본 연구의 목적은 대학생의 학사경고를 예측하는 변인들을 밝혀 학사경고 위험이 높은 학생들을 사전에 파악하고 적절한 지원이 이루어질 수 있는 기반을 마련하는 것이다. 본 연구에서는 학사경고를 예측하는 변인으로 대학 내 정보시스템에 축적되어 있는 학생들의 학교 참여도 변인들을 사용하였다. 연구대상은 경기도 A대학 학생 17,261명이다. 분석에 사용한 학교 참여 변인들은 개강 후 4주 동안의 수업 결석 시간 수, 학습관리시스템(LMS)과 비교과 시스템 접속 횟수, 교수 상담 건수이며, 종속변인은 본 학기 학년평량평균(GPA)이었다. 통제변인으로 이전 학기 성적자료를 사용하였다. 분석 방법은 성적에 대한 학교 참여도 변인들의 예측력을 확인하기 위해 선형회귀분석을, 학사경고 여부에 대한 학교 참여도 변인들의 예측력을 검증하기 위해 로지스틱 회귀분석을 실시하였다. 연구결과는 첫째, 학생들의 성적을 예측하는 변인은 학교 참여도 변인 중 수업 결석 시간, 비교과 시스템 접속 횟수로 나타났다. 둘째, 학생들의 학사경고를 예측하는 변인은 학교 참여도 변인 중 수업 결석 시간, LMS 접속 횟수, 비교과 시스템 접속 횟수로 확인되었다. 이상의 결과를 통해 대학생의 학사경고를 사전에 예측하는 것이 가능함을 확인하였고, 연구결과를 바탕으로 학사경고를 사전에 예측하고 예방·지원하는 교육적 개입을 논의하였다.
본 연구의 목적은 대학생의 학사경고를 예측하는 변인들을 밝혀 학사경고 위험이 높은 학생들을 사전에 파악하고 적절한 지원이 이루어질 수 있는 기반을 마련하는 것이다. 본 연구에서는 학사경고를 예측하는 변인으로 대학 내 정보시스템에 축적되어 있는 학생들의 학교 참여도 변인들을 사용하였다. 연구대상은 경기도 A대학 학생 17,261명이다. 분석에 사용한 학교 참여 변인들은 개강 후 4주 동안의 수업 결석 시간 수, 학습관리시스템(LMS)과 비교과 시스템 접속 횟수, 교수 상담 건수이며, 종속변인은 본 학기 학년평량평균(GPA)이었다. 통제변인으로 이전 학기 성적자료를 사용하였다. 분석 방법은 성적에 대한 학교 참여도 변인들의 예측력을 확인하기 위해 선형회귀분석을, 학사경고 여부에 대한 학교 참여도 변인들의 예측력을 검증하기 위해 로지스틱 회귀분석을 실시하였다. 연구결과는 첫째, 학생들의 성적을 예측하는 변인은 학교 참여도 변인 중 수업 결석 시간, 비교과 시스템 접속 횟수로 나타났다. 둘째, 학생들의 학사경고를 예측하는 변인은 학교 참여도 변인 중 수업 결석 시간, LMS 접속 횟수, 비교과 시스템 접속 횟수로 확인되었다. 이상의 결과를 통해 대학생의 학사경고를 사전에 예측하는 것이 가능함을 확인하였고, 연구결과를 바탕으로 학사경고를 사전에 예측하고 예방·지원하는 교육적 개입을 논의하였다.
The purpose of this study is to explore the predictors of academic probation in college. Especially, this study focused on student engagement variables among the predictors of academic probation in college. Student engagement variables include hours of absence from class and numbers of log to LMS(Le...
The purpose of this study is to explore the predictors of academic probation in college. Especially, this study focused on student engagement variables among the predictors of academic probation in college. Student engagement variables include hours of absence from class and numbers of log to LMS(Learning Management System) and in extracurricular program system during four weeks after the opening of a course and the numbers of faculty counseling. GPA(grade Point Average) is a dependent variable and GPA of prior semester is a control variable in this study. 17,261 student data were collected for the study. Linear regression model and logistic regression model analyses were conducted in the study. The finding showed that the hours of absence from class and numbers of log in extracurricular program system during four weeks after the opening of a course predicted academic achievement of college students. The result also indicated that hours of absence from class and numbers of log-ins to LMS(Learning Management System) and in extracurricular program system during four weeks after the opening of a course were the predictors of academic probation in college. This study will contribute to investigate indicators of students with low academic performance and to provide proper support for underachievers.
