기 수치를 1학년들의 과학학습동기와 비율을 고려하여 1학년 수준으로 변환시킨 후 1학년 학생들의 로지스틱모델에 대입하였다.
이 연구에서는 또한 세 집단의 과학학습동기 요소들 간의 영향력을 확인하기 위하여 각 학습동기요소별 상관관계 분석을 실시하였다. 먼저 통계 방법론적으로 상관관계수치는 자료의 수에 따라 민감할 수 있기 때문에 상관관계 수치를 직접적으로 비교하기 위하여 세 집단 중에서 가장 적은 자료의 수인 115로 집단의 수를 통일하였다. 이를 위해 이과에서 이공계로, 문과에서 이공계로 진학한 학생의 집단에서 무작위적으로 추출하였다.
연구 참여자의 선정을 위해 전국의 인문계고등학교 중 160개의고등학교를 비례층화표집(proportionate stratified sampling) 방식으로 표집 하였다. 모집단인 전국의 고등학교들을 지역별로 구분한 후 전국 고등학교 모집단 중 각 지역 고등학교 하위집단이 차지하는 비율을 고려하여 각 하위집단에서 고등학교를 표집 하였다. 결과적으로 서울 31개교, 부산 10개교, 대구 11개교, 인천 7개교, 광주 6개교, 대전 5개교, 울산 4개교, 경기 37개교, 강원 5개교, 충북 7개교, 충남 6개교, 전북 5개교, 전남 5개교, 경북 8개교, 경남 10개교, 제주 3개교로 총 160개교가 표집 되었다.
계열이 아직 정해지지 않은 1학년 학생들의 경우에는 희망계열을 조사하여 구분하였다. 샘플수의 차이로 발생하는 통계의 검정력의 감소를 방지하고자 각 학년별 문과와 이과 학생들의 수를 단순 무작위 추출로 맞추었다. 가장 적은 샘플수인 3학년 문과 학생들의 수를 바탕으로 다른 학년과 계열의 학생들은 단순 무작위 추출로 추출하였다.
구체적인 연구 절차 및 자료 분석과정을 살펴보면 다음과 같다.연구문제 1과 2를 확인하고자 고등학교 3학년 학생들의 문이과 계열별 대학 전공 선택 비율을 확인하였다. 또한 이과에서 이공계(자연, 공학계열), 문과에서 이공계, 이과에서 비이공계로 진로를 정하는지에 따라 세 집단으로 학생들을 구분하고, 각 집단별, 성별에 따른 학생비율의 차이도 확인하였다.
마지막으로 1학년 학생들의 과학학습동기로 3학년에서의 이공계 전공 선택을 예측할 수 있는지 간접적으로 확인하였다. 이를 위해 3학년들의 과학학습동기 수치를 1학년들의 과학학습동기와 비율을 고려하여 1학년 수준으로 변환시킨 후 1학년 학생들의 로지스틱모델에 대입하였다. 그 결과 산출된 학생들의 전공 선택 예측치와 실제 학생들이 수행했던 전공 선택의 일치도를 비교 확인하였다.
먼저 통계 방법론적으로 상관관계수치는 자료의 수에 따라 민감할 수 있기 때문에 상관관계 수치를 직접적으로 비교하기 위하여 세 집단 중에서 가장 적은 자료의 수인 115로 집단의 수를 통일하였다. 이를 위해 이과에서 이공계로, 문과에서 이공계로 진학한 학생의 집단에서 무작위적으로 추출하였다. 우연을 방지하기 위하여 10번의 걸친 무작위추출을 실시하였고 그에 의해 생성된 상관관계 수치는 평균값을 내어 Table 3에 제시하였다.
과학학습동기와 이공계 전공 선택간의 관계가 학년에 따라 다르게 나타나는지 확인하기 위하여 산출된 로지스틱모델이 1,2 학년 학생들의 자료에도 부합하는지 확인하였다. 이를 위해 이전에 3학년 학생들의 자료를 바탕으로 산출된 로지스틱 회귀분석 모델에 1, 2학년 학생들의 자료를 대입하고 이공계 전공 선택 예측확률을 산출한 후, 실제 1,2 학년 학생들의 실제 이공계 전공 희망여부와 비교하여 그 예측력이 3학년 자료의 예측력과 비슷한지 확인하였다. 마지막으로 1학년 학생들의 과학학습동기로 3학년에서의 이공계 전공 선택을 예측할 수 있는지 간접적으로 확인하였다.
