본 연구는 학습장애 진단에 활용할 수 있는 데이터 마이닝 기법 중에 회귀분석, 의사결정나무분 석, 신경망 분석기법들을 비교하여 보다 효과적인 학습장애 진단 기법을 탐색하고자 한 연구이다. 이를 위해 본 연구에서는 전국 11개 초등학교 3, 4학년 1개 학급씩 총 22학급의 22명 담임교사와 668명의 학생을 대상으로 하여 ACCENT(AChievement-Cognitive ability ENdorsement Tests) 인 지영역검사와 국어영역 검사를 실시하였고, 해당학급 교사들을 대상으로 학습장애 판단에 대한 설 문을 통해 교사판단 기반 학습장애 준거집단을 설정하였다. 준거집단에 대해 인지영역검사와 국어 영역검사를 통해 얻어진 ‘회귀불일치 비교모델 편차점수’, ‘표준점수 비교모델 편차점수’, ‘언어이 해’, ‘주의집중’, ‘지각적 조직화’, ‘읽기’, ‘쓰기’ 요인을 예견변수로 삼아 회귀분석, 의사결정나무분 석, 신경망 분석을 실시한 후 모형평가를 활용하여 3가지 데이터 마이닝 기법을 비교하였다. 연구 결과에 따르면 학습장애를 학습장애로 진단함에 있어서는 의사결정나무분석 기법이 가장 효과적 이지만, 비학습장애를 비학습장애로 진단하는 측면에서는 신경망 분석이 더 효과적 것으로 나타났 다. 따라서 이후에 Ensemble 노드와 같이 여러 모형들의 예측치를 결합할 수 있는 방안을 탐색하 여 학습장애와 비학습장애에 대한 분류정확도를 높이는 방안에 대한 연구가 필요하다고 하겠다.
The present study was conducted to compare three data mining techniques ( regression, decision trees, neural network analysis) for diagnosis of learning disabilities identified by teachers\' clinical decision. Participants in the study were 668 students (Grades 3 and 4) and 22 teachers in the elementary school. Several instruments were administerd, including the intelligence test and Korean language test in AChievement-Cognitive ability ENdorsement Tests(ACCENT), and the written report form for teachers\' clinical decision. Regression, decision trees, neural network analysis were performed to classify learning disabilities (LD) based on teachers\' clinical decision. The efficiencies of the data mining techniques was evaluated by model assessment such as, Root ASE, misclassification rate, %response, %captured response, lift, response threshold and ROC graph. As a result, decision trees and neural network analysis showed both advantages and disadvantages. The implications of application in data mining techniques for identifying learning disabilities were discussed.
Ⅰ. 연구의 필요성 및 목적 Ⅱ. 연구 방법 Ⅲ. 연구결과 Ⅳ. 결론 및 논의 참고문헌