The purpose of this study is to explore the predictors of academic probation in college. Especially, this study focused on student engagement variables among the predictors of academic probation in college. Student engagement variables include hours of absence from class and numbers of log to LMS(Learning Management System) and in extracurricular program system during four weeks after the opening of a course and the numbers of faculty counseling. GPA(grade Point Average) is a dependent variable and GPA of prior semester is a control variable in this study. 17,261 student data were collected for the study. Linear regression model and logistic regression model analyses were conducted in the study. The finding showed that the hours of absence from class and numbers of log in extracurricular program system during four weeks after the opening of a course predicted academic achievement of college students. The result also indicated that hours of absence from class and numbers of log-ins to LMS(Learning Management System) and in extracurricular program system during four weeks after the opening of a course were the predictors of academic probation in college. This study will contribute to investigate indicators of students with low academic performance and to provide proper support for underachievers.
본 연구의 목적은 학사경고자를 사전에 예측하여 조기에 교육적 개입을 통해 예방할 수 있는 기반을 마련하는 것이다. 이를 위해 학생들의 다양한 학교 참여도 변인들을 수집하고 학업성취 및 학사경고를 예측하는 요인을 분석하였다.
실제 학사경고자를 지도하고 관리하는데 겪는 어려움 중 하나는 학사경고자들과 만남 자체가 쉽지 않다는 것이다. 이에 본 연구는 학사경고를 예측할 수 있는 다양한 변인 중 학생 개인의 참여를 필요로 하지 않으면서 수집‧가능한 데이터에 집중하였다. 특히 잠재적인 학사경고자에 대한 조기중재를 하기 위해서는 학기 초에 예측 결과가 도출되어야 한다.
제안 방법
결석시간 수에 대한 자료는 본 연구가 진행된 대학에서 사용하는 전자출결시스템에 입력된 각 학생별 결석 시간 수 정보를 활용하였다. 해당 자료는 19-1학기 종료 후 학사처와 전산정보원의 협조로 수집하였다.
교수 상담 횟수에 대한 자료는 본 연구가 진행된 대학의 학생상담시스템에 입력된 학생상담기록을 활용하였다. 자료는 학기 종료 후, 교무처와 전산정보원의 협조로 수집하였다.
학사경고결과와의 비교 및 학사 경고 분석 결과의 구체적인 해석을 위해 성적에 대한 학교 참여도 변수들의 설명력과 회귀계수를 확인하기 위해 선형회귀분석(linear regression)을 실시하였다. 성취도 수준을 통제하기 위하여 이전 학기 성적을 포함하여 결석 횟수, LMS 접속 횟수, 비교과 시스템 접속 횟수, 교수 상담 횟수를 설명변인으로 투입하고, 본 학기 성적을 종속변인으로 하여 학교 참여도 변인들이 성적에 미치는 영향을 검증하였다. 그리고 학사경고 여부에 대한 학교 참여도 변인들의 분류예측력을 검증하기 위하여 로지스틱 회귀분석(logistic regression)을 실시하였다.
특히 잠재적인 학사경고자에 대한 조기중재를 하기 위해서는 학기 초에 예측 결과가 도출되어야 한다. 이를 위해 선행연구를 바탕으로 학교 참여도 변인을 대학 자체적으로 수집이 용이하며 학기 초 조사가 가능한 수업결석시간, 학습관리시스템과 비교과 활동을 확인할 수 있는 비교과 시스템접속 횟수, 지도교수 상담 등으로 정의하고 학기초 4주간의 관련 데이터를 수집하였다. 학업부진이나 학업 저 성취 자가 학사경고로 이어지는 선행조건이 될 수 있으므로 학업성취에 대한 학교 참여도 변인의 예측이 진행되어야 한다.
본 연구의 목적은 학사경고자를 사전에 예측하여 조기에 교육적 개입을 통해 예방할 수 있는 기반을 마련하는 것이다. 이를 위해 학생들의 다양한 학교 참여도 변인들을 수집하고 학업성취 및 학사경고를 예측하는 요인을 분석하였다. 분석결과를 바탕으로 결론과 시사점을 논의하면 다음과 같다.
