Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
이 연구는 머신러닝 모델, 특히 서포트 벡터 머신(Support Vector Machines)이 1학기 GPA 및 재수강 과목과 같은 일상적인 기록을 활용하여 낭마디 아지키웨 대학교(Nnamdi Azikiwe University)의 학부생 학업 위험을 효과적으로 예측할 수 있음을 입증하며, 이를 통해 위험군 학생들을 위한 적시 개입을 가능하게 한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
오늘날 대학들은 전례 없이 많은 학생을 교육하고 있지만, 정작 특정 학생이 어려움을 겪기 시작할 때 이를 알아차릴 시간이나 도구가 부족하다는 조용하지만 커지는 과제에 직면해 있습니다. 과거에는 교육자가 낙제 점수나 시험 미응시를 보고 나서야 학생이 문제가 생겼음을 깨닫곤 했지만, 그때가 되면 학습의 격차는 이미 쉽게 메우기 어려울 정도로 벌어진 후인 경우가 많았습니다. 이를 해결하기 위해 연구자들은 머신러닝이라 불리는 분야에 주목하고 있는데, 이는 본질적으로 컴퓨터가 인간이 작성한 엄격한 규칙을 따르는 대신 데이터의 패턴으로부터 학습하는 방식입니다. 이러한 시스템에 학생의 성적, 출석률, 배경 등의 과거 기록을 입력함으로써, 컴퓨터는 학업 실패 이전에 나타나는 미묘한 징후들을 포착하는 법을 배울 수 있습니다. 목표는 알고리즘으로 교사를 대체하는 것이 아니라, 교사들에게 '조기 경보 시스템'을 제공하는 것입니다. 즉, 학생들이 뒤처지기 전에 도움이 필요한 학생이 누구인지 파악하여, 학생의 전체 학업 궤도를 바꿀 수 있는 적시의 지원을 가능하게 하는 것입니다.
나이지리아의 남디 아지키웨 대학교(Nnamri Azikiwe University)에서 한 연구팀은 이러한 접근 방식이 자신들의 구체적인 환경에서도 작동할 수 있는지 테스트하기로 했습니다. 그들은 입학 시험 점수, 1학기 성적, 강의 출석 횟수, 지속적 평가 점수, 심지어 과거에 과목을 낙제한 적이 있는지 여부 등 광범위한 세부 사항을 포함하여 400명의 학부생의 학업 기록을 수집했습니다. 그런 다음 연구진은 네 가지 서로 다른 컴퓨터 모델에게 이 정보를 분석하여 어떤 학생이 부진한 학업 성과를 보일 위험이 있는지 예측하도록 요청했습니다. 그들은 "위험군"을 특정 기준 미달의 성적을 받은 학생들로 정의하여, 잘하고 있는 그룹과 어려움을 겪고 있는 그룹의 두 집단으로 효과적으로 나누었습니다. 연구팀은 학기 초에 가용한 데이터만을 사용하여 컴퓨터가 어려움을 겪는 그룹을 조기에 식별할 수 있는지, 그리고 어떤 구체적인 요인들이 문제의 가장 강력한 지표가 되는지를 확인하고자 했습니다.
결과는 성공적인 학생과 위험에 처한 학생을 구분 짓는 명확한 그림을 보여주었습니다. 연구 대상인 400명의 학생 중 거의 4명 중 1명이 위험군으로 분류되었습니다. 연구진이 데이터를 면밀히 살펴보았을 때, 어려움을 겪는 학생들은 매우 구체적인 프로필을 공유하고 있었습니다. 그들은 낮은 입학 시험 점수로 대학에 입학했지만, 더 중요한 것은 1학기 동안의 성적이 향후 어려움을 예고하는 훨씬 더 강력한 신호였다는 점입니다. 가장 강력한 예측 변수는 1학기 평점(GPA)이었습니다. 위험군 학생들의 평균 점수는 2.43이었던 반면, 잘하고 있는 학생들의 평균은 3.24였습니다. '캐리오버(carryover)'라고 불리는 이전 낙제 과목 수는 두 번째로 중요한 요인이었습니다. 위험군 학생들은 평균 2.5개의 과목을 낙제한 반면, 동료 학생들은 평균 1개에 불과했습니다. 지속적 평가 점수와 강의 출석률 같은 다른 요인들도 역할을 했습니다. 어려움을 겪는 학생들은 수업 참여도가 낮고 진행 중인 테스트 점수도 낮았습니다. 흥lik하게도, 데이터는 학생의 성별이나 입학 방식이 누가 어려움을 겪을지 예측하는 데 도움이 되지 않음을 보여주었으며, 이는 이 환경에서는 인구통계학적 배경보다 학업적 행동이 훨씬 더 중요하다는 것을 시사합니다.
