현재 위치
Home
대학 중도탈락 예측을 위한 다양한 머신러닝 알고리즘의 성능비교 연구
Study of the Performance of Diverse Algorithms for Predicting University Student Dropout
-
- 발행기관
- 제주대학교 지능소프트웨어 교육연구소 바로가기
-
- 간행물
- 지능정보융합과 미래교육 KCI 등재후보 바로가기
-
- 통권
- 제4권 제17호 (2025.08)바로가기
-
- 페이지
- pp.1-7
-
- 저자
-
- 언어
- 한국어(KOR)
-
- URL
- https://www.earticle.net/Article/A470575
※ 기관로그인 시 무료 이용이 가능합니다.
4,000원
원문정보
초록
- 영어
- This study recognizes the importance of addressing the issue of college dropout due to the decline in the population of students with higher education and compares the performance of various machine learning algorithms for predicting student dropout. The data used in this study consists of information from 3,435 new students enrolled at H University, with 13 accumulated data features collected during their first semester. Using this data, seven binary classification models—K-Nearest Neighbors (KNN), Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine (SVM), and Neural Network—were evaluated in terms of their predictive performance. The experimental results show that the Random Forest model outperformed the other models in terms of prediction accuracy, followed by Decision Tree and SVM. In contrast, Logistic Regression and Gradient Boosting demonstrated relatively lower performance. This research contributes to the selection of the optimal model for predicting college dropout and suggests potential directions for future studies.
- 한국어
- 본 논문에서는 학령인구 감소에 따른 대학 중도탈락 문제의 중요성을 인식하고, 중도탈락 학생 예측을 위한 다양한 머신러닝 알고리즘 의 성능을 비교 분석하였다. 데이터의 수집은 H 대학 신입생 3,435명의 데이터를 활용하였으며, 신입생 입학 후 1학기 축적된 데이터 13개를 입력 특성으로 사용하였다. 이 데이터를 이용하여 KNN, Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, SVM, Neural Network 총 7가지 이진 분류 모델을 실제 대학 신입생 데이터를 활용하여 평가하였다. 실험 결과 Random Forest 모델이 가장 우수한 예측 성능을 보였으며, Decision Tree와 SVM이 뒤를 이었다. 반면, Logistic Regression과 Gradient Boosting은 상대적으로 낮은 성능을 나타냈다. 이 연구는 대학 중도탈락 예측을 위한 최적의 모델 선택에 기여하고, 향후 추가 연구 방 향을 제시한다.
목차
요약
ABSTRACT
Ⅰ. 서론
II. 성능비교대상 알고리즘
1. K-Nearest Neighbors
2. Logistic Regression
3. Decision Tree
4. Random Forest
5. Gradient Boosting
6. Support Vector Machine
7. Neural Network
III. 주요 성능 비교지표
1. 혼동 행렬 (Confusion Matrix)
2. 혼동행렬을 기반으로 계산되는 성능지표
IV. 실험결과 및 분석
1. 실험조건 및 알고리즘별 성능지표 결과
2. 각 모델별 성능 분석
V. 결론
참고문헌
키워드
대학 중도탈락 예측 머신러닝 인공지능 분류 알고리즘 성능 비교 University Student Dropout Prediction Machine Learning Artificial Intelligent Classification Algorithms Performance Comparison저자
간행물 정보
발행기관
-
- 발행기관명
- 제주대학교 지능소프트웨어 교육연구소 [Intelligent Software Education Research Institute]
- 설립연도
- 2022
- 분야
- 사회과학>교육학
- 소개
- 우리 연구소는 컴퓨터 과학 교육이 강조되는 세계적 흐름속에서 소프트웨어융합 인재 양성을 위한 교육 기반 구축을 위해 '지능소프트웨어교육센터'를 설립하여 운영하여 왔고, 이후 한국연구재단의 인문사회연구소지원사업에 선정되면서 2022년 3월, 우리나라 인공지능 교육의 거점 연구소로서 '지능소프트웨어교육연구소'로 새롭게 기관 명칭을 변경하고 전문 연구 기관으로서의 위상을 공고히 하였습니다. 우리 연구소는 설립된 이후부터 지금까지 인공지능을 중심으로 하는 지능정보시대를 열어갈 인공지능 컴퓨팅 융합 인재 양성을 위한 교육 기반 구축에 기여하고 있으며, 주요 연구 분야로는 지능정보사회에서 갖춰야할 디지털 소양으로써의 컴퓨팅 사고력 함양을 위한 소프트웨어와 인공지능 교육 연구, 유아부터 중장년층까지 평생교육차원의 인공지능 교육 연구, 지능정보격차 해소를 위한 정보배려계층 대상 인공지능 교육 연구, 윤리적으로 고려된 인공지능 교육으로 설계된 A!thics 교육 등의 인공지능 교육과 인공지능 기술과 응용 연구 등에 힘을 쏟고 있습니다. 또한 인문사회연구소 지원사업의 과제로 수준별 인공지능 컴퓨팅 교육을 위한 핵심 전략인 4P(Play, Problem solving, Product making, Project)전략에 기반하여 교육과정 개발과 컴퓨팅 사고력 함양을 위한 CT-EL(Computational Thinking-Experienced Learning) 기반 교수학습 방법 연구, 교재개발 등을 진행하고 있습니다. 앞으로 지능소프트웨어교육연구소는 제주 지역의 유관기관과 협력하여 제주의 미래를 이끌어갈 지능소프트웨어융합을 위한 지역 인재 양성 모델을 만드는데 앞장 서고, 더 나아가 우리나라의 인공지능 교육을 이끌어가는 우리나라 대표 연구 기관으로 자리매김할 수 있도록 최선을 다하겠습니다. 감사합니다.
간행물
-
- 간행물명
- 지능정보융합과 미래교육 [Intelligent Information Convergence and Future Education]
- 간기
- 부정기
- eISSN
- 2951-4762
- 수록기간
- 2022~2026
- 등재여부
- KCI 등재후보
- 십진분류
- KDC 370 DDC 370
이 권호 내 다른 논문 / 지능정보융합과 미래교육 제4권 제17호
피인용수 : 0건 (자료제공 : 네이버학술정보)
함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.
출처 : 네이버학술정보
0개의 논문이 장바구니에 담겼습니다.