머신러닝을 통한 전국 시군구별 평균 초등학교 총 학급수 예측 = Prediction of the Average Number of Classes in Elementary Schools by City, County, and District Nationwide through Machine Learning
저자
발행사항
인천 : 경인교육대학교 교육전문대학원, 2024
학위논문사항
학위논문(석사)-- 경인교육대학교 교육전문대학원 : AI교육 AI교육 2024. 2
발행연도
2024
작성언어
한국어
주제어
발행국(도시)
인천
형태사항
66 ; 26 cm
일반주기명
지도교수: 허경
UCI식별코드
I804:41085-200000738711
소장기관
This study aimed to predict the average number of classes in elementary schools belonging to cities, counties, and districts nationwide every five years from 2025 to 2070. To this end, based on training data related to elementary schools in 229 cities and counties nationwide in 2022, a model was created to predict the average number of classes in elementary schools in cities and counties nationwide. As the data prediction scenario used in this study, 5 explanatory variables and 1 objective variable are as follows.
The explanatory variables used are divided into two types. First, explanatory variables that reflect the characteristics of the relationship between the population of the city, county and district and its elementary school were used. The explanatory variables used here are "average distance between the city and county district offices and their elementary schools" and "total number of populations by city, county and district". Second, explanatory variables that reflect the characteristics of each elementary school belonging to the city, county, and district were used. The explanatory variables used here are "number of elementary schools by city, county, and district," "average number of students per class at elementary schools belonging to the city, county, and district." The objective variable used in this model is 'the average total number of classes in elementary schools belonging to the city, county, and district'.
Five explanatory variables and one objective variable training data defined as above were prepared by collecting, preprocessing, and processing elementary school-related data belonging to 229 cities, counties, and districts nationwide in 2022. And learning of the machine learning model was completed from this 229 training data set. Since this study aims to predict the average number of classes in elementary schools in cities, counties, and districts nationwide every five years from 2025 to 2070, the population decline rate was derived every five years from 2025 to 2070. In addition, test data sets for 229 cities, counties, and districts were prepared every five years from 2025 to 2070. The test data set for the year is 229 municipalities with five explanatory variable items. Here, the explanatory variable data for the "average distance between the city and county office and its elementary school" and the "average school district area of elementary schools belonging to the city and county" were fixed regardless of the year. Among the explanatory variables, the population decline rate for the year compared to 2022 was applied to the "total population by city, county, and district", the "number of elementary schools by city, county, and district", and the "average number of students per class in elementary schools belonging to the city, county, and district".
As above, test data prepared every five years from 2025 to 2070 were entered into the model to predict the average number of classes in 229 elementary schools nationwide every five years from 2025 to 2070. From the prediction results presented in this study, first, the average number of classes in elementary schools belonging to cities, counties, and districts nationwide can be confirmed. Second, it is possible to compare the difference in the total number of classes in elementary schools by region. Third, it is possible to look at the change in the total number of classes every five years from 2025 to 2070. First of all, it was observed that the average number of classes in elementary schools in 229 cities, counties, and districts nationwide decreased gradually by 2045, but decreased sharply from 2050 to 2070. Second, a similarity was observed between the annual population decline rate and the average total number of classes in elementary schools nationwide compared to 2022 calculated nationwide.
By 2070, the total number of classes in various regions was predicted to decrease from the average change in the number of classes in elementary schools belonging to cities, counties, and districts nationwide. From these prediction results, the following suggestions are made. First, a larger number of elementary school teachers are needed than elementary school faculty personnel policies determined based on the total number of classes. In other words, policies such as elementary school faculty personnel should be changed to reflect the decrease in the number of classes. Second, as the total number of elementary school classes nationwide decreases sharply after 2050, the educational environment of elementary schools nationwide changes rapidly. Since the decline in the total number of classes in elementary schools, which is predicted to change this, is similar to the annual population decline rate, policies to prevent population decline in Korea are urgently needed.
Keywords: Machine learning, Supervised learning model, Total number of classes in elementary school, Population decline, Prediction
본 연구는 2025년부터 2070년까지 5년마다 전국 시군구 소속 초등학교 평균 총 학급수를 예측하는 것을 목표로 하였다. 이를 위해, 2022년도 전국 229개 시군구 소속 초등학교 관련 훈련데이터를 바탕으로 전국 시군구 소속 초등학교 평균 총 학급수를 예측하는 모델을 만들었다. 본 연구에서 사용된 데이터 예측 시나리오로서, 5개의 설명변수와 1개의 목적변수는 다음과 같다.
