Username(ID) Password Login

Forgot
my username Forgot
my password Register

Sorry.

You are not permitted to access the full text of articles.

If you have any questions about permissions,

please contact the Society.

죄송합니다.

회원님은 논문 이용 권한이 없습니다.

권한 관련 문의는 학회로 부탁 드립니다.

Journal Archive

Journal of Digital Contents Society - Vol. 24 , No. 4

[Paper List] [Go to Volume List]


[ Article ]
Journal of Digital Contents Society - Vol. 24, No. 4, pp. 847-860
Abbreviation: J. DCS
ISSN: 1598-2009 (Print) 2287-738X (Online)
Print publication date 30 Apr 2023
Received 16 Dec 2022 Revised 25 Jan 2023 Accepted 31 Jan 2023
DOI: https://doi.org/10.9728/dcs.2023.24.4.847
초·중·고 학생의 사교육과 학업성적에 대한 패턴 분석: 의사결정나무 기법을 활용하여
최근호¹ ; 바트호약 나랑가라브² ; 김건우³ ; 이정화⁴^{, *}

1국립한밭대학교 융합경영학과 부교수

2Digital Concept 대리

3국립한밭대학교 융합경영학과 교수

4근로복지공단 근로복지연구원 책임연구원
Private Tutoring and Academic Performance of Elementary, Middle, and High School Students: A Decision Tree Algorithm
Keunho Choi¹ ; Narangarav Batkhuyag² ; Gunwoo Kim³ ; Jeonghwa Lee⁴^{, *}
1Associate Professor, Department of Business Administration, Hanbat National University, Daejeon 34158, Korea

2Merchandising Assistant Manager, Digital Concept, Ulaanbaatar 17010, Mongolia

3Professor, Department of Business Administration, Hanbat National University, Daejeon 34158, Korea

4Associate Researcher, Labor Welfare Research Institute, Korea Workers’ Compensation and Welfare Service, Seoul 07254, Korea

Correspondence to : ^*Jeonghwa Lee Tel: +82-42-821-1468 E-mail: jeong0112@gmail.com
Copyright ⓒ 2023 The Digital Contents Society This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

초록

본 연구는 데이터마이닝 기법인 의사결정나무 모형을 적용하여 학업성적과 사교육 간의 관계를 분석하였다. 분석 대상을 초·중·고 학교급별로 구분하고 이를 상·중·하위권의 학업성적 수준별로 재분류한 후 집단별로 연관 패턴을 도출하였다. 분석 결과, 초등학생 집단에서는 다양한 분야에서의 사교육 참여가 주요 요인으로는 식별되었으며 이것은 중등 시기부터 주요 교과목으로 집중하는 패턴을 보였다. 일반고 패턴에서는 사교육 시간, 특성화고에서는 예체능 분야의 사교육비가 주요한 변수였다. 사교육은 공통적으로 초·중학교 학업성취의 주요한 영향 요인이며, 학업성적 수준이 저조할수록 사교육 참여가 적었고 가정 환경에 따라 학업 성과의 격차가 발생하는 공통점이 있었다. 이와 같이 사교육을 비롯하여 학업성적과 연관된 다양한 요건을 폭넓게 비교 분석하고 시사점을 제시하였다.

Abstract

This study analyzed the impact of private education on academic performance using decision tree model by reclassifying student groups based on their school type and academic achievement. Our findings demonstrated that private education participation significantly influenced academic performance across all student groups, and private education participation of lower-level groups were more associated with their performance, with a notable gap depending on the student’s family environment. We also investigated various factors related to the accessibility and impact of private education on academic achievement. Our study contributes insights into the effects of private education on academic achievement and provides theoretical and practical implications.


Keywords: Private education, Type of school, Academic performance, Decision tree, Pattern analysis 키워드: 사교육, 학교급, 학업성적, 의사결정나무, 패턴 분석

