본 논문은 학생들의 중퇴 위험을 조기에 예측하여 조기 개입 및 교육 성과 향상을 도모하는 것을 목표로 한다. 기존의 오프라인 교육 환경에서는 데이터 품질 저하, 제한된 데이터 규모, 높은 이질성으로 인해 고급 머신러닝 모델의 적용이 어려웠다. 또한 교육 이론은 중퇴 현상에 대한 귀중한 통찰력을 제공하지만, 주요 지표에 대한 정량화 가능한 척도가 부족하여 데이터 기반 모델링에 활용이 제한적이었다. 본 연구는 데이터 분석과 교육 문헌 검토를 통해 학생 행동의 급격한 변화를 중퇴 위험의 주요 조기 신호로 확인하고, 이를 해결하기 위해 학업 성취도 및 행동 데이터를 통합하여 최소한의 데이터를 사용하여 행동 패턴을 동적으로 포착하는 이중 모드 다중 스케일 슬라이딩 윈도우(DMSW) 모델을 제안한다. DMSW 모델은 기존 방법보다 예측 정확도를 15% 향상시켜 교육자들이 고위험 학생을 더 일찍 파악하고 시의적절한 지원을 제공하며 보다 포괄적인 학습 환경을 조성할 수 있도록 한다. 분석 결과 주요 행동 패턴을 강조하여 예방 전략 및 맞춤형 지원을 위한 실용적인 통찰력을 제공하며, 중퇴 예측 분야에서 이론과 실제 간의 간극을 해소하여 학생들의 유지 및 성과 향상을 위한 혁신적인 도구를 제공한다.
