[논문]사이버대학 중도탈락 개선을 위한 예측모형 개발

박철

doi:10.5762/kais.2020.21.7.380

사이버대학 중도탈락 개선을 위한 예측모형 개발
Development of Prediction Model to Improve Dropout of Cyber University 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.7, 2020년, pp.380 - 390

박철 (광운대학교 경영정보학과)

초록
AI-Helper

사이버대학교는 20대 중심의 일반대학교 학생보다 사회적 배경, 경제적 요인, IT 지식 및 활용능력 등. 복잡한 교육환경의 변화 요인으로 신입생들의 중도탈락이 높은 실정이다. 따라서 사이버대학교 학생은 일반대학교와 다른 중도탈락 방지 대책과 개선 방법이 필요하다. 본 연구에서는 A 사이버대학의 2017년 및 2018년 1학기 중도탈락에 영향을 미치는 요인을 추출하고 '의사결정트리모델'을 통하여 중점관리 및 상담기준을 분류하여 주요 요인을 도출하였다. 각 주요 요인에 대하여 의사결정 적용기준과 주차별 추진방법을 제시하여 '중도탈락개선모형'으로 구현하였다. 그리고 2019년 1학기 신입생을 대상으로 실제로 운영되고 있는 사이버대학 강의운영에 적용하였다. 그 결과 '중도탈락개선모형'을 적용한 신입생의 중도탈락률은 4.2% 감소하였고 학업지속비율은 11.4% 증가하였다. 본 연구의 주요한 의미는 설문지 조사와 사이버대학 LMS(Learning Management System) 학습활동 결과를 동시에 적용하여 객관적인 분석을 하였다는 것이다. 그러나 학생 자료에 대한 정량적인 요인분석은 되었지만, 정성적인 요인분석이 반영되지 못하였고 연구의 구조적인 한계점이 있어 후속연구가 필요하다. 본 연구에서 구현된 개선모형은 사이버대학의 중도탈락률 및 학업지속비율 개선에 유효하게 적용될 것으로 기대한다.

Abstract ▼ AI-Helper

Cyber-university has a higher rate of dropout freshmen due to various educational factors, such as social background, economic factors, IT knowledge, and IT utilization ability than students in twenty offline-based university. These students require a different dropout prevention method and improvement method than offline-based universities. This study examined the main factors affecting dropout during the first semester of 2017 and 2018 A Cyber University. This included management and counseling factors by the 'Decision Tree Analysis Model'. The Management and counseling factors were presented as a decision-making method and weekly methods. As a result, a 'Dropout Improvement Model' was implemented and applied to cyber-university freshmen in the first semester of 2019. The dropout-rate in freshmen applying the 'Dropout Improvement Model' decreased by 4.2%, and the learning-persistence rate increased by 11.4%. This study applied a questionnaire survey, and the cyber-university students LMS (Learning Management System) learning results were analyzed objectively. On the other hand, the students' learning results were analyzed quantitatively, but qualitative analysis was not reflected. Nevertheless, further study is necessary. The 'Dropout Improvement Model' of this study will be applied to help improve the dropout rate and learning persistence rate of cyber-university.

주제어

표/그림 (11)

표 Table 1. A Cyber University Dropout Rate
표 Table 2. Main Factors of Dropout Decision Item
그림 Fig. 1. Number of Counseling and Dropout Rate
그림 Fig. 2. Content Listening Time and Dropout Rate
표 Table 3. Technical Statistics Analysis Results
표 Table 4. Correlation Analysis Results
그림 Fig. 3. Number of Q&A and Dropout Rate
그림 Fig. 4. Decision Tree Analysis Modeling
표 Table 5. Dropout Improvement week process model
그림 Fig. 5. dropout Improvement Model
표 Table 6. Dropout Improvement Model Operation Results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