Ⅰ. 서 론

2021년 한국에서는 초·중·고 학생의 75.5%가 사교육을 받는 것으로 조사되었으며, 이는 10년 전보다 약 6%p 증가한 수치이다[1]. 사교육비 규모는 23조 4,158억원 가량인데, 이 중 초등학생의 사교육비 총액이 약 45%를 차지하였다[1]. 사교육은 세계에서 널리 발견되는 현상이지만, 우리나라는 OECD 국가 중에서도 사교육의 비중이 높은 편에 속한다. 사교육에 참여하는 시간은 주당 평균 3.6시간으로 OECD 평균인 0.6시간의 약 6배 가량에 달하였다[2]. 2019년 초·중·고 사교육비 지출액은 1,454달러로 OECD 국가 중 6위를 기록하였는데[3], 2006년에서도 사교육비 규모가 1위(GDP 대비 2.9%)로 조사되어[4] 이러한 추세는 계속 이어진 것으로 보인다. 우리나라 사교육비 흐름을 분석한 연구에 따르면 2010년대 초반에는 초·중·고의 사교육비가 감소하였으나 2016년 이후에 다시 주요 과목을 비롯하여 ‘입시 컨설팅’ 및 예체능 사교육비가 눈에 띄게 증가하였다[5]. 현재 가구의 사회경제적 상황에 따라서 사교육 접근성이 달라지고, 이것이 교육 격차로 이어지는 실정이 사회적 문제로 인식되고 있다. 저소득층에서도 가구경제 상황에 상관없이 사교육을 시작하는 등 양적인 사교육 참여율은 늘어났다[6]-[8]. 하지만 소득 수준을 비롯하여 부모의 학력이나 교육에 대한 가치관, 지역 등 다양한 조건이 사교육 행위에 관련되는 ‘학력과 부의 대물림 현상’[9]은 여전히 발견된다. 코로나19 이후에도 초·중·고 공통적으로 가정배경이 좋을수록 사교육 참여 시간이 늘어났으며, 이러한 경향은 학교급이 높을수록 강한 것으로 분석되었다[10].

한국의 사교육은 ‘경쟁 기제(enrichment)’[9]로서의 성격이 강하다. 사교육 수요의 배경을 학력주의, 학력경쟁을 관리하는 선발 시험, 공교육 체제와 특성, 사교육 수요자 개인의 특성으로 볼 수 있다[11],[12]. 노동시장 성과가 출신 대학과 밀접하게 연결되는 사회구조적 특징도 빼놓기 어렵다[9].

그렇다면 사교육은 학업성적에 긍정적으로 작용하는가? 선행연구는 공통적으로 학생의 연령 내지는 학교급과 학업성적에 따라서 사교육의 효과, 참여 형태와 분야가 상당히 다르다는 점을 강조하였다. 그러므로 학업성과에 대한 사교육의 영향 관계는 초·중·고 학교급과 학업 수준을 고려해서 분석할 필요가 있다. 이에 본 연구는 데이터마이닝 기법 중 하나인 의사결정나무 방법을 활용하여, 사교육 및 학업성적과 관련된 다양한 사회경제적 변인의 조합된 패턴을 도출하였다. 이러한 접근을 통해서 사교육의 역할만이 아니라 각각의 학생 집단별로 사교육을 접하는 방식과 그 배경도 아울러 살펴볼 수 있다.

본 연구는 다음과 같은 특징을 갖는다. 첫째, 초·중·고 학교급 집단을 비교 분석하되 학업성적을 상위권(1~30%), 중위권(31~60%), 하위권(61~100%)으로 재분류하였다. 이에 사교육과 학업성적의 관계를 초·중·고의 학업성적 수준별 집단에 따라 비교 분석하였다. 둘째, 의사결정나무 기법을 활용하여 각 학교급 및 학업성적 집단의 주요 연관 패턴과 각각의 패턴별 확률을 도출하였다. 이 기법은 대상의 특성 및 조건의 조합에 의한 변인의 영향 관계를 체계적으로 실증하는 장점을 갖는다. 즉 요인 간의 관계를 분석하여 패턴을 제시함으로써 학업성과를 유발하는 특정 조건이 체계적으로 결합된 일련의 규칙을 도출한다는 점에서 의미가 있다.

Ⅱ. 본 론

2-1 한국 사교육의 현황 및 특징과 해외 사례

그간 우리나라에서는 입시교육의 대상 연령이 낮아지고 초등학교에서부터 사교육 참여가 늘어나는 추세를 보여왔다[6][13]. 2021년 초등학생의 사교육 참여율은 82.0%로 중학생 및 고등학생의 73.1% 및 64.6%를 앞섰다[1]. 학생 1인당 월 평균 사교육비는 41만 2천원(자녀 1명 가구)이었는데, 이것을 들여다보면 학업성적과 가구소득을 기준으로 현저한 차이가 발생하였다[1]. 초등학교부터 이미 학업성적이 우수한 학생은 사교육에 활발하게 참여하는 반면, 학업성적이 낮거나 대도시에 거주하지 않는 경우에는 사교육 참여가 감소하는 격차를 보여주는 결과이다.

