KCI등재
머신러닝을 활용한 중학교 수학 기초학력 미달 비율 예측모형 탐구 = A Study on the Prediction Model for the Ratio of Mathematics Low-Performing Students in Middle School Using Machine Learning
저자
발행기관
학술지명
권호사항
발행연도
2021
작성언어
-주제어
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
95-129(35쪽)
KCI 피인용횟수
1
DOI식별코드
제공처
소장기관
교육당국의 노력에도 불구하고 기초학력 미달 학생의 비율이 지속적으로 증가추세에 있다. 기초학력 미달은 학습결손이 초등학교, 중학교, 고등학교로 이어지며 누적되기 때문에 시급히 해결해야 할 교육문제가 되었다. 이에 본 연구는 기초학력 미달에 영향을 미치는 요인을 밝히기 위해 중학교 수학 기초학력 미달 비율을 예측하는 모형을 개발하고, 이 예측모형의 성능 분석과 최적화를 수행하였다. 수집된 자료는 ‘에듀데이터 서비스 시스템’에서 운영하는 2009년부터 2017년까지의 다년간 학교정보 공시자료이며, 이를 11개의 머신 러닝 알고리즘을 이용한 예측모형 개발에 투입하고, 개발한 각 모형에 대해 예측유효성을 평가하였다. 연구 결과, 먼저 기초학력 미달 비율을 판단하는 기준으로 중위값 4.7619를 얻었다. 둘째, 머신러닝의 정보획득 지수를 통해서 파악한 중학교 수학 기초학력 미달 비율에 영향을 미치는 요인에는 ‘학생당 방과후학교 지원비’, ‘학생당 학교예산’, ‘남여 학생 비율’, ‘방과후학교 프로그램 참여학생수 비율’ 등의 순으로 나타났다. 셋째, 본 연구가 활용한 11개의 머신러닝 알고리즘 중에서 random forest를 통해 개발한 예측모형이 가장 높은 예측유효성을 보여 최적의 알고리즘으로 나타났다. 본 연구 결과를 바탕으로 random forest 머신러닝 알고리즘을 통해 개발한 예측모형이 중학교 수학 기초학력 미달 비율에 영향을 미치는 변인 파악에 유용함을 확인할 수 있었다. 하지만 예측모형의 변인들은 인과관계를 나타내지 않으므로 유의해서 해석해야 한다.
더보기Despite the endeavor of education authorities, the ratio of low-performing students continues to increase. Since the learning loss connects and cumulates from elementary to high school, this has become an urgent educational problem to solve. Thus, in order to find out factors affecting low-performing, this study developed models that predict the ratio of middle school low-performing students, and conducted performance analysis and optimization of the prediction models. Data collected was the education public disclosure information from 2009 to 2017, was put into the prediction models developed by 11 machine learning algorithms, and evaluated robustness of the models respectively. Findings were as follows: first, the study gained the median value as categorization criterion of low-performing was 4.7619. Second, according to the information gain index, factors affecting mathematics low-performing in middle school included ‘after school support budget per student’ ‘school budget per student’ ‘the ratio of male/female students’ ‘the number of students participating in after school programs’ in order. Third, random forest prediction model, which has the highest robustness, was identified as an optimal algorithm among the 11 machine learning algorithms utilized in the study. The results of the study confirmed that the prediction model developed by random forest machine learning algorithm was useful to find out factors affecting the ratio of mathematics low-performing students in middle school. However, since variables in the prediction model do not have causality, interpretation with care is required.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2027 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2021-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2018-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2015-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2011-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2009-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2007-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2004-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
2003-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | KCI후보 |
2002-01-01 | 평가 | 등재후보 1차 FAIL (등재후보1차) | KCI후보 |
1999-07-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 3.7 | 3.7 | 3.26 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
2.89 | 2.68 | 3.751 | 0.75 |
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)