Earticle

초록

영어

This study compared eight machine learning models to classify English academic underachievement and examined whether a reduced-feature model could retain useful predictive performance. Using secondary self-reported survey data from 728 Korean high school students, the study analyzed 23 predictors across biological, sociocultural, cognitive, and non-cognitive domains. Under a rigorous validation framework involving a 70:30 train-test split, training-only ADASYN, and 10-fold stratified cross-validation, Logistic Regression showed the most favorable overall balance of performance. Grouped permutation importance identified region, self-regulatory efficacy, task-difficulty efficacy, interest in English, total years of English learning, English self-confidence, performance-approach goal, private tutoring experience, cognitive strategy, and compensation strategy as the top 10 predictor groups, although their stability varied. Under nested cross-validation, a reduced Logistic Regression model based on these feature groups performed slightly below the full model across all indices, though the differences were modest, suggesting that most of the full model’s predictive performance was retained with fewer than half of the predictor groups. The findings indicate that classification-oriented prediction has moderate but meaningful utility for identifying students at risk of English academic underachievement and that reduced-feature models may remain a practical option for screening-oriented educational applications by substantially reducing data collection burden.

한국어

본 연구는 영어 학업 저성취자를 분류하기 위한 8가지 머신러닝 모델을 비교하고, 축소 모델이 유의미한 예측 성능을 유지할 수 있는지 검토하였다. 이를 위해 한국 고등학생 728명을 대상으로 자기보고식 설문을 통해 2017년도에 수집된 이차 데이터가 활용되었으며, 생물학적, 사회문화적, 인지적, 비인지적 영역에 걸친 23개의 예측 변수가 모형 검증에 활용되었다. 모형 검증은 70:30 훈련 및 검증 데이터 분할, 훈련 데이터에만 적용된 ADASYN 기법, 그리고 10겹 층화 교차검증으로 구성된 엄격한 검증 체계 하에서 실시되었다. 그 결과, 로지스틱 회귀 모델이 가장 균형적인 분류 성능을 보이는 것으로 나타났다. 집단 순열 중요도 분석 결과, 거주 지역, 자기조절 효능감, 과제난이도 효능감, 영어 흥미, 영어 학습 총 기간, 영어 자신감, 수행접근 목표, 사교육 경험, 인지 전략, 보완 전략이 상위 10개의 중요 핵심 예측 변수로 확인되었으나, 변수별 안정성에는 차이가 확인되었다. 상위 10개 변수를 기반으로 구성한 축소 로지스틱 회귀 모델은 중첩 교차검증에서 전체 모델보다 모든 지표에서 다소 낮은 성능을 보였으나, 그 차이는 크지 않아, 예측 변수군의 절반 이하만으로 전체 모델 성능의 상당 부분을 유지하는 것으로 나타났다. 이러한 결과는 분류 기반 예측이 영어 학업 부진 위험 학생을 식별하는 데 있어 중간 수준이지만 의미 있는 유용성을 지님을 시사하며, 축소 모델이 자료 수집 부담을 크게 줄이면서도 선별 목적의 교육적 활용에 실용적인 선택지가 될 수 있음을 시사한다.

목차

Abstract
Introduction
Theoretical Background
Multidomain Predictors of Academic Achievement and Their Relevance to English Academic Achievement
Classification-Oriented Machine Learning Approaches to Academic Achievement Prediction
Methods
Data Sour
Feature Characteristics
English Achievement Classification Modeling Procedure
Results
Model Comparison for English Academic Achievement Classification
Top 10 Features of English Academic Achievement
Performance of the Reduced LR Model
Discussion
Conclusion
Acknowledgments
The Authors
References

키워드

저자

• Hee-Kyung Lee [ Yonsei University ]
• Myunghwan Hwang [ Soonchunhyang University ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of AsiaTEFL

• 간기

  계간

• pISSN

  1738-3102

• eISSN

  2466-1511

• 수록기간

  2004~2026

• 등재여부

  SCOPUS,KCI 등재

• 십진분류

  KDC 740 DDC 420