A study on development of support index for supporting adaptive and preventive counseling based on logit model

2019, 30

2)

323–333

로짓모형을 적용한 학생 맞춤형 예방상담지원 서포트지수 개발 연구

ᄉ

ᅵᆫ희건

¹

²

1동서대학교 간호학과 · ²동서대학교 메카트로닉스 융합공학부

ᄌ ᅥ

ᆸᄉ ᅮ 2019ᄂ ᅧ ᆫ 1ᄋ ᅯ ᆯ 17ᄋ ᅵ ᆯ, ᄉ ᅮᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 1ᄋ ᅯ ᆯ 31ᄋ ᅵ ᆯ, ᄀ ᅦᄌ ᅢ ᄒ ᅪ ᆨᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 1ᄋ ᅯ ᆯ 31ᄋ ᅵ ᆯ

요 약

ᄇ

ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄋ ᅦᄉ ᅥᄂ ᅳ ᆫ ᄒ ᅡ ᆨᄉ ᅢ ᆼᄋ ᅵ ᄃ ᅢᄒ ᅡ ᆨᄉ ᅢ ᆼᄒ ᅪ ᆯ ᄋ ᅦᄉ ᅥ ᄌ ᅥ ᆸᄒ ᅡᄀ ᅦ ᄃ ᅬᄂ ᅳ ᆫ ᄀ ᅢᄋ ᅵ ᆫᄐ ᅳ ᆨᄉ ᅥ ᆼᄋ ᅭᄋ ᅵ ᆫᄃ ᅳ ᆯᄋ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄋ ᅧ ᄒ ᅡ ᆨᄉ ᅢ ᆼᄉ ᅡ ᆼᄃ ᅡ ᆷᄌ ᅵᄋ ᅯ ᆫᄋ ᅳ ᆯ ᄋ ᅱ ᄒ ᅡ

ᆫ ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮ (support index)ᄅ ᅳ ᆯ ᄀ ᅢᄇ ᅡ ᆯ, ᄒ ᅪ ᆯᄋ ᅭ ᆼ ᄒ ᅡ ᆷᄋ ᅳᄅ ᅩᄊ ᅥ ᄉ ᅡ ᆼᄃ ᅡ ᆷᄌ ᅵᄋ ᅯ ᆫ ᄋ ᅴ ᄒ ᅭᄋ ᅲ ᆯᄉ ᅥ ᆼᄋ ᅳ ᆯ ᄀ ᅵᄒ ᅡᄀ ᅩᄌ ᅡ ᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄉ ᅥᄑ ᅩ ᄐ

ᅳᄌ ᅵᄉ ᅮᄂ ᅳ ᆫ ᄒ ᅡ ᆨᄉ ᅢ ᆼ ᄀ ᅢᄀ ᅢᄋ ᅵ ᆫᄋ ᅵ ᄃ ᅡᄋ ᅣ ᆼᄒ ᅡ ᆫ ᄋ ᅧᄀ ᅥ ᆫᄋ ᅦᄉ ᅥ ᄌ ᅦᄌ ᅥ ᆨᄀ ᅪ ᄌ ᅡᄐ ᅬᄋ ᅴ ᄌ ᅮ ᆼ ᄃ ᅩᄐ ᅡ ᆯᄅ ᅡ ᆨ ᄒ ᅡ ᆯ ᄀ ᅡᄂ ᅳ ᆼᄉ ᅥ ᆼᄋ ᅳ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯ ᄅ ᅩᄉ ᅥ ᄂ ᅡᄐ ᅡᄂ ᅢ ᆫ ᄀ ᅡ ᆹ ᄋ

ᅳᄅ ᅩ ᄌ ᅥ ᆼᄋ ᅴᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮ ᄀ ᅢᄇ ᅡ ᆯᄋ ᅳ ᆯ ᄋ ᅱᄒ ᅢ A ᄃ ᅢᄒ ᅡ ᆨᄋ ᅴ ᄎ ᅬ ᄀ ᅳ ᆫ 6ᄂ ᅧ ᆫᄀ ᅡ ᆫ ᄌ ᅮ ᆼ ᄃ ᅩᄐ ᅡ ᆯᄅ ᅡ ᆨ ᄀ ᅪ ᆫᄅ ᅧ ᆫ ᄌ ᅡᄅ ᅭᄅ ᅳ ᆯ ᄒ ᅮ ᆫᄅ ᅧ ᆫ ᄃ ᅦᄋ ᅵᄐ ᅥ (training data)ᄅ ᅩ ᄒ ᅡ ᆨᄉ ᅳ ᆸ ᄒ ᅡ ᆫ ᄀ ᅧ ᆯᄀ ᅪᄅ ᅳ ᆯ ᄇ ᅡᄐ ᅡ ᆼᄋ ᅳᄅ ᅩ, ᄌ ᅢᄒ ᅡ ᆨᄉ ᅢ ᆼ ᄑ ᅩᄒ ᅡ ᆷ ᄎ ᅩ ᆼ 20,419ᄆ ᅧ ᆼᄋ ᅴ ᄌ ᅡᄅ ᅭᄅ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅦ ᄒ ᅪ ᆯᄋ ᅭ ᆼ ᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ.