해당 자료는 19-1학기 종료 후 학사처와 전산정보원의 협조로 수집하였다. 자료는 19-1학기 개강 후 4주 동안 각 교과에 출석, 지각, 결석 여부가 표시된 전자출결시스템 자료를 학번 기준으로 수집하였다. 수집된 자료는 결석시간이므로, 3학점 수업 결석 1회시 3시간 결석으로 계산하였다.
대상 데이터
본 연구는 경기도에 소재한 A종합대 재학생들 중 2019학년도 1학기에 등록한 학생 17,261명 전체 모집단 자료를 분석하였다. A종합대는 중앙일보 대학평가 25~30위 정도의 4년제 대형 대학이다. 참여자들의 자료는 입학시 제출한 개인정보 활용 동의서에 기반 하여 활용 가능한 자료들이었다.
본 연구는 경기도에 소재한 A종합대 재학생들 중 2019학년도 1학기에 등록한 학생 17,261명 전체 모집단 자료를 분석하였다. A종합대는 중앙일보 대학평가 25~30위 정도의 4년제 대형 대학이다.
참여자들의 자료는 입학시 제출한 개인정보 활용 동의서에 기반 하여 활용 가능한 자료들이었다. 연구대상 중 학사경고자는 541명(3.1%)이었다. 연구대상 전체와 학사경고자의 일반적 특성은 다음 [표 1]과 같다.
데이터처리
성취도 수준을 통제하기 위하여 이전 학기 성적을 포함하여 결석 횟수, LMS 접속 횟수, 비교과 시스템 접속 횟수, 교수 상담 횟수를 설명변인으로 투입하고, 본 학기 성적을 종속변인으로 하여 학교 참여도 변인들이 성적에 미치는 영향을 검증하였다. 그리고 학사경고 여부에 대한 학교 참여도 변인들의 분류예측력을 검증하기 위하여 로지스틱 회귀분석(logistic regression)을 실시하였다.
0 통계 패키지를 활용하여 다음과 같이 분석하였다. 우선 수집한 자료의 기술통계와 상관분석을 실시하였다. 학사경고결과와의 비교 및 학사 경고 분석 결과의 구체적인 해석을 위해 성적에 대한 학교 참여도 변수들의 설명력과 회귀계수를 확인하기 위해 선형회귀분석(linear regression)을 실시하였다.
우선 수집한 자료의 기술통계와 상관분석을 실시하였다. 학사경고결과와의 비교 및 학사 경고 분석 결과의 구체적인 해석을 위해 성적에 대한 학교 참여도 변수들의 설명력과 회귀계수를 확인하기 위해 선형회귀분석(linear regression)을 실시하였다. 성취도 수준을 통제하기 위하여 이전 학기 성적을 포함하여 결석 횟수, LMS 접속 횟수, 비교과 시스템 접속 횟수, 교수 상담 횟수를 설명변인으로 투입하고, 본 학기 성적을 종속변인으로 하여 학교 참여도 변인들이 성적에 미치는 영향을 검증하였다.
이론/모형
LMS 접속 횟수에 대한 자료는 본 연구가 진행된 대학의 LMS인 사이버캠퍼스에 접속한 횟수를 활용하였다. 해당 자료는 사이버캠퍼스 관리자로부터 받았으며, 19-1학기 개강 후 4주 동안 학생들이 사이버캠퍼스에 로그인한 횟수 자료를 학번 기준으로 정리하였다.
비교과 시스템 접속 횟수에 대한 자료로, 본 연구가 진행된 대학의 비교과 통합관리시스템(WIND)에 접속한 횟수 정보를 활용하였다. WIND는 학습활동, 심리상담, 취•창업, 진로지원 등 다양한 비교과 프로그램을 신청하고 활동자료를 제출하는 사이트이다.
이전 학기와 본 학기 성적에 대한 정보를 얻기 위해 18-2학기와 19-1학기의 학년평량평균(GPA: grade point average) 자료를 활용하였다. 해당 자료는 학사처와 전산정보원의 협조로 수집하였다.
