선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이러한 기존 학습자 확인 방식의 단점과 더불어 e-Learning의 본 취지인 자연스러운 학습자 참여 유도와 정확한 학습 관리 시스템의 필요를 충족시키기 위한 대안으로 본 논문에서는 얼굴인식기술을 이용하여 학습자를 의도적으로 확인 절차에 참여시키지 않고도 확인하고 교수와 학습자간 피드백 효과를 높일 수 있는 지능형 학습자 유도 시스템을 제안하고자 한다. 얼굴인식은 각 학습자의 얼굴을 분석하여 고유정보를 추출하고, 추출된 고유정보를 이용해 학습자를 확인하는 기술이다.
제안 방법
- , 1991)에서 다루어왔던 Eigenface 알고리즘을 활용하였다. 각 학습자는 10개의 얼굴을 등록해두고 사용자 계정으로 등록된 얼굴 영역 내에서 인식을 시도하는 방법으로 실험하였고, 인식 시점은 교수가 수동적으로 요청하는 방식이 아닌 교육 시간 내에서 임의의 시간에 자동적으로 요청하도록 하였다.
- 구성하였다. 각 학습자들은 웹 카메라가 연결된 개별 PC 상에서 e-Learning 사이트에 접속하여 ActiveX 컨트롤을 내려 받고, 교수는 관리자페이지에 접속하여 ActiveX 컨트롤과 인식 서버와의 통신을 위한 미들웨어를 내려 받아 얼굴인식 및 학습자 관리 측면에서 성능 평가를 시행하였다.
- 등록 FUNCTIONe 학습자의 얼굴 영상을 Eigenface 알고리즘에 의해 고유얼굴 계수(Eigen-Go-efficient)로 수치화한 뒤 데이터베이스에 학습자의 ID, 등록 번호(REG_NUM), HLE_PATH Egen-Gefficient를 순차적으로 저장한다. 인식 FUNC-TIONe 전달된 학습자의 ID를 이용해 데이터베이스에 QUERY를 보내 학습자 ID와 일치하는 Eigen-G»fficient들을 메모리로 읽어온 뒤 전달된 Eigen-Gefficient와의 유사도를 측정하여 기준 유사도 범위에 속하는 Eigen-Gx伍cient의 REG_ NUM과 FILE_PATH를 교수 모듈로 전달한다.
- 이러한 문제점들을 해결하기 위해 본 연구에서 제안한 얼굴인식을 적용한 결과 학습자의 대리 출석이나 교육 중 일탈행위, 학습 참여도를 임의의 시간에 얼굴을 인식함으로써 학습자뿐만 아니라 교수의 교육 참여에 커다란 효과가 있음을 확인하였다. 또한 교육 이외의 행동에 대해서도 인식 시스템이 타 작업에 의해 화면을 점유할 경우 인식이 정상적으로 수행되지 않도록 하여 결과적으로 평가에 불리한 영향을 주도록 유도함으로써 학습자가 능동적으로 교육에 참여하도록 하였다. 인식 결과를 저장하는 얼굴인식 서버는 교수의 요청에 따라 학습자의 이력 사항을 종합적으로 분석하여 학습 참여율을 계산한 결과를 응답할 수 있기 때문에 다양한 평가 요소로도 활용될 수 있을 것으로 기대한다.
- 이러한 얼굴인식 절차를 거치기 위해서는 크게 얼굴 탐지 및 정규화 과정과 얼굴 전송, 얼굴 인식, 얼굴둥록과정을 거치게 된다. 본 논문에서는 기존 얼굴인식기술을 e-Learning 시스템에 적용하는 방법에 중심을 두고 있으므로 얼굴인식에 관련된 알고리즘의 설명은 생략하도록 한다.
- 과정이다. 본 연구에서 얼굴을 탐지하기 위한 알고리즘으로는 이전 연구(배경 율, 2004; Samal et al., 1992)에서 살펴보았던 피부색상 ^^(Skin-col or based) 얼굴탐지 기법을 이용하여 학습자의 얼굴 영역을 탐지한다.
