[논문]LCMS를 이용한 학습자 수준별 맞춤형 학습 콘텐츠 구성

정화영

LCMS를 이용한 학습자 수준별 맞춤형 학습 콘텐츠 구성
Construction of Tailored Learning Contents by Learner's Level using LCMS 원문보기

인터넷정보학회논문지 = Journal of Korean Society for Internet Information, v.11 no.2, 2010년, pp.165 - 172

초록
AI-Helper

웹 기반 학습시스템에서 학습자의 학습효율을 높이기 위하여 자기조절학습, 자기주도학습 등의 방법이 사용되고 있다. 이러한 방법들은 학습자의 학습수준을 고려한 방법이지만 학습자의 정확한 학습능력을 고려하기 위해서는 수준별 학습의 적용이 필요하다. 본 연구에서는 학습자의 학습능력을 고려한 학습 시스템을 제시하였다. 학습자의 학습능력을 설정하기 위하여 문항반응이론을 사용하였으며, 학습 콘텐츠와 학습문항은 각 난이도에 따라 개발 및 적용되었다.

Abstract ▼ AI-Helper

In Web-based learning systems, the techniques, as self-regulated learning, self-directed learning, are used to improve the effect of learner's study. These techniques are methods considering learner's study level but to consider the learner's study ability properly, the tailored course for learner should be applied. In this research, the learning system considering learner's study ability was proposed. To decide a learner's study ability, IRT(Item Response Theory) was applied and learning contents and question items were developed and applied by the degree of difficulty.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 이러닝에서 사용하는 학습의 방법에서 난이도를 조정하여 학습자의 수준에 맞는 학습 콘텐츠를 제공하는 시스템을 제안하였다. 학습자의 수준을 판별하는 방법으로 문항난이도를 적용하여 학습자의 능력수치와 난이도를 산출하였으며, 이를 학습자 학습수준으로 적용하였다.
본 연구에서는 LCMS를 이용하여 학습자 수준별 학습 콘텐츠를 구성 및 지원하는 시스템을 제시하고자 한다. 이는 학습과정 중 학습사전검사와 학습검사를 통해 학습자의 학습내용 이해도에 따라 학습콘텐츠를 제공함으로서 획일적으로 미리 제작된 과정에 따른 학습 콘텐츠가 아닌 학습자에 따라 학습 콘텐츠가 동적으로 변경된 내용을 통해 학습을 진행할 수 있도록 하였다.

