[논문]수준별 프로그래밍 교육을 위한 단계별 클러스터링 기반 추천시스템

김경아; 문남미

doi:10.9708/jksci.2010.15.8.051

[국내논문] 수준별 프로그래밍 교육을 위한 단계별 클러스터링 기반 추천시스템
The Recommendation System based on Staged Clustering for Leveled Programming Education 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.15 no.8, 2010년, pp.51 - 58

김경아 (명지전문대학 컴퓨터정보과) , 문남미 (호서대학교 벤처전문대학원 IT응용기술학과)

초록
AI-Helper

프로그래밍 교육은 학습자 개개인의 특성에 맞는 수준별 단계별 학습이 필요하다. 추천시스템은 개인화서비스를 위해 사용되는 방법의 하나로, 본 연구에서는 추천시스템을 사용하여 웹기반 프로그래밍 교육 환경에서 학습자 개개인에 적합한 학습을 추천할 수 있는 방법을 제공한다. 제안하는 수준별 프로그래밍 학습을 위한 추천시스템은 학습주제별 학습수준 기반 학습자 프로파일과 학습주제사이의 연관성 프로파일을 이용한 협업 필터링을 사용하여 특정 학습자의 학습수준과 학습범위에 적절한 프로그래밍 문제를 제공하도록 한다. 그 결과 프로그래밍 언어 교육과정에서 발생하는 수준별 단계별 학습에 맞는 프로그래밍 문제 제공의 어려움을 해결하여, 학습자의 프로그래밍 능력 향상의 결과를 얻을 수 있었다. 더 나아가 기존 협업필터링 방법을 사용하는 경우와 비교해 볼 때 추천 성능향상 및 분석 시간 감소를 통해 추천시스템의 한계점 중의 하나인 확장성을 해결할 수 있는 방법을 제시한다.

Abstract ▼ AI-Helper

Programming education needs learning which is adjusted individual learners' level of their learning abilities. Recommendation system is one way of implementing personalized service. In this research, we propose recommendation method which learning items are recommended for individual learners' learning in web-based programming education environment by. Our proposed system for leveled programming education provides appropriate programming problems for a certain learner in his learning level and learning scope employing collaborative filtering method using learners' profile of their level and correlation profile between learning topics. As a result, it resolves a problem that providing appropriate programming problems in learner's level, and we get a result that improving leaner's programming ability. Furthermore, when we compared our proposed method and original collaborative filtering method, our proposed method provides the ways to solve the scalability which is one of the limitations in recommendation systems by improving recommendation performance and reducing analysis time.

Keyword

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 사용자기반 협업필터링을 보완한 혼합형 협업필터링 방식을 활용한 수준별 프로그래밍 교육을 위한 학습지원 추천시스템을 제안하고, 기존의 협업필터링 방법과 비교 실험함으로써 제안된 추천시스템의 효율성을 증명한다. 제안된 시스템은 아이템 간의 연관성을 고려하여 아이템들을 클러스터링하고, 사용자들 간의 아이템에 대한 이해도를 이용하여 사용자별로 최근접 이웃법에 의해 유사그룹을 구성하고 소속 그룹에 따라 사용자가 학습정보를 이용하여 아이템을 추천한다.
확장성은 고객과 아이템의 개수가 늘어남에 따라 목표고객의 최근접 이웃을 찾기 위한 연산이 기하급수적으로 늘어나 추천목록을 생성하는데까지 오랜 시간이 걸려 시스템의 효율성이 감소하다는 한계점이다[12]. 이는 전통적인 협업필터링 방법이 가지는 한계점 중의 하나로 여러 연구에서 확장성으로 인한 효율성의 문제를 개선하고자 하였다.
본 연구에서 제안한 수준별 프로그래밍 교육을 위한 추천 시스템에 대한 실험은 목표학습자에 대한 시나리오를 바탕으로 진행한다.

