본 연구의 목적은 EdNet 데이터를 활용하여 지능형 튜터링 학습 프로그램에서 학습자 특성이 어떻게 나타나는지 확인하는 데에 있다. EdNet 데이터는 지능형 튜터링 학습 프로그램인 S 학습 프로그램에서 수집된 대규모 학습자 활동 로그를 담고 있는데, 교육연구에 중요한 변수인 성취도 정보가 포함되어 있지 않다. 따라서 우선적으로 EdNet 데이터로부터 문항반응 데이터를 구성하고 ...
본 연구의 목적은 EdNet 데이터를 활용하여 지능형 튜터링 학습 프로그램에서 학습자 특성이 어떻게 나타나는지 확인하는 데에 있다. EdNet 데이터는 지능형 튜터링 학습 프로그램인 S 학습 프로그램에서 수집된 대규모 학습자 활동 로그를 담고 있는데, 교육연구에 중요한 변수인 성취도 정보가 포함되어 있지 않다. 따라서 우선적으로 EdNet 데이터로부터 문항반응 데이터를 구성하고 문항반응이론을 적용하여 문항 난이도와 학습자 성취도 정보를 확보하였다. 성취도 정보를 확인한 35,492명을 중점 분석 대상으로 하여 학습자 특성을 분석하였다. 본 연구에서 분석한 주요 학습자 특성은 학습경로, 총 학습시간, 학습시점 간격의 규칙성, 플랫폼 이용 비율의 네 가지이다. 본 연구에 따른 결론은 다음과 같다. 첫째, 성취도 수준이 상이한 10명의 학습자를 추출하여 학습 문항의 난이도 추이를 시각화하여 살펴본 결과, 학습자들이 서로 다른 학습경로를 따라 학습하는 양상을 확인할 수 있었다. 또한 개별 학습자의 성취도 수준과 다소 거리가 있는 다양한 난이도의 문항들이 제시된다는 점과, 학습자의 능력 모수에 비하여 상대적으로 난이도가 낮은 문항이 많이 제시된다는 점을 확인할 수 있었다. 다양한 난이도의 문항을 제시하는 것은 학습자의 수준을 파악하기 위한 것으로, 난이도가 낮은 문항이 많이 제시되는 것은 학습을 독려하고 문제풀이 숙련도를 높이기 위한 것으로 추정된다. 구성영역(LC, RC)별로 살펴보면 문항 난이도의 변동범위가 서로 다른 경향을 확인할 수 있으며, 학습진행을 조절하는 변수가 복합적이라는 것을 추정할 수 있다. 둘째, 지능형 튜터링 학습 프로그램에서 총 학습시간은 성취도와 관련이 있는 것으로 분석되었다. 이는 총 학습시간이 성취도와 유의미한 관계를 보이지 않는다는 선행연구 결과(강민석, 2009; 조일현, 김정현 2013; 조일현, 김윤미, 2013)들과 다소 차이를 보이는 결과이다. S 학습 프로그램에서의 총 학습시간은 단순히 동영상 강의 시청시간의 합이 아니라, 개별 학습항목별 시간의 합이므로 실질 학습시간과 같다고 볼 수 있기 때문에 이와 같은 결과가 나온 것으로 해석된다. 이는 조일현과 김정현(2013)의 연구에서 총 학습시간과 성취도의 관련이 낮은 이유가 주로 집중하지 못한 상태에서 접속해 있기 때문이라는 해석에도 어느 정도 부합한다. 학습항목별로 살펴보면 성취도가 높은 학생은 강의나 해설보다는 문제풀이를 이용하는 시간의 비중이 더 높았고, 문제풀이의 경우 파트 1, 2, 3, 5의 비중은 상대적으로 낮고 파트 4, 6, 7의 비중은 높게 나타나, 소요시간이 상대적으로 긴 학습항목을 학습하는 비중이 더 높은 것으로 볼 수 있다. 성취도가 높은 학생은 좀더 능동적이고 집중력을 필요로 하는 학습항목을 선택하여 학습하는 비중이 높으므로 학습의 밀도가 높다고 해석할 수 있다. 셋째, 지능형 튜터링 학습 프로그램에서 성취도 상위집단의 학습시점 간격은 하위집단에 비해 상대적으로 짧았으며, 학습시점 간격의 규칙성이 높았다. 학습시점 간격의 규칙성이 성취도와 관련이 있다는 기존의 연구 결과들(김정현, 2011; 조일현, 김윤미, 2013; 김상현, 2016)과 일치하며, 지능형 튜터링 학습 프로그램에서도 이 같은 학습의 규칙성은 성취도를 위한 예측변수로서 작용하는 변수임을 재확인하였다. 넷째, 지능형 튜터링 학습 프로그램에서는 모든 학습항목에서 데스크톱보다 모바일에서 이용하는 비율이 더 높았는데, 콘텐츠의 화면크기가 큰 파트 4, 6, 7에 관한 콘텐츠는 데스크톱에서 이용하는 비율이 높아지는 양상을 보였다. ITS 기반의 학습 프로그램에서는 일반적인 검사 상황과 달리 시계열 데이터라는 점과, 중복문항 반응이 있을 수 있다는 특징이 있다. 후속연구에서는 이러한 시계열적 데이터와 중복문항에 관한 정보를 반영할 수 있는 모형과 분석 패키지를 활용하여 좀 더 심도 있는 분석을 할 필요가 있다. 본 연구에서 다룬 학습경로 분석결과는 단순히 성취도와 시계열 정보만으로 위치를 나타내었기 때문에 도메인 모델 내에서의 지식 요소가 가지는 특성이 표현되지 못했다는 한계점이 있다. 후속연구에서는 단원, 차시, 주제 등 콘텐츠의 의미를 반영하는 학습경로를 탐색해볼 필요가 있다. 지능형 튜터링 학습 프로그램의 학습자 특성 분석에 관한 연구는 아직 부족한 실정이다. 시계열 데이터의 특성을 반영한 모형을 적용한 분석, 지식요소 간의 위계적인 관계에 대한 분석, 학습시간 측정지표에 대한 논의, 상시 운영 학습 프로그램과의 비교 연구가 필요하다. 여러 지능형 튜터링 학습 프로그램들에서 데이터가 공유되고 상호 비교를 통해 그 특성을 다각적으로 검토해보는 후속연구가 이어지기를 기대한다.
