On Use of eXplainable Artificial Intelligence to Explain Student Dropout

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.