대상 데이터
각 집단별로 115개의 자료의 무작위 추출 과정은 우연을 방지하기 위하여 10번의 걸쳐 반복적으로 실시하였다. 결과적으로 생성된 상관관계수치의 평균값을 분석 대상으로 삼았다.
이와 같은 방법으로 계열별 각 학년은 1006명이었다. 또한 이 연구에서 주된 관심 대상인 3학년 학생은 총 2012명(문과 1006명, 이과 1006명)으로 이 자료를 중심으로 분석하였다(Table 1).
전교생을 대상으로 설문을 수행할 경우 참여의지가 높은 학생만 참여할 것이므로 전교생을 대상으로 설문을 수집한 것이 아니라 3-4개 반을 대상으로 컴퓨터실에서 온라인 설문을 실시해 줄 것을 부탁하였다. 선정된 160개 학교의 학생들 중15,247명의 학생들이 구글 온라인 설문조사를 통해 응답하였다. 계열이 아직 정해지지 않은 1학년 학생들의 경우에는 희망계열을 조사하여 구분하였다.
연구 참여자의 선정을 위해 전국의 인문계고등학교 중 160개의고등학교를 비례층화표집(proportionate stratified sampling) 방식으로 표집 하였다. 모집단인 전국의 고등학교들을 지역별로 구분한 후 전국 고등학교 모집단 중 각 지역 고등학교 하위집단이 차지하는 비율을 고려하여 각 하위집단에서 고등학교를 표집 하였다.
이와 같은 결과는 과학학습동기로 대학 진학을 예측할 수 있음을 짐작하게 한다. 이 연구에서는 3학년 학생 2012명(이공계 진학 981명, 비이공계 진학1031명)을 대상으로 로지스틱 회귀분석을 활용하여 과학학습동기의 대학 진학 예측력을 확인하였다. 분석 결과 과학 동기로 실제 진학을 예측하는 전체 예측력은 75.
데이터처리
연구 문제 3을 확인하고자 로지스틱 회귀분석을 수행하였다. 3학년 학생들의 대학 진학 시 이공계 전공 선택 여부를 종속변수로 설정하고 5개의 과학학습동기 변인들을 독립변인으로 삼아 로지스틱 회귀분석을 수행하였다. 과학학습동기와 이공계 전공 선택간의 관계가 학년에 따라 다르게 나타나는지 확인하기 위하여 산출된 로지스틱모델이 1,2 학년 학생들의 자료에도 부합하는지 확인하였다.
이 때 리커트 척도로 측정된 각 과학학습동기 변인들의 점수를 라쉬(Rasch) 분석을 통해 등간척도(interval scale)의 점수로 변환하여 분석에 사용하였다. 그 후 변환된 라쉬측정값을 사용하여 다변량분산분석(Multivariate analysis of variance; MANOVA)을 수행하였다. 사후검정 분석으로는 Bonferroni 방식으로 집단 사이의 과학학습동기 변인들의 통계적 차이를 보다 자세히 확인하였다.
그 후 변환된 라쉬측정값을 사용하여 다변량분산분석(Multivariate analysis of variance; MANOVA)을 수행하였다. 사후검정 분석으로는 Bonferroni 방식으로 집단 사이의 과학학습동기 변인들의 통계적 차이를 보다 자세히 확인하였다. 더불어 세 집단 별로 과학학습동기변인 간 상관분석을 수행하여 각 변인이 다른 변인에 미치는 영향력을 확인하였다.
연구 문제 3을 확인하고자 로지스틱 회귀분석을 수행하였다. 3학년 학생들의 대학 진학 시 이공계 전공 선택 여부를 종속변수로 설정하고 5개의 과학학습동기 변인들을 독립변인으로 삼아 로지스틱 회귀분석을 수행하였다.
