컴퓨터공학 전공 학생의 절반 가까이가 학업을 중도에 포기한다는 통계가 있다. 이 문제를 해결하기 위해 영국 한 대학 연구자가 3년치 학습 데이터 1만여 건을 분석해 학생 참여를 결정하는 핵심 요인 8가지를 밝혀냈다.
Hafsa Al Ansari는 2023년 IEEE 글로벌 공학교육 학술대회에서 영국 허더즈필드 대학교 컴퓨터공학과 학부생을 대상으로 한 탐색적 사례 연구를 발표했다. 이 연구는 학습분석 맥락에서 학생 동기 요인을 체계적으로 분석해 유지율 향상과 참여도 제고를 위한 실질적 모델을 개발하는 것을 목표로 했다.
연구는 혼합 연구 방법론을 채택했다. 설문 조사와 심층 인터뷰를 통해 학생들의 주관적 동기 요인을 수집하는 한편,2018년부터 2021년까지 4년간 축적된 가상 학습 환경기록 1만여 건을 정량적으로 분석했다. 이론적 틀로는 자기결정이론이 활용됐다.
분석 결과, 컴퓨터공학과 학생의 참여도와 최종 성적에 유의미한 영향을 미치는 8가지 핵심 요인이 도출됐다. 이 요인들은 순수하게 인지적인 측면만이 아니라, 소속감·자율성·유능감 등 비인지적 심리 요인까지 포괄한다. 즉, 학생이 얼마나 수업 내용을 이해하느냐만큼이나, 얼마나 학과에 소속감을 느끼고 자기 효능감을 갖느냐가 학업 성취에 결정적 역할을 한다는 것이다.
이 연구의 독창성은 단순히 요인을 나열하는 데 그치지 않고, 식별된 요인들을 학습분석 도구 설계에 직접 적용할 수 있는 모델로 발전시켰다는 점에 있다. 연구자는 미래의 학습분석 시스템 개발자들이 인간 중심 설계 방식을 채택해 인지적·비인지적 요인을 모두 반영해야 한다고 강조했다. 이를 통해 단순히 학습 행동을 추적하는 도구가 아닌, 학생의 동기와 참여 심리를 이해하는 지능형 학습분석 시스템을 만들 수 있다.
실제 교육 현장에 주는 함의도 크다. 컴퓨터공학과처럼 탈락률이 높은 전공에서는 학생 참여도를 조기에 모니터링하고, 위험 신호를 보이는 학생에게 맞춤형 개입을 제공하는 체계가 필요하다. 이 연구가 제시하는 8가지 요인 기반 모델은 그러한 조기 경보 시스템의 설계 근거가 될 수 있다.
출처: Al Ansari,H.. Exploring Computer Science student engagement factors within the learning analytics context to increase their academic achievement. 2023 IEEE Global Engineering Education Conference, pp. 1-3. https://doi.org/10.1109/EDUCON54358.2023.10125203
Nearly half of computer science students drop out before completing their degree. To understand why — and what can be done — a UK researcher dug into three years of student learning data and surfaced eight factors that significantly drive engagement and academic outcomes.
Hafsa Al Ansari presented the findings at the 2023 IEEE Global Engineering Education Conference (EDUCON), reporting on an exploratory case study conducted within the Computer Science Department at the University of Huddersfield. The study set out to develop a model of student motivation factors within a learning analytics context, with the explicit goal of improving student retention and academic achievement.
The research employed a mixed-method approach. Qualitative data were collected via surveys and interviews to capture students' subjective motivational experiences. These were combined with quantitative analysis of more than 10,000 virtual learning environment (VLE) records spanning 2018 to 2021. The theoretical foundation was Self-Determination Theory (SDT), which frames motivation around the psychological needs for autonomy, competence, and relatedness.
The analysis identified eight significant factors that affect CS student engagement and, consequently, their final grades. Crucially, these factors span both cognitive and non-cognitive domains. Academic performance is shaped not only by content comprehension but also by psychological variables — students' sense of belonging, confidence in their abilities, and degree of autonomous motivation. In other words, how a student feels about their program matters as much as how well they understand the coursework.
A key contribution of the study is that it goes beyond listing factors to offer an actionable model for learning analytics tool design. Al Ansari argues that future designers of learning analytics systems should adopt a human-centered design approach that incorporates both cognitive and non-cognitive factors. This would produce tools capable of understanding student motivation rather than merely tracking behavior.
The practical implications are especially relevant for high-attrition programs like computer science. Early monitoring of the eight identified engagement factors — paired with targeted support for students showing warning signs — could form the basis of an effective early-alert system. The model provides a concrete starting point for institutions seeking to raise retention rates and academic achievement through data-informed intervention.
Source: Al Ansari, H. (2023). Exploring Computer Science student engagement factors within the learning analytics context to increase their academic achievement. 2023 IEEE Global Engineering Education Conference (EDUCON), pp. 1-3. https://doi.org/10.1109/EDUCON54358.2023.10125203
