[학생들의 중도탈락(dropout) 방지를 위한 조기 경보 시스템에서 고려해야 하는 사항]

◎ COVID-19로 인한 장기간의 학교 폐쇄로 인해 학생들의 중도탈락에 대한 우려가 증가함.
◎ 이에 많은 라틴 아메리카 국가들은 조기 경보 시스템(Early Warning Systems, EWS)의 개발을 가속화해옴.
◎ 해당 시스템은 학생 데이터를 활용하여 중도탈락 위험을 식별하고 그에 대한 조치를 학교에서 적시에 취할 수 있도록 도움을 줌.
◎ 2020년 말 페루 교육부는 'Alerta Escuela'라는 웹 플랫폼을 출시하였는데, 이는 학교장과 강사가 각 학생의 중도탈락 위험 수준을 관찰하고 해당 위험이 있는 학생들에게 적용할 수 있는 지침을 제공함.

◎ 페루의 Alerta Escuela 사례를 통해 살펴 본 [조기 경보 시스템 구현 전 고려사항]은 다음과 같음.

1) 대상 범위 : 전국적(national) vs 특정 지역(targeted)
- 페루는 팬데믹으로 인한 중도탈락자의 잠재적 증가에 대한 대규모 우려로 Alerta Escuela의 대상자를 전국적인 범위로 선택함.
- 그러나 도구에 대한 사용자 인식 문제로 인해 중도탈락 위험이 있는 학생들의 7%만 플랫폼에 접속하고, 2%만 관리 및 교육 지침을 다운로드한 것으로 나타남.
- 정부는 이러한 결정을 내리기 전에 다음과 같은 요소들을 고려해야 함: 문제 규모, 영토 내 다양성, 사회적 또는 정치적 맥락 등
- 학교장과 교사의 프로필, 시스템이 요구에 응답하는 방식, 최종 사용자에게 높은 가치를 제공하기 위한 조정 등도 평가해야 함.

2) 데이터 : 행정적(administrative) vs 수집된(collected)
- Alerta Escuela는 주로 페루 교육부와 기타 정부 기관의 행정적 데이터를 활용함.
- 데이터 수집의 양, 질, 방법은 조기 경보시스템의 위험 예측 능력, 사용자에 대한 신뢰도, 사용 동기부여 및 효과성에 영향을 미침.
- 사용 가능한 데이터를 활용하는 것이 이상적이며, 최근 데이터나 행정 시스템에서 누락된 변수를 위해 데이터 수집을 할 수 있겠지만 이는 교사 및 사용자에게 비용 부담이 발생할 수 있음.

3) 분석 모델: 단순한(simple) vs 복잡한(complex)
- Alerta Escuela가 사용하고 있는 머신러닝 기반의 예측 모델은 학생 특성, 학업 성적 이력, 가족 환경, 교육 서비스 특성, 사회경제적 정보 등의 예측 변수들을 문헌과 사용 가능 데이터에 따라 통합함.
- 방법론적인 엄격성과 계산 방법에 대한 간단한 설명에도 불구하고, 학교장들이 이를 이해하지 못하거나 사용된 변수를 알지 못하는 문제가 있는 것으로 나타남.
- 복잡성이 증가함에 따라 사용자 입장에서는 더 많은 이해와 교육이 필요하며 모델의 예측 능력도 함께 고려해야 함.

◎ 페루의 사례를 통해 얻을 수 있는 교훈은 다음과 같음.
1) 조기 경보 시스템은 이해하고 사용하기 쉬워야 한다.
2) 사용했을 때 오는 혜택이 비용과 한계를 상쇄해야 한다.
3) 정보 공유 및 협력은 성공에 중요하다.