- 학습자가 e-Learning 사이트 로그인을 위하여 수행하는 얼굴인식과 교육 중 학습자의 일탈 여부를 확인하기 위해 수행하는 얼굴인식에 대하여 입력 교육 시간 90분 사이에 얼굴인식 요청 횟수 3회로 초기화한 뒤 얼굴인식 성공률 및 인식 시간을 확인하였다. 각 성공률 및 인식 시간은 모집단에 대한 평균값으로 성능을 나타낸 결과 인식 성공률은 초기 로그인 얼굴인식시 약 96%의 성공률과 1 회 인식수행 소요 시간은 1.
대상 데이터
- 본 논문에서 구현한 e-Learning 시스템의 성능평가를 위하여 교수 1명과 학습자 20명을 모집단으로 구성하였다. 각 학습자들은 웹 카메라가 연결된 개별 PC 상에서 e-Learning 사이트에 접속하여 ActiveX 컨트롤을 내려 받고, 교수는 관리자페이지에 접속하여 ActiveX 컨트롤과 인식 서버와의 통신을 위한 미들웨어를 내려 받아 얼굴인식 및 학습자 관리 측면에서 성능 평가를 시행하였다.
이론/모형
- 본 논문에서 제안하는 e-Learning 시스템의 테스트는 프로토타입 형태의 웹 사이트를 구성하고, 얼굴을 인식하기 위한 방법으로는 기존 연구(배경율 2003 -2004; 송지환, 배경율, 2004; Turk et al., 1991)에서 다루어왔던 Eigenface 알고리즘을 활용하였다. 각 학습자는 10개의 얼굴을 등록해두고 사용자 계정으로 등록된 얼굴 영역 내에서 인식을 시도하는 방법으로 실험하였고, 인식 시점은 교수가 수동적으로 요청하는 방식이 아닌 교육 시간 내에서 임의의 시간에 자동적으로 요청하도록 하였다.
- 읽어온다(배경율, 2003-2004). 얼굴 등록은 전송 받은 학습자의 얼굴 영상으로부터 Eigenface 알고리즘에 의하여 얼굴계수를 생성한다. 생성된 계수들은 학습자의 아이디 정보와 함께 DB에 저장된다.
- 한다. 이에 대한 구현은 ActiveX 컨트롤로 개발된 웹 기반 얼굴인증 방식(배경율, 2004; 송지환과 배경율, 2004)을 이용하였으며, 참여 학습자는 교육 수행 중 교수 모듈로부터 임의의 시간에 통보 없이 얼굴인식을 호출하도록 하였다. 식 (1)은 임의 시간 호출(StudentFR)을 나타낸 것이다.
성능/효과
- 각 성공률 및 인식 시간은 모집단에 대한 평균값으로 성능을 나타낸 결과 인식 성공률은 초기 로그인 얼굴인식시 약 96%의 성공률과 1 회 인식수행 소요 시간은 1.4초를 기록하였다. 또한 교육 중 임의로 수행되는 얼굴인식의 성공률은 5회 중 평균 3회를 성공하였고, 1회 인식수행에 소요되는 시간은 약 2.
- 동영상의 경우 학습자의 수가 10명이므로 각 학습자가 교수 모듈에 전달하는 최소 데이터의 크기는 초당 250KB이며, 본 논문에서 제안한 얼굴인식에 의해 축소된 얼굴 영상과 사용자 정보를 전달하기 위한 데이터 크기는 최대 20KB로 측정되었다.<표 2>는 동영상 전달 방식과 본 논문에서 제안하는 얼굴인식 지능형 학습자 관리 방식 간의 데이터 크기를 비교한 것이다.
- 특히, 사이버대학과 같은 학점제 운영 e-Learning 시스템이라면 학습자의 이러한 행태들을 정확히 파악하지 못함으로 사이버대학의 교육열의나 학습 참여도에 커다란 걸림돌이 되고 있다. 두 번째로, 다수의 학습자를 관리하는 관리자 즉, 교수의 입장에서 학습자들의 상태 확인이 어려워 각 학습자와의 피드백이 단절된다. 학습자와의 피드백은 학습 의욕 고취와 상호간의 대화 연결 측면에서 교육 프로그램에 중요한 요소이다.
