정정논문
2022, vol.22 no.11 pp: 831 ~ 849
초록 열기/닫기 버튼
목적 본 연구는 대학 교육의 대표적인 교육성과지표인 대학생의 핵심역량을 예측하여 핵심역량 기반 교육과정 개발 및 운영에 대한시사점을 제시하기 위한 목적으로 수행되었다. 방법 분석 대상은 부산권 소재 D대학교 재학생의 지난 3년간(2019년~2021년)의 핵심역량진단조사(D-CODA) 결과 패널 데이터이며, 핵심역량을 예측하기 위하여 머신러닝 예측모형인 다중선형회귀분석(LR), 랜덤포레스트(RF), 서포트벡터머신(SVM)을 활용하였다. 결과 연구결과는 다음과 같이 도출되었다. 첫째, 각 핵심역량의 최적 예측 모형은 다음과 같다. 전문성역량은 RF(랜덤포레스트)모형으로 나타났으며 인성역량은 SVM(서포트 백터머신)으로, 창의역량은 RF(랜덤포레스트)모형으로 나타났다. 도전역량과 글로컬역량은 SVM(서포트 백터머신)모형이, 소통역량은 LR(다중선형회귀분석) 모형으로 나타났다. 둘째, 머신러닝 학습을 통한 각 핵심역량 예측에 영향력이 높은 역량을 분석한 결과, 전문성 역량 예측에는 전문성역량이, 인성역량 예측이 있어서는 인성역량과 소통역량이 함께 기여하는 것으로 나타났다. 창의역량을 예측하는데 창의역량지표와 전문성역량지표로 나타났다. 이는 창의역량을 예측하는 데 있어 창의성 뿐만 아니라 전문성 역량도 영향을 미치고 있음을 나타낸다. 도전역량에 가장 높은 기여도를 보인 것은 도전역량지표로 나타났으며. 글로컬역량을 예측하는 데 있어 글로컬역량지표가 가장 높은 기여도를 보였으며, 소통역량을 예측하는데 가장영향을 높게 미친 것은 소통역량지표와 인성역량지표로로 나타났다. 셋째, 전체 핵심역량 지표를 예측하기 위한 모형 분석에서 최적의 예측모형은 가장 오차가 적은 RF(랜덤포레스트)모형으로 나타났다. 넷째, 2022년 핵심역량지표 예측에서 전문성, 인성, 창의성, 도전 역량은 2021년 대비 향상될 것으로 예측되었고, 글로컬 및 소통역량은 2021년도와 같을 것으로 예측되었다. 또한, 예측된역량의 성별차이가 있는 것으로 나타났다. 결론 본 연구를 통하여 축적된 핵심역량 데이터와 머신러닝을 활용한 분석이 대학생의 핵심역량을 예측하고 분별하는 데 유용함을밝혀내었다. 본 연구 결과를 바탕으로 대학 차원에서의 주기적인 핵심역량 지표 관리의 중요성을 제시하고, 교과 및 비교과 과정에핵심역량 기반 교육과정 설계의 근거를 제시하였다는 점에서 그 의의가 있다.
Objectives The purpose of this study was to present implications for the development and operation of the core competency-based curriculum by predicting the core competency of college students. Methods The panel data of the D-CODA result panel data for the past 3 years (2019-2021) of D-University students located in the Busan area were analyzed. Machine learning prediction models such as multiple linear regression analysis (LR), random forest (RF), and support vector machine (SVM), were used to predict core competencies. Results The following research results were derived from the study. First, the optimal prediction model for each core competency is as follows. Professional competency was shown in the RF (random forest) model, personality competency in SVM (support vector machine), creative competency in the RF (random forest) model, challenge competency and glocal (global and local) competency in the SVM (support vector machine) model, and communication competency in the LR (multi-linear regression analysis) model. Second, in the analysis of competencies, it was found that professional competency contributes to the prediction of professional competency, and both personality competency and communication competency to that of personality competency. Third, in the model analysis to predict the overall core competency index, the optimal predictive model was found to be the RF (random forest) model which showed the least error. Fourth, in the prediction of key competency indicators in 2022, it is predicted that expertise, personality, creativity, and challenging competency will improve. Conclusions This study revealed that the analysis using accumulated core competency data and machine learning is useful in predicting and discriminating the core competency of college students. This study is meaningful in that it suggests the importance of periodic core competency index management at the university level and provides the basis for designing a core competency-based curriculum.
키워드열기/닫기 버튼
University students, core competency index, machine learning, predictive model
