Predicting Graduation in Undergraduate Medical Education: A Machine Learning Analysis Across Diverse High School Curricula

이 연구는 UAE 의과대학 학생들의 졸업 성적을 예측하기 위해 머신러닝을 활용한 결과, 고등학교 커리큘럼 유형보다는 의과대학 재학 중의 학업 성적이 졸업 성공을 예측하는 더 강력한 요인임을 밝혔습니다.

핵심

🏥 연구의 핵심: "의대 졸업 예측하기"

1. 연구의 배경: 다양한 배경을 가진 학생들
두바이에 있는 모하메드 빈 라시드 의과대학 (MBRU) 에는 전 세계 다양한 고등학교 과정을 졸업한 학생들이 모여 있습니다.

• 비유: 마치 다양한 국적과 요리 스타일을 가진 사람들이 한 식당에 모여 요리를 배우는 상황과 같습니다. 어떤 사람은 미국식 고등학교 (American Diploma), 어떤 사람은 영국식 (British), 어떤 사람은 국제 바칼로레아 (IB) 과정을 졸업했습니다.
• 질문: "과연 고등학교 때 어떤 과정을 졸업했는지가, 나중에 의대를 잘 졸업할지 예측하는 열쇠가 될까?"

2. 연구 방법: AI 가 예측 게임을 하다
연구진은 2016 년부터 2024 년까지 입학한 661 명의 학생 데이터를 모았습니다. 그리고 **인공지능 (머신러닝)**을 이용해 이 데이터를 분석했습니다.

• 비유: AI 는 마치 스마트한 코치처럼 작동했습니다. 과거의 학생들 (20162018 년 입학자) 데이터를 학습시켜 "어떤 특징을 가진 학생이 졸업할 확률이 높은가?"를 배운 뒤, 아직 졸업하지 않은 최신 학생들 (20192024 년 입학자) 에게 적용해 졸업 여부를 예측했습니다.
• 사용된 도구: 베이지안 네트워크, 신경망 등 다양한 AI 알고리즘을 사용했습니다.

3. 놀라운 결과: 고등학교 배경은 '부수적인' 요소였다
AI 가 분석한 결과, 가장 중요한 예측 요소는 **고등학교가 아니라, 의대에 들어와서 본인이 보여준 성적 (GPA)**이었습니다.

• 비유:
  • 고등학교 과정 (미국식, 영국식 등): 입문할 때 받은 **'초기 장비'**와 같습니다. 장비가 좋으면 시작은 수월할 수 있지만, 등산 (의대 과정) 을 끝까지 마치는지는 등산 중의 **실력 (의대 성적)**에 달려 있습니다.
  • 의대 성적 (Cumulative GPA): 등산 도중의 체력과 실력입니다. 이 요소가 졸업 여부를 결정하는 가장 강력한 '나침반'이었습니다.
  • 결론: "어떤 고등학교를 나왔느냐"보다 "의대에서 얼마나 열심히 공부했느냐"가 졸업 성공을 더 잘 예측했습니다.

4. 구체적인 숫자

• 성공률: AI 모델 (특히 베이지안 네트워크) 은 졸업 여부를 예측하는 데 **94% (AUC 0.94)**라는 매우 높은 정확도를 보여주었습니다.
• 예측: 아직 졸업하지 않은 494 명 중 약 269 명 (54.5%) 이 졸업할 가능성이 높다고 예측했습니다.

5. 연구의 의의와 제언
이 연구는 학교와 학생들에게 중요한 메시지를 줍니다.

• 학교에게: 입학 심사 때 고등학교 과정만 보고 학생을 판단하기보다, 의대 입학 후의 성적과 성장을 더 중시해야 합니다.
• 학생에게: 고등학교 때 어떤 과정을 선택했든 상관없습니다. 중요한 것은 의대에 들어와서 꾸준히 성적을 유지하는 것입니다.
• 지원의 필요성: 다양한 배경을 가진 학생들을 위해, 특히 초기에 어려움을 겪는 학생들에게 맞춤형 학습 지원을 해주는 것이 중요합니다.

💡 한 줄 요약

"고등학교 때 어떤 과정을 공부했는지는 중요하지 않습니다. 의대에 들어와서 얼마나 잘 공부했는지가 졸업의 열쇠입니다. AI 는 이 사실을 아주 정확하게 찾아냈습니다!"

이 연구는 데이터와 AI 를 통해 교육의 공정성을 높이고, 학생들에게 더 나은 지원을 할 수 있는 길을 제시했다는 점에서 매우 의미 있습니다.

