[논문]학습 선호도에 의한 학습 콘텐츠 제안 시스템

정화영; 이연호; 홍봉화

doi:10.5392/jkca.2010.10.1.477

학습 선호도에 의한 학습 콘텐츠 제안 시스템
The Propose System of Learning Contents using the Preference of Learner 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.10 no.1, 2010년, pp.477 - 485

정화영 (경희대학교 교양학부) , 이연호 (경희사이버대학교 사회복지학과) , 홍봉화 (경희사이버대학교 정보통신학과)

초록
AI-Helper

웹 기반 학습시스템은 다양하고 방대한 학습 콘텐츠가 운용되고 있다. 그러나 학습자가 학습을 위해 학습 콘텐츠를 선택할 때 이를 자신에 맞도록 효율적으로 구성하기는 매우 어렵다. 본 연구에서는 학습자가 학습을 계획할 때 학습자 프로파일의 학습 히스토리 정보를 기반으로 선호도를 산출하여 학습 콘텐츠를 학습자에게 제안하는 방법을 제시하였다. 학습 선호도 산출은 토픽 선호도 벡터 값으로 산출하여 적용하였다. 학습의 적용 결과로 학습 모집단을 선별하여 학습을 진행하였으며, 학습후의 학습 만족도가 매우 높게 나타남으로서 본 제안방법이 학습자 스스로의 학습 진행에 많은 도움을 줄 수 있음을 제시하였다.

Abstract ▼ AI-Helper

Web based learning systems are operating with various and lots of learning contents. But it is hard to construct learning contents to fit learners when they select learning contents for learning. In this paper, we proposed the recommendation method that can support the learning contents as calculate learner's preference using the learning history information of learner's profile when learner design and compose learning course. In the applying result of this method, we've selected testing learner group and was able to know it can help to learner processing learning by themselves as we've got great learning satisfaction after test.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 학습자의 학습 선호도에 따른 학습 콘텐츠 제안시스템을 제시하고자 한다. 이는 학습자가 학습에 참여할 때 이용하는 학습 콘텐츠의 선택 유형을 분석하여 다음 학습 진행시 학습자에게 학습유형을 제시함으로서 방대한 학습 콘텐츠의 효율적인 사용 방법을 제안하게 되는 것이다.
본 논문은 학습 선호도에 따른 학습 콘텐츠를 학습자에게 제공하는 것을 목적으로 한다. 이는 이 러닝에서 다양하고 방대한 학습 콘텐츠를 학습자 스스로가 알아서 학습을 구성하는 자기주도적학습이나 학습 콘텐츠를 학습자가 구성하거나 선택할 수 있는 이러닝 시스템에 사용한다.
이를 보완하기 위한 방법으로 학습자 스스로 학습계획을 설정하고 학습 전 과정에 직접 참여하는 자기주도적 학습 방법이나 다양한 학습 콘텐츠를 학습자에게 제시하고 학습자가 원하는 학습 콘텐츠를 선택하게 하는 방법이 적용되었다 그러나 학습자 스스로가 학습 콘텐츠를 구성할 때 자신이 주로 사용하는 학습 콘텐츠나 정보를 고려하여 학습 과정을 진행하기에는 학습자에게 제시되는 학습 콘텐츠의 유형이 너무 많았다. 본 논문은 학습자의 학습자 프로파일 내의 학습 히스토리 정보를 기반으로 학습 선호도를 고려하여 학습자가 주로 선호하는 학습 콘텐츠 유형 및 구성 정보를 제공함으로서 학습과정을 딘행하는데 도움을 주고자 하였다. 학습 선호도 산출은 학습자의 학습 히스토리정보에서 학습과정과 콘텐츠 유형의 사용 정보를 기반으로 토픽 선호도 벡터값을 산출하여 적용하였다.