제안 방법

본 연구에서는 사용자기반 협업필터링을 보완한 혼합형 협업필터링 방식을 활용한 수준별 프로그래밍 교육을 위한 학습지원 추천시스템을 제안하고, 기존의 협업필터링 방법과 비교 실험함으로써 제안된 추천시스템의 효율성을 증명한다. 제안된 시스템은 아이템 간의 연관성을 고려하여 아이템들을 클러스터링하고, 사용자들 간의 아이템에 대한 이해도를 이용하여 사용자별로 최근접 이웃법에 의해 유사그룹을 구성하고 소속 그룹에 따라 사용자가 학습정보를 이용하여 아이템을 추천한다.
본 연구에서 제안하는 학습주제간 연관성을 고려한 협업필터링 추천시스템은 목표학습자의 유사학습자 그룹을 선정하는 과정에서 사용자기반 협업필터링을 보완한 혼합형 협업필터링 방식을 제안한다. 제안된 방법은 아이템 간의 연관성을 고려하여 아이템들을 클러스터링하고, 사용자들 간의 아이템에 대한 이해도를 이용하여 사용자별로 최근접 이웃법에 의해 유사그룹을 구성하고 소속 그룹에 따라 사용자의 학습정보를 이용하여 아이템을 추천한다.
본 연구에서 제안하는 학습주제간 연관성을 고려한 협업필터링 추천시스템은 목표학습자의 유사학습자 그룹을 선정하는 과정에서 사용자기반 협업필터링을 보완한 혼합형 협업필터링 방식을 제안한다. 제안된 방법은 아이템 간의 연관성을 고려하여 아이템들을 클러스터링하고, 사용자들 간의 아이템에 대한 이해도를 이용하여 사용자별로 최근접 이웃법에 의해 유사그룹을 구성하고 소속 그룹에 따라 사용자의 학습정보를 이용하여 아이템을 추천한다.
⑥ 다음, 최근접 유사그룹내의 유사도와 평가치를 이용하여 목표학습자가 학습하지 않은 아이템의 평가치를 예측한 후, 각 학습자의 학습결과치의 평균값과 유사도를 가중치로 적용하여 목표학습자(u_a)의 아이템에 대한 평가 예측치(P_a,i)를 구한다[14]. P_a,i를 구하는 식은 식(4)과 같다.
실험을 위하여, 먼저 전체 학습아이템을 대상으로 기존의 협업필터링을 적용하고, 다음으로는 본 연구에서 제안한 학습주제 간의 연관성 정도를 고려한 학습아이템을 대상으로 협업필터링을 적용하여 상호 비교하고 분석한다.
첫 번째, 전체 학습아이템을 대상으로 한 모델은 목표학습자와 모든 학습아이템들에 대한 학습이해도가 유사한 그룹을 도출하고, 이들이 평가한 각 아이템 평가치를 기반으로 유사도를 산출한다. 다음, 목표고객이 평가하지 않은 아이템에 대한 평가치를 예측하고 Top-N기법으로 상위 5개 추천 목록을 생성하여 서비스할 수 있도록 한다.
첫 번째, 전체 학습아이템을 대상으로 한 모델은 목표학습자와 모든 학습아이템들에 대한 학습이해도가 유사한 그룹을 도출하고, 이들이 평가한 각 아이템 평가치를 기반으로 유사도를 산출한다. 다음, 목표고객이 평가하지 않은 아이템에 대한 평가치를 예측하고 Top-N기법으로 상위 5개 추천 목록을 생성하여 서비스할 수 있도록 한다. 표 1은 기존 협업필터링 방법을 사용한 모델에서 목표학습자에 대한 유사학습자 그룹의 유사도와 평가치를 이용해 목표학습자의 아이템에 대한 평가 예측치를 도출하여 구한 5개의 추천결과를 나타낸다.