사교육은 넓은 의미에서 ‘좋은 가정 환경’을 반영한다. 선행연구에 따르면 사교육 서비스의 이용 개수나 사교육비 지출은 가구의 소득과 부모의 학력 등의 같은 사회경제적 상황과 밀접한 관련이 있었다[9],[14]. 또한 가구소득이 높을수록 사교육에 참여하는 시기도 빨라지는 것으로 연구되었다[15]. 물론 저소득층의 사교육비 지출액 규모는 적은 편이다. 2007~2016년의 가계소득 수준과 사교육비 지출에 관한 연구에 따르면 가계소득 최고 및 최저집단 간의 사교육비 지출 규모는 약 3~5배의 차이가 났다. 이 같은 격차는 점차 감소하였지만, 중산층 및 저소득층의 사교육비 지출 증가에 기인한 결과로 분석되었다[16]. 구매력 대비 높은 사교육비 지출의 이중 부담을 짊어지는 것이다[17]. 가구소득 수준과 사교육비 간의 통계적 연관이 발견되지 않는 연구 결과도 같은 맥락이다[18].

사교육을 둘러싼 일련의 특징은 비단 한국만의 현상이 아니다. 해외에서도 비슷한 경향을 확인할 수 있다. 과거 서구 국가의 사교육은 성적이 낮은 학생의 보강(remedial)에 중점을 두는 성격이 강하였다[9],[19]. 하지만 점차 EU국가에서 성적이 우수한 학생과 중산층 가구, 도시 거주자를 중심으로 사교육 참여가 크게 증가하였다[20],[21]. 특히 과거 공교육의 틀에서 사교육의 역할을 소화했던 스칸디나비아 국가에서도 과거와 달리 사교육의 비중이 크게 늘어난 것으로 분석된다[21]. 평등주의 국가의 대표적 사례인 스웨덴에서는 최근 가문의 부(富)가 학업성취에 관련을 맺는 것으로 연구되었다[22]. 홍콩 사례에서도 사교육 활용도가 높은 학생일수록 양질의 생활환경을 누리는 것으로 나타났다[23].

2-2 사교육과 학업성적 간 관계에 대한 선행연구

그렇다면 사교육은 학업성적에 도움이 되는가? 사교육의 역할에 대해서는 의견이 분분한 편이다. 사교육의 효과를 제한적으로 보는 연구도 있지만[5],[24], 실제로는 사교육과 교육 격차의 관계가 실증연구의 결과보다 더욱 강할 것이라는 의견도 있다[25]. 학문연구뿐만 아니라 현실적으로도 여전히 사교육은 학업성적을 결정하는 중요한 요소로 인식되는데, 그 역할은 학교급을 비롯한 여러 특징에 따라서 달리 나타난다. 관련한 선행연구를 검토해보겠다.

초등학생에 관한 연구에 따르면, 초등학교 1학년생의 사교육 참여에는 아버지의 학력과 가구소득 및 자녀 수 등의 가정 상황이 유의하게 작용하였다[26]. 또한 초등학교 고학년생의 경우에는 가구상황을 비롯하여 아동의 학업성적 및 주의집중력과 같은 문제가 영향을 미치는 것으로 나타났다[6].

다음으로 중학생에 대한 연구에서는 사교육 참여의 시기가 빠른 집단에서 사교육에 의한 학업성취도가 더욱 높았다[15]. 한편 사교육 참여가 지속적으로 이어진 집단일수록 학업성취도가 가장 높았지만 성취도 향상이라는 측면에서는 사교육 효과가 없는 것으로 보았다[22]. 또는 학업성적 하위권인다는 성적 우수자에 대해서는 사교육 참여의 효과가 강하다는 연구결과도 있다[25]. 중·고생을 함께 분석한 연구에서는 사교육이 학업성취도를 유의하게 향상시켰으나, 학급이 올라갈수록 그 정도가 감소하는 것으로 보았다[27].