제안 방법

콘텐츠 유형에서 기본구성이란 교수자가 학습 콘텐츠를 제작하면서 학습과정에 맞도록 구성한 것으로, 고유명사의 경우 텍스트 + 그림 + VOD로 학습 콘텐츠를 구성하였다. 그러나 이는 교수자가 설정한 학습 콘텐츠의 구성이며, 구성 요소 이외에도 교수자는 사운드를 이용하여 학습 콘텐츠를 추가로 제작하였다. 학습자는 이를 통하여, 교수자가 설정한 학습 콘텐츠 구성을 따르지 않고 임의로 학습 콘텐츠를 설정할 수 있다.
송창우의 연구[6]에서는 프로파일 데이터를 입력하여 RDF 로 변환하고, 이를 개인화 프로파일로 갱신하는 과정으로 사용자의 선호도에 맞는 콘텐츠를 추천하고 있다. 또한 추천검색을 위하여 개인화 모듈을 두었으며, 쿼리중재자와 개인화 관리자 사이에 쿼리를 통한 개인화 결과를 도출하였다. 그러나 이는 개인화 성향을 분석하기 위해 단순히 프로파일을 사용한다는 지침만을 제시하였을 뿐 개인의 선호도를 측정하기 위한 방법을 제시하지 못하였다.
본 제안 시스템은 학습자가 학습 콘텐츠를 구성 및 선택할 때 학습자 자신이 주로 사용하였던 콘텐츠 방식을 프로파일의 학습 히스토리 정보로부터 산출하여 그 정보를 제시하고 참조할 수 있도록 하였다. 표 4는 학습 모집단을 대상으로 테스트한 결과로서 학습자 프로파일의 히스토리 학습 정보를 나타낸다.
본 제안방법은 학습자가 학습구성을 설정할 때 학습자의 전 학습정보를 기반으로 학습 콘텐츠의 선호도를 판명하고 이를 학습 설계시 참조할 수 있도록 하였으며, 제안 시스템의 적용을 위하여 학습 수준이 각기 다른 학습 모집단 30명을 선발하였다. 적용 예제 시스템은 [표 3]과 같이 영어 학습에서 명사와 동사편의 일부를 제작하였다.
이준석의 연구 R0]에서는 쌍방향 TV환경에서 광고 콘텐츠를 제공하는데 있어 사용자의 선호도를 반영하였다. 이를 위하여 선호도 조사 및 분석으로는 설문을 이용하였다. 그러나 위 연구는 선호도 조사 및 적용이 중요함을 제시하고 있으나 이를 반영하는 방법은 설문을 통한 수작업으로 진행되었다.
학습 모집단 30명을 선발하였다. 적용 예제 시스템은 [표 3]과 같이 영어 학습에서 명사와 동사편의 일부를 제작하였다. 콘텐츠 유형에서 기본구성이란 교수자가 학습 콘텐츠를 제작하면서 학습과정에 맞도록 구성한 것으로, 고유명사의 경우 텍스트 + 그림 + VOD로 학습 콘텐츠를 구성하였다.
학습 선호도 산출은 학습자의 학습 히스토리정보에서 학습과정과 콘텐츠 유형의 사용 정보를 기반으로 토픽 선호도 벡터값을 산출하여 적용하였다. 제안 시스템의 테스트를 위하여 학습 모집단 30명을 선출하였으며, 예제 시스템은 영어 학습 중에서 동사와 명사부분의 단원학습을 제작 및 적용하였다. 이러한 결과로서 학습자는 교수자가 설정한 학습 과정에 따른 콘텐츠 기본 구성을 따르지 않고 자신에 맞는 학습을 구성하였으며, 20회 학습 후의 학습 만족도 조사에서는 평균 91.
본 논문은 학습자의 학습자 프로파일 내의 학습 히스토리 정보를 기반으로 학습 선호도를 고려하여 학습자가 주로 선호하는 학습 콘텐츠 유형 및 구성 정보를 제공함으로서 학습과정을 딘행하는데 도움을 주고자 하였다. 학습 선호도 산출은 학습자의 학습 히스토리정보에서 학습과정과 콘텐츠 유형의 사용 정보를 기반으로 토픽 선호도 벡터값을 산출하여 적용하였다. 제안 시스템의 테스트를 위하여 학습 모집단 30명을 선출하였으며, 예제 시스템은 영어 학습 중에서 동사와 명사부분의 단원학습을 제작 및 적용하였다.

성능/효과

제안 시스템의 테스트를 위하여 학습 모집단 30명을 선출하였으며, 예제 시스템은 영어 학습 중에서 동사와 명사부분의 단원학습을 제작 및 적용하였다. 이러한 결과로서 학습자는 교수자가 설정한 학습 과정에 따른 콘텐츠 기본 구성을 따르지 않고 자신에 맞는 학습을 구성하였으며, 20회 학습 후의 학습 만족도 조사에서는 평균 91.13점을 나타내면서 학습에 도움이 되고 있음을 제시할 수 있었다.

후속연구

향후 연구과제로서 본 제안방법은 보다 많은 학습 콘텐츠가 제공되는 학습 환경에서 충분한 데이터를 통해 방대한 양의 학습 콘텐츠에서도 학습 효과가 향상됨을 나타내어야 한다.

참고문헌 (11)

정화영, “문항교정난이도를 이용한 컴포넌트 기반의 자기 주도적 E-Learning 시스템”, 한국인터넷정보학회 논문지, 제7권, 제6호, 2006.
김주혜, “이러닝 구성요소에 근거한 영어 학습자의 정서적 측면 연구:불안감을 중심으로”, 영어교육연구, 제19권, 제2호, 2007.
조수현, 김영학, 이재호, “멀티미디어 기반 교육용 지구의 시스템의 설계 및 구현”, 한국컴퓨터정보학회 논문지, 제11권, 제4호, 2006.
김종숙, “이러닝 학습성과의 영향변인 탐색과 인과분석의 교육정책적 합의”, 열린교육연구, 제15권, 제3호, 2007.
조동주, 정경용, 임기욱, 이정현, “개인화 추천 시스템에서 FP-Tree를 이용한 연관 군집 방법”, 한국콘텐츠학회논문지, 제7권, 제10호, 2007.

원문보기 상세보기
송창우, 김종훈, 정경용, 류중경, 이정현, “시맨틱 웹에서 개인화 프로파일을 이용한 콘텐츠 추천검색 시스템”, 한국콘텐츠학회 논문지, 제8권, 제1호, 2008.

원문보기 상세보기
이창열, 조규찬, 김현숙, 조위덕, “자가 성장하는 상황 기반 사용자 모델을 이용한 개인화 커뮤니티 서비스 자동 제공 방법”, 정보과학회논문지: 컴퓨팅의 실제 및 레터, 제14권, 제7호, 2008.

원문보기 상세보기
박정우, 이상훈, “사용자 프로파일을 이용한 개인화된 토픽맵 랭킹 알고리즘”, 정보과학회논문지 : 소프트웨어 및 응용, 제35권, 제8호, 2008.
권형준, 정동근, 홍광석, “사용자의 재생 시간을 이용한 멀티미디어 추천 시스템”, 한국인터넷정보학회 논문지, 제10권, 제1호, 2009.

원문보기 상세보기
이준석, 김경수, 이광옥, 배상현, “사용자 선호도를 고려한 광고 콘텐츠 제공 시스템 설계”, 한국인터넷정보학회 논문지, 제10권, 제1호, 2009.

원문보기 상세보기
이신동, 원재권, 김기명, “초등학교 수학영재,과학영재,일반 학생의 학습유형 및 교수방법 선호도 비교”, 영재와 영재교육, 제6권, 제2호, 2007.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증