이론/모형
참여자들의 과학학습동기를 측정하기 위하여 Glynn et al.(2011)이 개발한 Science Motivation Questionnaire II(SMQ II)를 사용하였다. 이 검사도구는 개발 과정을 비롯하여 수차례의 선행연구들을 통해 과학학습동기를 측정하기에 타당함이 확인되었다(Glynn et al.
또한 각 집단에 따른 과학학습동기의 차이를 확인하였다. 이 때 리커트 척도로 측정된 각 과학학습동기 변인들의 점수를 라쉬(Rasch) 분석을 통해 등간척도(interval scale)의 점수로 변환하여 분석에 사용하였다. 그 후 변환된 라쉬측정값을 사용하여 다변량분산분석(Multivariate analysis of variance; MANOVA)을 수행하였다.
성능/효과
모집단인 전국의 고등학교들을 지역별로 구분한 후 전국 고등학교 모집단 중 각 지역 고등학교 하위집단이 차지하는 비율을 고려하여 각 하위집단에서 고등학교를 표집 하였다. 결과적으로 서울 31개교, 부산 10개교, 대구 11개교, 인천 7개교, 광주 6개교, 대전 5개교, 울산 4개교, 경기 37개교, 강원 5개교, 충북 7개교, 충남 6개교, 전북 5개교, 전남 5개교, 경북 8개교, 경남 10개교, 제주 3개교로 총 160개교가 표집 되었다. 전교생을 대상으로 설문을 수행할 경우 참여의지가 높은 학생만 참여할 것이므로 전교생을 대상으로 설문을 수집한 것이 아니라 3-4개 반을 대상으로 컴퓨터실에서 온라인 설문을 실시해 줄 것을 부탁하였다.
이 결과와 실제 1학년과2학년 학생들의 응답한 이공계 진학 의사에 대한 결과와 비교하였다(Burns & Burns, 2008). 그 결과 1학년의 경우에는 전체 예측력이78.3%(비이공계 예측: 74.0%; 이공계 예측: 85.3%)이었으며, 2학년 경우에는 전체 예측력이 79.4%(비이공계 예측: 78.9%; 이공계 예측: 80.2%) 이었다. 이와 같은 예측력은 3학년 자료의 예측력과 거의 동등한 수준이며 이 결과를 토대로 추론하면 과학학습동기와 진로선택과의 관계는 3년 동안 비슷한 수준으로 유지되고 있음을 확인할 수 있다.
실제로 예측력을 확인하기 위해서는3학년에서 나타나는 회귀식을 1학년에 적용하고 해당 학생이 실제로 3학년이 되었을 때 예측된 결과로 진학하는지를 확인하는 종단연구를 통해서 확인될 수 있을 것이다. 그럼에도 불구하고 비록 간접적이 방법이지만 본 연구에서 확인한 결과들로 판단하였을 때 과학학습동기는 학생들의 진로 선택의 예측 지표로서 학생들의 진로 상담 및 진로교육에 있어 중요한 근거 자료로 사용될 수 있음을 확인하였다. 학생 개개인의 건강한 진로 발달을 위해서는 성적 뿐 아니라 흥미, 동기 등의 특성을 고려한 진로지도가 필요하며, 이는 타당한 근거자료를 기반으로 할 때 더 효과적으로 이루어질 수 있다.
마지막으로 과학학습동기 검사를 통하여 진로를 예측하는 예측력은 상당하다는 것을 확인하였다. 또한 과학학습동기와 진로에 관한예측 회귀식은 고등학교 1학년에서 3학년 동안 변화되지 않고 일정하게 유지되고 있음을 확인하였다.
Table 5는 로지스틱 회귀분석의 보다 자세한 통계치를 보여준다. 로지스틱 회귀분석 분석 결과 직업 동기는 진학 여부에 있어 가장 큰 영향력(B=0.06)을 보이고 있음을 확인할 수 있다. 또한 모델의 설명에 관한 통계치는 Cox & Snell R2가 0.
