학습분석을 적용한 중도탈락 예측모형에 관한 실증적 연구 : 사이버대학교의 사례를 중심으로 = Empirical Study on Dropout Prediction Model through Applying the Learning Analytics Focusing on the Cases of Cyber Universities

다국어 초록 (Multilingual Abstract)

Empirical Study on Dropout Prediction Model through Applying the Learning Analytics - Focusing on the Cases of Cyber Universities Chul, Park The Department of MIS The Graduate School of Kwangwoon University This dissertation explores the intricate factors influencing academic persistence through the development and empirical validation of a dropout prediction model enhanced by Learning Analytics (LA). The study further evaluates the efficacy of Intelligent Tutoring System (ITS) interventions by comparing an experimental group (utilizing ITS) with a control group (non-ITS users) and examines the disparities between these groups. The findings provide a foundation for designing a robust dropout prediction framework tailored for cyber universities. The research was conducted with 1,464 students enrolled in the first semester of the 2023 academic year at A Cyber University, divided equally into an experimental group of 732 and a control group of 732. Key variables analyzed include individual competencies, university admission characteristics, goal commitment, academic performance, staff-student interaction, off-campus engagement, peer group interaction, educational data mining, learning progress, and learning analytics. The study assessed the extent to which these factors influence academic persistence. The correlation analysis revealed significant relationships between academic persistence and independent variables, with coefficients ranging from 0.526 to 0.336. Validity and reliability were affirmed through exploratory factor analysis, grouping the variables into 10 coherent factors. The Cronbach’s α values for these factors ranged between 0.971 and 0.991, far exceeding the standard threshold of 0.7. To delve deeper into the dropout prediction model 1. Multiple Regression Analysis demonstrated that all independent variables significantly influenced academic persistence, thereby supporting hypotheses H1 through H10. 2. Comparative analysis of the two groups using multiple regression revealed that while all variables significantly impacted the experimental group, only 8 of the 10 variables (excluding university admission characteristics and off-campus engagement) were significant for the control group. 3. An independent samples T-test further validated notable differences between the two groups, with significant disparities observed in variables such as goal commitment, academic performance, educational data mining, learning progress, and learning analytics. These results underscore the effectiveness of ITS interventions in fostering academic persistence. Building upon Tinto’s (1993) conceptual framework of dropout and Kember’s (1989) dropout model in distance education, this study integrates advanced learning analytics techniques educational data mining, learning progress tracking, and comprehensive learning analytics into the proposed dropout prediction model. The findings highlight the pivotal role of learning analytics in accurately predicting and mitigating dropout risks. Furthermore, the provision of ITS services was shown to substantially enhance retention rates among cyber university students. This research represents a significant academic contribution by advancing the theoretical and practical understanding of dropout prediction in online higher education. By synthesizing established theoretical models with innovative analytics-driven methodologies, this dissertation not only validates a scalable dropout prediction model but also provides actionable insights for reducing dropout rates in cyber universities. Limitations of the current study and avenues for future research are also discussed to guide subsequent scholarly endeavors.

국문 초록 (Abstract)

