KCI등재
머신러닝 기법을 활용한 사교육 참여 예측 모형 탐색 = An inquiry for the predictive variables on the demand for the private tutoring utilizing machine learning approaches
저자
발행기관
학술지명
敎育財政 經濟硏究(The Journal of economics and finance of education)
권호사항
발행연도
2019
작성언어
-주제어
KDC
372
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
29-52(24쪽)
KCI 피인용횟수
2
DOI식별코드
제공처
그 동안 사교육 수요의 원인 분석과 해결 방안 모색을 위한 다양한 연구들이 수행되었지만, 학생들의 사교육 참여 및 사교육비 지출에 대한 논의는 여전히 하나의 결론에 도달하지 못하고 있다. 선행연구들 중에는 그러한 이유를 그 동안 사교육 수요를 설명하기 위해 사용된 분석 모형이나 변수들이 상당히 제한적이었으며, 그로 인해 중요한 변수를 간과하거나 보다 직접적인 변수들을 통합․분리해 내는데 실패했기 때문이라고 설명하고 있다. 이에 본 연구에서는 빅데이터 분석과 함께 최근 주목을 받고 있는 네 가지 머신러닝 기법 즉, ‘랜덤 포레스트’, ‘나이브 베이즈 분류’, ‘서포트 벡터 머신’, ‘인공신경망 모형’을 적용하여 고등학생들의 사교육 참여에 영향을 미치는 변수들을 탐색적으로 살펴보았다. 그리고 이들 각 기법들의 예측성과를 비교․분석함으로써 머신러닝 기법이 갖는 성능과 한계를 조망해 보고, 향후 사교육 영향 요인 연구를 비롯한 다양한 교육 분야의 연구로 확대 가능한지 여부를 함께 검토해 보았다. 분석을 위해 본 연구에서는 한국교육고용 패널 Ⅱ의 1차 년도 자료를 사용하였다. 분석 결과 첫째, 머신러닝 기법에 따라 고등학생들의 사교육 참여를 예측하는 변수는 상이하였으며, 네가지 기법의 분석 결과에 공통적으로 포함된 예측 변수는 하나도 존재하지 않았다. ‘방과후 자율학습 참여여부’ 변수가 그나마 세 가지 기법에 공통적으로 포함되었으나, 상대적인 중요도에는 상당한 차이가 있었다. 둘째, 시험 자료를 기반으로 각 머신러닝 기법의 사교육 참여 예측률을 산출한 결과, 랜덤 포레스트 기법과 나이브 베이즈 분류 기법이 서포트 벡터 머신 기법이나 인공신경망 기법보다 고등학생의 사교육 참여를 더욱 정확하게 예측하는 것으로 나타났다. 따라서 표본 및 변수 선정 과정에서의 편의를 줄이고 분석 결과의 일반화 가능성을 높이기 위한 방편으로 머신러닝 기법을 적극 활용할 수 있으나, 분석의 목적이나 자료의 구조에 적합한 머신러닝 기법을 선택하기 위한 적절한 검증 작업이 선행되어야 할 것으로 보인다.
더보기There’s a plenty of literature on the demand of private tutoring across east-asian countries, particularly in the republic of Korea. To predict the demand for private tutoring more accurately, various methodologies have been proposed and applied. However, the methodologies have some deficits. First of all, they are unable to give a solution for which variables in the dataset should be considered as explanatory variables to effectively predict the demand for private tutoring. Also, they are easily exposed to over-fitting and risk being affected by outliers and noise. To overcome those limitations, this study proposes the application of multiple machine learning mechanisms including Random Forests(RF), Naive Bayes Classifier, Support Vector Machine, and Artificial Neural Network on the 1ST year dataset of the Korea Education and Employment Panel II. And to evaluate and compare our those results of multiple machine learning mechanisms, each model’s performance was calculated by Correct Classified Rate, Sensitivity, and Specificity based on test dataset. Empirical results showed that RF outperforms other machine learning algorithms from the perspective of prediction accuracy.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2026 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2020-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2017-01-01 | 평가 | 등재학술지 유지 (계속평가) | KCI등재 |
2013-01-01 | 평가 | 등재 1차 FAIL (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2006-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2004-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2001-07-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
1999-01-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 0.97 | 0.97 | 1.14 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
1.19 | 1.2 | 1.113 | 0.25 |
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)