MOOC(Massive Open Online Course) is a system that provides educational content through an online
platform. Many people use it for the convenience of class participation without time and space
restrictions. Because of the expansion of untact online classes recently, the importance of the MOOC
has increased. Despite such a high rate of use, there are few users who complete the course, which is
one of the main problems that MOOC needs to solve. As one of the methods to increase the
completion rate, studies have been conducted on methods to predict if users will drop out the course.
The purpose of this study is to improve the performance of the MOOC dropout prediction model. The
suggested methods are embedding the features into new space to be more useful to classification, and
developing a feature that represents user information about the MOOC activity. As a result, it was
confirmed that the AUC performance of the Logistic Regression and linear Support Vector Machine was
improved.
무크는 온라인 플랫폼을 통해 교육 콘텐츠를 제공하는 시스템이다. 시공간 제약없이 강의를 들을
수 있는 편의성 때문에 많은 사람들이 이용하고 있으며, 특히 최근에는 비대면 수업의 확대로 그
중요성이 더욱 커지고 있다. 그러나 이러한 높은 이용률에도 불구, 실제 과정을 수료하는 비율은
저조한 상황이다. 이는 무크가 해결해야 할 주요 문제 중 하나이며, 이를 위해 이용자의 중도 탈
락 여부를 예측하는 방안에 대한 연구가 오랫동안 진행되어 왔다. 본 논문에서는 무크의 중도탈
락 예측 모델의 성능을 향상시키기 위해 딥 메트릭 러닝 모델을 이용하여 분류에 보다 유리한 공
간으로 데이터를 임베딩 시키는 한편, 이용자의 무크 활동정보를 표현할 수 있는 변수를 개발하
였다. 그 결과, 로지스틱 회귀분석과 선형 서포트 벡터 머신, 심층 신경망 모델의 AUC 성능이 향
상되었다.