학습분석을 적용한 중도탈락 예측모형에 관한 실증적 연구 - 사이버대학교의 사례를 중심으로 본 연구는 학습분석(Learning Analytics)을 적용한 중도탈락 예측모형 에 관한 실증적 연구를 통하여 학업연속성에 미치는 중도탈락 요인을 살 펴보았고, ITS(Intelligence Tutoring System)을 적용받은 집단(실험)과 그렇지 않은 집단(통제)의 학업연속성에 미치는 영향을 살펴 보았다. 그 리고 이 두 집단 간의 차이가 있는지 검증하였다. 이러한 연구결과를 토 대로 사이버대학교의 중도탈락 예측 모형을 설계하였다. 본 연구는 A사이버대학교의 2023학년도 1학기에 재학중인 1,464명을 대상으로 실험집단 732명, 통제집단 732명으로 나누어 분석하였다. 연구 대상자들의 개인역량, 대학입학특성, 목표기관몰입, 학업수행, 교직원상호 작용, 교외활동, 동료집단상호작용, 교육데이터마이닝, 학습현황, 학습분 석이 학업연속성에 유의한 영향을 미치는지를 검증하였다. 학업연속성과 각 독립변인들 간의 상관관계는 최고(r=0.526)에서 최저 (r=0.336)으로 나타났다. 본 연구의 타당도와 신뢰도를 확인하기 위해서 탐색적 요인분석을 통해 10개로 잘 묶여 지고 있음을 확인할 수 있었으 며, 이들의 Cronbach’s α는 최저 0.971에서 최대 0.991까지로 모든 요인 이 기준치인 0.7을 초과하였다. 중도탈락 예측 모형을 살펴보기 위해서 첫째, 다중회귀분석(Multiple Regression Analysis)을 실시한 결과 학업연속성에 모든 요인이 유의하 게 영향을 미치고 있음을 확인하였다. 따라서 본 연구의 가설 H1부터 가설 H10까지 모두 채택되었다. 둘째, 두 집단간에 변인들의 영향력 차이는 어떻게 나타나는지를 검증 하기 위하여 다중회귀분석을 실시한 결과 실험집단은 모든 변인들이 학 업연속성에 유의한 영향을 미쳤으며, 통제집단은 10개의 독립변인중 2개 의 변인(대학입학특성, 교외활동)은 유의한 영향을 미치지 않았다. 셋째, 두 집단간의 차이가 있음을 알았고, 어떤 변인들이 영향력 차이 가 있는지 검증하기 위해서 두 집단간 평균의 차이(독립표본 t-검증)를 살펴보았다. 그 결과 두 집간의 차이가 있음을 발견하였다. 특히, 목표기 관몰입, 학업수행, 교육데이터마이닝, 학습현황, 학습분석에 있어서 차이 가 있음을 알았다. 이러한 결과는 ITS(Intelligence Tutoring System) 서 비스가 효과적임을 입증하였다. 본 연구는 Tinto(1993)의 중도탈락에 대한 개념적 모형과 Kember (1989)의 원격교육 중도탈락 모형에 기반하여 학습분석을 포함하여 사이 버대학교의 중도탈락 예측 모형을 설계하여 검증한 결과, 학습분석(교육 데이터마이닝, 학습현황, 학습분석)이 중도탈락 예측에 중요한 변인이 되 어짐을 밝혔다. 특히 사이버대학교 학생들에게 ITS서비스를 지원함으로 써 중도탈락률을 감소시킬 수 있음을 알 수 있었다. 본 연구는 Tinto(1993)와 Kember(1989)의 모형에 학습분석(교육데이터 마이닝, 학습현황, 학습분석)과 ITS서비스를 포함시켜 실증적 연구로 사 이버대학교 중도탈락 예측 모형을 검증하였다데 큰 의의가 있다. 끝으로 본 연구의 한계 및 후속 연구를 위한 제안점을 논의하였다.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구의 목표 및 범위 6
• 1.3 연구 문제 8
• 제2장 이론적 배경 10
• 2.1 중도탈락의 개념적 정의 10
• 2.2 중도탈락의 영향요인 16
• 2.3 오프라인 대학교의 중도탈락 영향요인 25
• 2.4 사이버 대학교의 중도탈락 영향요인 31
• 2.5 학습분석 40
• 2.6 학습분석데이터 44
• 2.7 지능형 튜터링시스템(ITS) 52
• 제3장 연구모형의 설계 및 가설의 도출 56
• 3.1 중도탈락 영향요인 도출 56
• 3.2 중도탈락 예측 모형 설계 63
• 3.3 연구변수의 도출 및 연구가설 도출 65
• 제4장 연구방법 69
• 4.1 연구대상 및 자료수집 69
• 4.1.1 연구대상 69
• 4.1.2 자료수집 71
• 4.2 연구모형의 검증방법 81
• 제5장 연구결과 82
• 5.1 표본의 기초통계 분석 82
• 5.1.1 기술통계 및 상관관계 분석 82
• 5.2 신뢰도 및 타당도 검증 83
• 5.2.1 신뢰도 검증 83
• 5.2.2 타당성 검증 84
• 5.3 연구가설 검증 87
• 5.3.1 다중회귀분석 87
• 5.3.2 독립표본 t-검증 실험집단과 통제집단 차이 검증 90
• 제6장 연구의 결론 및 제언 93
• 6.1 연구의 결론 93
• 6.2 연구의 한계 및 제언 100
• 참고문헌 103
• 부록: 설문지 130