[학위논문]원격평생교육에서 학습자 로그 데이터 및 개인배경 데이터에 기반한 전공계열별 수료가능성 탐색적 연구 An Exploratory Study on completion probability by major based on learner's log data and personal background data in lifelong distance education원문보기
국내 원격평생교육기관은 2000년대 중반 이후 대학의 온라인 시간제 등록제의 확대와 함께 급속한 성장을 이루었다. 2017년 기준 전체 평생교육기관을 이용한 학습자수 11,897,236명 중 원격평생교육기관을 이용한 학습자는 67.4%에 해당하는 8,018,737명으로 나타났다(2017 교육통계분석 자료집). 이러한 원격평생교육기관 학습자의 양적 팽창에 비해 꾸준히 지적되고 있는 중도탈락과 미수료에 대한 문제는 이를 최소화하기 위한 일련의 연구가 진행되어 왔음에도 불구하고 여전히 해결해야할 핵심 사안으로 간주되고 있다(Lynch, 2001; Packham외, 2004; 김윤미, 2011; 한동희 & 전병준, 2015; 황새롬, 2016; 양희주, 2016). ...
국내 원격평생교육기관은 2000년대 중반 이후 대학의 온라인 시간제 등록제의 확대와 함께 급속한 성장을 이루었다. 2017년 기준 전체 평생교육기관을 이용한 학습자수 11,897,236명 중 원격평생교육기관을 이용한 학습자는 67.4%에 해당하는 8,018,737명으로 나타났다(2017 교육통계분석 자료집). 이러한 원격평생교육기관 학습자의 양적 팽창에 비해 꾸준히 지적되고 있는 중도탈락과 미수료에 대한 문제는 이를 최소화하기 위한 일련의 연구가 진행되어 왔음에도 불구하고 여전히 해결해야할 핵심 사안으로 간주되고 있다(Lynch, 2001; Packham외, 2004; 김윤미, 2011; 한동희 & 전병준, 2015; 황새롬, 2016; 양희주, 2016). 원격교육 환경에서는 LMS(Learning Management System)를 기반으로 웹상에 축적된 데이터를 활용하는 학습분석학이 주목받고 있다. 김윤미(2011)는 기업 이러닝 수강생을 대상으로 시간관리(학습시작 간격의 규칙성, 총 학습시간, 학습 접속 횟수) 변수를 산정하고, 이것이 학업성취도에 미치는 영향에 대해 분석하였고, 황새롬(2016)은 오프라인 대학 온라인 과목 수강생들을 대상으로 학습자의 시간관리 행동(학습시간, 학습시점 간격의 규칙성, 로그인 횟수)이 학업성취도를 유의하게 예측하는지, 그리고 각 변인 간에 학습동기가 어떠한 영향력을 미치는지 검증하였다. 이렇듯 지금까지 학습분석학을 적용한 연구들은 단일 전공과목에서 LMS 로그 데이터만을 이용하여 학습자의 학업성취도를 예측하는데 머무르고 있다. 본 연구에서는 서울에 위치한 원격평생교육원의 동의하에 전공계열이 다른 대표적인 2개 과목에 대하여 학습관리시스템(Learning Management System)에 저장되어 있는 2년 동안의 수강생 데이터 2,179명을 각각 분석하였다. 학습자가 학습 과정 중 미수료 할 가능성과 최종 수료 여부를 판단하기 위해 총 점수를 분석 요인으로 선정하고, 학습분석학을 토대로 실제 원격평생교육기관 LMS 상에 축적된 로그 데이터(학습시작 간격의 규칙성, 총 학습시간, 총 학습횟수)와 개인배경 데이터(수강경험 과목수, 성별, 나이, 교육경력)를 활용하여 학습자의 수료를 결정하는 총 점수를 유의하게 예측할 수 있는지 확인하기 위해 다중회귀분석을 실시하였다. 