둘째, 사이버대학교 신입생의 높은 중도탈락을 해결할 수 있는 개선모델을 제시하고 실제 사이버대학교에 적용하여 탈락에 영향을 미칠 수 있는 주요 요인을 검증하였다는 것이다. A 사이버대학교에서는 입학 후 8주 차(중간고사)별로 탈락률에 영향 미치는 주요 요인에 대하여 상담과 학습활동 관리를 체계적으로 운영하였다.
본 연구는 A 사이버대학교 중도탈락률 개선을 위하여 탈락에 영향을 주는 주요 요인을 도출하고 탈락 방지를 위한 개선모형을 구축하고 실제 운영되고 있는 사이버대 학교에 적용하여 중도탈락 방지 효과를 확인하고자 하였다. 중도탈락개선모형은 2019년 1학기 A 사이버대학 5개 학부 685명을 대상으로 적용하였다.
본 연구의 목적은 높은 사이버대학교의 중도탈락률 개선을 위하여 개선모형을 설계하고 실제 운영 중인 사이버대학교에 적용함으로써 중도탈락방지 효과성을 확인하고자 한다.
이러한 특징 외에도 대학생 개인이 아니라 중도탈락에 영향을 미치는 대학기관 자체를 연구대상으로 삼는 경우도 상당수 나타나고 있다 [29,30,31]. 이러한 선행연구의 문제점을 고려하여 본 연구는 기존 중도탈락 관련 연구의 한계를 극복하고 실제 기관 경영 등에 실용적인 도움을 제공하기 위하여 중도 탈락자를 예측할 수 있는 모형을 개발하고 실제 운영 중인 사이버대학교에 적요함으로써 중도탈락률을 감소시키고자 한다.
네 번째 고려사항은 본 연구를 통해 개발되는 중도탈락개선모형은 첫 학기부터 5개 구간으로 구분하여 구간별 누적 생성되는 학습활동 데이터를 활용하여 수업운영 중에 활용 가능하도록 하였다. 이를 통하여 중도탈락의 요인만 파악하는 것이 아니라 중도탈락이 예상되는 학생에게 적절한 프로그램 개입을 통해 궁극적으로 중도탈락률을 낮추는 데 활용될 수 있도록 구성하였다.
연구방법은 다음과 네 가지 요소를 고려하여 진행하였다. 첫째, 중도탈락의 예측을 위해 중도탈락 요인을 학생 개인의 사회적 및 경제적 요인만 아니라 실제 대학생활에서 발생하는 수업 관련 활동들을 파악하여 보다 정교한 예측이 가능하도록 하였다. 사이버대학의 수업진행은 학습관리시스템(Learning Management System, 이하 LMS)를 통해서 이루어지고 학습활동 대부분이 자동으로 기록되며, 이러한 로그 데이터를 통해 학생 개인별 학습 활동을 파악할 수 있다.

