[논문]대학생 중도탈락 예방을 위한 기계 학습 기반 추천 시스템 구현 방안

정도헌

doi:10.15207/jkcs.2021.12.10.037

초록
AI-Helper

본 연구는 대학생의 중도탈락 패턴을 식별하는 효과적인 자동 분류 기법을 제안하고, 이를 바탕으로 중도탈락을 예방하기 위한 지능형 추천 시스템의 구현 방안을 제시하는 것을 목표로 한다. 이를 위해 1) 실제 대학생의 재학/제적 데이터를 기반으로 기계 학습의 성능을 향상시킬 수 있는 데이터 처리 방안을 제안하고, 2) 5종의 기계학습 알고리즘을 이용하여 성능 비교 실험을 실시하였다. 3) 실험 결과, 제안 기법이 베이스라인에 비해 모든 알고리즘에서 우수한 성능을 보여주었다. 제적생의 식별 정확률(precision)은 랜덤 포레스트(Random Forest)를 사용할 때 최대 95.6%, 제적생의 재현율(recall)은 나이브 베이즈(Naive Bayes)를 사용할 때 최대 80.0%로 측정되었다. 4) 마지막으로, 실험 결과를 바탕으로 중도탈락 가능성이 높은 학생을 우선 상담하는 추천 시스템의 활용 방안을 제시하였다. 교육 현안 문제를 해결하기 위해 IT 분야의 기술을 활용하는 융합 연구를 통해 합리적인 의사결정을 수행할 수 있음을 확인하였으며 향후 지속적인 연구를 통해 다양한 인공지능 기술을 적용하고자 한다.

Abstract ▼ AI-Helper

This study proposed an effective automatic classification technique to identify dropout patterns of university students, and based on this, an intelligent recommender system to prevent dropouts. To this end, 1) a data processing method to improve the performance of machine learning was proposed base...

This study proposed an effective automatic classification technique to identify dropout patterns of university students, and based on this, an intelligent recommender system to prevent dropouts. To this end, 1) a data processing method to improve the performance of machine learning was proposed based on actual enrollment/dropout data of university students, and 2) performance comparison experiments were conducted using five types of machine learning algorithms. 3) As a result of the experiment, the proposed method showed superior performance in all algorithms compared to the baseline method. The precision rate of discrimination of enrolled students was measured to be up to 95.6% when using a Random Forest(RF), and the recall rate of dropout students was measured to be up to 80.0% when using Naive Bayes(NB). 4) Finally, based on the experimental results, a method for using a counseling recommender system to give priority to students who are likely to drop out was suggested. It was confirmed that reasonable decision-making can be conducted through convergence research that utilizes technologies in the IT field to solve the educational issues, and we plan to apply various artificial intelligence technologies through continuous research in the future.

주제어

표/그림 (11)

표 Table 1. Main fields of database
그림 Fig. 1. Overall process
표 Table 2. Quartile conversion of continuous variables
표 Table 3. Example of hierarchical data structure
표 Table 4. Korean NLP-based noun phrases generation
표 Table 5. 2x2 contingency table
그림 Fig. 2. F1 scores of "overall" data (comparison between baseline and proposed method)
그림 Fig. 3. F1 scores of "dropouts" data (comparison between baseline and proposed method)
표 Table 6. Performance comparisons of overall experiment
그림 Fig. 4. Comparison between precision and recall rates of "dropouts" data (under the proposed method)
그림 Fig. 5. Strategic utilization of machine learning-based data analytics system

참고문헌 (15)

J. Y. Chung, M. Sun & M. J. Jeong. (2015). An Analysis of Institutional Factors Affecting on College Dropout Rates. Asian Journal of Education, 16(4), 57-76. URI : https://hdl.handle.net/10371/95751

상세보기
D. H. Jeong & J. Y. Park. (2021). Data Analysis of Dropouts of College Students Using Topic Modeling. Journal of the Korea Institute of Information and Communication Engineering, 25(1), 88-95. DOI : 10.6109/jkiice.2021.25.1.88

