[논문]자기주도적 학습을 위한 콘텐츠 재구성에 대한 연구

허선영; 김은경

doi:10.6109/jkiice.2011.15.1.203

자기주도적 학습을 위한 콘텐츠 재구성에 대한 연구
A Study on Contents Reorganization for Self-Directed Learning 원문보기

한국해양정보통신학회논문지 = The journal of the Korea Institute of Maritime Information & Communication Sciences, v.15 no.1, 2011년, pp.203 - 208

허선영 (한국기술교육대학교) , 김은경 (한국기술교육대학교 컴퓨터공학부)

초록
AI-Helper

대부분의 온라인 교육 시스템들은 기존의 설정된 문항난이도를 기반으로 학습자에게 학습정보를 제공하고 있으며, 동일한 수준의 학습자는 모두 동일한 학습과정에 따라 학습을 수행하고 있다. 하지만 동일한 수준의 학습자라 할지라도 학습 내용을 이해하는 정도는 서로 다를 수 있다. 따라서 제공된 콘텐츠를 이해하기 어려움에도 불구하고 정해진 난이도와 학습과정에 따라 획일적으로 학습이 진행되는 방법은 효율적인 학습효과를 나타내기 어렵다. 따라서 본 논문에서는 온라인 학습이 제공하는 획일적 학습에서 벗어나 학습자가 학습 도중 학습 콘텐츠의 난이도를 변경할 수 있도록 함으로써, 자기주도적 학습을 지원하기 위한 콘텐츠 재구성 방법을 제시하였다. 학습자는 학습 도중 제시된 콘텐츠가 이해하기 어렵거나 쉽다고 판단되는 경우, 현재 제시된 학습 콘텐츠의 수준을 변경할 수 있다. 이때 변경된 학습 콘텐츠의 수준은 콘텐츠 재구성 모듈로 전달된다. 변경된 수준을 전달받은 콘텐츠 재구성 모듈은 전달된 학습자의 수준에 적합한 콘텐츠 및 퀴즈 문항을 추출하고, 추출한 콘텐츠와 퀴즈를 기초로 학습내용을 재구성하여 학습자에게 제시한다. 본 논문에서 제안한 방법을 이용하면 학습자는 자신의 수준에 적합한 콘텐츠를 제공받을 수 있기 때문에 학습 이해도를 높일 수 있고, 학습자의 적극적인 학습 참여를 유도함으로써 보다 높은 학습효과와 학습 만족도를 얻을 것으로 기대된다.

Abstract ▼ AI-Helper

Most of the online learning systems provide information that is based on the item difficulty what is custumized to learner. And the same learning process is performing to the same learning level learners. But, the degree of understanding of the same learning contents can be different even if the learner's level is same. Therefore, it is difficult to represent an effective learning experience because the learning is progressed by the determined difficulty of learning and the learning process even thought the provided content is difficult to understand. So we can control the learning difficulty during learning in order to escape from a uniform learning that online learning is provided. In this paper, we proposed a contents reorganization method for Self-Directed Learning. In this way, learners can understand their own level and customize the difficulty of learning. And then we expect the higher learning effect and satisfaction degree.