최적의 예측 방법을 찾기 위해 연구진은 문제를 각기 다른 방식으로 접근하는 네 가지 서로 다른 머신러닝 기법을 비교했습니다. '디시전 포레스트(decision forest)'라 불리는 한 방법은 많은 단순한 결정 트리들을 구축하여 집단적인 추측을 내놓습니다. '서포트 벡터 머신(support vector machine)'으로 알려진 또 다른 방법은 어려움을 겪는 학생과 성공적인 학생을 분리하는 복잡한 선을 그리려고 시도합니다. 모델들이 한 번도 본 적 없는 새로운 데이터로 테스트되었을 때, 결과는 놀라웠습니다. 초기 훈련 단계에서 가장 성능이 좋았던 모델이 새로운 학생들을 마주했을 때는 그만큼 잘 버티지 못했습니다. 대신, 서포트 벡터 머신과 '로지스틱 회귀(logistic regression)'라는 방법이 가장 신뢰할 만한 것으로 나타났습니다. 서포트 벡터 머신은 테스트 그룹 내 어려움을 겪는 학생 20명 중 16명을 정확히 식별하여 단 4명만을 놓쳤으며, 동시에 실제로는 잘하고 있음에도 어려움을 겪는 것으로 잘못 분류된 학생(오경보)의 수도 비교적 낮게 유지했습니다. 컴퓨터 모델은 높은 정확도로 두 집단을 구분해 냈으며, 이는 데이터의 패턴이 실재하며 일관적임을 증명했습니다.
연구는 또한 모델이 왜 그러한 결정을 내렸는지에 대해 깊이 조사하여, 결과가 단순히 통계적인 속임수가 아니라 실제 교육 역동성을 반영하는지 확인했습니다. 분석 결과, 학생이 어디서 시작했느냐보다 1학기 동안 무엇을 하느냐가 훨씬 더 결정적이라는 사실이 확인되었습니다. 입학 시험 점수도 중요했지만, 그것은 학생이 실제로 강의실에서 어떻게 수행하느냐에 의해 압도되었습니다. 컴퓨터는 낮은 평점, 많은 낙제 과목 수, 그리고 낮은 출석률이 학생이 어려움에 처했다는 가장 강력한 신호임을 학습했습니다. 이는 학습이 능동적인 과정이라는 생각과 일치합니다. 즉, 학습에 참여하지 않거나, 수업에 빠지거나, 초기에 내용을 파악하지 못하는 학생들이 가장 도움이 필요한 사람들입니다. 연구진은 모델이 이러한 패턴을 포착하는 데 매우 효과적이지만, 이는 인간의 판단을 대체하는 것이 아니라 보조하는 도구로 간주되어야 한다고 언급했습니다. 컴퓨터는 주의가 필요한 학생을 표시할 수 있지만, 그 뒤를 따르는 이해와 지원을 제공해야 하는 것은 대학의 상담사와 교사들입니다.
궁극적으로 이 연구는 대학이 이미 수집하고 있는 데이터를 활용하여 학생들을 위한 안전망을 구축할 수 있음을 보여줍니다. 1학기 성적과 강의 출석률 같은 조기 지표에 집중함으로써, 기관들은 학생들이 기말고사에 낙제하기 훨씬 전부터 어려움을 겪을 가능성이 높은 학생들을 식별할 수 있습니다. 이 연구는 남디 아지키웨 대학교와 같은 다른 대학들도 학업 상담을 안내하기 위해 이러한 조기 경보 시스템을 구현할 수 있음을 시사합니다. 위기가 닥칠 때까지 기다리는 대신, 데이터가 학생이 경로에서 벗어나고 있음을 보여주는 즉시 직원들이 도움을 줄 수 있습니다. 이 연구 결과는 실질적인 길을 제시합니다. 즉, 기록의 패턴을 활용하여 적시에 개입을 유도함으로써, 도움이 가장 절실한 학생들이 학업적 어려움이 극복 불가능해지기 전에 도움을 받을 수 있도록 하는 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.