제안 방법

Fig. 1, Fig. 2, Fig. 3.은 앞선 Table 3, Table 4.에서 중도탈락 방지에 효과적인 3가지(콘텐츠 학습시간, 강의 Q&A, 상담전화 횟수) 주요요인에 대하여 LMS 학습활동 데이터를 분석하였다.
그리고 5개 학부 학생의 LMS 학습활동 데이터를 기술통계 결과를 분석하여 23개 요인에서 18개의 주요 요 인을 도출하였다.
본 연구에서는 학생의 학습활동 데이터를 활용하여 학습 패턴을 실시간으로 파악하고 교수자와 학습자 간의 교수학습에 필요한 모든 요인을 판단하고 대응하여 중도탈락 위험에 속한 학생들에게 실질적인 도움을 줄 수 있다는 것을 알 수 있었다. 기존의 중도탈락에 관한 연구는 중도탈락 학생의 특징만 도출하고 역으로 그 결과만 조사하는 방식이라고 하면, 본 연구에서는 실제 운영 중인 LMS에서 학 생의 수업정보를 확보하고 분석하여 중도탈락을 사전에 예방할 수 있는 방안을 모색하였다는 것에 대하여 차별성을 두었다고 할 수 있다. 그러나 학생의 학습활동 정보 는 LMS에서 추출하고 요인별로 그 데이터를 활용하지만 교수자와 학습조교는 이러한 주요 요인에 대하여 자동적 으로 제공하거나 알림을 제시하는 기능이 제공되지 않아 유의미한 지표 및 수치를 직접 분류해야 했다.
세 번째, 고려사 항은 ‘입학 첫 학기’₄₎학생(신입생)을 대상으로 연구를 진행하여 신입생에게 영향을 미치는 중도탈락 요인을 명확히 적용하여 모형을 설계할 수 있다는 것이다. 네 번째 고려사항은 본 연구를 통해 개발되는 중도탈락개선모형은 첫 학기부터 5개 구간으로 구분하여 구간별 누적 생성되는 학습활동 데이터를 활용하여 수업운영 중에 활용 가능하도록 하였다. 이를 통하여 중도탈락의 요인만 파악하는 것이 아니라 중도탈락이 예상되는 학생에게 적절한 프로그램 개입을 통해 궁극적으로 중도탈락률을 낮추는 데 활용될 수 있도록 구성하였다.
또한 인문계열, 공학계열, 상경계열, 예술계열에 따라서 학생간의 IT활용 능력, 학습활동, 자기효능감이 서로 상이할 수 있어 계열에 따른 연구결과를 확인할 필요가 있다. 둘째, 본 연구는 기존의 설문지조사 방식과 LMS에서 도출된 학습활동 을 동시에 연구에 적용하여 객관적인 측정을 하였다는 것이다. 그러나 학생에게 추출한 이러한 자료들이 정량적인 수치분석만 이루어지고, 학생들의 정성적인 분석이 반영되지 못한 구조적인 한계가 있었으며 학생 개인의 세밀한 상담과 그 내용에 대한 정성적인 요인분석을 반영하고 보완된 후속 연구의 필요성이 있다.
두 번째, 기존 연구들은 중도탈락의 의도를 가진 재학생들을 대상으로 진행되어 중도탈락과 중도탈락 의도 구분이 명확하지 않다는 문제점이 있었다. 본 연구에서는 이미 중도탈락을 한 학생의 학습결과 데이터를 이용함으로써 중도탈락 학생의 중도탈락 원인 및 중도탈락 의도를 구분할 수 있다. 본 연구의 대상은 A사이버대학에 2017년 1학기와 2018년 1학기 신입생 및 편입생 전체를 대상으로 학생들의 사회적 배경 및 경제적 요인(나이, 성별, 학 력, 연령, 국가장학금액, 직업 등)과 입학 시 설문조사(학업준비도, IT활용능력, 자기 효능감, 정서적안정도 등)내 용과 개강 후 LMS에서 매주 생성된 학습활동 데이터(강 의 수강시간, 과제제출, 토론참여, 시험 응시여부, 로그인 횟수 등) 그리고 학기 수업 중 중도포기, 휴학/자퇴 여부, 다음 학기 등록 여부 등의 정보를 결합하고 데이터 셋을 구성하여 분석하였다.
설문조사는 A 사이버대학교 사회복지대학 5개 전공 2017년 1학기, 2018년 1학기 당시 재학생에게 설문조사 되었으며, 설문 문항은 7개의 카테고리(학업준비도, IT 활용능력, 자기 효능감, 정서적안정도, 학습 자율성, 학습 유연성, 관계연계성)와 22개 문항으로 구성되었으며, 5점 척도로 구성되어 있다. 조사기간은 2017년 1월~3월, 2018년 1월~3월까지 입학시스템과 e-메일을 통해 조사하였다.
이러한 데이터를 근거로 중도탈락 원인을 분석하고, 개강 후 학습 주차별, 주요 요인별 LMS 학습활동(로그인 횟수, 콘 텐츠 학습시간, Q&A 횟수 등)과 홈페이지 커뮤니티 활동(공지사항, e-메일, 기타 활동)과 학적 정보의 상세자료를 분석하여 다음 단계인 ‘상담실행 단계’로 전달하는 과정을 보여준다.
본 연구의 의의는 다음과 같이 요약할 수 있다. 첫째, 중도탈락이 높은 주요 원인을 분석하고 이를 예방할 수 있는 방안을 제시하였다. 사이버대학교 학생은 일반대학 교와 중도탈락의 원인이 다르다.
본 연구는 2017년 및 2018년 1학기 5개 학부 1,301명 재학생을 대상으로 e-러닝 강의수강생의 LMS 학습활동 데이터를 기반으로 4개(중도탈락자, 학기 후 제적생, 학기 후 휴학생, 학업지속-재등록) 집단으로 구분하였으며, 집단에서 정량화 가능한 요인변수 5개를 추출하였다. 학업지속과 중도탈락을 연관할 수 있는 종속변수를 주요요인으로 적용하였다. SPSS 18.