고등학생의 경우 사교육 참여가 학업성적에 미치는 영향은 성적 수준에 따라 차이가 있었으며, 부모의 자녀양육 유형별로 학업성취 정도가 다른 것으로 나타났다[28]. 또는 사교육보다 각 고등학교의 질적인 특성으로 인한 학업성취도의 차이가 더 크게 발생한다는 결과도 있다[29].

이처럼 사교육의 효과는 학생의 연령 및 학교급에 따라 달리 나타난다. 다른 한편으로는 가구의 사회경제적 지위를 비롯한 여러 특성도 간과할 수 없는 조건임이 공통적으로 나타난다. 부모의 학력·연령이나 소득수준뿐만 아니라, 경제적 상황에 대한 양육자의 인식과 교육에 대한 태도와 가치관도 사교육 참여 양상에, 그리고 학업성과에 대한 사교육의 효과에 있어서 의미 있는 요인으로 검증되었다[30]-[33].

2-3 의사결정나무 모형

본 연구에서 사용한 분석 방법은 데이터 마이닝(data mining) 분석 방법 중 하나인 의사결정나무(decision tree) 기법이다. 이는 관측치들 간의 관계·패턴·규칙 등을 추정하고, 그것을 바탕으로 대상을 분류(classification)하여 새롭게 탐색된 집단의 특성을 예측한다[35],[36]. 이 기법은 다양한 범주의 요인을 고려하는 사회과학 분야의 연구에서 유용하게 활용되는데, 타깃 변수와 요인들 간에 형성되는 상호작용을 분석하며 그 과정에서 어떤 요인이 우선순위를 갖는지 검증하는 이점을 갖는다[37],[38].

Ⅲ. 연구 방법

3-1 분석 데이터

본 연구는 국가통계포털(KOSIS) 통계청의 마이크로데이터 통합서비스(MDIS: Micro Data Integrated Service) 시스템에서 제공하는 ‘초중고 사교육비 조사’ 데이터를 분석하였다. 이 조사는 2014년부터 전국 초·중·고 학생 및 교사와 학부모를 대상으로 진행하였으며 사교육 관련 사항과 방과 후 학교, 어학연수, 학습시간, 학업성취도 등의 자료를 수집한다. 다만 2018년부터는 학업성적과 관련해서 고등학생만을 대상으로 조사를 실시하였으므로, 본 연구는 초·중·고 학생의 학업성취 관련 데이터의 활용이 가능한 2017년도 조사자료를 이용하여 분석하였다. 특히 최근 1~2년간은 코로나19 상황이라는 큰 변수가 있었으나 점차 종전의 교육환경으로 돌아오는 경향이므로 이러한 환경 변화를 경험하기 이전 시기의 자료를 분석하는 것이 연구의 의미를 더할 것이다.

전체 데이터는 연구목적에 맞게 초등학교, 중학교, 일반고등학교(일반고·과학고·국제고·예술고·외국어고·체육고·자율고), 특성화고등학교(마이스터고·공업고·상업고·농업고·가사고·대안고 등)의 총 4개의 데이터셋으로 분할하였으며 각 학교급 및 종류는 해당 조사의 분류를 따랐다. 모델의 정확도 향상과 간결성을 위해 타깃 변수로 사용될 학업성적을 원 데이터의 5개 클래스에서 상위권(1~30%), 중위권(31~60%), 하위권(61~100%)의 3개 클래스로 재분류하였다. 데이터셋은 총 58개의 변수를 포함하였다(표 2).

3-2 데이터 균형화

분석에 앞서 수집한 데이터를 분석용 데이터셋으로 만드는 전처리 작업 후 균형화 작업을 수행하였다. 타깃 변수의 클래스별 인스턴스의 수가 서로 달라 데이터 불균형이 발생하게 되면, 모델 학습 시 편향된 학습이 이루어져 구축된 모델의 정확성이 감소하는 문제가 발생할 수 있다[34]. 이를 해결하기 위해 타깃 변수의 클래스별 인스턴스의 수를 동일하게 맞추어주는 데이터 균형화 작업을 수행할 필요가 있다.

본 연구에서는 분석에 사용할 데이터셋 별 인스턴스의 수가 충분한 편이며, 클래스별 인스턴스의 수가 큰 차이를 보이지 않는다. 이에 정해진 규칙에 따라 소수 클래스의 인스턴스 수만큼 다수 클래스의 인스턴스를 샘플링하여 클래스별 인스턴스의 수를 동일하게 맞추는 언더샘플링(under-sampling)을 수행하였다(표 1). 이 방법은 학습시간이 단축되고 과잉 적합 문제가 발생할 가능성이 낮은 장점이 있다.