또한 학습자의 총 점수를 최대한 미리 예측하여 이에 따른 적절한 학습지원을 제공함으로써 수료 가능성을 높이고자 한 학기를 총 4분기로 나누고 각 분기별로 검증하였다. 유의미하게 총 점수를 예측할 수 있는 분기로부터 매 분기마다 학습자를 3개의 집단(위험 그룹, 경계 그룹, 안전 그룹)으로 분류함으로써 향후 맞춤형 학습지원이 제공될 수 있는 기반을 마련하고자 하였다. 구체적인 연구결과는 총 학습시간, 총 학습횟수, 수강경험 과목수, 나이, 성별이 수료가능성 예측요인으로 밝혀졌으며, 전공별로 구분하여 정리하면 다음과 같다. 첫째, 상경계열 전공과목과 공학계열 전공과목 모두 학습시작 간격의 규칙성은 총 점수를 유의하게 예측하지 못하는 것으로 나타났으나, 총 학습시간과 총 학습횟수는 두 과목 모두 총 점수를 유의하게 예측하는 것으로 나타났다. 일과 학업을 병행하는 원격평생교육원 학습자의 특성 상 일정한 간격으로 학습창에 접속하기보다는 학습을 한번에 몰아서 진행하는 것으로 나타났다. 이러한 패턴이 불규칙적인 학습주기로 이어지기 때문에 학습시각 간격의 규칙성은 총 점수에 영향을 미치지 못하는 것으로 나타났다. 둘째, 이러닝 학습환경에서 측정된 학습시간과 학습횟수는 면대면 학습에서 설문을 통해 수집한 데이터보다 정확한 데이터라고 할 수 있다. 이를 바탕으로 김시태(2003)는 학습접속 시간이 길어질수록 총 점수가 높아지며, 정영식(2004), 강민석, 김진일과 박민우(2009), 권성연(2009), 전은화와 한재훈(2015)은 강의실 접속 횟수, 학습접속 횟수, 게시판 접속 횟수가 많아 질수록 총 점수가 높아진다는 결과를 보여주고 있다. 따라서 여러번 반복하여 접속하는 학습자 일수록 학습횟수가 늘어나게 되고, 결국 학습시간도 길어지기 때문에 총 점수에 유의미한 영향을 미친다는 결론을 얻을 수 있었다. 셋째, 상경계열 전공과목 학습자의 개인배경 데이터 중에는 수강경험 과목수와 나이가 총 점수를 유의하게 예측하는 것으로 나타났으며, 공학계열 전공과목에서는 성별이 총 점수를 유의하게 예측하는 것으로 나타났다. 이와 같은 결과는 과목 특성에 따라 총 점수에 영향을 미치는 예측요인이 달라질 수 있다는 사실을 보여주고 있다. 넷째, 본 연구에서 교육경력은 상경계열 과목과 공학계열 과목 모두에서 총 점수를 유의하게 예측하지 못하는 것으로 나타났다. 원격평생교육원 주 학습 내용이 고등학교 졸업자 또는 동등 이상의 학력 수준을 가진 사람들이라면 누구나 어려움없이 학습해 갈 수 있도록 구성되어 있기 때문에 학습자들이 수강하기에는 무리가 없는 것으로 나타났다. 따라서 교육경력과 총 점수와는 관련성이 없다는 결론을 얻을 수 있었다. 다섯째, 상경계열 전공과목과 공학계열 전공과목에서 같은 방식으로 LMS 추출 데이터를 통해 총 점수 예측모형이 학습이 완료되기 전에 학습자의 총 점수를 유의하게 예측하는 시점과 시점별 학습자 그룹을 예측하였다. 그 결과 학습 초반인 1분기(1∼4주) 상경계열 과목은 9.7%, 공학계열 과목은 4.0%로 1분기 데이터만으로도 총 점수의 유의성(p < .05) 예측이 가능했다. 이상의 결과를 바탕으로 학습 초기 미수료가 예상되는 학습자나 경계 그룹에 속한 학습자에게 경고와 학습 독려 메시지를 전달함으로써 미수료 예방에 기여할 수 있을 것이다.