사용된 설명변수는 두 종류로 나뉜다. 첫 번째로, 시군구 지역 인구와 소속 초등학교 사이 연관 특성을 반영하는 설명변수가 사용되었다. 여기서 사용된 설명변수는 ‘시군구청과 소속 초등학교 간 평균 거리’와 ‘시군구별 총인구수’이다. 두 번째로, 시군구 소속 각 초등학교의 특성을 반영하는 설명변수가 사용되었다. 여기서 사용된 설명변수는 ‘시군구별 초등학교 수’, ‘시군구 소속 초등학교 평균 학급당 학생 수’ 그리고 ‘시군구 소속 초등학교 평균 교지 면적’이다. 본 모델에서 사용된 목적변수는 ‘시군구 소속 초등학교 평균 총 학급수’이다.
이상과 같이 정의된 5개의 설명변수와 1개의 목적변수 훈련데이터는 2022년도 전국 229개 시군구 소속 초등학교 관련 데이터를 수집, 전처리 및 가공하여 준비되었다. 그리고 이 229개 훈련데이터 세트로부터 머신러닝 모델의 학습이 완료되었다. 본 연구는 2025년부터 2070년까지 5년마다 전국 시군구 소속 초등학교 평균 총 학급수를 예측하는 것을 목표로 하기 때문에, 2025년부터 2070년까지 5년마다 인구 감소율을 도출하였다. 그리고 2025년부터 2070년까지 5년마다 229개 시군구별 테스트 데이터 세트를 준비하였다. 한 해의 테스트 데이터 세트는 5개의 설명변수 항목을 갖는 229개 시군구별 데이터들이다. 여기서 ‘시군구청과 소속 초등학교 간 평균 거리’와 ‘시군구 소속 초등학교 평균 교지 면적’ 설명변수 데이터는 연도와 무관하게 고정하였다. 설명변수 중 ‘시군구별 총인구수’, ‘시군구별 초등학교 수’ 그리고 ‘시군구 소속 초등학교 평균 학급당 학생 수’에는 2022년도 대비 해당 연도 인구 감소율을 적용하였다.
위와 같이 2025년부터 2070년까지 5년마다 준비된 테스트 데이터를 모델에 입력하여, 2025년부터 2070년까지 5년마다 전국 229개 시군구 소속 초등학교 평균 총 학급수를 예측하였다. 본 연구에서 제시한 예측 결과로부터, 첫째, 전국 시군구 소속 초등학교 평균 총 학급수를 확인할 수 있다. 둘째, 지역별 초등학교 총 학급수 차이를 비교할 수 있다. 셋째, 2025년부터 2070년까지 5년마다 총 학급수 변화를 살펴볼 수 있다. 본 결과에서 첫째, 전국 229개 시군구 소속 초등학교 평균 총 학급수는 2045년까지는 완만하게 감소하나, 2050년부터 2070년까지는 가파르게 감소하는 것이 관찰되었다. 둘째, 전국 단위로 계산된 2022년도 대비 연도별 인구 감소율과 전국 초등학교 평균 총 학급수 감소율 사이의 유사성이 관찰되었다.
2070년까지 전국 시군구 소속 초등학교 평균 총 학급수 변화로부터 다양한 지역의 총 학급수 감소가 예측되었다. 이러한 예측 결과로부터 다음과 같이 제언한다. 첫째, 총 학급수를 기반으로 결정되는 초등학교 교직원 인사 정책보다 더 많은 수의 초등학교 교원이 필요하다. 즉, 학급수 감소를 반영하여 초등학교 교직원 인사 등의 정책을 변화시켜야 한다. 둘째, 전국적으로 2050년 이후 초등학교 총 학급수가 가파르게 감소하므로, 전국 초등학교 교육 환경이 급격하게 변하게 된다. 이런 변화가 예측되는 초등학교 총 학급수 감소율이 연도별 인구 감소율과 유사하므로, 대한민국의 인구감소를 막을 정책이 시급하다.
주제어: 머신러닝, 지도학습모델, 초등학교 총 학급수, 인구감소, 예측
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)