빅데이터 기반 중도탈락 분석

중도탈락은 학습 기초, 과목 성적, 수강 내역, 진로 목표, 대학생활 적응도 등 다양한 요인들이 복합적으로 작용하는 현상입니다. 이러한 복잡한 패턴을 사람이 직접 파악하기는 매우 어렵기 때문에 AI와 빅데이터 기술을 활용한 체계적인 분석이 필요합니다.

Random Survival Forest(RSF)는 "언제 중도탈락할 위험이 높은가"를 예측하는 신뢰성 기반 AI 기법입니다. 과거 학생들의 패턴을 분석하여 각 학기별로 중도탈락 확률을 계산하게 됩니다. 이렇게 분석된 결과는 조기 경보 시스템으로 위험 학생을 조기 식별하고, 단계별 개입 시점을 제시하게 됩니다.
이러한 분석을 통해 단순히 "누가 그만 둘 것인가"를 예측하는 것이 아니라, "언제, 왜, 어떻게 도울것인가"에 대한 구체적인 해답을 제시할 수 있습니다.

데이터로 발견한 중도탈락 현황 빅데이터 분석을 통해 학과별 중도탈락률은 9~20%으로 큰 편차가 존재하고 체계적 피드백과 상담 시스템의 필요성이 확인됩니다.
핵심 사항으로 전형별로, 성적에 따라 중도탈락 시기 변화에 유의미한 차이가 있음을 발견했습니다. 특히 1, 2차 대학생활적응검사 결과가 중도탈락 예측에 유의미한 판별 지표로 확인되었습니다. 전공 적성 일치도, 교수와의 관계 등 다양한 복합적인 요인 분석을 통해서 재학생의 졸업 확률에 대한 분석을 진행했습니다.

AI을 활용한 분석을 통해 아래와 같은 2가지 결과를 얻을 수 있습니다.

왼쪽 그래프는 어떤 요인들이 중도탈락에 부정적인 영향을 미치는지 확인할 수 있는 그래프입니다. 막대가 길수록 중도탈락 위험을 높이는 요인입니다. 해당 인원은 학점평균과 출석률이 낮아 이 두가지 요인이 중도탈락에 부정적인 영향을 끼치는 것을 알 수 있습니다. 이러한 분석을 통해 인원마다 중도탈락에 영향을 주는 요인을 탐색하고 적절한 피드백을 주려고 합니다.

오른쪽 그래프는 시간에 따른 중도탈락 확률의 변화를 의미합니다. 파란색 곡선은 실제 학생의 졸업확률을 나타내며 학기가 지날수록 학생이 졸업할 확률이 어떻게 변화하는지 확인할 수 있습니다.
왼쪽 그래프에서 얻은 정보를 활용해 학생에게 적절한 피드백을 줄 경우 졸업확률이 어떻게 변화하는지 관찰해보았습니다. 출석률이 90%까지 올라갈 경우 해당 학생의 졸업 확률이 크게 증가하는 것을 확인할 수 있습니다. 이러한 분석들을 통해 각 인원마다 최적의 요인을 찾아 적절한 시점에 피드백으로 제공해주려고 합니다.

• 
• 

크게 3가지 예시를 확인할 수 있습니다. 가운데 존재하는 그래프를 확인하면 대학생활 전념의지와 선택 만족도가 매우 낮은 케이스입니다. 해당 인원에게는 비교과를 참여시키거나 근로장학을 유도하면 졸업확률이 15%이상 증가할 수 있는 것을 확인했습니다.

가장 오른쪽에 위치하는 인원은 상대적으로 낮은 성적으로 입학하여 학업에 적응하지 못하는 인원입니다. 3학기에 졸업확률이 크게 감소하는 것을 확인하였고, 이에 대한 해결책으로는 지속적인 상담과 과학 성적 향상이 있습니다. 직접적인 과학 성적을 올릴 수는 없으나, 주변 재학생들과 유사한 과학 지식을 가질 수 있도록 교과 멘토링을 진행하면 졸업 확률이 20% 이상 증가할 수 있습니다.

이 처럼 각 학생들마다 중도탈락이 발생하는 원인은 모두 다르고 다양합니다. AI을 활용한 분석을 통해 각 인원마다 맞춤형 지원 시스템을 구축하여 종합적 학생 지원 시스템을 구축하려고 합니다.