대상 데이터

본 연구는 2017년 및 2018년 1학기 5개 학부 1,301명 재학생을 대상으로 e-러닝 강의수강생의 LMS 학습활동 데이터를 기반으로 4개(중도탈락자, 학기 후 제적생, 학기 후 휴학생, 학업지속-재등록) 집단으로 구분하였으며, 집단에서 정량화 가능한 요인변수 5개를 추출하였다. 학업지속과 중도탈락을 연관할 수 있는 종속변수를 주요요인으로 적용하였다.
본 연구에서는 이미 중도탈락을 한 학생의 학습결과 데이터를 이용함으로써 중도탈락 학생의 중도탈락 원인 및 중도탈락 의도를 구분할 수 있다. 본 연구의 대상은 A사이버대학에 2017년 1학기와 2018년 1학기 신입생 및 편입생 전체를 대상으로 학생들의 사회적 배경 및 경제적 요인(나이, 성별, 학 력, 연령, 국가장학금액, 직업 등)과 입학 시 설문조사(학업준비도, IT활용능력, 자기 효능감, 정서적안정도 등)내 용과 개강 후 LMS에서 매주 생성된 학습활동 데이터(강 의 수강시간, 과제제출, 토론참여, 시험 응시여부, 로그인 횟수 등) 그리고 학기 수업 중 중도포기, 휴학/자퇴 여부, 다음 학기 등록 여부 등의 정보를 결합하고 데이터 셋을 구성하여 분석하였다. 그리고 이미 중도탈락 및 학업중단이 발생한 2017년 1학기 학생과 2018년 1학기 휴/복학 학습자가 혼재하여 발생되는 연구대상의 문제점 및 연속성부재 수치를 일부 제외하였다.
조사기간은 2017년 1월~3월, 2018년 1월~3월까지 입학시스템과 e-메일을 통해 조사하였다. 조사 대상자 1,395명 중에서 1,121명 이 응답하였으며 약 80.4% 회수율을 보였다. 회수된 설문 중 무응답이나 성실하지 않은 71명을 제외하고 남은 유효 설문응답자는 총 1,050명이며 유효 설문비율은 약 93%이다.
설문조사는 A 사이버대학교 사회복지대학 5개 전공 2017년 1학기, 2018년 1학기 당시 재학생에게 설문조사 되었으며, 설문 문항은 7개의 카테고리(학업준비도, IT 활용능력, 자기 효능감, 정서적안정도, 학습 자율성, 학습 유연성, 관계연계성)와 22개 문항으로 구성되었으며, 5점 척도로 구성되어 있다. 조사기간은 2017년 1월~3월, 2018년 1월~3월까지 입학시스템과 e-메일을 통해 조사하였다. 조사 대상자 1,395명 중에서 1,121명 이 응답하였으며 약 80.
본 연구는 A 사이버대학교 중도탈락률 개선을 위하여 탈락에 영향을 주는 주요 요인을 도출하고 탈락 방지를 위한 개선모형을 구축하고 실제 운영되고 있는 사이버대 학교에 적용하여 중도탈락 방지 효과를 확인하고자 하였다. 중도탈락개선모형은 2019년 1학기 A 사이버대학 5개 학부 685명을 대상으로 적용하였다. 중도탈락에 영향을 줄 수 있는 주요 요인은 2017년 및 2018년 1학기 재학생에게 진행된 설문조사 결과에서 탈락률과 밀접한 23개 요인을 도출하였다.

데이터처리

‘의사결정트리모델링’에 적용하기 위해 상관관계 분석을 통하여 주요 3개 요인을 적용한 중도탈락개선모형을 Fig. 5.에서 구현하였다.

