earticle

영어

Predicting students' academic achievement in advance and providing tailored support enhance learning quality and promote success. However, academic performance is influenced by complex factors, making accurate prediction challenging. While previous studies have used longitudinal data to explore key variables, recent advancements in machine learning improve accuracy by analyzing multiple factors and nonlinear relationships. In particular, SHAP-based studies enhance model interpretability and visualize key educational insights. This study uses data from the Daegu Education Longitudinal Study to analyze students’ academic performance over time and identify key predictors in Korean and mathematics, contributing to the early detection of underachievement.

한국어

학생의 학업 성취를 사전에 예측하여 맞춤형 피드백과 지원을 제공하는 것은 학습 경험의 질을 향상시키고, 높은 성취를 유도하는 데 중요한 역할을 한다. 그러나 학업 성취도는 다양한 요인이 복합적으로 얽혀 있어 정확 한 예측이 어렵다. 기존 연구에서는 주로 종단연구 데이터를 활용하여 학업 성취에 영향을 미치는 변인을 탐색 해 왔으며, 최근에는 머신러닝 기법의 발전으로 다수의 변인과 비선형 관계를 동시에 분석함으로써 성취도 예측 의 정확성이 향상되고 있다. 특히, SHAP 지수를 활용한 연구를 통해 모델의 설명력을 높이고, 주요 변인의 교 육적 시사점을 시각화하는 시도가 이루어지고 있다. 본 연구는 대구교육종단연구 데이터를 활용하여 학생의 성 취도 변화를 시계열적으로 분석하고, 국어 및 수학 교과의 성취도 변화를 예측하는 주요 변인을 도출하여 학습 부진을 조기에 식별하는 데 기여하고자 한다.