마지막으로 과학학습동기 검사를 통하여 진로를 예측하는 예측력은 상당하다는 것을 확인하였다. 또한 과학학습동기와 진로에 관한예측 회귀식은 고등학교 1학년에서 3학년 동안 변화되지 않고 일정하게 유지되고 있음을 확인하였다.
이 연구에서는 3학년 학생 2012명(이공계 진학 981명, 비이공계 진학1031명)을 대상으로 로지스틱 회귀분석을 활용하여 과학학습동기의 대학 진학 예측력을 확인하였다. 분석 결과 과학 동기로 실제 진학을 예측하는 전체 예측력은 75.7%이었다(Table 4).
이 연구는 이런 현상이 대학과 대학원뿐만 아니라 고등학교에서도 일어나고 있음을 보여주고 있다. 세 번째는 계열과 진로에서 과학학습동기가 중요한 변인임을 확인할 수 있다. 그 중에서도 직업동기는 가장 영향력이 큰 변인이었음이 다시 한번 확인되었다.
이 연구에서 살펴본 바와 같이 과학학습동기 25개 문항으로 70∼80% 가까운 예측력으로 진로를 확인할 수 있었다.
하지만 이와 같은 해석은 종단연구로 기획될 때에만 보다 명확하게 이해할 수 있으며, 횡단연구로 기획된 본 연구에서는 주의해서 해석해야 될 것이다. 이 연구의 결과는 1학년에서 3학년에 이르기까지 과학학습동기가 진로 선택(1, 2학년은 희망 진로 선택)에 주는 영향의구조가 비슷함만을 보여준다. 실제로 예측력을 확인하기 위해서는3학년에서 나타나는 회귀식을 1학년에 적용하고 해당 학생이 실제로 3학년이 되었을 때 예측된 결과로 진학하는지를 확인하는 종단연구를 통해서 확인될 수 있을 것이다.
2%) 이었다. 이와 같은 예측력은 3학년 자료의 예측력과 거의 동등한 수준이며 이 결과를 토대로 추론하면 과학학습동기와 진로선택과의 관계는 3년 동안 비슷한 수준으로 유지되고 있음을 확인할 수 있다.하지만 이와 같은 해석은 종단연구로 기획될 때에만 보다 명확하게 이해할 수 있으며, 횡단연구로 기획된 본 연구에서는 주의해서 해석해야 될 것이다.
즉 상대적으로 많은 여학생들이 이공계 진로에서 유출되었고, 이에비해 남학생들은 이공계로 유입되는 양상이 더 많이 나타났다. 이러한 결과는 이공계에서 여성들의 유출 현상(Leaky pipeline effect)의 맥락으로 볼 수 있다(Blickenstaff, 2005).
후속연구
학생 개개인의 건강한 진로 발달을 위해서는 성적 뿐 아니라 흥미, 동기 등의 특성을 고려한 진로지도가 필요하며, 이는 타당한 근거자료를 기반으로 할 때 더 효과적으로 이루어질 수 있다. 고등학교 입학 후부터 과학학습동기의 지속적 측정이 이루어진다면, 고등학교 3년에 걸쳐 학생들의 진로 및 진학 지도에 있어 유용한 자료가 될 것이라 판단된다.
의약계열의 경우 그 성차나 동기 양상이 이공계와는 동일하지 않을 가능성이 있다. 따라서 의약계와 이공계를 구분하여 추후 연구가 이루어진다면 학생들의 진로 결정에 대해 더 풍부한 결과를 얻을 수 있을 것이다.
이 부분에 대한 추가 연구가 필요할 것으로 판단된다. 또한 이 연구는 종단연구로 기획되지 않아 어느 시점에서 학생들의 진로가 결정되는지 확인하지 못하였다. 이 부분 역시 이 연구의 제한점이자 추가 연구에 대한 제언이 될 것이다.
