학습자 중도탈락은 사이버대학이 해결해야 할 과제 중 하나이다. 2019년도 기준으로 사이버대학의 전체 학생 수는 13만여 명에 달하고 있으나, 중도탈락 비율도 매우 높은 편이다. 중도탈락율을 낮추기 위해 사이버대학은 학습 분석에 많은 투자를 하고 있다. 특히 일부 사이버대학에서는 중도탈락 가능성을 정량적으로 분석하여 중도탈락이 우려되는 학생에 대한 지원을 강화하고 있다. 본 논문의 목적은 중도탈락 예측지수에 영향을 미치는 학습데이터를 규명하는데 있다. 분석 결과, 수강 차시(진도율), 이수학점, 평점, 휴학 횟수가 중도탈락에 유의미한 영향을 미치는 것으로 확인되었다. 사이버대학은 학생 중도탈락 예측지수에 관한 사후검증을 통해 예측 모델의 정확도를 높여나가야 할 것이다.
학습자 중도탈락은 사이버대학이 해결해야 할 과제 중 하나이다. 2019년도 기준으로 사이버대학의 전체 학생 수는 13만여 명에 달하고 있으나, 중도탈락 비율도 매우 높은 편이다. 중도탈락율을 낮추기 위해 사이버대학은 학습 분석에 많은 투자를 하고 있다. 특히 일부 사이버대학에서는 중도탈락 가능성을 정량적으로 분석하여 중도탈락이 우려되는 학생에 대한 지원을 강화하고 있다. 본 논문의 목적은 중도탈락 예측지수에 영향을 미치는 학습데이터를 규명하는데 있다. 분석 결과, 수강 차시(진도율), 이수학점, 평점, 휴학 횟수가 중도탈락에 유의미한 영향을 미치는 것으로 확인되었다. 사이버대학은 학생 중도탈락 예측지수에 관한 사후검증을 통해 예측 모델의 정확도를 높여나가야 할 것이다.
Drop-out issue is one of the challenges of cyber university. There are about 130,000 students enrolled in cyber universities, but the dropout rate is also very high. To lower the dropout rate, cyber universities invest heavily in learning analytics. Some cyber universities analyze the possibility of...
Drop-out issue is one of the challenges of cyber university. There are about 130,000 students enrolled in cyber universities, but the dropout rate is also very high. To lower the dropout rate, cyber universities invest heavily in learning analytics. Some cyber universities analyze the possibility of dropout and actively support students who are more likely to drop out. The purpose of this paper is to identify the learning data affecting the dropout prediction index. As a result of the analysis, it is confirmed that number of lessons(progress), credits, achievement and leave of absence have a significant effect on dropout rate. It is necessary to increase the accuracy of the prediction model through post-test on the student dropout prediction index.
Drop-out issue is one of the challenges of cyber university. There are about 130,000 students enrolled in cyber universities, but the dropout rate is also very high. To lower the dropout rate, cyber universities invest heavily in learning analytics. Some cyber universities analyze the possibility of dropout and actively support students who are more likely to drop out. The purpose of this paper is to identify the learning data affecting the dropout prediction index. As a result of the analysis, it is confirmed that number of lessons(progress), credits, achievement and leave of absence have a significant effect on dropout rate. It is necessary to increase the accuracy of the prediction model through post-test on the student dropout prediction index.
본 연구의 목적은 중도탈락 예측지수에 관한 사후검증을 통해 중도탈락 예측에 필요한 핵심 변수를 식별하는 것이다. 최근들어 학습 데이터를 분석하여 중도탈락 가능성을 예측하는 서비스 가 제공되기 시작했는데, 사후검증을 통해 핵심 변수를 규명한 국내 연구는 아직까지 확인된 바 없다.
제안 방법
본 논문에서는 학습 중도탈락 가능성을 예측하는 시도에 대한 실증연구를 실시하였다. 이를 위해 국내 A사이버대학교에서 도입한 중도탈락 예측지수에 관한 사후검증을 통해 중도탈락 예측에 필요한 핵심 변수를 도출하고 중도탈락을 낮추기 위한 교수자의 역할을 제안하고자 한다.