국내 원격평생교육기관은 2000년대 중반 이후 대학의 온라인 시간제 등록제의 확대와 함께 급속한 성장을 이루었다. 2017년 기준 전체 평생교육기관을 이용한 학습자수 11,897,236명 중 원격평생교육기관을 이용한 학습자는 67.4%에 해당하는 8,018,737명으로 나타났다(2017 교육통계분석 자료집). 이러한 원격평생교육기관 학습자의 양적 팽창에 비해 꾸준히 지적되고 있는 중도탈락과 미수료에 대한 문제는 이를 최소화하기 위한 일련의 연구가 진행되어 왔음에도 불구하고 여전히 해결해야할 핵심 사안으로 간주되고 있다(Lynch, 2001; Packham외, 2004; 김윤미, 2011; 한동희 & 전병준, 2015; 황새롬, 2016; 양희주, 2016). 원격교육 환경에서는 LMS(Learning Management System)를 기반으로 웹상에 축적된 데이터를 활용하는 학습분석학이 주목받고 있다. 김윤미(2011)는 기업 이러닝 수강생을 대상으로 시간관리(학습시작 간격의 규칙성, 총 학습시간, 학습 접속 횟수) 변수를 산정하고, 이것이 학업성취도에 미치는 영향에 대해 분석하였고, 황새롬(2016)은 오프라인 대학 온라인 과목 수강생들을 대상으로 학습자의 시간관리 행동(학습시간, 학습시점 간격의 규칙성, 로그인 횟수)이 학업성취도를 유의하게 예측하는지, 그리고 각 변인 간에 학습동기가 어떠한 영향력을 미치는지 검증하였다. 이렇듯 지금까지 학습분석학을 적용한 연구들은 단일 전공과목에서 LMS 로그 데이터만을 이용하여 학습자의 학업성취도를 예측하는데 머무르고 있다. 본 연구에서는 서울에 위치한 원격평생교육원의 동의하에 전공계열이 다른 대표적인 2개 과목에 대하여 학습관리시스템(Learning Management System)에 저장되어 있는 2년 동안의 수강생 데이터 2,179명을 각각 분석하였다. 학습자가 학습 과정 중 미수료 할 가능성과 최종 수료 여부를 판단하기 위해 총 점수를 분석 요인으로 선정하고, 학습분석학을 토대로 실제 원격평생교육기관 LMS 상에 축적된 로그 데이터(학습시작 간격의 규칙성, 총 학습시간, 총 학습횟수)와 개인배경 데이터(수강경험 과목수, 성별, 나이, 교육경력)를 활용하여 학습자의 수료를 결정하는 총 점수를 유의하게 예측할 수 있는지 확인하기 위해 다중회귀분석을 실시하였다. 또한 학습자의 총 점수를 최대한 미리 예측하여 이에 따른 적절한 학습지원을 제공함으로써 수료 가능성을 높이고자 한 학기를 총 4분기로 나누고 각 분기별로 검증하였다. 유의미하게 총 점수를 예측할 수 있는 분기로부터 매 분기마다 학습자를 3개의 집단(위험 그룹, 경계 그룹, 안전 그룹)으로 분류함으로써 향후 맞춤형 학습지원이 제공될 수 있는 기반을 마련하고자 하였다. 구체적인 연구결과는 총 학습시간, 총 학습횟수, 수강경험 과목수, 나이, 성별이 수료가능성 예측요인으로 밝혀졌으며, 전공별로 구분하여 정리하면 다음과 같다. 첫째, 상경계열 전공과목과 공학계열 전공과목 모두 학습시작 간격의 규칙성은 총 점수를 유의하게 예측하지 못하는 것으로 나타났으나, 총 학습시간과 총 학습횟수는 두 과목 모두 총 점수를 유의하게 예측하는 것으로 나타났다. 일과 학업을 병행하는 원격평생교육원 학습자의 특성 상 일정한 간격으로 학습창에 접속하기보다는 학습을 한번에 몰아서 진행하는 것으로 나타났다. 이러한 패턴이 불규칙적인 학습주기로 이어지기 때문에 학습시각 간격의 규칙성은 총 점수에 영향을 미치지 못하는 것으로 나타났다. 둘째, 이러닝 학습환경에서 측정된 학습시간과 학습횟수는 면대면 학습에서 설문을 통해 수집한 데이터보다 정확한 데이터라고 할 수 있다. 이를 바탕으로 김시태(2003)는 학습접속 시간이 길어질수록 총 점수가 높아지며, 정영식(2004), 강민석, 김진일과 박민우(2009), 권성연(2009), 전은화와 한재훈(2015)은 강의실 접속 횟수, 학습접속 횟수, 게시판 접속 횟수가 많아 질수록 총 점수가 높아진다는 결과를 보여주고 있다. 따라서 여러번 반복하여 접속하는 학습자 일수록 학습횟수가 늘어나게 되고, 결국 학습시간도 길어지기 때문에 총 점수에 유의미한 영향을 미친다는 결론을 얻을 수 있었다. 셋째, 상경계열 전공과목 학습자의 개인배경 데이터 중에는 수강경험 과목수와 나이가 총 점수를 유의하게 예측하는 것으로 나타났으며, 공학계열 전공과목에서는 성별이 총 점수를 유의하게 예측하는 것으로 나타났다. 이와 같은 결과는 과목 특성에 따라 총 점수에 영향을 미치는 예측요인이 달라질 수 있다는 사실을 보여주고 있다. 넷째, 본 연구에서 교육경력은 상경계열 과목과 공학계열 과목 모두에서 총 점수를 유의하게 예측하지 못하는 것으로 나타났다. 원격평생교육원 주 학습 내용이 고등학교 졸업자 또는 동등 이상의 학력 수준을 가진 사람들이라면 누구나 어려움없이 학습해 갈 수 있도록 구성되어 있기 때문에 학습자들이 수강하기에는 무리가 없는 것으로 나타났다. 따라서 교육경력과 총 점수와는 관련성이 없다는 결론을 얻을 수 있었다. 다섯째, 상경계열 전공과목과 공학계열 전공과목에서 같은 방식으로 LMS 추출 데이터를 통해 총 점수 예측모형이 학습이 완료되기 전에 학습자의 총 점수를 유의하게 예측하는 시점과 시점별 학습자 그룹을 예측하였다. 그 결과 학습 초반인 1분기(1∼4주) 상경계열 과목은 9.7%, 공학계열 과목은 4.0%로 1분기 데이터만으로도 총 점수의 유의성(p < .05) 예측이 가능했다. 이상의 결과를 바탕으로 학습 초기 미수료가 예상되는 학습자나 경계 그룹에 속한 학습자에게 경고와 학습 독려 메시지를 전달함으로써 미수료 예방에 기여할 수 있을 것이다.
Since the mid-2000s, domestic distance-life education institutes have grown rapidly with the expansion of online part-time enrollment. As of 2017, out of 11,897,236 learners using all lifelong distance education institutions, 8,018,737(67.4%) were using remote lifelong distance education institution...
Since the mid-2000s, domestic distance-life education institutes have grown rapidly with the expansion of online part-time enrollment. As of 2017, out of 11,897,236 learners using all lifelong distance education institutions, 8,018,737(67.4%) were using remote lifelong distance education institutions(2017 education statistics analysis data). Various studies on distance-learning institutions’ learners have addressed the issue of dropouts and outstanding fees, however, it’s still regarded as a major problem (Lynch, 2001; Packham et al., 2004; Kim Yun-mi, 2011; Han Dong-hee & Byung-jun Jeon, 2015; Hwang Sae-rom, 2016; Yang Hee-ju, 2016). In the distance learning environment, learning analytics using the data accumulated on the web based on the Learning Management System(LMS) has attracted attention. Kim Yun-mi (2011) calculated time management (regularity of learning start interval, total learning time, number of learning access) variables for corporate e-learning students and analyzed its effect on academic