Table. 1.
Comparison of instances by class before and after data balancing

	Target Class	Elementary School	Middle School	High School	Specialized High School
Before	Upper	5,984	6,027	9,696	2,067
	Middle	5,824	5,966	9,567	2,025
	Lower	7,836	7,945	12,599	2,686
	Total	19,644	19,938	31,862	6,778
After	Upper	5,824	5,966	9,567	2,025
	Middle	5,824	5,966	9,567	2,025
	Lower	5,824	5,966	9,567	2,025
	Total	17,472	17,898	28,701	6,075

3-3 의사결정나무 방법

의사결정나무 기법은 효율적이며 효과적으로 예측 정확도가 높은 모델을 구축하는데, 무엇보다도 분석 결과의 포괄적인 설명력(comprehensibility)이 이 모델의 가장 큰 장점이라 할 수 있다[39],[40]. 모델에서 사용한 데이터의 변수는 다음과 같다.

Table. 2.
List of variables

Variable			Value
Group Variable	Type of School	v0	1=Elementary School 2=Middle School 3=General High School 4=Specialized High School
Class Variable	Academic Performance	v1	1=Upper Level(1~30%) 2=Middle Level(31~60%) 3=Low Level(61~100%)
Overall Participation in Private Tutoring	Total Household Spending	v2	KRW (unit: million/year)
Overall Participation in Private Tutoring	Total Hour(s)	v3	Hour(s)(week)
Private Tutoring in Core Subjects	Purpose	v4 /v5	1=Day Care 2=Enhancing Academic Achievement 3=Preparation to Upper Grade Schools 4=Mediating Anxiety 5=Prior Learning 6=Friendship 7=Others
	Hour(s)	v6	Hour(s)(week)
	Total Cost	v7	KRW (unit: million/year)
	One-on-one Tutoring	v8
	Group Tutoring	v9
	Private Tuition Center	v10
	Home-visiting Tutoring	v11
	Internet-based Tutoring	v12
Private Tutoring in Arts and Physical Education	Purpose	v13 /v14	(same as v4/v5)
	Hour(s)	v15	Hour(s)(week)
	Total Cost	v16	KRW (unit: million/year)
	Music	v17
	Art	v18
	Physical Education	v19
	One-on-one Tutoring	v20
	Small Group Tuition	v21
	Private Tuition Center	v22
	Home-visiting Tutoring	v23
Household Spending on Private Tutoring in Each Subject	Korean Literature	v24	KRW (unit: million/year)
	English	v25
	Mathematics	v26
	Social Science	v27
	Writing, Reading and Discussion	v28
	Other Subjects (Foreign Language, Chinese Character, Computer, and Technology and Home Economics)	v29
Household Spending on Private Tutoring in Others	EBS textbook	v30	KRW (unit: million/year)
	Extracurricular Activities	v31
	Total Cost of Foreign Language Study	v32
	Foreign Language Study in Korea	v33
	Foreign Language Study in abroad	v34
Job Training^c)^d)	Hour(s)	v35	Hour(s)(week)
Job Training^c)^d)	Household Spending on Job Training	v36	KRW (unit: million/year)
After-School Program	Participation	v37	1=Yes 2=No
	Hour(s)	v38	Hour(s)(week)
	Total Cost in Middle/High School	v39	KRW(unit: million/year)
	Total Cost in Elementary School	v40
	Fees for School Subjects	v41
	Talent-aptitude Education Program Fee	v42
Student Counseling Service^d)	Participation	v43	1=Yes 2=No
	Fees	v44	KRW (unit: million/year)
	Number of Session	v45	(number)
High School Choice^a)^b)		v46	1=General High School 2=Autonomous High School 3=Special-purpose High School(Science High School, Foreign Language High School, International High School) 4=Special-purpose High School(Art High School, Physical Education High School) 5=Meister High School 6=Specialized High School 7=Alternative High School 8=Study Abroad
College-major Choice^c)^d)		v47	1=Liberal Arts 2=College of Political Science and Sociology 3=College of Education 4=Engineering 5=College of Science 6=College of Medicine 7=Arts and Physical 8=Others(no plans, etc)
Characteristics of Student	Gender	v48	1=M(Male) 2=F(Female)
Characteristics of Student	Birth Order	v49	(number)
Characteristics of Parents	Age of Father/Mother	v50 /v51	0=Absence 1=under 20 years 2=30 to 39 years 3=40 to 49 years 4=50 to 59 years 5=60 years and older
	Father’s/Mother’s Education Level	v52 /v53	0=Absence 1=Elementary School 2=Middle School 3=High School 4=Undergraduate 5=Master’s Degree 6=Doctor’s Degree 7=No Formal Education
	Labor Market Participation of Parents	v54	0=Absence 1=Father 2=Mother 3=Both Parents Employed 4=Both Parents Unemployed
Household Information	Household Income(month) (unit: million, KRW)	v55	1=under 200 2=200~299 3=300~399 4=400~499 5=500~599 6=600~699 7=700~799 8=800 and higher
	Number of Children	v56	(number)
	Region	v57	1=Seoul 2=Metropolitan City 3=Small and Medium-sized City 4=Twon and Villiage
	Administrative Division	v58	11=Seoul 21=Busan 22=Daegu 23=Incheon 24=Gwangju 25=Daejeon 26=Ulsan 29=Sejong 31=Gyeonggi-do 32=Gangwon-do 33=Chungcheongbuk-do 34=Chungcheongnam-do 35=Jeollabuk-do 36=Jeollanam-do 37=Gyeongsangbuk-do 38=Gyeongsangnam-do 39=Jeju-do

