KCI등재
머신러닝을 활용한 대학생 핵심역량 지표 예측 모형 개발연구 = Development of a predictive model for university students’ core competency index using machine learning: Focusing on D University
저자
발행기관
학술지명
학습자중심교과교육연구(The Journal of Learner-Centered Curriculum and Instruction)
권호사항
발행연도
2022
작성언어
-주제어
KDC
373
등재정보
KCI등재
자료형태
학술저널
수록면
831-849(19쪽)
DOI식별코드
제공처
목적 본 연구는 대학 교육의 대표적인 교육성과지표인 대학생의 핵심역량을 예측하여 핵심역량 기반 교육과정 개발 및 운영에 대한 시사점을 제시하기 위한 목적으로 수행되었다.
방법 분석 대상은 부산권 소재 D대학교 재학생의 지난 3년간(2019년~2021년)의 핵심역량진단조사(D-CODA) 결과 패널 데이터이며, 핵심역량을 예측하기 위하여 머신러닝 예측모형인 다중선형회귀분석(LR), 랜덤포레스트(RF), 서포트벡터머신(SVM)을 활용하였다.
결과 연구결과는 다음과 같이 도출되었다. 첫째, 각 핵심역량의 최적 예측 모형은 다음과 같다. 전문성역량은 RF(랜덤포레스트)모형으로 나타났으며 인성역량은 SVM(서포트 백터머신)으로, 창의역량은 RF(랜덤포레스트)모형으로 나타났다. 도전역량과 글로컬역량은 SVM(서포트 백터머신)모형이, 소통역량은 LR(다중선형회귀분석) 모형으로 나타났다. 둘째, 머신러닝 학습을 통한 각 핵심역량 예측에 영향력이 높은 역량을 분석한 결과, 전문성 역량 예측에는 전문성역량이, 인성역량 예측이 있어서는 인성역량과 소통역량이 함께 기여하는 것으로 나타났다. 창의역량을 예측하는데 창의역량지표와 전문성역량지표로 나타났다. 이는 창의역량을 예측하는 데 있어 창의성 뿐만 아니라 전문성 역량도 영향을 미치고 있음을 나타낸다. 도전역량에 가장 높은 기여도를 보인 것은 도전역량지표로 나타났으며. 글로컬역량을 예측하는 데 있어 글로컬역량지표가 가장 높은 기여도를 보였으며, 소통역량을 예측하는데 가장 영향을 높게 미친 것은 소통역량지표와 인성역량지표로로 나타났다. 셋째, 전체 핵심역량 지표를 예측하기 위한 모형 분석에서 최적의 예측모형은 가장 오차가 적은 RF(랜덤포레스트)모형으로 나타났다. 넷째, 2022년 핵심역량지표 예측에서 전문성, 인성, 창의성, 도전 역량은 2021년 대비 향상될 것으로 예측되었고, 글로컬 및 소통역량은 2021년도와 같을 것으로 예측되었다. 또한, 예측된 역량의 성별차이가 있는 것으로 나타났다.
결론 본 연구를 통하여 축적된 핵심역량 데이터와 머신러닝을 활용한 분석이 대학생의 핵심역량을 예측하고 분별하는 데 유용함을 밝혀내었다. 본 연구 결과를 바탕으로 대학 차원에서의 주기적인 핵심역량 지표 관리의 중요성을 제시하고, 교과 및 비교과 과정에 핵심역량 기반 교육과정 설계의 근거를 제시하였다는 점에서 그 의의가 있다.
Objectives The purpose of this study was to present implications for the development and operation of the core competency-based curriculum by predicting the core competency of college students.
Methods The panel data of the D-CODA result panel data for the past 3 years (2019-2021) of D-University students located in the Busan area were analyzed. Machine learning prediction models such as multiple linear regression analysis (LR), random forest (RF), and support vector machine (SVM), were used to predict core competencies.
Results The following research results were derived from the study. First, the optimal prediction model for each core competency is as follows. Professional competency was shown in the RF (random forest) model, personality competency in SVM (support vector machine), creative competency in the RF (random forest) model, challenge competency and glocal (global and local) competency in the SVM (support vector machine) model, and communication competency in the LR (multi-linear regression analysis) model. Second, in the analysis of competencies, it was found that professional competency contributes to the prediction of professional competency, and both personality competency and communication competency to that of personality competency. Third, in the model analysis to predict the overall core competency index, the optimal predictive model was found to be the RF (random forest) model which showed the least error. Fourth, in the prediction of key competency indicators in 2022, it is predicted that expertise, personality, creativity, and challenging competency will improve.
Conclusions This study revealed that the analysis using accumulated core competency data and machine learning is useful in predicting and discriminating the core competency of college students. This study is meaningful in that it suggests the importance of periodic core competency index management at the university level and provides the basis for designing a core competency-based curriculum.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)