본 연구의 목적은 EdNet 데이터를 활용하여 지능형 튜터링 학습 프로그램에서 학습자 특성이 어떻게 나타나는지 확인하는 데에 있다. EdNet 데이터는 지능형 튜터링 학습 프로그램인 S 학습 프로그램에서 수집된 대규모 학습자 활동 로그를 담고 있는데, 교육연구에 중요한 변수인 성취도 정보가 포함되어 있지 않다. 따라서 우선적으로 EdNet 데이터로부터 문항반응 데이터를 구성하고 문항반응이론을 적용하여 문항 난이도와 학습자 성취도 정보를 확보하였다. 성취도 정보를 확인한 35,492명을 중점 분석 대상으로 하여 학습자 특성을 분석하였다. 본 연구에서 분석한 주요 학습자 특성은 학습경로, 총 학습시간, 학습시점 간격의 규칙성, 플랫폼 이용 비율의 네 가지이다. 본 연구에 따른 결론은 다음과 같다. 첫째, 성취도 수준이 상이한 10명의 학습자를 추출하여 학습 문항의 난이도 추이를 시각화하여 살펴본 결과, 학습자들이 서로 다른 학습경로를 따라 학습하는 양상을 확인할 수 있었다. 또한 개별 학습자의 성취도 수준과 다소 거리가 있는 다양한 난이도의 문항들이 제시된다는 점과, 학습자의 능력 모수에 비하여 상대적으로 난이도가 낮은 문항이 많이 제시된다는 점을 확인할 수 있었다. 다양한 난이도의 문항을 제시하는 것은 학습자의 수준을 파악하기 위한 것으로, 난이도가 낮은 문항이 많이 제시되는 것은 학습을 독려하고 문제풀이 숙련도를 높이기 위한 것으로 추정된다. 구성영역(LC, RC)별로 살펴보면 문항 난이도의 변동범위가 서로 다른 경향을 확인할 수 있으며, 학습진행을 조절하는 변수가 복합적이라는 것을 추정할 수 있다. 둘째, 지능형 튜터링 학습 프로그램에서 총 학습시간은 성취도와 관련이 있는 것으로 분석되었다. 이는 총 학습시간이 성취도와 유의미한 관계를 보이지 않는다는 선행연구 결과(강민석, 2009; 조일현, 김정현 2013; 조일현, 김윤미, 2013)들과 다소 차이를 보이는 결과이다. S 학습 프로그램에서의 총 학습시간은 단순히 동영상 강의 시청시간의 합이 아니라, 개별 학습항목별 시간의 합이므로 실질 학습시간과 같다고 볼 수 있기 때문에 이와 같은 결과가 나온 것으로 해석된다. 이는 조일현과 김정현(2013)의 연구에서 총 학습시간과 성취도의 관련이 낮은 이유가 주로 집중하지 못한 상태에서 접속해 있기 때문이라는 해석에도 어느 정도 부합한다. 학습항목별로 살펴보면 성취도가 높은 학생은 강의나 해설보다는 문제풀이를 이용하는 시간의 비중이 더 높았고, 문제풀이의 경우 파트 1, 2, 3, 5의 비중은 상대적으로 낮고 파트 4, 6, 7의 비중은 높게 나타나, 소요시간이 상대적으로 긴 학습항목을 학습하는 비중이 더 높은 것으로 볼 수 있다. 성취도가 높은 학생은 좀더 능동적이고 집중력을 필요로 하는 학습항목을 선택하여 학습하는 비중이 높으므로 학습의 밀도가 높다고 해석할 수 있다. 셋째, 지능형 튜터링 학습 프로그램에서 성취도 상위집단의 학습시점 간격은 하위집단에 비해 상대적으로 짧았으며, 학습시점 간격의 규칙성이 높았다. 학습시점 간격의 규칙성이 성취도와 관련이 있다는 기존의 연구 결과들(김정현, 2011; 조일현, 김윤미, 2013; 김상현, 2016)과 일치하며, 지능형 튜터링 학습 프로그램에서도 이 같은 학습의 규칙성은 성취도를 위한 예측변수로서 작용하는 변수임을 재확인하였다. 넷째, 지능형 튜터링 학습 프로그램에서는 모든 학습항목에서 데스크톱보다 모바일에서 이용하는 비율이 더 높았는데, 콘텐츠의 화면크기가 큰 파트 4, 6, 7에 관한 콘텐츠는 데스크톱에서 이용하는 비율이 높아지는 양상을 보였다. ITS 기반의 학습 프로그램에서는 일반적인 검사 상황과 달리 시계열 데이터라는 점과, 중복문항 반응이 있을 수 있다는 특징이 있다. 후속연구에서는 이러한 시계열적 데이터와 중복문항에 관한 정보를 반영할 수 있는 모형과 분석 패키지를 활용하여 좀 더 심도 있는 분석을 할 필요가 있다. 