주제어

AI 본문요약
AI-Helper

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

문제 정의

학습의 방식은 그림 2와 같이 학습자가 학습 진행 중 퀴즈를 푼 결과에 따라 학습자의 학습 수준을 변경한다. 그리고 제시된 학습 콘텐츠의 내용이 어렵거나 쉽다고 느낄 경우 학습자가 현재 제시된 학습 내용의 난이도를 변경하는 것이 가능하도록 하였다. 학습자가 학습 콘텐츠의 난이도를 변경하게 되면, 학습자의 수준도 이에 맞추어 재조정된다.
따라서 본 논문에서는 학습자의 학습 진행에 따라 단원학습 및 퀴즈를 출제하기 위하여 문항난이도를 적용하였다. 그리고 학습 도중 학습자에게 제시된 콘텐츠를 이해하기 어렵거나 너무 쉽다고 느낀 경우, 학습자가 제시될 콘텐츠의 난이도를 변경할 수 있는 자기주도적 학습 콘텐츠 재구성 방법을 제안하고자 한다. 이와 같은 방법을 이용하면 학습자의 이해도를 높이고 학습자 스스로 학습 진행을 주도하도록 함으로써, 학습자의 학습 효과를 높일 수 있을 것으로 기대된다.
자기주도적 학습을 위한 학습 시스템은 기존 연구에서 구현한 SCOS를 기반으로 하였다. 그리고 학습자 중심의 자기주도적 학습 효과를 얻기 위하여 학습자가 현재 제시된 콘텐츠의 난이도를 변경할수 있도록 하였다. 그리고 학습자가 학습 난이도의 변경을 요청할 때마다 학습자의 수준을 재평가하고, 그 수준에 적합한 콘텐츠와 퀴즈를 다시 추출하여 제시하도록 기능을 확장하였다.
본 논문에서는 문항반응이론을 기반으로 학습자의 수준을 평가하고 학습자가 학습 도중 학습자에게 제시되는 학습 콘텐츠가 어렵거나 쉽다고 느끼는 경우, 학습자가 직접 학습 콘텐츠의 난이도를 변경하는 것이 가능함으로써 적극적인 학습 참여를 유도하는 자기주도적 학습 콘텐츠 재구성 방법을 제안하였다.
본 논문에서는 자기 주도 학습을 위한 콘텐츠 재구성 방법을 제시하였다. 자기주도적 학습을 위한 학습 시스템은 기존 연구에서 구현한 SCOS를 기반으로 하였다.
본 논문에서는 자기주도적 학습을 위하여 [12]에서 본인이 설계한 SCOS의 구조를 확장 및 변경하여 자기주도적 학습을 위한 콘텐츠 재구성 방법을 적용한 확장된 SCOS를 설계 및 구현하였다.