이 연구의 결과는 1학년에서 3학년에 이르기까지 과학학습동기가 진로 선택(1, 2학년은 희망 진로 선택)에 주는 영향의구조가 비슷함만을 보여준다. 실제로 예측력을 확인하기 위해서는3학년에서 나타나는 회귀식을 1학년에 적용하고 해당 학생이 실제로 3학년이 되었을 때 예측된 결과로 진학하는지를 확인하는 종단연구를 통해서 확인될 수 있을 것이다. 그럼에도 불구하고 비록 간접적이 방법이지만 본 연구에서 확인한 결과들로 판단하였을 때 과학학습동기는 학생들의 진로 선택의 예측 지표로서 학생들의 진로 상담 및 진로교육에 있어 중요한 근거 자료로 사용될 수 있음을 확인하였다.
앞으로 시행될 문⋅이과 통합교육과정으로 이와 같은 교차지원자를 관찰할 수 있는 기회가 적어질 것이므로 이 연구의 필요성은 더 높다고 할 수 있다.
이와 같은 예측력은 3학년 자료의 예측력과 거의 동등한 수준이며 이 결과를 토대로 추론하면 과학학습동기와 진로선택과의 관계는 3년 동안 비슷한 수준으로 유지되고 있음을 확인할 수 있다.하지만 이와 같은 해석은 종단연구로 기획될 때에만 보다 명확하게 이해할 수 있으며, 횡단연구로 기획된 본 연구에서는 주의해서 해석해야 될 것이다. 이 연구의 결과는 1학년에서 3학년에 이르기까지 과학학습동기가 진로 선택(1, 2학년은 희망 진로 선택)에 주는 영향의구조가 비슷함만을 보여준다.
질의응답
핵심어
질문
논문에서 추출한 답변
교차지원은 어떤 문제를 야기 하는가?
, 2015). 또한 2002년부터 시작된 교차지원은 고등학교에서 선택과목을 통한 선수학습과목을 충분히 이수하지 않은 채 대학의 관련 분야로 입학하게 되는 현상을야기 하고 있다(Jo, Choi & Cho, 2012; Kim, 2011). 이러한 심화과목 미이수 상태의 입학생 증가는 최근 대학교육전반에 걸친 기초교육의 부담으로 작용하고 있다(Lee & Chang, 2008).
최근 인문계 고등학교에서 이과계열을 선호하는 학생들이 많아지는 이유는 무엇인가?
9%에까지 이르면서 2000년대에 들어 제2차 이공계 위기라는 절망적인 제목의 신문기사들을 수시로 접할 수 있게 되었다(Lee, Kim, & Heo,2001). 그러나 최근 들어 산업구조 변화와 취업문제 등으로 인하여 인문계 고등학교에서 이과계열1)을 선호하는 학생들이 많아지고 있다(The Korea Economic Magazine, 2016).
학생들의 계열선택의 증가로 이공계 위기는 해소 되었다고 볼 수 있는가?
하지만 학생들의 계열선택이 증가하였다고 해서 이공계 위기가 잠식되고 지속가능한 국가과학기술인력 육성이 안정궤도에 진입했다고 볼 수 있는지는 미지수이다. 다시 말해 고등학생들의 이과계열 선호도가 약간 증가하였다고 해서 이들이 모두 실질적 국가 과학기술인력으로 이탈 없이 유지되는지 속단할 수 없다는 의미이다. 이는 과학기술 사회 속에서의 국가경제 유지를 위한 이공계 인력의 지속가능한 육성과 공급이라는 측면에서 생각해 볼 때 중요한 문제라 할 수 있다.
참고문헌 (26)
Blickenstaff, J. C. (2005). Women and science careers: Leaky pipeline or gender filter? Gender and Education, 17(4), 369-386.
Burns, R. P., & Burns, R. (2008). Business research methods and statistics using SPSS. London, UK: Sage.
Cho, A. & Park, J. (2010). The features of 'becoming a scientist' of Korean women scientist. The Journal of Asian Women, 49(2), 83-120.
Cho, J., Ok, H., Lee, S., Lim, H., Cha, S., Kim, D., & Lim, J., (2012). Educational policies for improvement based on international students assessment results. Seoul: Korea Institute for Curriculum and Evaluation.
Glynn, S. M., Brickman, P., Armstrong, N., & Taasoobshirazi, G. (2011). Science Motivation Questionnaire II: Validation with science majors and nonscience majors. Journal of Research in Science Teaching, 48, 1159-1176.