성능/효과

A 사이버대학교에서는 입학 후 8주 차(중간고사)별로 탈락률에 영향 미치는 주요 요인에 대하여 상담과 학습활동 관리를 체계적으로 운영하였다. 2019년 1학기 운영 결과에서도 알 수 있듯이 중도탈락률은 4.2% 감소하였고 학업지속비율은 11.4% 증가하였다.
또 다른 이유는 장 학제도 및 국가장학금 안내가 부족하여 경제적인 문제가 휴학에 영향을 준다는 것을 알 수 있었다. 다양한 장학제도 및 국가장학금 안내를 통해 경제적인 문제로 학업중단을 방지할 수 있음을 알 수 있었다. Table 1.
이는 선행연구에서 중도탈락의 원인이나 영향에 대하여 일관된 핵심요인 도출이 필요하다는 선행연구와 일치하며[14,20,21,22], 중도탈락이 높은 1학년 신입생을 대상으로 진행되어야 한다는 선행연구 결과와 일맥상통 한다 [8,27,29,30,31]. 본 연구에서 중도탈락이 결정되는 주요 시점에서 주차별로 관리 방법을 구분하고 주요 요인에 대한 적절한 대응 방안을 수행하는 것이 중도탈락 위기를 대비하는 적절한 방안임을 확인할 수 있었다.
셋째, 본 연구에서는 입학 전 신입생 설문조사를 통해 사전에 입학생 수준을 알 수 있는 정보와 학생 학습활동을 LMS를 통하여 확보하여 두 가지 정보를 모두 활용하여 중도탈락을 방지할 수 있는 단계적 해결방안을 제시하였다는 것이 주요한 의미라고 할 수 있다. 본 연구에서는 학생의 학습활동 데이터를 활용하여 학습 패턴을 실시간으로 파악하고 교수자와 학습자 간의 교수학습에 필요한 모든 요인을 판단하고 대응하여 중도탈락 위험에 속한 학생들에게 실질적인 도움을 줄 수 있다는 것을 알 수 있었다. 기존의 중도탈락에 관한 연구는 중도탈락 학생의 특징만 도출하고 역으로 그 결과만 조사하는 방식이라고 하면, 본 연구에서는 실제 운영 중인 LMS에서 학 생의 수업정보를 확보하고 분석하여 중도탈락을 사전에 예방할 수 있는 방안을 모색하였다는 것에 대하여 차별성을 두었다고 할 수 있다.
본 연구의 결과로 학습 주차별 주요 요인(콘텐츠 수강 시간, 강의 Q&A, 상담전화 횟수 등) 관리가 중도탈락 예방과 학습지속 비율 향상에 중요한 요소임을 확인하였다.
셋째, 본 연구에서는 입학 전 신입생 설문조사를 통해 사전에 입학생 수준을 알 수 있는 정보와 학생 학습활동을 LMS를 통하여 확보하여 두 가지 정보를 모두 활용하여 중도탈락을 방지할 수 있는 단계적 해결방안을 제시하였다는 것이 주요한 의미라고 할 수 있다. 본 연구에서는 학생의 학습활동 데이터를 활용하여 학습 패턴을 실시간으로 파악하고 교수자와 학습자 간의 교수학습에 필요한 모든 요인을 판단하고 대응하여 중도탈락 위험에 속한 학생들에게 실질적인 도움을 줄 수 있다는 것을 알 수 있었다.
4% 증가하였다. 이러한 결과를 볼 때 중도탈락개선모형을 적용한 학생들의 중도탈락률과 학업지속비율이 개선되었음을 알 수 있었다.
그러나 학생에게 추출한 이러한 자료들이 정량적인 수치분석만 이루어지고, 학생들의 정성적인 분석이 반영되지 못한 구조적인 한계가 있었으며 학생 개인의 세밀한 상담과 그 내용에 대한 정성적인 요인분석을 반영하고 보완된 후속 연구의 필요성이 있다. 이러한 연구의 제한점이 있지만, 본 연구는 실제 운영되고 있는 사이버 대학교를 대상으로 설문조사방식과 LMS 학습활동 두 부분을 모두 분석하여 중도탈락개선모형을 구현하고 실제 사이버대학교에 적용하여 중도탈락을 사전에 예방할 수 있는 방법을 제시하고 중도탈락을 방지하는 유의미한 결과를 확인할 수 있었다는 것이다. 이후 이러한 연구의 제 한점을 더욱 보완하여 사이버대학에 적용한다면 현재 중 도탈락 문제를 현저히 개선할 수 있을 것으로 사료된다.
주차별 콘텐츠 학습시간과 주차별 Q&A는 (r=0.57), 주차별 콘텐츠 학습시간과 주차별 상담전화 회수는 (r=0.51), 주차별 Q&A와 주차별 상담전화 횟수 (r=0.59)는 다소 높은 상관을 보였고, 주차별 로그인 횟수와 주차별 공지사항 확인 수(r=-0.57), 주차별 공지사항 확인 수와 주차별 상담전화 횟수(r=-0.51)으로 부적인 상관을 보였다.
2019년 1학기 중도탈락률 분석 결과와 지난 2017년 및 2018년 1학기 중도탈락률 비교 분석 결과는 다음과 같다. 중도탈락개선모형을 적용한 학생들의 중도탈락률은 미적용한 학생들보다 약 4.2% 감소하였고 중도탈락개선모형을 적용한 학생들의 학업지속비율은 미적용한 학생들보다 약 11.4% 증가하였다. 이러한 결과를 볼 때 중도탈락개선모형을 적용한 학생들의 중도탈락률과 학업지속비율이 개선되었음을 알 수 있었다.
중도탈락개선모형은 2019년 1학기 A 사이버대학 5개 학부 685명을 대상으로 적용하였다. 중도탈락에 영향을 줄 수 있는 주요 요인은 2017년 및 2018년 1학기 재학생에게 진행된 설문조사 결과에서 탈락률과 밀접한 23개 요인을 도출하였다.
는 신입생 설문조사에서 중도탈락에 영향을 주는 50개 요인을 추출하였고 이중 정량화할 수 있는 23개 요인을 추출하였다. 학과별 전공별 탈락현황과 거주지 역성은 본 연구의 연구 범위와 온라인대학교 특성을 고려하여 제외하고, 다른 요인들과의 종속성을 찾기 어려운 일부 요인을 제외하여 최종 18개 요인을 도출하였다.
71)보다 낮은 수치를 보인다. 학업지속-재등록 학생의 경우 학습활동 수준이 높고 수업조교 및 교수자의 학습독려 활동 수가 적음을 알 수 있었다.