성능/효과
본 연구는 대학생의 성적과 학사경고를 예측하는 변인으로 결석 시간 수와 비교과 시스템 접속 횟수를 확인하였고, LMS 접속 횟수 또한 학생의 학사경고를 예측하는데 중요한 학교 참여도 변인임을 확인하였다. 기존 연구와 달리 본 연구는 비교과 시스템 접속의 유의미성을 확인하였고, 학생들의 오프라인 및 온라인 수업 출석 관리와 비교과 활동 제고의 중요성을 검증하였다. 이러한 결과를 바탕으로 학사경고를 사전에 예측하고 예방․지원하는 방안을 제안하면 다음과 같다.
본 연구는 대학생의 성적과 학사경고를 예측하는 변인으로 결석 시간 수와 비교과 시스템 접속 횟수를 확인하였고, LMS 접속 횟수 또한 학생의 학사경고를 예측하는데 중요한 학교 참여도 변인임을 확인하였다. 기존 연구와 달리 본 연구는 비교과 시스템 접속의 유의미성을 확인하였고, 학생들의 오프라인 및 온라인 수업 출석 관리와 비교과 활동 제고의 중요성을 검증하였다.
후속연구
본 연구 결과를 바탕으로 여러 대학을 대상으로 연구를 확장할 필요가 있다. 그리고 대학의 특성에 따라 선행연구에서 제시하는 학사경고 영향 요인들 중 예측요인이 다르게 도출될 수 있으므로, 대학 특성별 예측요인의 차이를 비교하는 연구가 진행되어야 한다. 또한 학년, 성별, 단과대학에 따라 학사경고를 예측하는 변인이 유의하게 다른지에 대한 후속연구가 요청되는 바이다.
그리고 대학의 특성에 따라 선행연구에서 제시하는 학사경고 영향 요인들 중 예측요인이 다르게 도출될 수 있으므로, 대학 특성별 예측요인의 차이를 비교하는 연구가 진행되어야 한다. 또한 학년, 성별, 단과대학에 따라 학사경고를 예측하는 변인이 유의하게 다른지에 대한 후속연구가 요청되는 바이다.
본 연구는 1개의 종합대학 학생들을 대상으로 하였기에 일반화하는 데 제한이 따른다. 본 연구 결과를 바탕으로 여러 대학을 대상으로 연구를 확장할 필요가 있다. 그리고 대학의 특성에 따라 선행연구에서 제시하는 학사경고 영향 요인들 중 예측요인이 다르게 도출될 수 있으므로, 대학 특성별 예측요인의 차이를 비교하는 연구가 진행되어야 한다.
마지막으로 본 연구의 제한점과 후속연구에 대한 제안 점을 정리하면 다음과 같다. 본 연구는 1개의 종합대학 학생들을 대상으로 하였기에 일반화하는 데 제한이 따른다. 본 연구 결과를 바탕으로 여러 대학을 대상으로 연구를 확장할 필요가 있다.
셋째, 학기 초 학생들의 다양한 학교 참여도 변인을 통합적으로 수합하고 공유하는 시스템이 필요하다. 학기 시작 후 4주 이내 학생의 출석상황, LMS 접속 상황, 비교과 시스템 접속 상황을 각 학과의 지도교수가 확인할 수 있다면 학업 참여도가 적은 학생들에 대한 파악이 조기에 이루어질 수 있다.
참고문헌 (41)
I. Arcand, "Creating a relationship: the characteristics of a companioning relationship in the context of academic probation," International Journal of Humanities and Social Science, Vol.2, pp.38-49, 2012.
V. McGhie, "Entering university studies: identifying enabling factors for a successful transition from school to university," Higher Education, Vol.73, No.3, pp.407-422, 2017.
N. A. Bowman, N. Jang, D. M. Kivlighan, N. Schneider, and X. Ye, "The Impact of a Goal-Setting Intervention for Engineering Students on Academic Probation," Research in Higher Education, Vol.61, No.1, pp.142-166, 2020.
L. C. Hensley, C. A. Wolters, S. Won, and A. C. Brady, "Academic probation, time management, and time use in a college success course," Journal of College Reading and Learning, Vol.48, No.2, pp.105-123, 2018.