원문보기 상세보기
P. Perchinunno, M. Bilancia, & D. Vitale. (2021). A Statistical Analysis of Factors Affecting Higher Education Dropouts. Social Indicators Research, 156, 341-362. DOI : 10.1007/s11205-019-02249-y

상세보기
M. Kang, E. Lee & E. Lee. (2019). Trends and influencing factors of college student's dropout intention. In Forum for Youth Culture, 58, 5-30. DOI : 10.17854/ffyc.2019.04.58.5
C. Park. (2020). Development of Prediction Model to Improve Dropout of Cyber University. Journal of the Korea Academia-Industrial Cooperation Society, 21(7), 380-390. DOI : 10.5762/KAIS.2020.21.7.380

원문보기 상세보기
E. J. Lee, Y. Song, J. H. Kim & S. H. Oh. (2020). An Exploratory Study on Determinants Predicting the Dropout Rate of 4-year Universities Using Random Forest: Focusing on the Institutional Level Factors. Journal of Educational Technology, 36(1), 191-219.

상세보기
H. J. Kim, H. S. Lee, B. J. Choi, & Y. H. Kim. (2019). Machine Learning-based Quality Control and Error Correction Using Homogeneous Temporal Data Collected by IoT Sensors. Journal of the Korea Convergence Society, 10(4), 17-23. DOI : 10.15207/JKCS.2019.10.4.017

원문보기 상세보기
D. H. Jeong. (2017). Prescriptive analytics system design fusing automatic classification method and intellectual structure analysis method. Journal of the Korean Society for information Management, 34(4), 33-57. DOI : 10.3743/KOSIM.2017.34.4.033

원문보기 상세보기
S. Zhang, L. Yao, A. Sun, & Y. Tay. (2019). Deep Learning Based Recommender System: A Survey and New Perspectives. ACM Computing Surveys, 52(1), 1-38. DOI : 10.1145/3285029

상세보기
K. Lepenioti, A. Bousdekis, D. Apostolou, & G. Mentzas. (2020). Prescriptive analytics: Literature review and research challengesInternational. Journal of Information Management, 50, 57-70. DOI : 10.1016/j.ijinfomgt.2019.04.003.

상세보기
S. Goswami & A. Chakrabarti. (2012). Quartile Clustering: A quartile based technique for Generating Meaningful Clusters. Journal of Computing, 4(2), 48-55. arXiv: 1203.4157
R. Bai, X. Wang, & J. Liao. (2010). Extract Semantic Information from WordNet to Improve Text Classification Performance. AST 2010, ACN 2010: Advances in Computer Science and Information Technology. 409-420 DOI : 10.1007/978-3-642-13577-4_36

상세보기
A. Kehagias, V. Petridis, V. G. Kaburlasos, & P. Fragkou. (2003). A Comparison of Word- and Sense-Based Text Categorization Using Several Classification Algorithms. Journal of Intelligent Information Systems, 21, 227-247. DOI : 10.1023/A:1025554732352

상세보기
A. Stavrianou, C. Brun, T. Silander, & C. Roux. (2014). NLP-based feature extraction for automated tweet classification. Proceedings of the 1st International Conference on Interactions between Data Mining and Natural Language Processing, 1202, 145-146. https://aclanthology.org/2020.nlpcovid19-acl.17.pdf
D. H. Jeong. (2019). Enhancing Classification Performance of Temporal Keyword Data by Using Moving Average-based Dynamic Time Warping Method. Journal of the Korean Society for information Management, 36(4), 83-105. DOI : 10.3743/KOSIM.2019.36.4.083

원문보기 상세보기

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

대학생 중도탈락 예방을 위한 기계 학습 기반 추천 시스템 구현 방안
Implementation of a Machine Learning-based Recommender System for Preventing the University Students' Dropout 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

대학생 중도탈락 예방을 위한 기계 학습 기반 추천 시스템 구현 방안 Implementation of a Machine Learning-based Recommender System for Preventing the University Students' Dropout 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

정도헌 (8)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

대학생 중도탈락 예방을 위한 기계 학습 기반 추천 시스템 구현 방안
Implementation of a Machine Learning-based Recommender System for Preventing the University Students' Dropout 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)