머신러닝을 활용한 한계대학 예측 요인 탐색 연구: 랜덤 포레스트 모형을 중심으로

김경민; 김경민; 이종현

doi:https://doi.org/10.46967/jefe.2023.32.1.1

추천

검색

자료유형: 학술저널

저자정보: 김경민 (한국사학진흥재단) 김경민 (한국사학진흥재단) 이종현 (한국교육학술정보원)

저널정보: 한국교육재정경제학회 교육재정경제연구 교육재정경제연구 제32권 제1호

발행연도: 2023.3

수록면: 1 - 30 (30page)

DOI: https://doi.org/10.46967/jefe.2023.32.1.1

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 머신러닝(Machine Learning)을 활용하여 한계대학 예측 요인을 발견함으로써 정부와 사회적인 대응책을 마련하기 위한 기준을 찾아보고자 한다. 2012년부터 2020년 사이에 정부가 추진한 대학구조조정 평가에서 부실대학, 재정지원제한대학, 역량강화 대학 등에서 하위의 평가 결과를 받은 대학을 한계대학으로 정의하고, 대학의 구성요소인 학생, 교원, 재무자료 등의 데이터를 활용하여 한계대학을 예측할 수 있는 요인을 도출하는 것을 목표로 하였다. 분석결과 랜덤 포레스트를 사용하는 경우 로지스틱 회귀분석모형에 비해 보다 정확하게 한계대학을 파악할 수 있었으며, shap 분석과 통계적(t-검정)으로 한계대학을 예측하는데 중요한 역할을 하는 요인을 찾아낸 결과는 다음과 같다. 우선 한계대학 예측을 위해 동일한 데이터에 대해 로지스틱 회귀분석모형과 랜덤 포레스트를 각각 적용하여 예측력을 평가할 수 있는 ROC-AUC 값을 확인해본 결과, 로지스틱 회귀분석모형은 대학 0.819, 전문대학 0.854로 평가되었고, 랜덤 포레스트는 대학 0.927, 전문대학 0.943으로 평가되었다. 대학의 경우 한계대학 예측에 정(+)의 영향을 미치는 요인은 2개로 중도탈락율, 지역_경남임을 알 수 있었다. 정(+)의 영향을 미치는 요인이 증가하거나 해당되면 한계대학으로 예측될 가능성이 높아진다는 의미이다. 반면 한계대학 예측에 부(-)의 영향을 미치는 요인은 8개로 학생1인당교육비, 교육비환원율, 재학생충원율, 유지충원율, 신입생충원율, 취업률, 운영경비부담율, 전임교원1인당연구비임을 알 수 있었다. 전문대학의 경우 한계대학 예측에 정(+)의 영향을 미치는 요인은 5개로 이월금비율, 교원확보율, 지역_강원, 중도탈락율, 부채비율임을 알 수 있었다. 반면 한계대학 예측에 부(-)의 영향을 미치는 요인은 9개로 학생1인당교육비, 재학생충원율, 대학규모, 교육비환원율, 유지충원율, 운영경비부담율, 신입생충원율, 장학금지급율, 전임교원1인당연구비임을 알 수 있었다. 본 연구의 공헌점은 최근 널리 활용되는 머신러닝 기법을 활용하여 한계대학을 예측할 수 있는 새로운 방법론을 제시하고자 하였다. 대학알리미에서 공시되고 있어 접근이 쉬운 데이터를 바탕으로 한계대학을 예측할 수 있는 모형을 설계하고, 그 중 한계대학 예측과 깊은 연관이 있는 항목을 찾아냄으로써 한계대학 예측가능성을 제시하였다.

This study seeks to find the criteria for preparing government and social countermeasures by using machine learning to explore predictive factors for universities in business crisis. Between 2012 and 2020, universities with low evaluation results in the government's university restructuring evaluation are defined as universities in business crisis. The goal was to discover factors that could predict a university in business crisis by using data such as students, faculty, and financial data, which are university components. As a result of the analysis, when using the Random Forest, it was possible to accurately identify universities in business crisis compared to the Logistic Regression model. The results of predicting universities in business crisis through shap analysis and statistical (t-test) are as follows. First of all, the ROC-AUC value that can evaluate the predictive power was checked by applying the logistic regression model and random forest to the same data for the prediction of universities in business crisis, and the logistic regression model was evaluated as 0.819 for universities and 0.854 for colleges. , Random Forest was evaluated as 0.927for universities and 0.943 for colleges. In the case of universities, the factors that have a positive(+) influence on the prediction of universities in business crisis are the dropout rate, region_Gyeongnam. On the other hand, the factors that have a negative(-) effect on the prediction of universities in business crisis are education expenses per student, education expense reimbursement rate, enrollment rate, maintenance recruitment rate, new student recruitment rate, employment rate, operating expense burden rate, and research expenses per full-time faculty member. In the case of colleges, the factors that have a positive (+) influence on the prediction of universities in business crisis are the carryover rate, teacher retention rate, region_Gangwon, dropout rate and debt ratio. On the other hand, the factors that have a negative(-) effect on the prediction of universities in business crisis are education expenses per student, student recruitment rate, university size, education expense reimbursement rate, maintenance recruitment rate, operating expense burden rate, new student recruitment rate, scholarship payment rate, and research expenses per full-time faculty member. The contribution of this study is to propose a new methodology to predict universities in business crisis using machine learning techniques, which are widely used recently.

#머신러닝 #랜덤 포레스트 #로지스틱 회귀분석 #한계대학 #설명가능한 인공지능 #Machine Learning #Random Forest #Logistic Regression #Business Crisis University #Explainable AI

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김경민

소속기관 한국사학진흥재단

주요연구분야 사회과학 > 교육학

논문수 2 이용수 36

김경민

소속기관 한국사학진흥재단

주요연구분야 사회과학 > 교육학

논문수 2 이용수 36

이종현

소속기관 한국교육학술정보원

주요연구분야 공학 > 전기전자공학 > 정보통신공학 사회과학 > 교육학

논문수 7 이용수 521

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)