achievement. Hwang Sae-Rom(2016) examined students' time management behaviors (learning time, regularity of learning intervals, number of logins) and confirmed that it significantly predicts academic achievement among students in off-line online courses. As such, studies applying learning analysis remain in predicting learners' achievement using only LMS log data in a single subject. This study analyzed 2,179 students’ data for two years stored in the Learning Management System for two representative subjects with different majors with the consent of the Lifelong Distance Education Center in Seoul. The total score was selected as an analysis factor to determine the possibility of completion and final completion by the learner, and the log data(regularity of learning start interval, Multiple regression analysis was conducted to determine predictability of the total score that determines the learner's completion using the total learning time, total number of lessons) and personal background data (number of courses, gender, age, and educational experience). The results of the analysis showed that it was reliably predictable. In addition, the semester's total score was predicted as much as possible in advance, and appropriate learning support was provided based on it. By classifying learners into three groups (risk group, boundary group, and safety group), plus or minus quarter from where the total score can be predicted significantly, the foundation for future customized learning support was provided. The current study results showed that total learning time, total number of learning, number of courses of experience, age, and gender were predictive of completion possibility. First, the regularity of learning start intervals did not significantly predict total scores in both major and engineering majors. Due to the nature of distance-learning education center learners who work and study at the same time, learning was conducted at once rather than accessing the learning window at regular intervals. Since this pattern leads to irregular learning cycles, the regularity of the learning interval does not affect the total score. Second, the learning time and the number of learnings measured in the e-learning environment are more accurate than the data collected through questionnaires in face-to-face learning. Based on this, the total scores of Kim Si-tae (2003) increased with increasing learning access time. The more the number of learning access and bulletin board access, the higher the total score. Therefore, it was concluded that the more learners accessing the program repeatedly, the longer the number of learning and the longer the learning time, the greater the score. Third, among the personal background data of the students in the commercial science major, the number of experienced subjects and age significantly predicted the total score, and in the engineering major subjects, the gender significantly predicted the total score. These results show that the factors affecting the total score can vary based on the characteristics of the subject. Fourth, in this study, educational experience did not significantly predict total scores in both commercial and engineering subjects. Learners could not attend the course because the distance learning center was congested such that all students who graduated from high school or those with an equal or higher educational level had difficulties studying. Therefore, it was concluded that there is no relation between educational career and total score. Fifth, the LMS extracted data predicted the time points and the learner groups by time point before the study was completed. As a result, it was possible to predict the significance (p <.05) of the total scores in the first quarter (1∼4 weeks) of 9.7% in the upper-ranking subjects and 4.0% in the engineering-related subjects. Based on the above results, it is possible to contribute to the prevention of incomplete by delivering warning and encouragement messages to learners who are expected to have completed the early stage of learning.