Glynn, S. M., Taasoobshirazi, G., & Brickman, P. (2009). Science Motivation Questionnaire: Construct validation with nonscience majors. Journal of Research in Science Teaching, 46, 127-146.
Ha, M. & Lee, J. K. (2012). Exploring the structure of science motivation components and differences in science motivation in terms of gender and preferred track. Secondary Education Research, 60(1), 1-20.
Ha, M. & Lee, J. K. (2013). The item response, generalizability, and structural validity for the translation of Science Motivation Questionnaire II(SMQ II). The Journal of Learner-Centered Curriculum and Instruction, 13(5), 1-18.
Hong, H. J., & Lim, Y. N. (2014). A study of the development and direction of an integrated curriculum of liberal arts and natural sciences in academic high schools. The Journal of Curriculum Studies, 32(2), 67-99.
Jerrim, J. (2015). Why do East Asian children perform so well in PISA? An investigation of Western-born children of East Asian descent. Oxford Review of Education, 41(3), 310-333.
Jo, K. H., Choi, J., & Cho, H. S. (2012) High school students' opinions on choosing their academic track and elective courses for science and mathmatics. Journal of Research in Curriculum & Instruction, 16(3), 839-857.
Kang, S. H. (2010). Predictors of academic achievement and dropout thinking among university students. Journal of Educational Evaluation
Kim, T. S. (2011). On the necessity and effect of additional points system in cross-applicants of university admission. Journal of Korean Society of Mathematics Education Series E: Communications of Mathematical Education, 25(3), 525-536.
Lee, B., & Chang, S. C. (2008). The effect of educational backgrounds in high school sciences on the achievement of college sciences. The Journal of Curriculum Studies, 26(2), 191-210.
Lee, H., Choi, K., Lee, J. K., Ma, K. H. & Lee, K. (2005). Study on the secondary school students' perception on scientist and woman scientist as career and its role model. Journal of the Korean Association for Science Education, 25(2), 184-196.
Lee, J. M., Kim, T. Y., & Heo, E. N. (2001). Continuously decreasing trend of SAT science track applicants, their causes and solutions. Science and technology policy, 11(6), 2-12.
Murayama, K., Pekrun, R., Lichtenfeld, S., & von Hofe, R., (2013). Predicting long-term growth in students' mathematics achievement: The unique contributions of motivation and cognitive strategies. Child Development, 84(4), 1475-1490.
Park, H. (2008). Test of group invariance for the structural model among motivation, self-concept and student achievement: Using PISA 2006 data. Journal of Educational Evaluation, 21(3), 43-67.
Park, K. (2010). A reinterpretation of the crisis in science and technology through a study of supply and demand of doctorates. The Journal of Korean Education, 37(1), 225-250.
Pintrich, P. R. (2003). A motivational science perspective on the role of student motivation in learning and teaching contexts. Journal of Educational Psychology, 95(4), 667-686.
Sadler, P. M., Sonnert, G., Hazari, Z. & Tai, R. (2012). Stability and volatility of STEM career interest in high school: A gender study. Science Education, 96(3), 411-427.
Shin, J., Lee, H., McCarthy-Donovan, A., Hwang, H., Yim, S., & Seo, E. J. (2015). Home and motivational factors related to science career pursuit: Gender differences and gender similarities, International Journal of Science Education, 37(9), 1478-1503.
Snow, C. P. (1959). The Two Cultures and the Scientific Revolution. NY: Cambridge University Press.
The Korea Economic Magazine (2016). Revival of science and engineering fields: 'Avoiding science and engineering' is an old saying. [URL; http://magazine.hankyung.com/apps/news?popup0&nid01&c11001 &nkey2014073100973000421&modesub_view Aceess date 2016. 1.12 ]
Yoon, S., Han, Y., Im, S., & Kim, W. (2015). A study on the factors that affect college and major selection. The Journal of Korean Education, 42(2), 87-107.
Zhu, Y., & Leung, F. K. S. (2011). Motivation and achievement: Is there an east asian model? International Journal of Science and Mathematics Education, 9(5), 1189-1212.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.