중도이탈 위험수치만 제공할 뿐 예측모델에 대해서는 공개하지 않고 있으며, 지난 9월부터 해당 정보가 제공되고 있어 아직까지는 예측 모델이 정교하지 않을 것으로 예상된다. 연구자는 LMS에서 제공하는 학습자별 중도이탈 예측지수의 신뢰성을 검증하기 위해 2학기 개강시점 부터 12차시까지 학생들의 학습 이력을 추적 조사하였다. 그 결과를 토대로 일반 학습자와 중도탈락 위험군의 학습 패턴에 통계적으로 유의한 차이가 있는지를 분석하였으며, 학습자의 학습 이력과 중도탈락 예측지수(위험도)의 상관관계를 분석하였다.
대상 데이터
실증분석을 위해 연구자가 개설한 2개 과목을 수강하고 있는 301명의 학습자 중 학업중단 가능성을 나타내는 수치가 부여되지 않은, 즉 신입을 제외한 총 282명의 학습이력 정보를 분석하였다. 282명 중 중도탈락 위험이 있는 학습자(위험 학습자)는 34명으로, 전체 학습자의 12%를 차지하였으며, 분석에 사용한 데이터는 학습자의 총 학습시간, 강의접속 수, 총 수강차시, 중간고사 응시정보(이상 학습정보)와 이수학점 수, 평균 평점, 휴학 횟수(이상 학사정보)이다.
데이터처리
연구자는 LMS에서 제공하는 학습자별 중도이탈 예측지수의 신뢰성을 검증하기 위해 2학기 개강시점 부터 12차시까지 학생들의 학습 이력을 추적 조사하였다. 그 결과를 토대로 일반 학습자와 중도탈락 위험군의 학습 패턴에 통계적으로 유의한 차이가 있는지를 분석하였으며, 학습자의 학습 이력과 중도탈락 예측지수(위험도)의 상관관계를 분석하였다.
일반 학습자와 위험 학습자의 총 학습시간, 강의접속 수, 총 수강 차시, 중간고사 응시여부, 이수 학점 수, 평균 평점, 휴학 횟수 사이에 통계적으로 유의한 차이가 있는지를 확인하기 위해 독립표본 검증(t-test)을 실시하고 Levene의 검정방법 (Levene's test)을 통해 등분산 여부를 검증하였다.
학습자의 학습정보와 학사정보가 중도탈락 위험도에 미치는 영향을 분석하기 위해 중다선형회귀분석(Multiple Linear Regression)을 실시하였다. 분석에 앞서 총 학습시간, 강의접속 수, 이수학점 수, 평균 평점은 5점 척도로 변환했는데, 가령 평점의 경우 4.
성능/효과
350로 독립변수가 종속변수의 35%를 설명하고 있었다. 총 학습시간, 강의접 속 수, 총 수강 차시, 중간고사 응시, 이수학점 수, 평균 평점, 휴학 횟수가 중도탈락 위험도에 미치는 영향력을 분석한 결과, 학습자의 총 수강차시 (t=-2.878, p<.05)와 평균 평점(t=-9.717, p<.01)은 중도탈락 위험도에 영향을 미치는 반면, 총 학습 시간과 강의접속 수, 중간고사 응시는 통계적으로 유의미한 영향을 미치지 않는 것으로 분석되었다. 다만 유의도(sig.
이상의 분석결과를 통해 볼 때, 학습정보에서는 총 수강 차시가, 학사정보에서는 이수학점 수와 평균 평점, 휴학 횟수가 중도탈락 위험도에 영향을 미치는 것을 알 수 있다. 학사정보의 경우 과거 학습이력을 토대로 한정적 정보이고, 학습정보는 실제 학습과정에서 발생하는 동적 정보인데 이 두 가지가 모두 중도탈락에 영향을 미치므로 교수자는 과거 정보(정적 정보) 뿐만 아니라 학습 과정에서 발생하는 동적 정보를 지속적으로 확인하여 학습자별로 적합한 조치를 취해야 한다.
