book_cover_img
지능정보융합과 미래교육 Intelligent Information Convergence and Future Education eISSN: 2951-4762

Acronym : IICFE
Frequency : Continuous Publication
Doi Prefix : 10.59482/iicfe.
Year of Launching : 2022
Publisher : Intelligent Software Education Research Institute

As a research center for artificial intelligence education in Korea, Jeju National University's Institute of Intelligent Software Education is committed to building an educational foundation for fostering artificial intelligence (AI) convergence talents in the intelligent information society.The institute is building a foundation for AI education to cultivate computational thinking skills as a digital competency required in the intelligent information society, researching AI education for computer non-majors and majors at the lifelong education level from infants to middle-aged adults, researching AI education for the information-deprived class to bridge the digital divide, along with AI ethics research that emphasizes the positive functions of AI and minimizes its negative functions, researching AI convergence technology to solve creative and new problems by looking at trends in the field of AI.In order to systematically study the major research areas listed above and to specifically realize the purpose of the institute, we are publishing a journal under the theme of 「Intelligent Information Convergence and Future Education」.We aim to publish research that seeks to pursue more effective problem-solving methods by integrating intelligent information technology centered on computer science and intelligent information in various fields, and research on information·computer education and convergence education for future education, including artificial intelligence, to foster future human resources to lead the intelligent information society, and we aim to improve the quality of educational research.We look forward to receiving submissions from all researchers in related fields..우리나라 인공지능교육의 연구거점, 제주대학교 지능소프트웨어교육연구소는 지능정보사회의 인공지능(AI) 융합 인재 양성을 위한 교육 기반 구축에 힘을 쏟고 있습니다.본 연구소는 지능정보사회에서 갖춰야 할 디지털 소양으로써의 컴퓨팅 사고력을 함양하기 위한 인공지능교육 기반 구축, 유아부터 중장년층까지 평생교육 차원의 컴퓨터 비전공자 및 전공자를 위한 인공지능교육에 대한 연구, 디지털 격차 해소를 위한 정보배려계층 대상 인공지능교육 연구, 지능정보기술의 순기능을 강조함과 동시에 역기능을 최소화할 수 있는 인공지능윤리 연구 등과 함께, 인공지능 분야의 동향을 살펴 창의적이고 새로운 문제해결을 위해 인공지능 융합 기술을 연구하고 있습니다.이에 본 연구소는 앞서 제시한 주요 연구 분야를 체계적으로 연구함과 동시에 연구소의 목적을 구체적으로 실현하고자 「지능정보융합과 미래교육」을 주제로 학술지를 발간합니다.컴퓨터과학을 중심으로 하는 지능정보기술과 다양한 분야에 지능정보를 융합하여보다 효과적인 문제해결 방법을 추구하고자 하는 연구, 지능정보사회를 이끌어갈 미래 인재양성을 위해 인공지능을 포함한 정보·컴퓨터교육과 미래교육을 위한 융·복합 교육 관련 연구를 게재하고 교육 연구의 질적인 향상을 이루고자 합니다.관련 분야에 계신 모든 연구자 분들의 많은 투고를 부탁드립니다.

KCI 후보
2024년 1월 등재후보학술지 선정
KCI IF
KCI Impact Factor
Intelligent Information Convergence and Future Education Vol.4 No.17 pp.1-7 https://www.doi.org/10.59482/iicfe.2025.4.17.01

대학 중도탈락 예측을 위한 다양한 머신러닝 알고리즘의 성능비교 연구
Study of the Performance of Diverse Algorithms for Predicting University Student Dropout
김동형 제주대학교 지능소프트웨어교육연구소
Export Citation
Abstract

Abstract

본 논문에서는 학령인구 감소에 따른 대학 중도탈락 문제의 중요성을 인식하고, 중도탈락 학생 예측을 위한 다양한 머신러닝 알고리즘 의 성능을 비교 분석하였다. 데이터의 수집은 H 대학 신입생 3,435명의 데이터를 활용하였으며, 신입생 입학 후 1학기 축적된 데이터 13개를 입력 특성으로 사용하였다. 이 데이터를 이용하여 KNN, Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, SVM, Neural Network 총 7가지 이진 분류 모델을 실제 대학 신입생 데이터를 활용하여 평가하였다. 실험 결과 Random Forest 모델이 가장 우수한 예측 성능을 보였으며, Decision Tree와 SVM이 뒤를 이었다. 반면, Logistic Regression과 Gradient Boosting은 상대적으로 낮은 성능을 나타냈다. 이 연구는 대학 중도탈락 예측을 위한 최적의 모델 선택에 기여하고, 향후 추가 연구 방 향을 제시한다.
키워드 : 대학 중도탈락 예측,머신러닝,인공지능,분류 알고리즘,성능 비교
This study recognizes the importance of addressing the issue of college dropout due to the decline in the population of students with higher education and compares the performance of various machine learning algorithms for predicting student dropout. The data used in this study consists of information from 3,435 new students enrolled at H University, with 13 accumulated data features collected during their first semester. Using this data, seven binary classification models—K-Nearest Neighbors (KNN), Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine (SVM), and Neural Network—were evaluated in terms of their predictive performance. The experimental results show that the Random Forest model outperformed the other models in terms of prediction accuracy, followed by Decision Tree and SVM. In contrast, Logistic Regression and Gradient Boosting demonstrated relatively lower performance. This research contributes to the selection of the optimal model for predicting college dropout and suggests potential directions for future studies.
Key Words : University Student Dropout Prediction,Machine Learning,Artificial Intelligent,Classification Algorithms,Performance Comparison
LIST
Export citation