후속연구

둘째, 본 연구는 기존의 설문지조사 방식과 LMS에서 도출된 학습활동 을 동시에 연구에 적용하여 객관적인 측정을 하였다는 것이다. 그러나 학생에게 추출한 이러한 자료들이 정량적인 수치분석만 이루어지고, 학생들의 정성적인 분석이 반영되지 못한 구조적인 한계가 있었으며 학생 개인의 세밀한 상담과 그 내용에 대한 정성적인 요인분석을 반영하고 보완된 후속 연구의 필요성이 있다. 이러한 연구의 제한점이 있지만, 본 연구는 실제 운영되고 있는 사이버 대학교를 대상으로 설문조사방식과 LMS 학습활동 두 부분을 모두 분석하여 중도탈락개선모형을 구현하고 실제 사이버대학교에 적용하여 중도탈락을 사전에 예방할 수 있는 방법을 제시하고 중도탈락을 방지하는 유의미한 결과를 확인할 수 있었다는 것이다.
₃₎ 사이버대학을 대상으로 중도탈락을 연구할 경우 학생 개인별 요소와 학습활동 데이터를 결합하여 정교한 예측모형을 구현할 수 있다. 두 번째, 기존 연구들은 중도탈락의 의도를 가진 재학생들을 대상으로 진행되어 중도탈락과 중도탈락 의도 구분이 명확하지 않다는 문제점이 있었다. 본 연구에서는 이미 중도탈락을 한 학생의 학습결과 데이터를 이용함으로써 중도탈락 학생의 중도탈락 원인 및 중도탈락 의도를 구분할 수 있다.
둘째, 개발된 중도탈락개선모형을 실제로 운영되고 있는 사이버대학교에 활용하여 중도탈락률 방지 효과가 있는가. 이에 본 연구는 사이버대학교에서 중도탈락률 개선안 모색에 기초 자료를 제공할 것으로 기대한다.
이러한 연구의 제한점이 있지만, 본 연구는 실제 운영되고 있는 사이버 대학교를 대상으로 설문조사방식과 LMS 학습활동 두 부분을 모두 분석하여 중도탈락개선모형을 구현하고 실제 사이버대학교에 적용하여 중도탈락을 사전에 예방할 수 있는 방법을 제시하고 중도탈락을 방지하는 유의미한 결과를 확인할 수 있었다는 것이다. 이후 이러한 연구의 제 한점을 더욱 보완하여 사이버대학에 적용한다면 현재 중 도탈락 문제를 현저히 개선할 수 있을 것으로 사료된다.
본 연구의 제한점과 후속연구의 필요성은 다음과 같다. 첫째, 본 연구는 모든 사이버대학교가 아닌 특정 A 사이버대학교에서 운영되는 8개 학부와 소속된 47개학과 및 전공의 중도탈락 원인을 전수 분석을 하지 못하였고 1개 단과대학과 5개 전공에 대하여만 분석이 이루어져, 더욱 명확한 결과 분석을 위해서는 신입생 전체에 대한 분석이 이루어져야 할 필요성이 있다. 또한 인문계열, 공학계열, 상경계열, 예술계열에 따라서 학생간의 IT활용 능력, 학습활동, 자기효능감이 서로 상이할 수 있어 계열에 따른 연구결과를 확인할 필요가 있다.