제안 방법

본 실험은 비슷한 학습 수준을 가지는 모집단을 25 명씩 A그룹, B그룹으로 나누어 자료구조의 학습 내용중 6개 단원을 가지고 실시하였다. 6개의 단원 중 처음 1단원에서 3단원은 A그룹이 SCOS에 본 논문에서 제안한 방법을 적용한 시스템에서 학습을 진행한 후 단원 학습 문제를 풀고 B 그룹은 기존 SCOS에서 학습을 진행한 후 단원학습문제를 풀도록 하였다. 4단원에서 6단원은 학습 시스템을 서로 바꾸어 학습하도록 하였다.
학습자의 특성 및 학습 상태 정보를 분석 하기 위한 학습 정보 분석 모듈도 추가하였다. 그리고 콘텐츠 수준 조정 모듈을 두어 학습자가 학습 도중 제시되는 학습 콘텐츠의 난이도를 조절 가능 하도록 하였다. 평가 문항의 경우 선택형의 문항은 정답을 모르고서 우연에 의하여 답을 맞힐 수 있으므로 수준 평가 모듈에서는 문항반응이론인 3-모수 로지스틱 모델을 기반으로 학습 자의 수준을 평가였다.
그리고 학습자 중심의 자기주도적 학습 효과를 얻기 위하여 학습자가 현재 제시된 콘텐츠의 난이도를 변경할수 있도록 하였다. 그리고 학습자가 학습 난이도의 변경을 요청할 때마다 학습자의 수준을 재평가하고, 그 수준에 적합한 콘텐츠와 퀴즈를 다시 추출하여 제시하도록 기능을 확장하였다. 학습 수준의 분포도가 비슷한 학습 모집단 25명으로 구성된 두 집단을 대상으로 본 논문에서 제안한 방법을 적용하여 확장된 SCOS과 기존 SCOS 에서 학습을 실시한 결과 확장된 SCOS에서 학습한 학습 자들의 평균 6.
그림 1에서 알 수 있듯이, 본문에서 제안한 방식을 적용한 확장된 SCOS는 기존의 SCOS의 문항출제 모듈을 각 장의 학습을 하지 전에 학습자의 수준을 평가하기 위해 제시되는 사전 평가에 사용될 문항들을 추출하기 위한 사전 평가 문항 출제 모듈, 각 단원의 학습을 마친 다음 학습자의 수준 평가를 위해 제시될 문항들을 추출하기 위한 단원 평가 문항 출제 모듈, 그리고 학습 콘텐츠와 함께 학습 도중에 학습자의 흥미를 유발하기 위해서 제시하게 될 퀴즈를 추출하기 위한 퀴즈 문항 출제 모듈로 세분하였다. 학습자의 특성 및 학습 상태 정보를 분석 하기 위한 학습 정보 분석 모듈도 추가하였다.
두 번째 실험에서는 4단원에서 6단원까지의 학습 내용을 그룹 B는 확장된 SCOS 환경 학습하고 그룹 A는 기존 SCOS 환경에서 학습하도록 하였다. 그 결과, 그룹 A 의 평균 점수는 78.
따라서 본 논문에서는 학습자의 학습 진행에 따라 단원학습 및 퀴즈를 출제하기 위하여 문항난이도를 적용하였다. 그리고 학습 도중 학습자에게 제시된 콘텐츠를 이해하기 어렵거나 너무 쉽다고 느낀 경우, 학습자가 제시될 콘텐츠의 난이도를 변경할 수 있는 자기주도적 학습 콘텐츠 재구성 방법을 제안하고자 한다.
본 논문에서 제안한 방법의 경우, 학습자는 학습 도중 제시된 콘텐츠가 이해하기 어렵거나 쉽다고 판단되는 경우 임의로 현재 제시된 학습 콘텐츠의 수준을 변경하기 위해서 조절 버튼을 누른다. 이때 변경된 학습 콘텐츠의 수준은 콘텐츠 재구성 모듈로 전달된다.
본 논문에서는 수준별 콘텐츠 구성을 위하여 학습 내용 및 퀴즈와 평가 문제는 상, 중, 하로 구분하였으며, 학습자의 수준은 최상, 상, 중, 하, 최하의 5수준으로 구성하였다. 학습의 방식은 그림 2와 같이 학습자가 학습 진행 중 퀴즈를 푼 결과에 따라 학습자의 학습 수준을 변경한다.
그림 5와 6을 보면 모두 확장된 SCOS에서 학습하였을 때 점수가 더 향상된 것을 알 수 있으며, 특히 어려운 단원인 4단원에서 6단원에서의 저수준의 학습자들의 성적이 많이 향상된 것을 알 수 있다. 위의 실험 결과로 학습자의 학습 성취 정도는 판단할 수 있으나 학습자의 학습 만족도를 판단하기에는 어렵다고 판단되어, 기존 SCOS와 확장된 SCOS의 학습 만족도를 조사하였다. 그림 6은 학습 후의 두 학습방법에 대한 학습 만족도를 조사한 결과를 그래프로 나타낸 것이다.
첫 번째 실험에서는 1단원에서 3단원까지의 학습 내용을 그룹 A는 확장된 SCOS 환경 학습하고 그룹 B는 기존 SCOS 환경에서 학습하도록 하였다. 그 결과, 그룹 A의 평균 점수는 88.
그리고 콘텐츠 수준 조정 모듈을 두어 학습자가 학습 도중 제시되는 학습 콘텐츠의 난이도를 조절 가능 하도록 하였다. 평가 문항의 경우 선택형의 문항은 정답을 모르고서 우연에 의하여 답을 맞힐 수 있으므로 수준 평가 모듈에서는 문항반응이론인 3-모수 로지스틱 모델을 기반으로 학습 자의 수준을 평가였다.

대상 데이터

본 실험은 비슷한 학습 수준을 가지는 모집단을 25 명씩 A그룹, B그룹으로 나누어 자료구조의 학습 내용중 6개 단원을 가지고 실시하였다. 6개의 단원 중 처음 1단원에서 3단원은 A그룹이 SCOS에 본 논문에서 제안한 방법을 적용한 시스템에서 학습을 진행한 후 단원 학습 문제를 풀고 B 그룹은 기존 SCOS에서 학습을 진행한 후 단원학습문제를 풀도록 하였다.