a: Elementary School Student

b: Middle School Student

c: General High School Student

d: Specialized High School Student

Ⅳ. 의사결정나무 기법을 이용한 패턴 분석 결과

의사결정나무 기법을 도출된 패턴들 중에서 의미 있고 신뢰성 높은 패턴을 추출하기 위해, 인스턴스의 개수가 50개 이상이며 타겟 클래스의 확률이 가장 높은 상위 5개의 패턴을 주요 연관 패턴으로 선정하였다. 분석 결과는 다음과 같다.

4-1 초등학교의 사교육과 학업성적 간 주요 연관 패턴

가장 먼저 초등학생 중 학업성적 상위권(1~30%) 집단의 사교육과 학업성적 간 주요 패턴을 살펴보면 다음과 같다(표 2). 첫째, 어머니의 교육수준이 석사학위이고, 일반교과목 그룹과외비가 연 98.04만원을 초과하는 경우에 확률이 66.67%로 추정되었다. 둘째, 어머니의 교육수준이 대학교 졸업이고, 일반고 진학을 희망하며, 음악 사교육비가 연 29.74만원을 초과하고, 취미·교양에 대한 사교육비가 연 152.94만원 이하, 미술 사교육비가 연 154.66만원 이하, 아버지가 40대이며, 제2외국어·한문·컴퓨터일반·기술가정에 대한 사교육비가 연 23.53만원을 초과하고, 영어 사교육비가 연 77.65만원 이하일 경우에 확률은 54.55%였다. 셋째, 어머니의 교육수준이 대학교 졸업이고 특목고(과학고·외고·국제고) 진학을 희망하며, 가구의 자녀가 3명 이상(2명 초과), 아버지만 경제활동을 하는 경우 확률이 54.55%로 추정되었다.

Table. 3.
Patterns for elementary school children: Upper level (1~30%)

No.(%)	Pattern
1 (66.67)	Mother's Education Level=5(v53) & Group-Tutoring(Core Subjects)>98.04^a)
2 (54.55)	Mother's Education Level=4(v53) & High School Choice=1(v46) & Music>29.74^a) & Extra Activities^a)<=152.94 & Art<=154.66^a) & Age of Father=3(v50) & Other Subjects>23.53^a) & English<=77.65^a)
3 (54.55)	Mother's Education Level=4(v53) & High School Choice=3(v46) & Children>2 & Labor Market Participation=1(v54)
4 (54.46)	Mother's Education Level=5(v53) & Group-Tutoring(Core Subjects)<=98.04^a) & High School Choice=1(v46) & Physical Education<=132.85^a) & Father's Education Level=5(v52)
5 (54.38)	Mother's Education Level=4(v53) & High School Choice=2(v46) & Age of Father=3(v50) & Birth Order=1 & Father's Education Level=4(v52) & Age of Mother=3(v51)