본 연구에서 다룬 학습경로 분석결과는 단순히 성취도와 시계열 정보만으로 위치를 나타내었기 때문에 도메인 모델 내에서의 지식 요소가 가지는 특성이 표현되지 못했다는 한계점이 있다. 후속연구에서는 단원, 차시, 주제 등 콘텐츠의 의미를 반영하는 학습경로를 탐색해볼 필요가 있다. 지능형 튜터링 학습 프로그램의 학습자 특성 분석에 관한 연구는 아직 부족한 실정이다. 시계열 데이터의 특성을 반영한 모형을 적용한 분석, 지식요소 간의 위계적인 관계에 대한 분석, 학습시간 측정지표에 대한 논의, 상시 운영 학습 프로그램과의 비교 연구가 필요하다. 여러 지능형 튜터링 학습 프로그램들에서 데이터가 공유되고 상호 비교를 통해 그 특성을 다각적으로 검토해보는 후속연구가 이어지기를 기대한다.
The purpose of this study is to analyze the characteristics of a learning program based on an intelligent tutoring system (ITS) using EdNet data. Different learning paths were observed for individual learners. It was confirmed that items of various difficulty levels were presented, and that, on aver...
The purpose of this study is to analyze the characteristics of a learning program based on an intelligent tutoring system (ITS) using EdNet data. Different learning paths were observed for individual learners. It was confirmed that items of various difficulty levels were presented, and that, on average, many items had lower item difficulty compared to the learner level. The total learning time was found to be related to achievement. The high-achieving group had shorter learning time intervals and high regularity of learning time intervals compared to the low-achieving group. The proportion of mobile usage was higher than that of desktop. Contents related to parts 4, 6, and 7, which have a large screen size, showed a high proportion of use on the desktop.
The purpose of this study is to analyze the characteristics of a learning program based on an intelligent tutoring system (ITS) using EdNet data. Different learning paths were observed for individual learners. It was confirmed that items of various difficulty levels were presented, and that, on average, many items had lower item difficulty compared to the learner level. The total learning time was found to be related to achievement. The high-achieving group had shorter learning time intervals and high regularity of learning time intervals compared to the low-achieving group. The proportion of mobile usage was higher than that of desktop. Contents related to parts 4, 6, and 7, which have a large screen size, showed a high proportion of use on the desktop.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.