Since the mid-2000s, domestic distance-life education institutes have grown rapidly with the expansion of online part-time enrollment. As of 2017, out of 11,897,236 learners using all lifelong distance education institutions, 8,018,737(67.4%) were using remote lifelong distance education institutions(2017 education statistics analysis data). Various studies on distance-learning institutions’ learners have addressed the issue of dropouts and outstanding fees, however, it’s still regarded as a major problem (Lynch, 2001; Packham et al., 2004; Kim Yun-mi, 2011; Han Dong-hee & Byung-jun Jeon, 2015; Hwang Sae-rom, 2016; Yang Hee-ju, 2016). In the distance learning environment, learning analytics using the data accumulated on the web based on the Learning Management System(LMS) has attracted attention. Kim Yun-mi (2011) calculated time management (regularity of learning start interval, total learning time, number of learning access) variables for corporate e-learning students and analyzed its effect on academic achievement. Hwang Sae-Rom(2016) examined students' time management behaviors (learning time, regularity of learning intervals, number of logins) and confirmed that it significantly predicts academic achievement among students in off-line online courses. As such, studies applying learning analysis remain in predicting learners' achievement using only LMS log data in a single subject. This study analyzed 2,179 students’ data for two years stored in the Learning Management System for two representative subjects with different majors with the consent of the Lifelong Distance Education Center in Seoul. The total score was selected as an analysis factor to determine the possibility of completion and final completion by the learner, and the log data(regularity of learning start interval, Multiple regression analysis was conducted to determine predictability of the total score that determines the learner's completion using the total learning time, total number of lessons) and personal background data (number of courses, gender, age, and educational experience). The results of the analysis showed that it was reliably predictable. In addition, the semester's total score was predicted as much as possible in advance, and appropriate learning support was provided based on it. By classifying learners into three groups (risk group, boundary group, and safety group), plus or minus quarter from where the total score can be predicted significantly, the foundation for future customized learning support was provided. The current study results showed that total learning time, total number of learning, number of courses of experience, age, and gender were predictive of completion possibility. First, the regularity of learning start intervals did not significantly predict total scores in both major and engineering majors. Due to the nature of distance-learning education center learners who work and study at the same time, learning was conducted at once rather than accessing the learning window at regular intervals. Since this pattern leads to irregular learning cycles, the regularity of the learning interval does not affect the total score. Second, the learning time and the number of learnings measured in the e-learning environment are more accurate than the data collected through questionnaires in face-to-face learning. Based on this, the total scores of Kim Si-tae (2003) increased with increasing learning access time. The more the number of learning access and bulletin board access, the higher the total score. Therefore, it was concluded that the more learners accessing the program repeatedly, the longer the number of learning and the longer the learning time, the greater the score. Third, among the personal background data of the students in the commercial science major, the number of experienced subjects and age significantly predicted the total score, and in the engineering major subjects, the gender significantly predicted the total score. These results show that the factors affecting the total score can vary based on the characteristics of the subject. Fourth, in this study, educational experience did not significantly predict total scores in both commercial and engineering subjects. Learners could not attend the course because the distance learning center was congested such that all students who graduated from high school or those with an equal or higher educational level had difficulties studying. Therefore, it was concluded that there is no relation between educational career and total score. Fifth, the LMS extracted data predicted the time points and the learner groups by time point before the study was completed. As a result, it was possible to predict the significance (p <.05) of the total scores in the first quarter (1∼4 weeks) of 9.7% in the upper-ranking subjects and 4.0% in the engineering-related subjects. Based on the above results, it is possible to contribute to the prevention of incomplete by delivering warning and encouragement messages to learners who are expected to have completed the early stage of learning.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.