- 본 논문에서 제안하는 얼굴인식 기반의 지능형 e-Learning 시스템은 사이버대학이나 온라인 교육을 필요로 하는 기관 및 학교에서 기존 e-Learning 시스템이 갖고 있는 적용상 문제점들을 보완할 수 있는 효과가 있음을 얼굴인식 성능과 학습자 관리 측면에서의 효용성에 초점을 두고 실험한 결과를 통해 확인할 수 있었다. 기존 e-Learning 시스템의 대표적인 문제점은 학습자가 교육 중 학습 장소에서 일탈했는지의 여부와 학습자가 능동적으로 교육에 참여하고 있는지에 대한 확인 및 관리, 그리고 전체 학습자의 출결 및 학습 참여 평가를 종합적으로 처리할 수 없다는 것이다.
- 얼굴인식은 각 학습자의 얼굴을 분석하여 고유정보를 추출하고, 추출된 고유정보를 이용해 학습자를 확인하는 기술이다. 본 논문에서 제안하는 얼굴인식 기술은 일반적으로 사용되는 웹 카메라를 이용하므로 학습자의 얼굴 영상을 쉽게 획득할 수 있으며, 학습을 위해 PC 화면을 바라보는 동안 자동적으로 학습자의 신원을 확인하여 원격지의 교수에게 전달할 수 있으며, 이러한 확인절차를 통해 학습자의 일탈을 방지할 수 있다. 또한 교육에 집중할 수 있도록 타 작업시 얼굴인식을 거부함으로써 교육 종료 후 평가에 인식 여부를 반영함으로써 학습자에 대한 공정한 평가가 가능하며, 인식을 위해 사용되는 카메라는 학습자의 영상을 획득하기 위한 도구로 활용될 뿐 감시적인 의미를 갖지 않으므로 사생활 침해의 소지를 갖지 않는다(이준, 2001).
- 기존 e-Learning 시스템의 대표적인 문제점은 학습자가 교육 중 학습 장소에서 일탈했는지의 여부와 학습자가 능동적으로 교육에 참여하고 있는지에 대한 확인 및 관리, 그리고 전체 학습자의 출결 및 학습 참여 평가를 종합적으로 처리할 수 없다는 것이다. 이러한 문제점들을 해결하기 위해 본 연구에서 제안한 얼굴인식을 적용한 결과 학습자의 대리 출석이나 교육 중 일탈행위, 학습 참여도를 임의의 시간에 얼굴을 인식함으로써 학습자뿐만 아니라 교수의 교육 참여에 커다란 효과가 있음을 확인하였다. 또한 교육 이외의 행동에 대해서도 인식 시스템이 타 작업에 의해 화면을 점유할 경우 인식이 정상적으로 수행되지 않도록 하여 결과적으로 평가에 불리한 영향을 주도록 유도함으로써 학습자가 능동적으로 교육에 참여하도록 하였다.
후속연구
- 그러나 현 얼굴인식 알고리즘을 이용해 수행한 결과 매 인식시도에 따른 오류가 발생하고 이러한 오류는 인식 거부를 통해 학습자에게 불이익을 미칠 수 있기 때문에 보다 정확한 인식 알고리즘의 도입할 경우 효과적인 e-Learning 관리 시스템을 구축할 수 있으며, 학습자들이 교육에 무관한 행동으로 인한 불이익에 대해서는 교수 측에서 화이트보드나 채팅 윈도우를 이용하여 공지할 수 있는 별도의 추가기능을 도입한다면 향후 지능을 갖춘 e-Learning 시스템 구축에 커다란 기여를 할 것으로 기대된다.
- 또한 교육 이외의 행동에 대해서도 인식 시스템이 타 작업에 의해 화면을 점유할 경우 인식이 정상적으로 수행되지 않도록 하여 결과적으로 평가에 불리한 영향을 주도록 유도함으로써 학습자가 능동적으로 교육에 참여하도록 하였다. 인식 결과를 저장하는 얼굴인식 서버는 교수의 요청에 따라 학습자의 이력 사항을 종합적으로 분석하여 학습 참여율을 계산한 결과를 응답할 수 있기 때문에 다양한 평가 요소로도 활용될 수 있을 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.