earticle

영어

Recent advances in machine learning and its infrastructure have raised expectations for improving effectiveness through early intervention from accurate predictions. However, further efforts are needed to develop predictive models using new techniques and applying them in real educational settings. This study involves creating various classification models, assessing their performance, and selecting the best model for applying Explainable Artificial Intelligence (XAI) techniques, to aid understanding and use in educational contexts. Five models including GBM, Random Forest, GLM, FNN, and Stacked Ensemble are created, all fine-tuned using H2O AutoML. The best model achieved an impressive AUCPR of over 95%. Based on the best model, we applied various XAI techniques such as Permutation Importance, ALE, SHAP, and iBreakdown. This study has practical significance in that it applies various XAI techniques and suggests ways to utilize them to respond to different needs arising in the field of education.

한국어

최근 기계학습과 이를 지원하는 인프라의 발달로 인해 고성능의 예측을 보다 조기에 실행함으로써 조기 개입을 통한 효과성 증대 가 기대되고 있다. 그러나 여전히 다양한 신규 기술을 활용한 예측 모델 개발과 실제 교육 환경에의 적용 노력이 필요하다. 본 연구 에서는 실제 교육 데이터를 활용하여 분류 모델을 생성하고, XAI 기법을 적용해 대학생의 학업성취도 예측 및 영향요인을 분석한 다. GBM, Random Forest, GLM, FNN, Stacked Ensemble 등 5가지 모델은 H2O AutoML을 통해 자동 하이퍼파라미터 튜닝을 거쳤으 며, 최종 분류 모델은 95% 이상의 높은 AUCPR을 나타냈다. 이후 가장 높은 성능의 모델을 선택하여 순열 중요도, ALE, SHAP, iBreakdown 등 다양한 XAI 기법을 적용해 생성된 모델을 해석했다. 설명을 위해 단일 기법을 적용한 기존 연구들과는 달리 본 연구 는 교육 분야에서 발생하는 각기 다른 요구들에 대응할 수 있도록 다양한 XAI 기법을 적용하고 그 활용방안을 제시한다는 점에서 실용적인 중요성을 갖는다.