[논문]대학생의 중도탈락에 영향을 미치는 요인 다중회귀분석

황승연; 신동진; 오재곤; 이용수; 김정준

doi:10.7236/jiibc.2020.20.4.187

대학생의 중도탈락에 영향을 미치는 요인 다중회귀분석
A Regression Analysis of Factors Affecting Dropout of College Students 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.4, 2020년, pp.187 - 193

황승연 (안양대학교 컴퓨터공학과) , 신동진 (안양대학교 컴퓨터공학과) , 오재곤 ((주)진우산전) , 이용수 (여주대학교 소프트웨어융합과) , 김정준 (안양대학교 ICT융합학부 소프트웨어전공)

초록
AI-Helper

본 연구에서는 국내 대학 차원에서의 요인들을 중심으로 대학생의 중도탈락에 영향을 미치는 것이 무엇인지 분석하고자 하였다. 또한, 국립대학과 사립대학, 수도권(서울, 경기, 인천)에 소재하고 있는 대학과 수도권에 소재하고 있지 않은 대학으로 나누어 보다 대학별 특징에 맞춰 분석하였다. 대학의 학생변동사항 중 휴학과 전출을 제외하고, 자퇴를 중도탈락으로 정의하였다. 데이터는 교육부와 한국교육대학협의회에서 주관하여 운영하고 있는 "대학알리미" 포탈에서 원시자료를 받아 분석에 사용하였다. 대학 알리미에서 "대학"으로 분류된 학교 가운데 209개 대학을 최종 분석에 사용하였으며, 졸업생 취업 현황·평균 졸업 학점·재학생 1인당 장학금·평균 등록금·휴학생·재적 학생·경쟁률·전임교원 1인당 학생 수·교지확보율(%)을 독립변수로 투입하여 다중회귀분석을 통해 분석하였다. 분석결과, 첫째, 전체적으로 졸업생 평균 졸업 학점과 취업률이 높을수록 대학생 중도탈락률이 낮은 것으로 나타났다. 둘째, 국립대학과 비교하면 사립대학에서의 평균 등록금이 비쌀수록 대학생 중도탈락률에 부정적인 영향을 미치는 것으로 나타났다. 셋째, 수도권 외 소재 대학에 비해 수도권 소재 대학에서의 등록금이 비쌀수록 대학생 중도탈락률에 부정적인 영향을 미치는 것으로 나타났다.

Abstract ▼ AI-Helper

In this study, we wanted to analyze the factors at the national university level that affect college students ' elimination. In addition, national universities, private universities, universities in Seoul and universities outside of Seoul were divided into more college-specific characteristics. Except for leave of absence and departure from school, it was defined as a middle school dropout among changes of students. The data were used for analysis by receiving raw data from "University Alerts," which are operated by the Ministry of Education and the Korean Council for Educational Universities. At the university notification, 222 universities out of the schools classified as "Universities" were utilized for final analysis, and jobs, credits, scholarships, tuition fees, students, independent students, and full-time teachers were secured through multiple education. Overall, the higher the average graduate level and employee-rate the lower the rate of elimination from the middle of college students, the analysis showed. Second, the higher the average tuition fees at private universities, the more negatively affects the rate of elimination of university students. Third, higher tuition fees at universities outside the Seoul metropolitan area have a negative impact on the rate of elimination of students.

주제어

표/그림 (8)

표 표 1. 변수설명 Table 1. Variable Description
그림 그림 1. 필요한 변수들을 추출한 최종 형태 Fig. 1. Required parameter extraction method
표 표 2. 대학별 데이터 Table 2. University Data
그림 그림 3. 전체 다중회귀 분석 결과 Fig. 3. multiple regression analysis results
그림 그림 4. 수도권을 기준으로 한 다중회귀분석 결과 Fig. 4. multiple regression analysis of Capital Region
그림 그림 5. 비수도권을 기준으로 한 다중회귀분석 결과 Fig. 5. multiple regression analysis of NonCapital Region
그림 그림 6. 국립대학을 기준으로 한 다중회귀분석 결과 Fig. 6. multiple regression analysis of national university
그림 그림 7. 사립대학을 기준으로 한 다중회귀분석 결과 Fig. 7. multiple regression analysis of private university