두 번째, 본 연구에서 제안한 모델은 목표학습자의 학습주제와 연관성 정도를 고려한 학습주제 연관성 프로파일을 기반으로 대상 학습아이템을 도출한다. 이를 바탕으로 학습자와 학습이해도가 유사한 유사그룹을 도출하고, 목표학습자(u_a)와 유사그룹내 학습자(u_i)의 유사도 P(u_a,u_i)를 피어슨상관계수를 이용하여 계산한 후, 유사도를 기준으로 유사그룹 학습자들을 정리한다.
두 번째, 본 연구에서 제안한 모델은 목표학습자의 학습주제와 연관성 정도를 고려한 학습주제 연관성 프로파일을 기반으로 대상 학습아이템을 도출한다. 이를 바탕으로 학습자와 학습이해도가 유사한 유사그룹을 도출하고, 목표학습자(u_a)와 유사그룹내 학습자(u_i)의 유사도 P(u_a,u_i)를 피어슨상관계수를 이용하여 계산한 후, 유사도를 기준으로 유사그룹 학습자들을 정리한다. 다음, 이들의 평가치를 이용하여 목표학습자가 학습하지 않은 학습아이템의 학습 결과치를 예측하고 Top-N기법으로 상위 5개 추천목록을 생성하여 추천할 수 있도록 한다.
이를 바탕으로 학습자와 학습이해도가 유사한 유사그룹을 도출하고, 목표학습자(u_a)와 유사그룹내 학습자(u_i)의 유사도 P(u_a,u_i)를 피어슨상관계수를 이용하여 계산한 후, 유사도를 기준으로 유사그룹 학습자들을 정리한다. 다음, 이들의 평가치를 이용하여 목표학습자가 학습하지 않은 학습아이템의 학습 결과치를 예측하고 Top-N기법으로 상위 5개 추천목록을 생성하여 추천할 수 있도록 한다.
제안된 추천시스템 모델은 학습주제 연관성 정도값을 활용하여 대상 아이템을 도출함으로써 기존 협업필터링 방법과 비교하여 현재 학습주제와의 연관성이 높은 학습아이템들만을 대상으로 유사학습자 그룹을 생성한다. 따라서 학습자의 현재 학습단계에서의 학습수준을 보다 정확히 예측함으로써 추천된 프로그래밍 문제의 난이도가 목표학습자의 현재 학습단계의 학습수준에 보다 적합하게 추천된다.
추천시스템의 예측 성능을 측정하는 지표로는 MAE(Mean Absolute Error), MAPE(Mean Absolute Precent Error), RMSE(Root Mean Squared Error)가 보편적으로 이용된다[15]. 이 중 본 연구에서는 가장 많이 사용되는 MAE를 이용하여 고객이 실제 부여한 평가치(p_i)와 추천 알고리즘에 의해 예측된 평가치(r_i)의 차이로 성능을 측정한다.
그림 2와 같이 학습주제 연관성을 고려한 학습아이템을 선정하는 단계가 진행되면서 유사그룹을 구할 때 사용할 학습아이템의 수가 감소한다. 첫 번째 모델은 전체 학습아이템을 대상으로 유사그룹을 선정하였으므로 895개의 학습아이템을 대상으로 피어슨상관계수를 구하였다. 그러나 학습주제 연관성을 고려한 두 번째 모델은 전체 학습아이템 중 현재 목표학습자가 학습하고자 하는 단계에서 학습주제 연관성 프로파일의 정보를 기반으로 관련성이 높은 192개의 학습아이템을 대상으로 피어슨상관계수를 구하여 유사그룹을 선정하였다.
본 연구에서는 사용자기반 협업필터링을 보완하여 아이템 간의 연관성을 고려하여 아이템들을 클러스터링하고, 사용자들 간의 아이템에 대한 이해도를 이용하여 사용자별로 최근접 이웃법에 의해 유사그룹을 구성하고 소속 그룹에 따라 사용자가 학습정보를 이용하여 아이템을 추천하는 방법인 혼합형 협업필터링 방식을 제안하였다.

대상 데이터

본 연구에서 활용한 데이터의 집합은 본 연구자의 프로그래밍 수업을 수강한 431명의 학습자 중 온라인 학습에 참여한 168명의 학습자가 25개의 학습주제, 895개의 프로그래밍 문제에 대해 8,521건의 점수를 매긴 자료를 바탕으로 한다. 하나의 프로그래밍 문제는 최소 1개에서 최대 5개까지의 학습주제와 관련되어 있다.
첫 번째 모델은 전체 학습아이템을 대상으로 유사그룹을 선정하였으므로 895개의 학습아이템을 대상으로 피어슨상관계수를 구하였다. 그러나 학습주제 연관성을 고려한 두 번째 모델은 전체 학습아이템 중 현재 목표학습자가 학습하고자 하는 단계에서 학습주제 연관성 프로파일의 정보를 기반으로 관련성이 높은 192개의 학습아이템을 대상으로 피어슨상관계수를 구하여 유사그룹을 선정하였다.

데이터처리

⑤ 목표학습자와 학습자들간의 유사도를 ④에서 생성된 아이템을 대상으로 식(3)의 피어슨상관계수(pearson correlation coefficient)[13]를 이용하여 계산한다.

성능/효과

결과적으로 본 연구에서 제안하는 수준별 프로그래밍 교육을 위한 단계별 클러스터링 기반 추천시스템에서는 목표학습자의 학습단계에서 학습자의 학습수준에 적합한 학습아이템의 추천 시 목표학습자의 학습단계와 관련성이 높은 학습아이템에 대한 학습자들 간의 유사도가 보다 정확하게 타켓팅된 추천목록을 도출할 수 있음을 의미한다. 이는 협업필터링의 성능 향상에 도움이 될 뿐만 아니라 목표학습자의 학습효과 측면에서도 의미 있는 추천결과를 도출한다.
프로그래밍 언어 교육에서 사용하는 학습아이템인 프로그래밍 문제 집합에서는 하나의 프로그래밍 문제가 하나의 학습주제와만 관련되어 있는 것이 아니고 학습이라는 특성상 관련 학습주제에 대한 이해수준의 정도가 유사그룹을 선정하는데 의미 있는 속성이다. 따라서 본 연구에서 제안하는 학습주제 간 연관성으로 고려한 학습아이템 클러스터링에 기반한 혼합협 필터링은 학습아이템의 추천 과정에서 학습자의 이해수준과 프로그래밍 언어 교육의 학습적 특성을 반영한 학습자 중심의 학습을 유도할 수 있도록 지원한다.
학습주제별 연관성 정보를 이용한 단계별 클러스터링은 문제은행 방식의 많은 문제로부터 분석할 대상 아이템 수를 감소시켜 분석 시간의 감소를 유도한다. 또한 학습자의 학습수준을 고려한 유사도 계산을 바탕으로 최근접 이웃학습자를 선정하고 유사그룹 간의 정보를 통해 추천 성능을 높였다 .

질의응답

핵심어	질문	논문에서 추출한 답변
	제안하는 수준별 프로그래밍 학습을 위한 추천시스템이 제공하는 것은?	추천시스템은 개인화서비스를 위해 사용되는 방법의 하나로, 본 연구에서는 추천시스템을 사용하여 웹기반 프로그래밍 교육 환경에서 학습자 개개인에 적합한 학습을 추천할 수 있는 방법을 제공한다. 제안하는 수준별 프로그래밍 학습을 위한 추천시스템은 학습주제별 학습수준 기반 학습자 프로파일과 학습주제사이의 연관성 프로파일을 이용한 협업 필터링을 사용하여 특정 학습자의 학습수준과 학습범위에 적절한 프로그래밍 문제를 제공하도록 한다. 그 결과 프로그래밍 언어 교육과정에서 발생하는 수준별 단계별 학습에 맞는 프로그래밍 문제 제공의 어려움을 해결하여, 학습자의 프로그래밍 능력 향상의 결과를 얻을 수 있었다.
	수준별 프로그래밍 학습을 통해 얻을 수 있는 것은?	제안하는 수준별 프로그래밍 학습을 위한 추천시스템은 학습주제별 학습수준 기반 학습자 프로파일과 학습주제사이의 연관성 프로파일을 이용한 협업 필터링을 사용하여 특정 학습자의 학습수준과 학습범위에 적절한 프로그래밍 문제를 제공하도록 한다. 그 결과 프로그래밍 언어 교육과정에서 발생하는 수준별 단계별 학습에 맞는 프로그래밍 문제 제공의 어려움을 해결하여, 학습자의 프로그래밍 능력 향상의 결과를 얻을 수 있었다. 더 나아가 기존 협업필터링 방법을 사용하는 경우와 비교해 볼 때 추천 성능향상 및 분석 시간 감소를 통해 추천시스템의 한계점 중의 하나인 확장성을 해결할 수 있는 방법을 제시한다.
	인터넷의 발달이 가져온 환경적 변화는 어떤 기반을 조성해 주었나?	인터넷의 발달로 인해 많은 사람들은 웹을 친밀하고 익숙한 공간으로 인식하게 되었으며, 이러한 환경적 변화는 웹기반 교육 환경에서도 학습자들이 쉽게 적응하여 학습할 수 있는 기반을 조성해 주었다[1]. 웹기반 교육은 일반적으로 텍스트 정보와 함께 그림이나 사진 등 수업 내용과 관련된 시각 자료를 제공하고 동영상 및 음성파일도 삽입하여 학습 내용을 전달한다.

참고문헌 (19)

김영지, 염용철, 김현철, 이원규, "웹기반 프로그래밍 교육 시스템의 설계 및 구현", 한국컴퓨터종합학술대회 논문집, 제 32권, 제 1호, 67-69쪽, 2005년.
정화영, 이연호, 홍봉화, "학습 선호도에 의한 학습 콘텐츠 제안 시스템", 한국콘텐츠학회논문지, 제 10권, 제 1호, 477-485쪽, 2010년.

원문보기 상세보기
정화영, 홍봉화, "자기주도적 학습을 위한 학습자 수준별 콘텐츠 구성", 한국콘텐츠학회논문지, 제 9권, 제 7호, 402-410쪽, 2009년 7월.

원문보기 상세보기
김청송, 이진승, 강재우, "향상된 아이템 기반의 협동적 필터링", 한국컴퓨터종합학술대회 논문집, 제 36권, 제 1호(C), 469-473쪽, 2009년.
김경아, 문남미, "프로그래밍 언어 학습지원 추천시스템", 전자공학회논문지, 제 47권, CI편, 제 4호, 11-17쪽, 2010년. 7월.
김명신, 김회숙, 정성태, "수준별 교육을 위한 웹기반 교수-학습 시스템의 설계 및 구현," 한국정보과학회, 추계학술대회 논문집, 제 27권, 제 2호, 565-567쪽, 2000년.
권재은, 프로그래밍 언어 수업을 위한 교수-학습 모형의 개발과 적용, 석사학위논문, 안동대학교, 2004년.
김경아, 김계현, 구윤모, "프로그래밍 언어 교육에 있어서 적용가능한 효과적 교수-학습 방법에 대한 연구", 명지전문대학 정보기술연구소논문집, 제 4권, 63-71쪽, 2004년.
손경아, "문제중심학습(Problem-Based Learning)을 적용한 비주얼베이직(VisualBasic) 프로그래밍 학습의 사례연구", 컴퓨터교육학회논문지, 제 5권, 제 1호, 17-25쪽, 2002년.
박순일, 고병오, "전문자 학습활동 모형의 효율적 운영을 위한 웹 기반 교수.학습 시스템 개발", 정보교육학회논문지, 제 8권, 제 3호, 293-306쪽, 2004년.
이재식, 박석두, "장르별 협업필터링을 이용한 영화 추천시스템의 성능향상", 한국지능정보시스템논문지, 제13권, 제 4호, 65-78쪽, 2007년. 12월.
이재석, 박석두, "단계적 협업필터링을 이용한 추천시스템의 성능 향상", 한국지능정보시스템학회, 춘계학술대회논문집, 218-225쪽, 2007년. 5월.
권병일, 문남미, "이러닝 마켓플레이스에서의 자기주도 학습지원을 위한 추천시스템," 한국컴퓨터정보학회논문지, 제 15권, 제 2호, 135-146쪽, 2010년. 2월.
Badrul Sarwar, Geoege Karypis, Joseph Konstan and John Riedl, "Item-based Collaborative Filtering Recommendation Algorithm", WWW10, pp.285-295
김경록, 이주호, 변재희, 문남미, "모바일 환경에서 장르속성을 이용한 추천 연구", 한국멀티미디어학회, 춘계학술발표대회 논문집, 제 13권, 제 1호 2010년.
이희춘, 김선옥, 이석준, "추천시스템에서 MAE와 표준편차의 상관성에 관한 연구", 한국인터넷정보학회, 춘계학술발표대회논문집, 제 8권, 제 1호, 391-395쪽, 2007년.
이민경, 강수용, "웹 기반 수준별 학습을 고려한 문제은행 시스템의 설계 및 구현", 한국정보과학회, 가을 학술발표논문집, 제 33권, 제 2호(A), 103-107쪽, 2006년.
홍태호, 이희정, 서보밀, "클러스터링 기반 사례기반추론을 이용한 웹 개인화 추천시스템", 한국지능정보시스템학회논문지, 제 11권, 제 1호, 107-121쪽, 2005년 6월.
김혜은, 유석종, "수준별 학습과 학습 관심도를 고려한 학습평가시스템", 한국컴퓨터정보학회논문지, 제 13권, 제 6호, 69-76쪽, 2008년.

원문보기 상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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