이론/모형

그러나 문항 난이도는 선택형 문제의 경우 학습자가 정답을 모르는 상태에서 우연히 답을 맞힐 경우는 고려하고 있지 않다. 그래서 본 논문에 서는 문항반응이론[7] 중 각 문항의 추측도를 고려하는 3모수 로지스틱 모형을 이용하였다.
본 논문에서는 자기 주도 학습을 위한 콘텐츠 재구성 방법을 제시하였다. 자기주도적 학습을 위한 학습 시스템은 기존 연구에서 구현한 SCOS를 기반으로 하였다. 그리고 학습자 중심의 자기주도적 학습 효과를 얻기 위하여 학습자가 현재 제시된 콘텐츠의 난이도를 변경할수 있도록 하였다.

성능/효과

두 번째 실험에서는 4단원에서 6단원까지의 학습 내용을 그룹 B는 확장된 SCOS 환경 학습하고 그룹 A는 기존 SCOS 환경에서 학습하도록 하였다. 그 결과, 그룹 A 의 평균 점수는 78.7점이고 그룹 B의 평균 점수는 85.6점이었다. 그림 6은 이것을 그래프로 내타낸 것이다.
첫 번째 실험에서는 1단원에서 3단원까지의 학습 내용을 그룹 A는 확장된 SCOS 환경 학습하고 그룹 B는 기존 SCOS 환경에서 학습하도록 하였다. 그 결과, 그룹 A의 평균 점수는 88.2점이고 그룹 B의 평균 점수는 81.7점이었다. 그림 5는 이것을 그래프로 내타낸 것이다.
7점의 차이를 보였다. 즉, 본 논문에서 제안한 방법이 학습 내용의 이해도 및 학습 성취도를 높이는데 도움이 되었으며, 학습자들의 학습 만족도 및 흥미도도 높였다는 것을 알 수 있다.
그리고 학습자가 학습 난이도의 변경을 요청할 때마다 학습자의 수준을 재평가하고, 그 수준에 적합한 콘텐츠와 퀴즈를 다시 추출하여 제시하도록 기능을 확장하였다. 학습 수준의 분포도가 비슷한 학습 모집단 25명으로 구성된 두 집단을 대상으로 본 논문에서 제안한 방법을 적용하여 확장된 SCOS과 기존 SCOS 에서 학습을 실시한 결과 확장된 SCOS에서 학습한 학습 자들의 평균 6.7점 향상되었음을 알 수 있었다.

후속연구

본 논문에서 제안한 방법은 자료구조와 같이 실습을 겸하는 과목의 경우에는 학습자의 요구를 100% 만족시킨다고 볼 수는 없다. 따라서 향후에는 학습자가 학습하면서 실습할 수 있는 온라인 실습 환경을 제공함으로써 학습자의 이해도를 향상시키고, 좀 더 적극적인 학습자의 참여를 유도할 수 있도록 시스템을 보강할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	학습자가 오프라인 강의 에서와 같은 학습자의 반응에 따른 즉각적 피드백을 제공하고, 학습자의 능동적인 학습 참여를 유도하기 어려웠던 이유는 무엇인가?	그러나 대부분의 방법이 학습 과정을 교수자 중심으로 진행하는 방법이기 때문에 학습자가 오프라인 강의 에서와 같은 학습자의 반응에 따른 즉각적 피드백을 제공하고, 학습자의 능동적인 학습 참여를 유도하기 어려웠다. 그래서 문항난이도룰 고려하여 학습자의 능력을 평가하거나 학습자에게 적합한 문항을 제시하고[3, 4], 학습자의 특성을 고려하여 개인화된 학습 서비스를 제공하고자 하는[5] 등의 학습자 중심의 수준별 맞춤형 교육 서비스를 제공하고자 하는 연구가 진행되고 있으나 학습자 개개인의 학습 능력에 최적화된 학습 환경을 제시 할 수는 없었다.
	학습자 중심의 수준별 맞춤형 교육 서비스를 제공하고자 하는 연구가 진행되고 있으나 학습자 개개인의 학습 능력에 최적화된 학습 환경을 제시 할 수는 없었던 이유는 무엇인가?	그러나 대부분의 방법이 학습 과정을 교수자 중심으로 진행하는 방법이기 때문에 학습자가 오프라인 강의 에서와 같은 학습자의 반응에 따른 즉각적 피드백을 제공하고, 학습자의 능동적인 학습 참여를 유도하기 어려웠다. 그래서 문항난이도룰 고려하여 학습자의 능력을 평가하거나 학습자에게 적합한 문항을 제시하고[3, 4], 학습자의 특성을 고려하여 개인화된 학습 서비스를 제공하고자 하는[5] 등의 학습자 중심의 수준별 맞춤형 교육 서비스를 제공하고자 하는 연구가 진행되고 있으나 학습자 개개인의 학습 능력에 최적화된 학습 환경을 제시 할 수는 없었다.
	학습자 개개인의 수준에 적합한 학습 서비스에 대한 요구가 증가하는 이유는?	네트워크의 발달과 PC이 보급으로 온라인 교육 시스 템이 급격히 증가하면서 학습자 개개인의 수준에 적합한 학습 서비스에 대한 요구가 증가하고 있다. 이는 오프 라인 교육에서 제공하는 교육 서비스를 온라인 교육에서도 제공할 수 있다는 가능성에서 기인한 것이며[1], 현재 인터넷 기반의 온라인 교육은 유연하고 다양한 학습 활동을 제공하고, 자기주도적인 학습 능력 및 창의력을 향상시키고, 학습자의 학습 동기유발을 통한 능동적인 학습 참여를 유도하기 위한 목적으로 활용되어 왔다[2].