기술 요약

논문 기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 아랍에미리트 (UAE), 특히 두바이는 다양한 고등학교 커리큘럼 (미국, 영국, IB, UAE 정부 학교 등 17 개 이상) 을 가진 학생들로 구성된 매우 다문화적인 교육 환경을 가지고 있습니다.
• 문제: 의과대학 입학 시 고등학교 커리큘럼 유형이 장기적인 학업 성취도 (졸업 여부) 를 예측하는 강력한 지표인지에 대한 실증적 증거가 부족합니다. 기존 연구들은 주로 GPA 나 표준화 시험 점수에 집중했으나, 다양한 교육 시스템의 차이 (비판적 사고, 문제 해결 능력 등) 가 의과 교육 성공에 미치는 영향을 포괄적으로 분석한 연구는 드뭅니다.
• 목표: 고등학교 커리큘럼 유형과 기타 학업 변수가 의과대학 졸업 성공을 예측하는 데 얼마나 유효한지 머신러닝을 통해 평가하고, 학생 선발 정책 및 학업 지원 전략에 대한 데이터 기반 통찰력을 제공하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: Mohammed Bin Rashid University of Medicine and Health Sciences (MBRU) 에서 2016 년 (설립) 부터 2024 년까지 입학한 학부 의과 학생들을 대상으로 한 **후향적 코호트 연구 (Retrospective Cohort Study)**입니다.
• 데이터셋:
  • 총 6,784 건의 지원자 중 최종적으로 661 명의 등록 학생 데이터를 분석 대상으로 사용했습니다.
  • 데이터는 훈련 세트 (Training Set): 20162018 년 입학하여 이미 졸업한 167 명, 예측 세트 (Prediction Set): 20192024 년 입학하여 아직 졸업하지 않은 494 명으로 분할되었습니다.
• 변수 (Features):
  • 독립 변수: 성별, 고등학교 커리큘럼 유형, 국적, 입학 연도, MMI(다중 미니 인터뷰) 점수, 학기별 GPA, 연간 GPA, 누적 GPA(Cumulative GPA).
  • 종속 변수 (Target): 졸업 여부 (이진 분류: 졸업함/졸업하지 않음).
• 모델링 기법:
  • 도구: IBM SPSS Modeler (Auto-classifier 모드 사용) 및 Python (검증용).
  • 알고리즘: 14 가지 분류 알고리즘 중 5 가지 주요 모델을 비교 분석했습니다.
    • 베이지안 네트워크 (Bayesian Network, BN)
    • 신경망 (Neural Network, NN)
    • 카이제곱 자동 상호작용 탐지 (CHAID)
    • 로지스틱 회귀 (Logistic Regression, LR)
    • 판별 분석 (Discriminant Analysis, D)
• 평가 지표: 정확도 (Accuracy), 민감도 (Sensitivity), 특이도 (Specificity), 양/음성 예측도 (PPV/NPV), 그리고 ROC 곡선 아래 면적 (AUC).

3. 주요 기여 (Key Contributions)

• 커리큘럼 다양성 분석: UAE 내 의과대학 학생들의 고등학교 배경이 매우 다양함 (미국 48.1%, 영국 22.7%, IB 11.5% 등) 을 정량적으로 규명했습니다.
• 예측 모델 최적화: 다양한 머신러닝 알고리즘을 적용하여 의대 졸업 성공을 예측하는 최적의 모델을 도출했습니다.
• 예측 변수의 우선순위 재정의: 고등학교 커리큘럼 유형보다는 **의과대학 내에서의 학업 성취도 (누적 GPA)**가 졸업 여부를 결정하는 훨씬 더 강력한 예측 변수임을 입증했습니다.
• 정책적 시사점: 단순한 입학 전 기준 (고등학교 커리큘럼) 에 의존하기보다, 입학 후 지속적인 학업 모니터링과 맞춤형 지원의 중요성을 강조했습니다.

4. 연구 결과 (Results)

• 모델 성능:
  • **베이지안 네트워크 (BN)**가 가장 높은 예측 성능을 보였습니다.
  • AUC (Area Under Curve): BN 과 로지스틱 회귀 (LR) 모두 0.94로 매우 높은 성능을 기록했습니다. CHAID 모델은 0.92 를 기록했습니다.
  • 정확도: BN 모델은 91.018% 의 정확도를 보였으며, 민감도 (Sensitivity) 0.98, 특이도 (Specificity) 0.71 을 기록했습니다.
• 예측 변수 중요도 (Feature Importance):
  • 가장 중요한 변수: **누적 GPA (Cumulative GPA)**가 모든 모델에서 졸업 성공의 가장 강력한 예측 인자로 나타났습니다.
  • 부차적 변수: 고등학교 커리큘럼 유형, 성별, MMI 점수 등은 상대적으로 예측력이 낮았습니다. 특히 커리큘럼 유형은 단독으로는 졸업 성공을 예측하는 강력한 지표가 아니었습니다.
• 예측 결과: 2019~2024 년 코호트 (494 명) 에 대한 예측에서 모델은 269 명 (54.5%) 을 졸업 가능성이 높다고, 225 명 (45.5%) 을 졸업 가능성이 낮다고 분류했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 교육 정책: 의과대학 입학 시 고등학교 커리큘럼 유형을 과도하게 강조하기보다, 입학 후 학생들의 학업 수행 능력 (GPA) 을 지속적으로 모니터링하고 지원해야 함을 시사합니다.
• 학생 지원: 다양한 교육 배경을 가진 학생들을 위해 표적화된 학업 지원 프로그램 (Targeted Support) 이 필요하며, 머신러닝 기반 예측 모델을 통해 조기 개입 (Early Intervention) 이 가능합니다.
• 한계점 및 향후 과제: 단일 기관 (MBRU) 데이터 기반이므로 외부 검증 (다른 의과대학 데이터) 이 필요하며, 동기부여, 심리적 안녕, 사회경제적 요인 등 비학업적 변수를 포함한 향후 연구가 요구됩니다.
• 종합: 본 연구는 데이터 기반 의사결정이 교육 정책 및 학생 성공 전략 수립에 어떻게 기여할 수 있는지를 보여주며, 특히 다문화적 교육 환경에서의 예측 모델링의 유효성을 입증했습니다.