참고문헌 (31)

Kim, Jae Hyun, "The Hierarchical Relationship between Individual, College", Social Variable, and Dropout Intention of College Students. The Journal of Educational Research 30(2), 249-266. 2011.
Yong nam Kim, "An Analysis of Factors of Influence on College Student Withdrawal", Major in Educational Administration, Graduate School Chungnam National University Daejeon, Korea, 2009.
Hun Byoung Lee, "Analysis of Main Factors for College Students Underachievement", Humanities and Social Sciences 21, 7(3), 653-672, 2016.

상세보기
So Byung-Han, Kim Jae-Woong, "An Analysis on the Causes of Dropout in Junior College: Focused on the Indirect Effects of College Experiences", The Journal of Educational Administration 33(3), 405-426, 2015.
Youn, Bo-ra, Jang Hee-won, "Temporal aspects and determinants of college student departure", Korean Journal of Sociology of Education 25(1), 129-155, 2015.
Han, Song-I, "Exploration of Factors that Affect College Student Drop-out and Resilience", Journal of Learner-Centered Curriculum and Instruction 18(24), 1369-1391, 2018. DOI: https://dx.doi.org/10.22251/jlcci.2018.18.24.1369

상세보기
Kim Soo Yeon, "An Analysis on Institutional Characteristics and Student Support Programs Effecting on Student Retention", The Korean Society for the Study of Career Education 20(1), 111-141, 2007.
Kim Soo Yeon, "A Study on College Freshmens Adaptation Process Influencing on the Dropout", A Basic Research of the College Dropouts Mobility Pathand Structure", The Korean Society for the Study of Career Education, 25(3),139-160, 2015.
Jae-Eun Chae, "A Study on the Stopout of Korean College Students", The Journal of Educational Administration, 29(1), 295-293, 2011.
Kyung-Hee Kim, "An Analysis of the Factors Affecting Local University Students' Halting Their Academic Studies and Satisfaction with Their Campus Life", The Korea Contents Society, 11(8), 378-387, 2011. DOI: https://doi.org/10.5392/JKCA.2011.11.8.378
Nam Min-Woo, Lee Hae-Deum, Baik Eun-Joo, "An Analysis of Structural Relationships of Influential Factors on Academic Dropout Intention of Local University Freshmen", Soonchunhyang Journal of Humanities 35(4), 147-174, 2016.
Lee, Eunhwa, Kang Seung Hee, "The Research Trends and Implications of College Dropouts in Korea", Journal of Learner-Centered Curriculum and Instruction, 19(10), 169-199, 2019. DOI: https://dx.doi.org/10.22251/jlcci.2019.19.10.169
Kim, Soo-Yeon, "An Analysis of College Student Dropouts Mobility Paths and Structure", The journal of Educational Studies, 131-163, 2012.
Kang Seung Ho, "Predictors of Academic Achievement and Dropout Thinking among University Student", Journal of Educational Evaluation, 23(1). 29-53, 2010.
Kim, Sooyeon, "A Study on Exploring the Academic Persistence and Dropout of Korean Universities and Colleges' Students", The Journal of Korean Education, 33(4), 33-62, 2006.
Cho Jangsik, "Determination Analysis for Students of University Dropout", Journal of the Korean Data Analysis Society, 13(4), 1873-1880, 2011.
