[논문 리뷰] Data Mining on Educational Domain

Rudresh Deepak Shirwaikar, Nikhil Rajadhyax|arXiv (Cornell University)|2012. 07. 06.

Data Mining Algorithms and Applications참고 문헌 3인용 수 7

한 줄 요약

이 논문은 인도 고후라의 셰리 라예슈와르 공과대학 및 정보기술 대학(SRIEIT)에서의 학업 성취도를 분석하기 위한 데이터 마이닝 접근법을 제시한다. 의사결정나무를 사용하여 학생들을 성취도 수준(우수, 평균, 열악)으로 분류하고 군집 분석을 통해 학생 집단을 식별한다. 이 방법은 과목-성취도 관계와 학생의 학습 패턴을 드러내어 높은 교육 기관에서 자원 배분과 수업 전략을 개선하는 데 대상별 학업 간섭을 가능하게 한다.

ABSTRACT

Educational data mining (EDM) is defined as the area of scientific inquiry centered around the development of methods for making discoveries within the unique kinds of data that come from educational settings, and using those methods to better understand students and the settings which they learn in. Data mining enables organizations to use their current reporting capabilities to uncover and understand hidden patterns in vast databases. As a result of this insight, institutions are able to allocate resources and staff more effectively. In this paper, we present a real-world experiment conducted in Shree Rayeshwar Institute of Engineering and Information Technology (SRIEIT) in Goa, India. Here we found the relevant subjects in an undergraduate syllabus and the strength of their relationship. We have also focused on classification of students into different categories such as good, average, poor depending on their marks scored by them by obtaining a decision tree which will predict the performance of the students and accordingly help the weaker section of students to improve in their academics. We have also found clusters of students for helping in analyzing student's performance and also improvising the subject teaching in that particular subject.

연구 동기 및 목표

• 학부 교육 과정 내 핵심 과목과 그 상호관계를 데이터 마이닝을 통해 규명하기 위해.
• 학업 성적을 기반으로 학생들을 성취도 수준(우수, 평균, 열악)으로 분류하기 위해.
• 학생 성취도를 예측하고 조기 학업 간섭을 가능하게 하기 위해 의사결정나무 모델을 개발하기 위해.
• 군집 기법을 적용하여 유사한 학업 프로필을 가진 학생들을 그룹화하고 학습 패턴을 분석하며 과목별 지도를 향상시키기 위해.
• 데이터 기반 통찰을 통해 교육 기관이 자원 할당과 수업 전략을 최적화하는 데 기여하기 위해.

제안 방법

• 인도 고후라의 SRIEIT에서 수집한 실제 학업 데이터에 데이터 마이닝 기법을 적용하였다.
• 학생들의 성적을 기반으로 의사결정나무 알고리즘을 사용하여 성취도 수준으로 분류하였다.
• 교과과정 내 과목 간 상관관계 및 의존성 분석을 통해 상호관계를 규명하였다.
• 학생 성취도 데이터에 군집 분석을 수행하여 유사한 학업 프로필을 가진 학습자를 그룹화하였다.
• 데이터 전처리, 모델 학습, 검증을 포함한 표준 데이터 마이닝 워크플로우를 활용하였다.
• 결과를 학술 관계자 및 관리자들이 활용 가능한 통찰으로 통합하였다.

실험 결과

연구 질문

• RQ1 학부 교육 과정에서 어떤 과목들이 강한 성취도 상관관계를 보이며 학생의 성과에 어떤 영향을 미치는가?
• RQ2 학업 성적을 기반으로 의사결정나무 모델이 학생의 성취도 수준(우수, 평균, 열악)을 정확하게 예측할 수 있는가?
• RQ3 군집 기법을 통해 학생 성취도의 패턴을 어떻게 드러내어 수업 개선에 기여할 수 있는가?
• RQ4 데이터 마이닝은 공학 교육에서 학업 자원 할당 최적화에 어떤 통찰을 제공할 수 있는가?
• RQ5 데이터 기반 분류 및 군집 기법은 성취도가 열악한 학생들을 위한 조기 간섭을 어떻게 지원할 수 있는가?

주요 결과

• 의사결정나무 모델은 학생들을 성취도 수준으로 성공적으로 분류하여 성취도가 열악한 학생들에게 대상별 학업 지원을 가능하게 하였다.
• 교과과정 내 핵심 과목 간 유의미한 상관관계를 규명하여 학습 진행의 의존성 구조를 밝혀냈다.
• 군집 분석을 통해 성취도 패턴이 유사한 학생 그룹을 식별하여 개인화된 수업 전략 수립에 기여하였다.
• 데이터 마이닝 접근법은 과목별 지도 향상과 자원 할당 최적화를 위한 실질적인 통찰을 제공하였다.
• 본 연구는 데이터 마이닝이 높은 교육 기관에서 학업 성취도 모니터링과 기관 의사결정을 향상시키는 데 기여할 수 있음을 입증하였다.
• SRIEIT에서의 실제 구현 사례를 통해 데이터 마이닝이 교육 현장에서 실현 가능하고 실용적인 가치를 지닌다는 것이 확인되었다.