참고문헌 (12)

김태영외 3인, "미래교육 시나리오에 기반한 e-러닝표준화 로드맵 v2 연구", 한국교육학술정보원 연구보고 KR 2005-28, 2005.
이준희, "이러닝에서 효율적인 시뮬레이션 기반 콘텐츠 설계", 한국콘텐츠학회논문지 Vol. 5,No. 5, 2005.
정화영, "문항교정난이도를 이용한 컴포넌트 기반의 자기주도적 E-Learning 시스템", 한국인터넷정보학회 논문지 Vol.7, No.6, 2006.
Rita Kuo, etc at al, "Difficulty Analysis for Learners in Problem Solving Process based on the Knowledge Map", Proceedings of the The 3rd IEEE International Conference on Advanced Learning Technologies, IEEE, 2003.
김명회 외 2인, "학습자 특성을 고려한 적응적 학습관리 시스템의 설계 및 구현", 한국콘텐츠학회논문지 제4권 제1호, 2004.
Raymond M. Zurawski, "Making the Most of Exams: Procedures for Item Analysis", The National Teaching & Learning Forum, Vol. 7, No.6, 1998.
Ivailo Partchev, A visual guide to item response theory, E-Book of Friedrich-Schiller-Universitat Jena, 2004.
한향숙 외 4명, "SCORM 기반의 e-Learning 시스템에서 적응형 학습자 수준 판단기법", 한국정보과학회 봄 학술발표대회 논문집, Vol. 30 No.1, pp.566 - pp.568, 2003.4
최숙영 외 2인, "문항반응 이론에 의한 컴퓨터 적응적 평가와 동적 학습내용 구성에 기반한 적응형 교수 시스템", 정보과학회논문지: 소프트웨어 및 응용 제32권 제5호, pp.438-448, 2005.
강신천, 박혜진, "학습양식에 따른 개별화 학습 지원 시스템이 학습만족도에 미치는 영향", 열린교육연구 Vol.14, No.2, pp.101-122, 2006.
조성호, "컴퓨터기반 시험 시스템 설계 및 구축", 한국콘텐츠학회 논문지 제5권 제1호, pp.1-8, 2005.

원문보기 상세보기
허선영, 김은경 "SCORM 기반의 학습자 수준별 콘텐츠 구성 시스템", 해양정보통신학회 논문지 제 14 권 5호, pp.1278-1283, 2010

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

자기주도적 학습을 위한 콘텐츠 재구성에 대한 연구
A Study on Contents Reorganization for Self-Directed Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

자기주도적 학습을 위한 콘텐츠 재구성에 대한 연구 A Study on Contents Reorganization for Self-Directed Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

허선영 (5) 김은경 (26)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

자기주도적 학습을 위한 콘텐츠 재구성에 대한 연구
A Study on Contents Reorganization for Self-Directed Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper