TLBoost: 해석 가능성을 높인 학습자 성취도 예측 모델

초록

본 연구는 학습자의 성취도를 예측하기 위한 TLBoost 모델을 제안한다. TLBoost 모델은 범주형 데이터와 연속형 데이터를 효과적으로 처리하며, 예측 결과의 해석 가능성을 제공하는 트리 기반의 딥러닝 모델이다. TLBoost는 TabNet과 LightGBM 모델을 앙상블하여 각 알고리즘의 장점을 결합함으로써 성능을 개선하고 모델의 안정성과 일반화 능력을 강화한다. TLBoost는 TabNet이 추출한 특징을 LightGBM의 입력으로 사용하여, LightGBM이 최종 예측 성능을 향상시킨다. 연구 결과, TLBoost 모델은 수학과 언어 성취도 예측에서 기존 모델보다 뛰어난 성능을 보였다. 해석 가능성을 높이기 위해 두 가지 주요 방법을 사용하였다. 첫째, TabNet의 어텐션 메커니즘을 활용하여 데이터의 중요한 특징을 시각적으로 강조하였다. 둘째, LightGBM 모델의 특징 중요도 분석을 통해 각 특징이 모델 예측에 미치는 영향을 시각적으로 표현하였다. 이를 통해 교수자는 학습자의 성적에 영향을 미치는 주요 요소들을 이해하고 맞춤형 학습 지원을 제공하여 기술의 발전과 교육 현장 적용 사이의 간극을 좁히고, 교육 정책의 실효성을 높일 수 있다.

키워드