제안 방법

학습 전 학습수준을 산출하기 위하여 사전검사를 통해 학습내용에 대한 학습자의 이해도를 측정하였으며, 그 결과 값에 따라 학습 콘텐츠가 제공되었다. 난이도는 상, 상중, 중, 중하, 하의 5개 단계로 설정되어 학습 수준의 구체적인 적용이 가능하도록 하였다. 학습 콘텐츠와 학습 문항은 분류된 난이도에 따라 같은 내용이라도 별도로 제작되었다.
본 연구에서는 학습자의 수준을 고려하기 위한 방법으로 문항반응이론에서 2-모수 로지스틱 모형을 이용하였다. 또한 학습 콘텐츠의 수준은 학습 난이도에 따라 구성하였으며 LCMS를 두어 이를 처리 및 관리하도록 하였다. 그림 2는 수준별 학습 콘텐츠 적용의 학습모형을 나타낸다.
적용된 예제 시스템은 영어 학습 시스템이며 각 콘텐츠의 구성은 표 1과 같다. 예제 학습 콘텐츠는 영어 학습 과정 중 동사, 동명사, 관계대명사 부분을 개발 및 적용하였으며, 각 단원에서 5개의 난이도에 따라 학습 콘텐츠와 문항을 개발하였다.
이때 난이도가 높을수록 동영상이나 그림 보다는 텍스트 기반의 설명문을 주로 활용하여 콘텐츠를 제작하였고, 난이도가 낮을수록 동영상 등을 활용하여 학습자가 보다 쉽게 이해할 수 있도록 하였다. 전체적인 문항 수는 모두 동일하게 개발되었고, 학습 전 검사일 경우 학습자가 선택한 단원내의 5개의 난이도에서 각각 20%씩 무작위로 출제하였다.
이를 기반으로 LearningLevel에서는 학습수준을 결정하며 재 산출된 학습자의 수준에 따라 학습 콘텐츠가 ContsructContents를 통해 재구성되고 학습자는 다시 구성된 학습 콘텐츠를 이용하여 학습을 진행하게 된다. 이러한 과정의 반복으로 학습이 진행되며, 최종 학습을 진행한 후 학습결과는 LearningResult를 집계 및 분석된다. 이 단계에서는 다시 IRT를 호출하여 문항반응이론을 산출하게 되고 그 최종 결과 값을 분석하여 학습자에게 제공한다.
김정렬의 연구[11]에서는 학습 콘텐츠를 수준별, 단계별로 구분하여 학습자에게 제공하였다. 지원되는 학습 콘텐츠는 텍스트, VOD, 그림 등 다양화 하였으며, 학습자의 학습 수준에 따라 구성된 콘텐츠를 지원하는 방식을 사용하였다. 그러나 많은 학습 콘텐츠를 효율적으로 처리 및 관리하는 LCMS등을 사용하지 않고 모든 학습 콘텐츠를 전용 DB에 산재하여 저장 및 관리하였다.
이는 학습콘텐츠를 개발하여야 하는 교수자로서는 많은 부담을 줄 수 있으나 이를 통해 학습하여야 하는 학습자는 자신에 맞는 수준의 학습 콘텐츠를 제공받을 수 있는 방법이 되었다. 학습 수준은 학습이 진행되는 동안 매 소단원 학습종료 시마다 학습검사를 시행하여 난이도를 재조정하였으며, 학습검사 시 현재의 설정된 난이도에 대한 학습문항을 풀고 그 결과에 따라 한 단계씩 상향조정하여 학습문항을 제시함으로서 학습자의 다음 학습전의 학습내용 이해도를 측정하여 학습수준을 산출하였다. 학습 결과로 학습의 진행 과정에서 각 학습 그룹별 소단원 학습에서 평균 난이도가 조정됨으로서 학습자 수준별 학습이 진행됨을 알 수 있었다.
학습자의 수준을 판별하는 방법으로 문항난이도를 적용하여 학습자의 능력수치와 난이도를 산출하였으며, 이를 학습자 학습수준으로 적용하였다. 학습 전 학습수준을 산출하기 위하여 사전검사를 통해 학습내용에 대한 학습자의 이해도를 측정하였으며, 그 결과 값에 따라 학습 콘텐츠가 제공되었다. 난이도는 상, 상중, 중, 중하, 하의 5개 단계로 설정되어 학습 수준의 구체적인 적용이 가능하도록 하였다.
이명희의 연구[10]에서는 문항반응이론을 이용하여 학습자의 수준을 판별하고 그에 맞는 학습 콘텐츠를 지원하였다. 학습 콘텐츠 처리 및 관리는 학습자, 문제은행, 평가 및 성적, 게시판 DB를 각각 두어 운영관리 모듈에서 처리하도록 하였다. 그러나 이러한 방법은 다양하고 방대한 학습 콘텐츠가 구성되는 학습시스템의 경우 각각의 DB들을 상호처리하고 관리하기 어려우며 효율적인 콘텐츠 요구 및 처리가 어렵다.
학습의 적용 및 결과를 도출하기 위한 방법으로 예제 학습 시스템은 aspx를 통하여 구현되었으며, LMS와 LCMS를 연동하는 데이터베이스는 access를 이용하였다.
본 연구는 이러닝에서 사용하는 학습의 방법에서 난이도를 조정하여 학습자의 수준에 맞는 학습 콘텐츠를 제공하는 시스템을 제안하였다. 학습자의 수준을 판별하는 방법으로 문항난이도를 적용하여 학습자의 능력수치와 난이도를 산출하였으며, 이를 학습자 학습수준으로 적용하였다. 학습 전 학습수준을 산출하기 위하여 사전검사를 통해 학습내용에 대한 학습자의 이해도를 측정하였으며, 그 결과 값에 따라 학습 콘텐츠가 제공되었다.

대상 데이터

학습모집단 50명을 선발하였으며, 학습능력이 상위, 중위, 하위인 그룹으로 분류하였고, 각각 13명, 23명, 14명으로 구성되었다. 적용된 예제 시스템은 영어 학습 시스템이며 각 콘텐츠의 구성은 표 1과 같다.

이론/모형

이는 학습과정 중 학습사전검사와 학습검사를 통해 학습자의 학습내용 이해도에 따라 학습콘텐츠를 제공함으로서 획일적으로 미리 제작된 과정에 따른 학습 콘텐츠가 아닌 학습자에 따라 학습 콘텐츠가 동적으로 변경된 내용을 통해 학습을 진행할 수 있도록 하였다. 또한 학습콘텐츠 처리의 효율성을 위하여 LMS와 LCMS를 연동하였으며, 학습자의 수준을 평가 및 적용하기 위한 방법으로 문항반응이론 중 2모수 로지스틱 모형을 적용하였다.
그러나 많은 학습 시스템들이 난이도의 적용에 있어 학습 콘텐츠를 개발하는 개발자나 이를 구성하는 교수자의 직관적인 판단에만 근거함으로서 정확하고 효율적인 수준별 학습이 어려웠다. 본 연구에서는 학습자의 수준을 고려하기 위한 방법으로 문항반응이론에서 2-모수 로지스틱 모형을 이용하였다. 또한 학습 콘텐츠의 수준은 학습 난이도에 따라 구성하였으며 LCMS를 두어 이를 처리 및 관리하도록 하였다.
수준별 학습의 중요성으로 Slavin은 수준별 · 단계형 교육의 4가지 기준을 통해 학습자의 학습능률을 확대하는 수단으로 사용되어야 한다고 주장하였는데, 차등적 교과과정, 학습내용, 학습자 능력에 따른 단계형, 그리고 학습자 단계별 구분의 유연성을 들었다[3]. 학습자의 수준을 고려하기 위한 방법으로는 문항반응이론을 사용한다. 이는 다양한 학습자의 학습 배경, 선수학습 정도 등과 같은 학습자 특성을 고려하여 적합한 학습내용 및 방법을 제공하는 방법으로 학습자의 수준을 평가 및 적용할 수 있다[4].

성능/효과

학습 결과로 학습의 진행 과정에서 각 학습 그룹별 소단원 학습에서 평균 난이도가 조정됨으로서 학습자 수준별 학습이 진행됨을 알 수 있었다. 또한 학습단원에 대한 평균점수에서 기존의 방법보다 제안방법이 전체적으로 향상되었음을 알 수 있어 본 제안방법의 효율성이 있음을 알 수 있었다.
이때 난이도가 높을수록 동영상이나 그림 보다는 텍스트 기반의 설명문을 주로 활용하여 콘텐츠를 제작하였고, 난이도가 낮을수록 동영상 등을 활용하여 학습자가 보다 쉽게 이해할 수 있도록 하였다. 전체적인 문항 수는 모두 동일하게 개발되었고, 학습 전 검사일 경우 학습자가 선택한 단원내의 5개의 난이도에서 각각 20%씩 무작위로 출제하였다. 그림 5는 구현된 학습 시스템에서 학습 사전검사 후의 콘텐츠 구성 정보와 학습화면을 나타낸다.
이러한 과정은 학습결과에서 영향을 미치며 그림 7과 같은 결과를 나타내었다. 즉, 학습과정에서 학습자의 수준에 따라 난이도가 능동적으로 변경 및 적용되면서 그룹별 학습결과가 기존의 방법보다 전반적으로 높게 산출됨을 알 수 있었다.
학습 수준은 학습이 진행되는 동안 매 소단원 학습종료 시마다 학습검사를 시행하여 난이도를 재조정하였으며, 학습검사 시 현재의 설정된 난이도에 대한 학습문항을 풀고 그 결과에 따라 한 단계씩 상향조정하여 학습문항을 제시함으로서 학습자의 다음 학습전의 학습내용 이해도를 측정하여 학습수준을 산출하였다. 학습 결과로 학습의 진행 과정에서 각 학습 그룹별 소단원 학습에서 평균 난이도가 조정됨으로서 학습자 수준별 학습이 진행됨을 알 수 있었다. 또한 학습단원에 대한 평균점수에서 기존의 방법보다 제안방법이 전체적으로 향상되었음을 알 수 있어 본 제안방법의 효율성이 있음을 알 수 있었다.

후속연구

그러나 본 연구는 보다 다양하고 많은 콘텐츠와 분야에 적용하지 못하였으며. 학습자의 학습수준을 판별하기 위하여 학습 사전검사나 학습소단원 마다 제시되는 학습검사에 많은 시간이 필요하여 이를 개선하는 방법이 요구된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	문항반응이론은 무엇으로 이루어지는가?	문항반응이론(item response theory)은 검사 총점에 의하여 문항이 분석되는 것이 아니라, 문항은 문항 하나하나의 불변하는 고유한 속성을 지니고 있으므로, 그 속성을 나타내는 문항특성곡선에 의하여 문항을 분석하는 검사이론이다[9]. 이는 문항의 변별도, 난이도, 추측도와 같은 문항 모수치를 기초로 하여 이루어지며, 2 모수 로지스틱 모형은 이들 중 난이도와 변별도 만을 고려한다. 2 모수 로지스틱 모델에서 각 문항에 대한 모수치를 구하는 식은 P(θ)를 문항의 답을 맞힐 확률, 변별도 모수를 a, 난이도 모수를 b, 학습자의 능력 수준을 θ 라고 할 때 식 (1)과 같다[4].
	학습자 수준에 따른 교육방법은 어떤 긍정적인 효과가 있는가?	학습자의 수준을 평가하기 위한 방법으로는 문항반응이론을 적용하고 있다. 학습자 수준에 따른 교육방법은 학습동기 뿐만 아니라 학습자들에게 기대하는 성과를 성취하게 하는 자아개념[1]을 유발할 수 있는 직접적인 원인 부여 방법으로 이용되어 학습효과를 높이고 있다. 이는 수준별 학습의 적용으로 학습 능력의 개인차에 따라 학생들을 소집단으로 편성하여, 상위수준의 학습자들과 하위 수준의 학습자들이 협동 학습을 통해 서로의 학습에 도움이 되게 하는 전략이 학교 현장에서 제기되고 있다[2].
	웹 코스웨어란 무엇인가?	웹에 기반을 둔 코스웨어는 인터넷상에서 학습자들이 전문가와 학습에 관한 상담, 대화, 토론을 할 수 있고, 이미지, 사운드, 동영상 등의 다양한 학습 자료들을 제공함으로써 학습자들의 학습목표를 보다 효율적으로 달성시킬 수 있게 하였다. 따라서 웹 코스웨어는 인터넷상의 분산 하이퍼미디어 정보 시스템을 전달 매체로 하는 교육용 코스웨어를 말한다[7]. 웹 기반 교육 시스템에서 활용하는 학습 자원이 방대해짐에 따라 교육 콘텐츠의 양이 많아지면서 웹 기반 학습과 교육 콘텐츠의 효율적인 관리기법이 필요하게 된다.

참고문헌 (11)

박현정, "학습동기, 자아개념, 학업성취간 관계의 집단간 동등성 분석 :PISA 2006 을 중심으로", 교육평가연구 제21권 제3호, 2008.
정선영 ,"수준별 집단구성과 긍정적 상호의존성이 협동학습에 미치는 효과", 교육논총 제27권 제2호, 2007.
성기완, 표경현, 이현명, "대학 교양영어 수준별 교육과정 모형개발연구", Foreign Languages Education, 제11권 제2호, 2004.
최숙영, 양형정, 백현기, "문항반응 이론에 의한 컴퓨터 적응적 평가와 동적 학습내용 구성에 기반한 적응형 교수 시스템", 정보과학회논문지 : 소프트웨어 및 응용 제32권 제5호, 2005.
Michael Brennan, Susan Funke, and Cushing Anderson, "The Learning Content Management System, A New eLearning Market Segment Emerges", IDC White Paper, 2001.
김민경외 4인, "아동의 문학 능력 신장을 위한 웹 기반 아동문학 교육활동 프로그램의 개발 및 효과검증", 교육공학연구 제19권 제1호, 한국교육공학회, 2003.
안성훈, 김동호, 김태영, "개인교수형 웹 코스웨어의 학습구조 설계 및 구현", 한국정보교육학회논문지 제3권 2호, 1999.
정용기, 최은만, "웹 기반 학습자 중심의 프로젝트 시스템의 설계 및 구현" 정보처리학회논문지 A 제9-A권 제4호, 2002.12.
성태제, "고전검사이론과 문항반응이론에 의한 문항과 검사 분석", 한국교원대학교 과학 교육연구소, 1998.
이명희, 손건태, 정희영, "일본어과 수준별 수업을 위한 컴퓨터 기반 문제은행 구축 및 테스팅 시스템 개발", 일어일문학 제24권, 2004.
김정렬, 황선영, "초등학교 영어 사이버 가정학습 수준별 콘텐츠를 통한 교실수업 연계방안", Multimedia-Assisted Language Learning Vol.10 No.1, 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