후속연구
특히 중도탈락 위험지수처럼 이상 징후를 알려주는 정보는 대학 과 교수자에게 매우 유용하다. 그러나 잘못된 예측으로 불필요한 개입이 이뤄지거나 개입이 필요 한 학습자가 방치될 수 있으므로 예측 정보의 정확도와 신뢰도를 높이기 위해 지속적인 사후검증 과정이 요구된다. 특히 교수자는 예측정보를 참고하여 학습자에게 취했던 다양한 넛지 행위의 효과성을 분석하여 학습자의 수준과 상황에 맞는 상호작용 전략을 마련함으로써 교수 자신의 경쟁 력을 강화할 수 있을 것이다.
특히 총 수강 차시, 이수학점, 평균 평점, 휴학 횟수와 같은 산출값(Output) 뿐만 아니라 학업 목적, 직업과 전공의 관련성, 선수 지식과 같은 학습자 특성도 중도탈락 가능성에 영향을 미칠 것으로 예상된다. 따라서 향후 연구에서는 사이버대학의 중도탈락에 영향을 미치는 변수에 대한 포괄적인 선행조사를 실시하고, 다양한 변수의 영향력을 분석하는 보다 정교한 연구 설계와 깊이있는 분석을 진행하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
중도이탈 증가가 개인의 경쟁력에 끼치는 영향은?
중도이탈 증가는 대학의 재정적 손실로 이어지지만 개인의 경쟁력에도 부정적인 영향을 미친다. 사이버대학의 경우 학위 취득 목적 뿐 아니라 경력개발이나 전직에 필요한 역량을 강화하기 위해 입학하는 학생들이 많은데, 사이버대학에서 중도탈락할 경우 학습 의욕과 자신감이 저하되고, 그로 인해 고등교육체제로부터 이탈함으로써 개인의 경쟁력을 강화할 수 있는 기회 상실로 이어진다.
사이버대학의 특징은 무엇인가?
사이버대학은 언제 어디서나 학습이 가능하고, 학비가 저렴하며, 선발기준이 유연하다는 이유로 경력개발 요구가 있는 성인학습자에게 고등교육을 위한 좋은 대안이 되고 있다. 일반대학에서도 MOOC나 자체개발한 이러닝 과정을 학점과정으로 제공하고 있고 군 복무 중 학점을 취득할 수 있는 군 이러닝(e-learning) 제도가 도입되면서 이러닝에 대한 수요와 공급이 지속적으로 늘어날 전망이다.
사이버대학 중도탈락의 주된 원인은 무엇인가?
이러닝 학습자들은 면대면 학습보다 더 빈번하게 어려운 학습 상황에 놓이게 되며 학습을 위해서도 더 많은 노력이 요구된다[2]. 사이버대학은 직장, 가사, 사업을 병행 하는 성인학습자 비중이 높은데 학업의 우선순위 가 다른 일에 밀리거나 무분별한 전공 선택, 부족한 자기조절 능력 등으로 학업을 포기하는 경우가 많으며, 체계적이고 밀도 있는 상담 기회도 부족한 편이어서 학업을 그만두기로 맘먹은 학생들을 설득하기란 쉽지 않다[3].
참고문헌 (12)
Carr, S.(2000). As distance education comes of age, the challenge is keeping the students. Chronicle of Higher Education, 46(23), 39-41.
Elvers, G.C., Polzella, D.J. & Graetz, K.(2003). Procrastination in online courses: Performance and attitudinal differences. Teaching of Psychology, 30(2), 159-162.
전주성(2010). 사이버대학의 잠재적 중도탈락자 예측에 관한 연구. Andragogy Today: International Journal of Adult & Continuing Education, 13(1), 121-139.
Hutagaol, N. & Suharjito, S.(2019). Predictive modelling of student dropout using ensemble classifier method in higher education. Advances in Science, Technology and Engineering Systems Journal, 4(4), 206-211.
문경호(2018). 도덕교육에서 넛지의 활용 가능성에 대한 고찰. 교원교육, 34(4), 193-215.
Bernard, R.M., Abrami, P.C., Borokhovski, E., Wade, A., Tamim, R., Surkes, M.A., & Bethel, E.C.(2009). A meta-analysis of three interaction treatments in distance education. Review of Educational Research, 79(3), 1243-1289.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.