D. Morisano, J. B. Hirsh, J. B. Peterson, R. O. Pihl, and B. M. Shore, "Setting, elaborating, and reflecting on personal goals improves academic performance," Journal of applied psychology, Vol.95, No.2, pp.255-264, 2010.
김나미, 김효원, "대학중도탈락자 예방을 위한 동료 멘토링 활용 자기주도학습 프로그램의 개발 및 효과," 학습자중심교과교육연구, 제15권, 제12호, pp.875-900, 2015.
J. M. Lindo, N. J. Sanders, and P. Oreopoulos, "Abilty, gender, and performance standards: Evidence from academic probation," American Economic Journal: Aplied Economics, Vol.2, No.2, pp.95-17, 2010.
C. Wilkie and B. Redondo, "Predictors of academic success and failure of first-year college students," Journal of The First-Year Experience & Students in Transition, Vol.8, No.2, pp.17-32, 1996.
B. A. Friedman and R. G. Mandel, "Motivation predictors of college student academic performance and retention," Journal of College Student Retention: Research, Theory & Practice, Vol.13, No.1, pp.1-15, 2011.
C. Abele, B. Penprase, and R. Ternes, "A closer look at academic probation and attrition: What courses are predictive of nursing student success?," Nurse Education Today, Vol.33, No.3, pp.258-261, 2013.
N. Kondo, M. Okubo, and T. Hatanaka, "Early detection of at risk students using machine learning based on LMS log data," In 2017 6th IIAI International Congress on Advanced Applied Informatics(IIAI-AAI), pp.198-201, IEE, 2017.
이종연, 김복미, 장은주, "학사경고자 대학생을 위한 자기탐색 (Exploring Myself) 프로그램 개발," 상담학연구, 제14권, 제1호, pp.359-384, 2013.
이지은, 황현우, "대학생 학사경고자의 학업부진 유형 분류: 지방 사립 A 대학을 중심으로," 교육문화연구, 제24권, 제6호, pp.327-351, 2018.
권해수, "데이터마이닝을 활용한 학사경고 결정 요인 분석," 인간이해, 제37권, 제2호, pp.29-46, 2016.
유지원, "대학생의 비교과프로그램 참여 양상에 따른 유형화와 유형별 특성 및 학습성과 차이 분석:A대학 사례를 중심으로," 교육방법연구, 제33권, 제1호, pp.151-177, 2021.
J. You, "The relationship between participation in extracurricular activities, interaction, satisfaction with academic major, and career motivation," Journal of Career Development, Vol.47, No.4, pp.454-468, 2020.
A. F. Agudo Peregrina, A. Hernandez Garcia, and S. Iglesias Pradas, "Predicting academic performance with learning analytics in virtual learning environments: A comparative study of three interaction classifications," 2012 International Symposium on Computers in Education, pp.1-6, 2012.
김현철, "대학생의 학업성취(II)에 대한 새로운 예측변수의 탐색," 한국교육, 제25권, 제2호, pp.247-274, 2005.
이현진, "오토인코더에 기반한 딥러닝을 이용한 사이버대학교 학생의 학업 성취도 예측 분석 시스템 연구," 한국디지털콘텐츠학회 논문지, 제19권, 제6호, pp.1115-1121, 2018.
R. Moore, "Attendance and performance: How important is it for students to attend class?," Journal of college science teaching, vol.32, No.6, pp.367-371, 2003.
S. Pongpaichet, S. Jankapor, S. Janchai, and T. Tongsanit, "Early Detection At-Risk Students using Machine Learning," In 2020 International Conference on Information and Communication Technology Convergence (ICTC)(pp.283-287), IEEE, 2020.
양정모, "비교과 활동과 대학생활적응이 학업적 자기 효능감과 학업성취에 미치는 영향," 교양교육연구, 제13권, 제4호, pp.71-93, 2019.
이재학, 이희화, "전자출결 시스템의 문제점과 해결방안에 대한 연구-사용자 인식을 중심으로," 디지털융복합연구, 제17권, 제5호, pp.41-49, 2019.
R. Bakoban and S. Aljarallah, "Extracurricular activities and their effect on the student's grade point average: Statistical study," Educational Research and Reviews, Vol.10, No.20, pp.2737-2744, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.