AI 본문요약
AI-Helper

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

문제 정의

국내에서 이루어진 선행연구들을 살펴보면, 대학생의 중도탈락에 영향을 미치는 요인으로 설정한 변수들이 대부분 개인적인 요인에 집중되어 있으며, 대학 수준의 요인을 중점적으로 분석한 연구는 부족한 상황이다. 따라서본 연구에서는 대학의 중도탈락 현황을 살펴보고, 중도탈락에 영향을 미치는 대학 요인이 무엇인지 분석하여 대학생 중도탈락률을 낮추기 위해 대학 차원에서 고려해야 할 사항에 대한 시사점을 도출하고자 한다.
본 연구에서는 대학생 중도탈락률을 종속변수로 설정하고, 독립변수로는 졸업생 취업 현황·평균 졸업 학점·재학생 1인당 장학금·평균 등록금·휴학생·재적 학생·경쟁률·전임교원 1인당 학생 수·교지확보율(%) 변인을 투입하여 분석하였다. 모형에 투입하여 대학의 변인들이 중토 탈락률에 미치는 영향력 정도를 살펴보고자 하였다. 다중 회귀분석에 사용된 수식은 그림 2와 같고, Y_i는 종속변수인 표 1의 재학생 중도탈락률을 의미하며, 각 X_ni는 표 1의 독립변수를 의미한다.
본 논문에서는 대학알리미에서 제공하는 데이터의 대학생을 중심으로 중도탈락에 영향을 미치는 변수에 대해 전체, 수도권, 비수도권, 국립, 사립 조건에서 측정 하였다. 측정된 데이터를 Hive 솔루션을 통해 정제 후, 다중 회귀분석을 사용하여 분석하고, 어떠한 상관관계가 있는지를 확인하였다.

제안 방법

표 2의 fail은 퇴학률을, employment은 졸업생 취업 현황, grade은 평균 졸업 학점, scholarship은 재학생 1인당 장학금, tuition은 평균 등록금, absence은 휴학생, enrollment은 재적 학생, competition은 경쟁률, teacher은 전임교원 1인당 학생 수, grand은 교지확보율(%)을 지칭하며 “대학알리미” 포탈에서 제공하는 데이터를 위 그림과 같이 정제하였다. 또한 분석에 앞서 변수간 충분한 변량을 확보하였는지 확인하였다.
대학 유형에 따라 대학의 특성이 다양하며, 학교 유형에 따라 중도탈락률에 차이가 나타날 수 있기 때문에 대학 알리미에서 “대학”으로 분류된 학교 가운데 분교와 전문대학 및 사이버대학, 방송통신대학을 제외하고 최종적으로 209개 대학을 분석에 사용하였다. 또한 지역별로 수도권(서울, 경기, 인천)에 소재한 대학과 수도권에 소재 하지 않은 대학, 국립대학과 사립대학으로 나누어 나타난 결과를 분석해 보았다. 분석에 사용한 주요 변수는 표 1과 같다.
본 연구에서는 대학생 중도탈락률을 종속변수로 설정하고, 독립변수로는 졸업생 취업 현황·평균 졸업 학점·재학생 1인당 장학금·평균 등록금·휴학생·재적 학생·경쟁률·전임교원 1인당 학생 수·교지확보율(%) 변인을 투입하여 분석하였다.
다중 회귀분석은 독립변수가 2개 이상인 추정식을 이용하는 회귀분석으로 여러 개의 독립변수 중 종속변수에 가장큰 영향을 미치는 변수가 무엇인지, 종속변수를 설명해 줄 수 있는 가장 적합한 모형이 무엇인지 밝히는 통계적 방법이다. 알고자하는 독립변수들을 순차적으로 투입하면서 대학의 요인들의 설명력을 확인할 수 있기 때문에 분석방법으로 사용하였다.
대학의 학교 요인이 대학생의 중도탈락에 미치는 영향력을 분석하기 위하여 먼저 대학의 학교 요인들을 추출하는 작업이 필요하다. 원하는 변수가 존재하는 파일들을 Hadoop에 저장하여 Hive를 이용해 테이블 형태로 저장하였다. 저장된 테이블에서 필요한 컬럼들을 HiveQL을 사용하여 분석에 필요한 변수들로 이루어진 새로운 테이블을 생성하여 하둡에 저장하였고, 이를 다시 로컬에 저장하여 그림 1과 같은 결과를 얻을 수 있다.
원하는 변수가 존재하는 파일들을 Hadoop에 저장하여 Hive를 이용해 테이블 형태로 저장하였다. 저장된 테이블에서 필요한 컬럼들을 HiveQL을 사용하여 분석에 필요한 변수들로 이루어진 새로운 테이블을 생성하여 하둡에 저장하였고, 이를 다시 로컬에 저장하여 그림 1과 같은 결과를 얻을 수 있다.
하둡은 대용량 데이터를 분산 처리할 수 있는 자바 기반의 오픈 소스 프레임워크이다. 하둡은 분산시스템인 HDFS(Hadoop Distributed File System)에 데이터를 저장하고, 맵리듀스(MapReduce)를 이용해 데이터를 처리한다. 일반적인 파일 시스템처럼 불륨 기반으로 파일을 적재하거나 파일 단위로 저장하지 않고, 파일을 블록 단위로 쪼개 여러 서버에 분산 저장한다.

대상 데이터

대학 유형에 따라 대학의 특성이 다양하며, 학교 유형에 따라 중도탈락률에 차이가 나타날 수 있기 때문에 대학 알리미에서 “대학”으로 분류된 학교 가운데 분교와 전문대학 및 사이버대학, 방송통신대학을 제외하고 최종적으로 209개 대학을 분석에 사용하였다.
본 연구에서는 대학생의 중도탈락에 영향을 미치는 대학 요인을 분석하기 위해 교육부와 한국교육대한협의회에서 주관하여 운영하고 있는 ‘대학 알리미’ 포탈을 통해 원시자료를 받아 분석에 사용하였다.
본 연구에서는 대학생의 중도탈락에 영향을 미치는 대학 요인을 분석하기 위해 분교와 사이버대학과, 전문대학, 교육대학을 제외한 209개 학교를 분석대상으로 사용 하였다. 209개 4년제 대학의 대학생 중도탈락률 평균은 4.

데이터처리

대학의 학교 요인이 대학생의 중도탈락에 미치는 영향력을 분석하기 위하여 다중회귀분석을 사용하였다. 다중 회귀분석은 독립변수가 2개 이상인 추정식을 이용하는 회귀분석으로 여러 개의 독립변수 중 종속변수에 가장큰 영향을 미치는 변수가 무엇인지, 종속변수를 설명해 줄 수 있는 가장 적합한 모형이 무엇인지 밝히는 통계적 방법이다.
본 논문에서는 대학알리미에서 제공하는 데이터의 대학생을 중심으로 중도탈락에 영향을 미치는 변수에 대해 전체, 수도권, 비수도권, 국립, 사립 조건에서 측정 하였다. 측정된 데이터를 Hive 솔루션을 통해 정제 후, 다중 회귀분석을 사용하여 분석하고, 어떠한 상관관계가 있는지를 확인하였다.

이론/모형

대용량 데이터를 가지고 자료 관리기술과 자료 분석기술을 이용할 수 있다. 자료관리 기술은 Hadoop등을 이용하고 자료 분석 기술로는 통계학, 기계학습, 인공신경망, 데이터 마이닝 등을 이용할 수 있다^[2,3].

성능/효과

본 연구에서는 대학생의 중도탈락에 영향을 미치는 대학 요인을 분석하기 위해 분교와 사이버대학과, 전문대학, 교육대학을 제외한 209개 학교를 분석대상으로 사용 하였다. 209개 4년제 대학의 대학생 중도탈락률 평균은 4.83%로 나타났으며, 가장 중도탈락이 높은 대학은 19.2%에 달하는 것으로 나타났다. 대학 평판도와 관련된 정원 내 신입생 경쟁률 평균은 1:8로 나타났으며 졸업생 취업 현황의 평균은 66%, 평균 졸업 학점의 평균은 86.
2%에 달하는 것으로 나타났다. 대학 평판도와 관련된 정원 내 신입생 경쟁률 평균은 1:8로 나타났으며 졸업생 취업 현황의 평균은 66%, 평균 졸업 학점의 평균은 86.8점, 재학생 1인당 장학금 평균은 3,423만원, 평균 등록금의 평균은 6,530만원, 휴학생의 평균은 2496명, 재적학생의 평균은 8,646명, 전임교원 1인당 학생 수의 평균은 27명, 교지확보율을 평균은 318%로 나타났다.
수도권대학의 분석에서 장학금 변수인 scholarship이 연관성이 있음을 확인하고, 사립대학의 분석에서 등록금 변수인 tuituion이 연관성이 있음을 확인하여 경제적으로 등록금의 부담이 큰 학생들이 자퇴를 할 확률이 높다고 할 수 있다. 마지막으로 관련성이 적은 휴학생, 재적학생, 교지 확보율 변수인 absence, enrollment, grand는 대학 차원에서 중도탈락률과 관련하여 고려할 필요성이 없음을 확인할 수 있다.
학점 변수인 grade와 취업률 변수인 employee_rate 가 중도탈락률 변수인 drop_rate에 가장 유의한 관계임을 확인할 수 있었다. 또 상대적으로 수도권(서울, 경기, 인천)대학이 비수도권대학 보다 등록금이 낮게 측정되고, 국립대학 보다는 사립대학이 낮게 측정되었다.

후속연구

향후 연구에서는 대학생의 중도탈락에 영향을 미치는 대학 수준의 요인을 보다 정확하게 분석하기 위해서 개인 요인과 결합된 자료를 수집하여 추가 분석할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	빅데이터란?	빅데이터란 기존 데이터베이스 관리도구로 대량의 정형 또는 비정형 데이터를 포함한 데이터로부터 가치를 추출하고 수집, 저장, 관리, 분석할 수 있는 기술이다.
	빅데이터 자료 분석 기술에는 무엇이 있는가?	대용량 데이터를 가지고 자료 관리기술과 자료 분석기술을 이용할 수 있다. 자료관리 기술은 Hadoop등을 이용하고 자료 분석 기술로는 통계학, 기계학습, 인공신경망, 데이터 마이닝 등을 이용할 수 있다[2,3].
	고등교육의 양적인 증가를 연도별 대학 수 변화를 통해 설명하시오.	우리나라의 고등교육은 양적으로 매우 급격하게 팽창해 왔다. 고등교육의 양적인 증가는 연도별 대학 수의 변화를 통해 확인할 수 있는데, 1980년 85개교에서 꾸준히 증가하여 2000년 161개교, 2010년 179개교로 증가하였으며, 2017년에 189개의 대학이 운영되고 있다(교육통계서비스). 1980년 27.2%에 불과했던 대학 진학률도 지속적으로 증가하여 2000년 62%, 2010년 75.4%에 달하였으며, 2017년에는 68.9%로 조금 감소하였지만 여전히 높은 수준을 유지하고 있다. (교육통계서비스)

참고문헌 (11)

Man-Mo Kang, Sang-Rak Kim, Sang-Mu Park, "Analysis and utilization of big data", Journal of Information Science and Technology, Vol. 30, No. 6, pp. 25-32, 2012.3.
Man-Jai Lee, "Big Data and the Utilization of Public Data", Internet and Information Security, Vol. 2, No. 2, pp. 47-64, 2011.11.
Seung-Yeol Bang, Hyo-Dong Ha, and Chang-Jae Kim, "A Study on BigData-based Software Architecture Design for Utilizing Public Open Data", The Journal of KIIT, Vol. 13, No. 10, pp. 99-107, 2015.10. DOI : https://dx.doi.org/10.14801/jkiit.2015.13.10.99
Hyun-Jong Lee, "Big Data Leverages the Hadoop Platform", The Korean Institute of Conmunications and Information Sciences, Vol. 29, No. 11, pp. 43-47, 2012.10.
Hyun-Joo Kim, "Design and Implementation of an Efficient Web Services Data Processing Using Hadoop-Based Big Data Processing Technique", The Journal of the Korea Academia-Industrial cooperation Society, Vol. 16, No. 1, pp. 726-734, 2015. DOI: https://doi.org/10.5762/KAIS.2015.16.1.726

원문보기 상세보기
Ki-Chan Park, Hong-Kuen Yoon, Seok-Ju Jang, Jung-Jun Lee, "Development of web based hive management tool using open source", Proceedings of the Korea Information Science Society Conference, 1671-1673, 2014.6.
Jong-gi Lee, "A Case Study of R Programming for Big Data Analysis", Computational Accounting Research, Vol. 13, No. 1, pp. 1-22, 2015.6.
Ji-Hee Lee, Joon-Sung Lee, Jung-Wook Son, "R programming based unstructured construction data analysis", Journal of the Architectural Institute of Korea - Structural Systems, Vol. 32, No. 5, pp. 37-44, 2016.5.
Yoo-jae Lee, "A Study on the Verification of the Main Effect in Multiple Regression Analysis including Interaction Effect", Management Research, Vol. 23, No. 4, pp. 183-210, 1994.7.
Uh-Soo Kyun, Sung-Hoon Cho, Jeong-Joon Kim, "A Study on Perception for Public Safety of Seoul Citizens using Multiple Regression Analysis", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 18, No. 1, pp. 195-201, Feb 2018. DOI: https://doi.org/10.7236/JIIBC.2018.18.1.195
Bong-Woo Nam, Kyung-Bin Kim, Kyu-Ho Kim, Jun-Min Cha, "Regional Power Demand Forecasting Algorithm Using Multiple Regression Analysis", Journal of the Korean Institute of Illuminating and Electrical Installation, Vol. 22, No. 2, pp. 63-70, 2008.2.

원문보기 상세보기

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