ᄃ

ᅢᄒ ᅡ ᆨᄉ ᅢ ᆼᄋ ᅴ ᄀ ᅢᄋ ᅵ ᆫᄐ ᅳ ᆨᄉ ᅥ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅳᄅ ᅩ ᄒ ᅡ ᆨᄋ ᅥ ᆸ, ᄀ ᅧ ᆼᄌ ᅦᄌ ᅥ ᆨ ᄋ ᅧᄀ ᅥ ᆫ, ᄉ ᅵ ᆷᄅ ᅵᄌ ᅥ ᆨ ᄋ ᅭᄋ ᅵ ᆫ, ᄃ ᅢᄒ ᅡ ᆨᄉ ᅢ ᆼᄒ ᅪ ᆯᄒ ᅪ ᆫᄀ ᅧ ᆼ ᄋ ᅭᄋ ᅵ ᆫᄋ ᅳ ᆯ ᄉ ᅥ ᆯᄆ ᅧ ᆼᄇ ᅧ ᆫᄉ ᅮᄅ ᅩ ᄉ ᅥ ᆯᄌ ᅥ ᆼᄒ ᅡ ᄀ

ᅩ, ᄒ ᅡ ᆨᄉ ᅢ ᆼᄋ ᅴ ᄒ ᅡ ᆨᄋ ᅥ ᆸᄌ ᅵᄉ ᅩ ᆨ ᄆ ᅵ ᆾ ᄌ ᅮ ᆼ ᄃ ᅩᄐ ᅡ ᆯᄅ ᅡ ᆨᄋ ᅳ ᆯ ᄋ ᅵᄒ ᅡ ᆼᄇ ᅡ ᆫᄋ ᅳ ᆼᄇ ᅧ ᆫᄉ ᅮ (binary response variable)ᄅ ᅩ logistic regression (logit model)ᄋ ᅳ ᆯ ᄐ ᅩ ᆼ ᄒ ᅢ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄇ ᅮ ᆫᄉ ᅥ ᆨᄀ ᅧ ᆯᄀ ᅪ ᄎ ᅥ ᆺᄍ ᅢ, ᄐ ᅮᄋ ᅵ ᆸᄃ ᅬ ᆫ ᄉ ᅥ ᆯᄆ ᅧ ᆼᄇ ᅧ ᆫᄉ ᅮ (ᄃ ᅳ ᆼᄅ ᅩ ᆨ ᄒ ᅡ ᆨᄀ ᅵᄉ ᅮ, ᄒ ᅲᄒ ᅡ ᆨᄒ ᅬ ᆺ ᄉ ᅮ, ᄑ ᅧ ᆼᄌ ᅥ ᆷᄑ ᅧ ᆼ ᄀ

ᅲ ᆫ, ᄒ ᅡ ᆨᄉ ᅡᄀ ᅧ ᆼᄀ ᅩᄉ ᅮ, ᄀ ᅧ ᆼᄌ ᅦᄋ ᅭᄋ ᅵ ᆫ1 (ᄀ ᅥ ᆫᄉ ᅮ), ᄌ ᅡ ᆼᄒ ᅡ ᆨᄉ ᅮᄒ ᅨ ᄒ ᅬ ᆺ ᄉ ᅮ, ᄆ ᅧ ᆫᄃ ᅡ ᆷ ᄒ ᅬ ᆺ ᄉ ᅮ ᄃ ᅳ ᆼ)ᄂ ᅳ ᆫ ᄆ ᅩᄒ ᅧ ᆼᄌ ᅥ ᆨᄒ ᅡ ᆸᄋ ᅦᄉ ᅥ ᄋ ᅲᄋ ᅴᄒ ᅡᄀ ᅦ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ (p < .001). ᄃ ᅮ ᆯ ᄍ ᅢ, ᄉ ᅳ ᆼ ᄉ ᅡ ᆫᄇ ᅵᄅ ᅳ ᆯ ᄀ ᅩᄅ ᅧᄒ ᅡ ᆯ ᄄ ᅢ ᄒ ᅲᄒ ᅡ ᆨᄒ ᅬ ᆺ ᄉ ᅮ, ᄒ ᅡ ᆨᄉ ᅡᄀ ᅧ ᆼᄀ ᅩᄉ ᅮ, ᄀ ᅧ ᆼᄌ ᅦᄋ ᅭᄋ ᅵ ᆫ1 (ᄀ ᅥ ᆫᄉ ᅮ)ᄋ ᅳ ᆫ ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮᄋ ᅦ ᄀ ᅡ ᆼᄒ ᅡ ᆫ ᄋ

ᅣ ᆼᄋ ᅴ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄆ ᅧ, ᄃ ᅳ ᆼᄅ ᅩ ᆨ ᄒ ᅡ ᆨᄀ ᅵᄉ ᅮ, ᄑ ᅧ ᆼᄌ ᅥ ᆷᄑ ᅧ ᆼᄀ ᅲ ᆫ, ᄌ ᅡ ᆼᄒ ᅡ ᆨᄉ ᅮᄋ ᅧ ᄒ ᅬ ᆺ ᄉ ᅮᄂ ᅳ ᆫ ᄋ ᅳ ᆷ ᄋ ᅴ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄀ ᅥ ᆺᄋ ᅳᄅ ᅩ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ. ᄉ ᅦ ᆺ ᄍ

ᅢ, ᄀ ᅧ ᆼᄌ ᅦᄋ ᅭᄋ ᅵ ᆫ2(ᄀ ᅳ ᆷᄋ ᅢ ᆨ)ᄋ ᅪ ᄌ ᅡ ᆼᄒ ᅡ ᆨᄎ ᅩ ᆼᄋ ᅢ ᆨᄋ ᅳ ᆫ ᄆ ᅩᄒ ᅧ ᆼᄌ ᅥ ᆨᄒ ᅡ ᆸ ᄀ ᅧ ᆯᄀ ᅪ ᄋ ᅲᄋ ᅴᄒ ᅡ ᆫ ᄋ ᅭᄋ ᅵ ᆫᄋ ᅳᄅ ᅩ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄋ ᅳᄂ ᅡ ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮᄋ ᅦ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ

ᅵᄎ ᅵᄂ ᅳ ᆫ ᄇ ᅡᄂ ᅳ ᆫ ᄆ ᅵᄆ ᅵᄒ ᅡ ᆫ ᄀ ᅥ ᆺᄋ ᅳᄅ ᅩ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ. ᄋ ᅵᄋ ᅪ ᄀ ᅡ ᇀᄋ ᅳ ᆫ ᄀ ᅧ ᆯᄀ ᅪᄅ ᅳ ᆯ ᄇ ᅡᄐ ᅡ ᆼᄋ ᅳᄅ ᅩ ᄒ ᅡ ᆨᄉ ᅢ ᆼᄉ ᅡ ᆼᄃ ᅡ ᆷᄌ ᅵᄋ ᅯ ᆫ ᄋ ᅵ ᄑ ᅵ ᆯᄋ ᅭᄒ ᅡ ᆫ ᄌ ᅥ ᆼᄃ ᅩᄅ ᅳ ᆯ ᄂ ᅡ ᄐ

ᅡᄂ ᅢᄂ ᅳ ᆫ ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮᄋ ᅴ ᄎ ᅮᄌ ᅥ ᆼᄀ ᅪ, ᄋ ᅵᄅ ᅳ ᆯ ᄀ ᅵᄇ ᅡ ᆫᄋ ᅳᄅ ᅩ ᄒ ᅡ ᆨᄉ ᅢ ᆼᄉ ᅡ ᆼᄃ ᅡ ᆷᄌ ᅵᄋ ᅯ ᆫ ᄋ ᅦᄉ ᅥᄋ ᅴ ᄒ ᅭᄋ ᅲ ᆯᄉ ᅥ ᆼᄋ ᅳ ᆯ ᄌ ᅳ ᆼ ᄃ ᅢᄒ ᅡᄀ ᅵ ᄋ ᅱᄒ ᅡ ᆫ ᄇ ᅡ ᆼᄋ ᅡ ᆫᄋ ᅳ ᆯ ᄌ ᅦ ᄉ

ᅵᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ.

ᄌ

ᅮᄋ ᅭᄋ ᅭ ᆼ ᄋ ᅥ: ᄅ ᅩᄌ ᅵᄉ ᅳᄐ ᅵ ᆨᄒ ᅬᄀ ᅱ, ᄅ ᅩᄌ ᅵ ᆺᄆ ᅩᄒ ᅧ ᆼ, ᄉ ᅥᄑ ᅩᄐ ᅳᄌ ᅵᄉ ᅮ, ᄋ ᅨᄇ ᅡ ᆼᄉ ᅡ ᆼᄃ ᅡ ᆷ, ᄌ ᅵᄃ ᅩᄒ ᅡ ᆨᄉ ᅳ ᆸ.

1. 머리말 이

ᆯ반적으로 대학생활 동안 학생들은다양한 어려움겪게 되고, 이러한 어려움은대학 내 여러 부류의 ᄀ

ᅩ충해결을위한 조직에서 지원하는 상담과 문제해결을 위한 프로그램에의 참여를 통하여 경감되거나 ᄒ

ᅢ소되는과정을거치게된다.

흐

ᆫ히, 대학의 학생전문상담지원조직으로는학생상담센터가 설치되어 운영되고 있으며, 여기에는 심 ᄅ

ᅵ상담 등의 전문상담을 지원하는전문인력이 배치되어 있다. 또한, 대학마다 차이는 있으나 진로상담 미

ᆾ 학습지원과 장학지원상담을별도의 조직으로 운영하기도 한다.

ᄎ

ᅬ근 통계에 의하면 전국대학의 상담센터 설치현황은 2014년 56개에서 2017년 190개로 크게 늘어났 ᄃ

ᅡ. 이는각종대학평가와관련하여 양적으로 늘어난 측면도 있으나, 실질적으로 대학생의 상담에 대한 ᄉ

ᅮ요가 그만큼 늘어난 것으로 보여진다.

1

(47011) ᄇ ᅮᄉ ᅡ ᆫ ᄀ ᅪ ᆼᄋ ᅧ ᆨᄉ ᅵ ᄉ ᅡᄉ ᅡ ᆼᄀ ᅮ ᄌ ᅮᄅ ᅨᄅ ᅩ 47, ᄃ ᅩ ᆼ ᄉ ᅥᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄀ ᅡ ᆫᄒ ᅩᄒ ᅡ ᆨᄀ ᅪ, ᄌ ᅩᄀ ᅭᄉ ᅮ.

2

ᄀ ᅭᄉ ᅵ ᆫᄌ ᅥᄌ ᅡ: (47011) ᄇ ᅮᄉ ᅡ ᆫ ᄀ ᅪ ᆼᄋ ᅧ ᆨᄉ ᅵ ᄉ ᅡᄉ ᅡ ᆼᄀ ᅮ ᄌ ᅮᄅ ᅨᄅ ᅩ 47, ᄃ ᅩ ᆼ ᄉ ᅥᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄆ ᅦᄏ ᅡᄐ ᅳᄅ ᅩᄂ ᅵ ᆨᄉ ᅳ ᄋ ᅲ ᆼ ᄒ ᅡ ᆸᄀ ᅩ ᆼ ᄒ ᅡ ᆨᄇ ᅮ, ᄀ ᅭᄉ ᅮ.

E-mail: [email protected]

Figure 1.1 Distribution of dropout causes in university students (2018 Publication)

ᄃ

ᅢ학 내 전문상담센터 운영의 어려운 문제 중하나는전문인력 부족이며, 적시에 적합한 상담이 이루 ᄋ

ᅥ지지 못하면 상담수요자의 만족도가 떨어지게 되고, 궁극적으로 학생의 어려움해소에 실패할 경우에 ᄒ

ᅡᆨ생의 중도탈락으로 이어지기도 한다.

ᄋ

ᅵ렇듯대학 내 전문상담지원조직의 원활한 운영은학생의 대학생활만족도 향상과 더불어 학생복지 미

ᆾ 중도탈락 예방의관점에서도 중요한 요소가 되고 있다.

ᄒ

ᅡᆫ편, 중도탈락은학생이 제적과 자퇴의 사유로 소속되어 있는학교의 학적을확정적으로 상실한 상태 ᄅ

ᅩ 정의되는데, 중도탈락률은대학의 학생지원과 이를 통한 학생의 대학생활만족도의 중요한 척도가된 ᄃ

ᅡ. 대학알리미 공시자료의 2016년 전국대학의 중도탈락률은전국평균 4.09% (사이버대학 및 방송통 ᄉ

ᅵᆫ대학을제외한 4년제 대학), 2017년 4.14%, 2018년 4.28%로 계속 증가되는추세이다. 중도탈락의 원 ᄋ

ᅵᆫ으로는 Figure 1.1과 같이 자퇴 (52.8%), 미복학 (30.0%), 미등록 (9.5%),학사경고 (3.2%), 수업연 ᄒ

ᅡᆫ초과 (0.3%), 기타 (4.1%)의 순으로 나타났다.

주

ᆼ도탈락의 근본적인 원인은 크게 개인특성요인과 대학특성요인으로 나누어 볼 수 있는데, 개인특 서

ᆼ요인으로는 대학평균학점, 경제적 요인 (Oh, 2005), 진로 고민 (Youn과 Jang, 2015), 심리적 요인 (Lee, 2006),대학생활및 전공만족도 (Lim과 Kwak, 2011; Kang, 2010; Kim, 2008) 등을 들수 있고, ᄃ

ᅢ학특성요인으로는 대학의 교육여건, 대학의 평판도, 인지도 및 이미지 등 (Jung, Sun과 Kim, 2015;

Stoecker, Pascarella과 Wolfle, 1988)이 있다.

ᄃ

ᅢ학생의 중도탈락은학생 개인에게 중요한 문제인 동시에 대학 차원에서도 정책적 지원과 개선이 필 ᄋ

ᅭ한 문제이다. 이에 대한 대학 차원의 노력은 중장기적 투자와 대학교육의 질적 수준향상으로 평판도 ᄌ

ᅦ고가 뒷받침되어야 한다.

보

ᆫ 연구에서는 학생 개인의관련 요인에 초점을맞추고자 하며 그 방안으로 대학생활에서 보다 많은 ᄋ

ᅥ려움 (높은 서포트지수)을 겪고 있는 학생들에게 우선적으로 맞춤형 예방상담지원과 이에 요구되는 ᄌ

ᅥᆨ합한 프로그램을제공함으로써 학생이 경험하고 있는어려움해결에 도움이 되고, 학업에의 중도탈락 으

ᆯ최소화하는효율적 학생상담지원체계를제안하고자 한다.

2. 연구 방법

2.1. 분석자료 보

ᆫ연구에서는서포트지수 개발을위해 A 대학의 정보관리시스템에 상시적으로 입력/관리되고 있는 저

ᆼ보를 수집하여 정의된변수로활용하였다. 최근 6년간 중도탈락관련 자료를 훈련 데이터 (training data)로 학습한 결과를 바탕으로, 재학생 포함 총 20,419명의 자료를 분석에활용하였다. 분석에활용 되

ᆫ주요 변수는대학생의 개인특성요인으로 학업관련 변수 (평점평균,학사경고횟수, 정규학기등록횟수, ᄀ

ᅨ절학기등록횟수), 경제적 요인 변수 및 장학금정보 (회수,금액))를고려하였으며, 상담횟수 및 그 외 ᄃ

ᅢ학생활관련 정보로는휴학횟수 (군휴학 제외), 등록학기수가 설명변수로 고려되었다. 또한, 학생의 ᄒ

ᅡᆨ업지속 및 중도탈락을이항반응변수 (binary response variable)로활용하였다.

2.2. 분석방법 ᄇ

ᅩᆫ 연구에서 다루고자 하는 문제를 분석하기 위해 로지스틱회귀분석 (MINITAB ver. 17, Binary Logistic Regression Analysis)의 로짓모형 (logit model)을활용하였다.

ᄅ

ᅩ짓모형 (logit model)은 다수의 설명변수에 대하여 이항 (또는 다항)반응 변수의 변화를 오즈 (odds)에 대한 로짓 (log unit)변환을 통하여 로지스틱 회귀모형으로 설명하고자 할 때 활용하게 되 ᄂ

ᅳᆫ대표적인 지도학습 (supervised learning) 모형으로 Park과 Han (2017), Han과 Jeong (2016) 및 Choi와 Min (2016) 등의 연구에서 로지스틱 회귀모형을활용하여 이항 또는다항 반응변수에 대한 모 ᄃ

ᅦᆯ링으로 다양한 예측모형과 예측방안을제시하고 있다.

2.3. 로짓모형의 적용 방법 ᄋ

ᅮ선 학생들이 다양한 사유 (x1,x2, · · ·,xk)의 어려움으로 학업을 중단하고 이탈하는경우 (이를 ‘탈 ᄅ

ᅡ

ᆨ’이라 정의)와 지속적으로 등록하여 재학 중인 경우 (이를 ‘재적’이라 정의)를구분하여 이항반응변수 (binary response variable)로 정의하면 다음과 같은로짓모형을고려할 수 있다.

ᄌ

ᅳᆨ, 확률 p = p(y = 1|x1, x2, · · · , xk)를다양한 사유 (x1,x2, · · ·,xk)에 대하여 ‘y = 1 (탈락)’이 발 새

ᆼ할확률로 정의할 때, logit(p)는다음과 같이 정의될수 있다.

logit(p) = log

 p 1 − p



= β0+ β1x1+ · · · + βkxk, (2.1) ᄋ

ᅧ기에서 βⁱ는회귀모수이고, xⁱ는설명변수들이다.

ᄄ

ᅩ한, 모형의 적합 후에 얻어지는비율 (p)은다음과 같이 추정하여 얻을수 있다.

ˆ

p = exp^T

1 + exp^T, (2.2)

ᄋ

ᅧ기서 T = ˆβ0+ ˆβ1x1+ · · · + ˆβkxk로 적합을 통하여 얻어진다.

ᄅ

ᅩ짓모형 적합을 통해서 얻어지는 ˆp는 실질적으로 이탈률 (중도탈락률)의 추정치로 설명할 수 있으 ᄆ

ᅧ, 또한 오즈 (odds)는다음과 같다.

P (y = 1|x1, x2, · · · , xk) P (y = 0|x1, x2, · · · , xk) = p

1 − p= exp^{β0+β1x1+···+βkxk} (2.3) 2.4. 데이터 구조

ᄒ

ᅡᆨ생 개인의 학업 여건, 경제적 상황, 상담 및 대학생활여건 등의 설명변수와 학생의 탈락여부를반응 ᄇ

ᅧᆫ수로 하는로짓모형 모델링을위한 데이터구조는다음과 같다.

Table 2.1 Data structure for the logit model No. y(0, 1) Academic|F inancial|Counseling|Etc.

1 y

x

x

x

· · · x

2 y

x

x

x

· · · x

3 y

x

x

x

· · · x

. . .

. . .

. . .

n y

x

x

x

· · · x

Table 2.1의 데이터구조에 기초하여 설정된로짓모형은다음과 같다.

yi= β0+ β1x1i+ · · · + βkxki+ ϵi, i = 1, · · · , n, (2.4) ᄋ

ᅧ기서 yi는 중도탈락이면 1, 재적상태이면 0의 값을갖게된다. 로짓 모델 적합을위해서는과거 중도 ᄐ

ᅡᆯ락에 대한 데이터를 분석에 포함시켜 학습과정을거치게 하는것이 필요하다.

3. 로짓모형 적합 및 서포트지수 개발

3.1. 로짓모형 적합 및 분석

Table 3.1은설정된데이터를로짓모형으로 적합한 결과이다.

Table 3.1 Fitted results for logit model

Exploratory Var. Coeff. SE Coeff. Z-value p-value Odds ratio

Constant -0.5306 0.0770 -6.89 0.000

No. of enrollment semester -0.4156 0.0228 -18.32 0.000 0.66

No. of leave of absence 0.4387 0.0168 26.31 0.000 1.55

Grade average -0.1665 0.0279 -5.96 0.000 0.85

No. of academic probation 0.5030 0.0348 14.46 0.000 1.65

No. of regular semester registration 0.2470 0.0285 8.68 0.000 1.28

No. of session registration -0.2952 0.0540 -5.47 0.000 0.74

Economic factor1(cases) 0.5591 0.0715 7.82 0.000 1.75

Economic factor2(amount) -1E-07 0.0000 -4.72 0.000 1

No. of scholarship grant -0.4433 0.0169 -26.2 0.000 0.64

Scholarship benefit amount 0.0000 0.0000 11.81 0.000 1

No. of counseling 0.0861 0.0072 11.97 0.000 1.09

ᄅ

ᅩ짓모형 적합결과 고려된모든설명변수는유의하였고 (p < .001), 특히 승산비를고려해 볼때, 휴 ᄒ

ᅡᆨ횟수, 학사경고수, 경제요인1 (경제적 고충건수)은학생탈락에 매우 강한 양 (positive)의 영향을주 ᄂ

ᅳᆫ것으로 나타났다.

ᄇ

ᅡᆫ면, 등록학기수, 평점평균 및 장학수여횟수는 탈락에 음 (negative)의 영향을 주는것으로 드러났 ᄃ

ᅡ.

겨

ᆼ제요인2 (경제적 고충 금액) 및 장학총액은모델적합 검정결과 유의한 영향 요인으로 나타났지만, ᄉ

ᅳ

ᆼ산비관점에서 보면 탈락에 영향을미치는바가 미미한 것으로 나타났다. 이는모델적합에 사용된데 ᄋ

ᅵ터 개수의 크기에 의해 회귀모수에 대한 가설검정에서의 검정력 (power)이 높아진 현상으로 볼수 있 ᄃ

ᅡ.

3.2. 서포트 지수 개발 ᄒ

ᅡᆨ생들이 다양한 요인의 어려움으로 학업을 중도에 포기하고 이탈하는경우가 생기게 되는데, 이탈할 ᄀ

ᅡ능성을확률로 표현한 것은다음과 같다.

p = p(y = 1|x1, x2, · · ·,xk), (3.1) ᄋ

ᅧ기에서 학생이 대학생활에서 지원 (support)이 필요한 상황의 극한을 중도탈락 (dropout)으로 설정 ᄒ

ᅡ고, 이를지원이 필요한 정도의 대용특성 (alternative characteristic)으로 활용하기로 한다. 따라서 ᄃ

ᅡ양한 설명변수의환경 또는조건하에 학생 개개인의 p값이 모형적합을 통하여 추정되는데, 이를서포 ᄐ

ᅳ지수 (support index)로 정의할 수 있겠다. 즉, 서포트지수는 학생 개개인이 다양한 여건에서 장차 ᄒ

ᅡᆨ업을 중단하고 이탈할 가능성을확률로서 나타낸 값으로 볼수 있다.

ᄉ

ᅥ포트지수가 높으면 전반적으로 또는 특정 요인들에서 학생이 어려움을겪고 있음을나타낸다. 따라 ᄉ

ᅥ 개별화된맞춤형 지원(support)또는예방적 상담 (preventive counseling)지원이 필요하다고 볼수 이

ᆻ다.

ᄉ

ᅥ포트지수와 실제 탈락의 연관성을살펴보면 아래의 Figure 3.1과 같다.

Figure 3.1에서 보듯이 서포트지수는 실질적인 탈락률과 흡사하며, 그 차이가 크지 않다. 이는모형 ᄌ

ᅥᆨ합의 타당성을 잔차 (residuals)의 관점에서 기존의 중도탈락데이터와 모형적합을 통하여 얻어진 서 ᄑ

ᅩ트지수를경험적 탈락률과 비교한 것이다. 현실적으로는서포트지수가 30% (0.3)를넘어서면 학생의 ᄎ

ᅥ한 상황이 학습여건, 경제적 고충, 기타 대학생활에서의 측면에서 어려움을갖는상황이며, 이런 경우 ᄋ

ᅦ는학습지도, 장학지원및 상담지원 등의 맞춤형 예방 상담과 학생지원이 필요하다고 볼수 있다.

4. 서포트지수의 활용

4.1. 서포트지수의 상담지원 활용 보

ᆫ연구에서 학생들이 대학생활에서 겪는 다양한 문제들에 대하여 체계적인 상담지원을 통하여 원활 ᄒ

ᅡ고 만족스러운대학생활을하는데 도움이될수 있는효율적인 상담지원체계를제시하는것을 목적으 ᄅ

ᅩ 하고 있다.

ᄒ

ᅡᆨ생상담지원에 두 가지 어려움이 있는데, 첫째로는상담지원 전문인력의 문제이다. 앞서 논한 것과 ᄀ

ᅡ

ᇀ이 상담수요에 비하여 전문적이고 체계적인 지원인력이 부족하다. 또 다른 문제는상담에 따른체계 ᄌ

ᅥᆨ인 지원프로그램의 운영이다. 이는주로 심리상담, 진로상담, 학습상담 (학습역량개발 지원) 및 장학

Figure 3.1 Relation between empirical dropout rate and support index in the fitted model

(재정적 지원)상담 등으로 구분되어 진행되는데, 대부분의 대학에서 이와관련한 전문또는전담조직을 ᄀ

ᅮ축하여 운영하고 있으나 조직과 예산 및 프로그램의관점에서 부족한 것이 현실이다.

ᄋ

ᅧ기서는 우선 상담지원인력부족의 문제에 대한 방안를 서포트지수와 연계하여 상담지원의 효율성 과

ᆫ점에서 제시하고자 한다.

ᄋ

ᅮ선 사례로 든 A대학의 재적생 15,223명 대상으로 로짓모형에 적합/추정된 서포트지수의 분포를 ᄉ

ᅡ

ᆯ펴보면 Figure 4.1과 같다.

Figure 4.1에서 보면 서포트지수가 30.0이상인 학생의 비율은 15.75%, 40.0이상인 비율은 10.50%, 50.0이상인 비율은 6.47%, 60.0이상인 비율은 4.09%, 70.0이상인 비율은 2.19%로 나타났다.

ᄒ

ᅧᆫ실적으로 제한된인력 및 시간 등의 제약조건에서 학생지원, 특히 상담지원을 통한 학생의 원활한 ᄃ

ᅢ학생활을영위함을 목적으로 하는 효율적인 상담지원 모델은다음의 Table 4.1과 같이 고려해 볼 수 이

ᆻ다.

Table 4.1 Levels and treatments of counseling according to support index

Level Support Index Treatment(counseling)

General Under 30.0 General counseling by guiding professor

Alert 30.0∼50.0 General counseling by guiding professor and professional counseling Preventive I 50.0∼70.0 Preventive treatment by professional counseling

Preventive II Upper 70.0 1-1 customized and preventive counseling

Figure 4.1 Distribution of support indices in the fitted model

Figure 3.1의 서포트지수와 실제 탈락의관계에서 보듯이 지수가 50.0이 넘으면 실제 탈락의 가능성 ᄋ

ᅳᆫ 50%를넘어선다. 즉, 서포트지수가 높은학생들은 학업, 경제적 문제, 심리적 문제 등의 다양한 어 ᄅ

ᅧ움으로 힘든대학생활을하고 있다는것이다.

ᄄ

ᅡ라서 서포트지수가 높은학생들에게는보다 특화되고 전문화된 상담지원을 통하여 겪고 있는어려 ᄋ

ᅮ

ᆷ이 무엇인지를파악하고, 고민을덜어주는조치가 우선적으로 요구된다고 볼수 있다.

Table 4.1은서포트지수를토대로 학생상담지원의 단계를구분하여 지원하는효율적인 모델의 하나이 ᄃ

ᅡ. 서포트지수에 대한 구분과 단계는 Figure 3.1의 데이터에 기초하여 설계된 것이나 대학의 상담지원 ᄋ

ᅧ건, 조직과 전문인력 등에 따라 유연하게 조정할 수 있을것이다.

4.2. 서포트지수 기반 상담지원 및 운영시스템 ᄅ

ᅩ짓모형으로 적합하여 추정된서포트지수를기반으로 효율적인 상담지원체계를 운영하려면 정보시 ᄉ

ᅳ템의 구축이 선행되어야 한다.

ᄋ

ᅧ기에는 서포트지수 뿐만 아니라 학생의 개인정보가 포함되기에 신중한 접근이 요구되며, 지도교수 미

ᆾ 심리, 진로 및 장학상담 등의 학생상담지원을수행하는단위조직 및 인력에게 제공되는정보는학생 ᄋ

ᅴ 서포트지수와 학점, 장학정보 및 휴학관련 정보 등제한적일 수밖에 없다.

ᄉ

ᅡᆼ담지원 주체는서포트지수를포함하여 제한적으로 제공되는정보를토대로 학생과의 면담, 상담을 ᄐ

ᅩ

ᆼ하여 보다 구체적으로 겪는어려움의 내용을파악하여 대안을제시하고, 연계되는프로그램을참여하 ᄀ

ᅦ 함으로서 문제를해결하고, 개선하는절차로 업무를추진하게된다.

ᄋ

ᅵ러한 내용과 절차는체계적인 정보시스템으로 구성되어 학생상담 및 학생지원프로그램의 담당자가 ᄀ

ᅩ

ᆼ유하고활용하도록구축될필요가 있다.

ᄋ

ᅧ기에는학생정보 및 상담관련 정보에 대한 접속/열람의 권한설계, 공유체계, 그리고 다양한 지원프

ᄅ

ᅩ그램의 연계와 운영결과의환류체계가 포함되어야 한다.

Figure 4.2 Example of counsel support system based on support index

Figure 4.2는 A 대학의 서포트지수 기반 학생상담지원정보시스템 구축사례이다. 정기적인 학생상 ᄃ

ᅡ

ᆷ을 통하여 요구조사 및 분석을 실시하고, 그에 따른 문제해결 프로그램을개발하고 수행을함으로서 ᄉ

ᅥ포트지수가 높은학생들의 다양한 문제를해결하게된다.

4.3. 서포트지수 기반 상담지원 및 운영시스템

Table 4.1에서 제시한 상담지원의 수준 또는 단계에 대하여 현장에서 운영 및 지원되는상담의 유형 ᄋ

ᅳ

ᆫ다음과 같이 크게 심리, 진로, 학습 및 장학 상담으로 구분할 수 있다 (Table 4.3).

Table 4.2 Organization and system of counsel support

Type Organization Counsel support details

Psychological counseling Counseling center Interpersonal relationship, college life, psychological counseling support Career counseling Employment support center Talent development, career development,

start-up counseling Learning counseling Center for Teaching and Learning capability development,

Learning Development learning methods counseling support Scholarship counseling Scholarship support center State scholarship, in-school scholarship,

custom scholarship counseling General counseling Guiding professor Counseling students’ college life

by guiding professor

ᄃ

ᅢ학마다 차이는 있으나 Table 4.2의 유형별 상담은 통합되어 하나의 조직에서 지원되기가 용이하지 ᄋ

ᅡ

ᆭ으며, 전담조직별로 상담지원이 이루어지고, 이를 통합하여관리되는시스템을구축하여 운영되는것

ᄋ

ᅵ 일반적이다.

보

ᆫ연구에서 제시되는방안의 핵심은서두에 언급한 바와 같이 전문인력이 부족한 상황에서 상담지원 ᄎ

ᅦ계의 효율성관점에 있다. 즉, Table 4.1과 Table 4.2의 상담지원체계가 기본적으로 두 가지관점에 ᄉ

ᅥ 설명될수 있는데, 첫 번째는학생상담지원의 최적화이다. 다양한환경에 처해있는학생들의 여건을 부

ᆫ석하여 대학생활에서 어렵고 힘든상황에 놓여있는학생들에게 보다 심도 있는맞춤형 상담을 집중지 ᄋ

ᅯ

ᆫ하여 원활한 대학생활과 만족도를 높여주는데 있다. 두 번째는 이러한 상담지원의 최적화를 통하여 ᄉ

ᅡᆼ담 전문인력 부족문제를해결함과 동시에 대다수의 학생에게 만족스러운상담지원을제공할 수 있게 되

ᆫ다.

5. 결론 ᄇ

ᅩᆫ연구에서 제시된학생의 맞춤형 예방상담지원에관한 모형은학생의 학업, 경제적 여건 및 대학생 화

ᆯ일반의 상황을기본적인 설명변수로 설정하고, 로짓 모형으로 모델링하여 학생의 대학생활에서의 이 ᄐ

ᅡᆯ (중도탈락)가능성으로 예측하였으며, 높은예측정합성을보이고 있다.

ᄄ

ᅩ한, 여기서 얻어진 서포트지수를 기반으로 최적의 학생상담지원 모델을제시함으로써 학생상담의 ᄒ

ᅭ율화와 궁극적으로 학생의 만족도를제고할 수 있는방안을제시하였다.

ᄀ

ᅳ럼에도 불구하고 보다 나은모형과 예측오차를 줄이기 위한 제안으로는학생의 전공만족도, 대학 새

ᆼ활만족도 등의 요인도 학생의 중도탈락에 영향을 줄수 있는주요 변수로활용하는방안이다. 이러한 ᄇ

ᅧᆫ수는해마다 조사되는만족도 등의 조사된값을정기적 모형 재적합 (re-fitting)에 반영하거나 개인의 ᄉ

ᅥ포트지수 갱신에 반영할 필요가 있다.

ᄄ

ᅩ한, 단편적인 상담횟수로의 변인보다 상담내용에서의 주요 키워드, 예를 들면 학습역량부족, 낙오, ᄒ

ᅡᆨ업중단, 자퇴, 아르바이트, 외로움, 진로고민 등의 단어를찾아 모형에 반영하면 보다 나은예측력을 ᄀ

ᅡ질 수 있을것으로 판단된다. 이 경우에는 텍스트마이닝 (text mining) 기법의활용또는상담기록에 ᄉ

ᅥ 체크박스 (check box)와 같은기능을이용하여 범주화된기록관리와 데이터베이스화를 통한관리가 피

ᆯ요하다고 볼수 있다.

References

Choi, M. K. and Min, D. K. (2016). Study of child abuse families using logistic regression models. Journal of the Korean Data & Information Science Society., 27, 1327-1336.

Han, J. T. and Jeong, J, N. (2016). Developing the credit risk scoring model for overdue student direct loan. Journal of the Korean Data & Information Science Society, 27, 1293-1305.

Jung, J. Y., Sun, M. S. and Kim, H. J. (2017). Analysis of characteristics and trends of the crisis university.

The Journal of Educational Administration, 35, 47-72.

Jung, J. Y., Sun, M. S. and Jeong, M. J. (2015). An analysis of institutional factors affecting on college dropout rates. Asian Journal of Education, 16, 57-76.

Kang, S. H. (2010). Predictors of academic achievement and dropout thinking among university students.

Journal of Educational Evaluation, 31, 831-863.

Kim, S. S. (2008). A exploratory study on withdrawal and transfer of Korea college students: the influence of college-choice reason and satisfaction afterwards. Journal of Korean Education, 35, 227-249.

Lee, Y. A. (2006). A study on the developing character education program for prevention from dropouts.

The Korean Journal of East West Science, 9, 95-104.

Lee, Y. A. (2015). Temporal aspects and determinants of college student departure. Korean Journal of Sociology of Education, 25, 129-155.

Lim E. and Kwak, Y. Y. (2011). Female college students leave of absence types and related factors. The Journal of Vocational Education Research, 30, 231-248.

Na, J. H. (2017). R data mining, Free academy, Seoul.

Oh, Y. J. (2005). An empirical study on the factors influencing student mobility between universities. The Journal of Educational Administration, 23, 327-356.

Park, I. S. and Han, J. T. (2017). Developing the high-risk drinking predictive model in Korea using the data mining technique. Journal of the Korean Data & Information Science Society, 28, 1337-1348.

Stoecker, J., Pascarella, E. T., and Wolfle, L. M. (1988). Persistence in higher education: A 9-year test of a theoretical model. Journal of College Student Development , 29, 196-209.

Youn, B. R. and Jang, H. W. (2009). nalysis of factors of influence on college student withdrawal , Ph. D.

Thesis, Chungnam National University, Daejeon.

2019, 30

2)

323–333

A study on development of support index for

supporting adaptive and preventive counseling based on logit model

Heegeon Shin

¹

²

1Department of Nursing, Dongseo University

2Division of Mechatronics Engineering, Dongseo University

Received 17 January 2019, revised 31 January 2019, accepted 31 January 2019

Abstract

In this study, we have tried to improve the effectiveness of counseling through developing support index and utilized the index for student counseling from whom encountered various issues during their college life. In order to develop the support index, about 20,419 records were analyzed based on the results of learning from the training data for the last six years. Individual factors for students were set as descriptive variables, and students’ academic continuity and dropout were analyzed through logistic regression. As a results, firstly, the input of explanatory variables was significant in the model fit (p < .001). Secondly, the number of breaks, the number of academic records, and economic factor1 have a strong impact on the support index, but the number of enrollment semester, the average of grades, and the number of scholarships have a negative effect on the support index. Lastly, economic factor2 and the total amount of scholarships were shown significant, but the impact on the support index was minimal.

Based on the results, the support index, which indicates the degree of support required was proposed to increase the efficiency of student counseling.

Keywords: Logistic regression, logit model, preventive counseling, support Index, su- pervised learning.

1

Assistant professor, Department of Nursing, Dongseo University, Busan 47011, Korea.

2

Corresponding author: Professor, Division of Mechatronics Engineering, Dongseo University, Busan,

47011, Korea. E-mail: [email protected]