학생이 수업에 실제로 참여하고 있는지를 어떻게 알 수 있을까. 출석 여부나 클릭 기록만으로는 부족하다. 말레이시아 연구팀이 머신러닝을 활용해 학생 참여도를 93%의 정확도로 예측하는 모델을 개발했다.
2024년 국제 인공지능·데이터과학 학술대회에 발표된 이 연구는 온라인과 대면 학습 환경 모두에서 학생 참여도에 영향을 미치는 요인을 체계적으로 분석했다. R. Hanapi, Mohd Norhisham Razali 등 연구팀은 수업 흥미도, 출석률, 학업 노력도, 기술 숙련도 등 다양한 학생 속성 데이터를 수집해 분석에 활용했다.
연구 절차는 크게 네 단계로 구성됐다. 먼저 결측값 처리와 정규화를 통한 데이터 전처리,정보 이득과 상관관계 분석을 활용한 핵심 예측 요인 선별, 다양한 분류 알고리즘을 통한 예측 모델 구축, 마지막으로 정확도·정밀도·재현율·F1 점수를 통한 모델 성능 평가가 이루어졌다.
결과는 매우 구체적이었다. 학생 참여도에 가장 강한 영향을 미치는 요인은 수업에 대한 흥미도, 출석률, 기술 숙련도로 확인됐다. 예측 모델 중에서는 로지스틱 회귀 분석이 93.30%의 분류 정확도로 가장 우수한 성능을 보였다. 이는 단순한 통계 분석을 넘어, 특정 학생이 낮은 참여도를 보일 위험을 사전에 식별할 수 있다는 의미다.
연구팀은 데이터 시각화를 통한 추세 분석도 병행해, 참여도 변화 패턴을 시각적으로 파악할 수 있는 접근법을 제시했다. 이를 통해 특정 시기나 수업 유형에서 참여도가 저하되는 패턴을 조기에 발견할 수 있다.
이 연구의 실용적 가치는 크다. 참여도가 낮은 학생 집단을 조기에 식별하고, 이에 맞는 맞춤형 교육 개입을 설계할 수 있는 근거를 제공하기 때문이다. 예컨대 기술 숙련도가 낮은 학생에게는 별도의 디지털 리터러시 지원을, 흥미도가 낮은 과목에서는 교수법 개선을 우선 검토할 수 있다.
연구팀은 머신러닝이 온라인 학습 환경에서 학생 행동 패턴을 파악하고 예측하는 데 매우 효과적이라고 강조하며, 교육 설계자들이 이 같은 데이터 기반 접근을 적극 도입할 것을 권고했다.
출처: Hanapi,R. et al.. From Clicks to Class Participation:Demystifying Student Engagement Factors with Attribute Ranking and Predictive Analytics. 2024 5th International Conference on Artificial Intelligence and Data Sciences, pp. 208-213. https://doi.org/10.1109/AiDAS63860.2024.10730411
What truly drives a student to engage — not just click, but actively participate? A research team from Malaysia turned to machine learning to find out, and the results were both precise and actionable.
Presented at the 2024 International Conference on Artificial Intelligence and Data Sciences (AiDAS), the study applied machine learning techniques and attribute ranking to analyze student engagement levels across both online and face-to-face learning environments. The team, led by R. Hanapi and Mohd Norhisham Razali, collected data on diverse student attributes including class interest, attendance, effort, and technology proficiency.
The research followed a structured pipeline: data preprocessing to handle missing values and normalize attributes; attribute selection using Information Gain and Correlation analysis to identify key predictors; classification model training; and performance evaluation using accuracy, precision, recall, and F1-score metrics. Trend analysis via data visualization was also performed to uncover engagement patterns over time.
The findings were clear and quantifiable. The most influential predictors of student engagement were class interest, attendance, and technology proficiency. Among the classification models tested, Logistic Regression achieved the highest performance, yielding a 93.30% classification accuracy. This level of precision means the model can reliably flag students at risk of disengagement before their performance deteriorates.
The trend analysis further revealed temporal and contextual patterns in engagement, giving educators a tool not just for prediction but for understanding when and where disengagement tends to emerge.
The practical implications are substantial. With reliable engagement prediction, educational institutions can design targeted interventions — supplemental digital literacy support for students with low technology proficiency, pedagogical adjustments in courses where interest scores are systematically low, or early outreach for students whose attendance trends downward.
The authors underscore that machine learning is particularly effective at discerning subtle behavioral patterns in virtual learning environments, and they call on curriculum designers to incorporate data-driven approaches into educational decision-making.
Source: Hanapi, R. et al. (2024). From Clicks to Class Participation: Demystifying Student Engagement Factors with Attribute Ranking and Predictive Analytics. 2024 5th International Conference on Artificial Intelligence and Data Sciences (AiDAS), pp. 208-213. https://doi.org/10.1109/AiDAS63860.2024.10730411