Gu, Sungwoo, Moon, Myunghyun, Kim, Byoungjoo, "An Analysis on the Institutional Variables affecting Dropout of College Students", The Journal of Economics and Finance of Education,25(4), 225-250, 2016.
Yi, Pil Nam, "Exploring Determinants of Delayed Graduation and Dropout of 4-year College Female Students", Korean Journal of Educational Administration, 30(1), 207-233, 2012.
Im, So-Hyun, Han, You-Kyung, "Impacts of Financial Factors of Private Colleges on Student Dropout Rates", The Journal of Economics and Finance of Education, 22(2), 83-113, 2013.
Chung, Jae Young, Sun, Mi Suk, Kim, Hyun Ju, "Analysis of Characteristics and Trends of the Crisis University", Korean Journal of Educational Administration, 35(4), 47-72, 2017.
Park, Eun-Seon, Kim, Kwang-Hyun, "Effects of the Factors of Academic Suspension and College Adjustment on the Intention of College Freshmens School Dropouts", Korea Youth Research Association, 23(10), 361-384, 2016. DOI: http://dx.doi.org/10.21509/KJYS.2016.10.23.10.361

상세보기
Hyung, Jung-Eun, Kim, Jung-Sub, "Analysis of Structural Relationships Between Self-discrepancy and Dropout Intention : Focus on the Mediating Role of Depression, Career Indecision Academic Self-efficacy", Korea Youth Research Association, 23(7),189-220, 2016. DOI: http://dx.doi.org/10.21509/KJYS.2016.07.23.7.189
Seung-Chul Park, "A Relationship Analysis between Admission Type and Dropout of Engineering University Students", Journal of Engineering Education Research, 15(5), 98-107, 2012.
Jong-tae Youn, Hyun-woo Han, Song-ah Choi, "A Study on the Factors of Women Student's Dropout from Engineering College", Journal of Engineering Education Research, 17(6). 46-52, 2014.

원문보기 상세보기
Im Yeon-Wook, Lee Kwang-Hi, "A study on the dropout problem in Korean Online Universities: searching for its solutions", The Journal of Korean Education, 30(3), 1-27, 2003.
Joo-Young Jung, Jeong-Won Lee, "An Exploratory Study on Dropout Intention of Cyber University Students", The Research Institute of Korean Education, 35(4), 149-168, 2003. DOI: http://dx.doi.org/10.22327/kei.2017.35.4.149
Joo Young Ju, Jang Mijin, Lee Hyunju, "An In-depth Analysis of Dropout Factors based on Cyber University Student's Dropout Experiences", The Journal of Educational Information and Media, 13(3), 209-233, 2007.
In-Sook Kim & Shi-Eun Yu, "A study on academic withdrawal factors and support strategies for North Korean college students: Search for risk and protective factors", Multiculture & Peace, 9(3), 122-142, 2015.

상세보기
Daeseok Kim, Hoo-Jo Hong, "A Study on the College Drop-out Rates Based on Curriculum Transition from High School to College", Education Research Institute, 12(4), 56-73, 2011.
Byung-Shik Rhee, "An Exploratory Analysis if Institutional Influences on College Student Withdrawal", korean Journal of Education Research, 41(2), 135-154, 2003.
Chung, Jae Young, Sun, Mi Suk, Jeong, Min Ji, "An Analysis of Institutional Factors Affecting on College Dropout Rates", Education Research Institute, 16(4), 57-76, 2015.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증