[논문]유사도와 난이도를 이용한 학습 콘텐츠 추천 방법

박재욱; 이용규

doi:10.9708/jksci.2011.16.7.127

[국내논문] 유사도와 난이도를 이용한 학습 콘텐츠 추천 방법
A Method for Recommending Learning Contents Using Similarity and Difficulty 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.16 no.7, 2011년, pp.127 - 135

박재욱 (동국대학교 컴퓨터공학과-서울) , 이용규 (동국대학교 컴퓨터공학과-서울)

초록
AI-Helper

이러닝 시스템에서 학습자에게 적합한 콘텐츠 선택을 돕기 위한 콘텐츠 추천 시스템은 필수적이다. 학습자의 선호도를 통한 콘텐츠 추천은 협업 필터링 추천 방법과 내용 기반 추천 방법이 가장 많이 사용되고 있다. 그러나 기존추천 방법들은 학습자의 학습수준을 고려하지 않고 다른 사용자의 선호도를 기반으로 학습 콘텐츠를 추천한다. 따라서 상대적으로 콘텐츠를 학습한 학습자가 적은 경우 추천의 효율성이 떨어지고, 새로운 아이템이 추가될 경우 추천이 쉽지 않은 단점이 있다. 이 문제를 해결하기 위해 우리는 학습 콘텐츠의 유사도와 난이도에 기반한 콘텐츠 추천 방법을 제안한다. 학습 콘텐츠의 두 특성을 반영한 추천함수에 의해 선행학습 성취도가 낮은 학습자에게는 난이도가 낮고 유사도가 높은 콘텐츠를 추천하고, 성취도가 높은 학습자에게는 난이도가 높고 유사도가 낮은 콘텐츠를 추천한다. 이와 같이 다른 학습자의 선호도와는 무관하게 학습자의 성취도에 따라 가장 적합한 콘텐츠를 추천할 수 있다.

Abstract ▼ AI-Helper

It is required that an e-learning system has a content recommendation component which helps a learner choose an item. In order to predict items concerning learner's interest, collaborative filtering and content-based filtering methods have been most widely used. The methods recommend items for a learner based on other learner's interests without considering the knowledge level of the learner. So, the effectiveness of the recommendation can be reduced when the number of overall users are relatively small. Also, it is not easy to recommend a newly added item. In order to address the problem, we propose a content recommendation method based on the similarity and the difficulty of an item. By using a recommendation function that reflects both characteristics of items, a higher-level leaner can choose more difficult but less similar items, while a lower-level learner can select less difficult but more similar items, Thus, a learner can be presented items according to his or her level of achievement, which is irrelevant to other learner's interest.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 이러한 단점을 보완하기 위하여 콘텐츠의 난이도, 학습자의 선행학습에 관한 성취도, 콘텐츠 간의 유사도 등을 계산하여 이들간의 상관관계에 따라 후행학습을 추천하는 방법을 제안한다. 이를 통해 학습자 수준에 적합한 콘텐츠를 객관적으로 추천할 수 있다.
본 논문에서는 이러한 단점을 보완하기 위해 학습자의 성취도와 선행학습과의 유사도, 각 콘텐츠의 난이도를 계산하여 보다 객관적인 콘텐츠를 추천할 수 있는 방법을 제안한다.
본 논문에서는 이러한 단점을 해결하기 위해 학습자의 성취도, 콘텐츠의 난이도, 콘텐츠간의 유사도 등을 객관적인 방법으로 계산하고 이들의 상관관계를 통하여 적합한 콘텐츠를 추천하는 방법을 제안하였다.

제안 방법

Resnick[16]이 발표한 GroupLens가 대표적인 협업 필터링 추천 방법으로 사용자들이 본 뉴스에 대해 명시적 평점을 부여하고 사용자간의 상관계수를 이용하여 특정 사용자의 보지 않은 뉴스에 대한 선호도를 예측하여 추천하는 방법을 제안하였다.
선행학습이 끝나면 학습에 대한 테스트를 시행하여 성취도를 계산한다. 그리고 다른 콘텐츠간의 유사도 및 난이도를 계산한다.
학습자는 학습운영 프로그램을 통해 학습을 하고 학습이 종료되면 테스트를 거쳐 성취도를 계산한다. 그리고 유사도 계산모듈에의 유사도를 계산하며간의 유사도를 계산하며, 콘텐츠 색인어 온톨로지를 이용해 난이도 계산모듈에서 난이도를 계산한다. 후행학습 추천모듈에서 추천함수를 이용해 함수 값이 높은의 유사도를 계산하며한다.
난이도는 12개의 문제지에 나온 610개의 명사와 동사 단어를 상하위 구조의 온톨로지로 구성하고, 각 단어별 심화도를 부여한 후 문제지에 사용된 단어들의 심화도의 합으로 계산하였고[3], 유사도는 벡터스페이스 모델을 이용하여 계산하였다.
본 논문에서 제안한 방법은 텍스트 기반의 콘텐츠 추천 위주로 다루었지만, 멀티미디어 환경의 이러닝 콘텐츠를 추천하는데도 활용이 가능하다.
단어간의 관계는 상하위 관계만 고려하며, 단어의 심화도를 속성으로 부여한다. 온톨로지는 상위단어가 두 개 이상일 수 있는 그래프 구조이므로 이를 트리구조로 변경하여 난이도를 계산한다. 상위단어가 두 개 이상인 n개의 구조로 되어 있는 단어는 해당단어의 하위 단어들을 n-1번 복사하여 상위단어의 서브트리로 만들어 트리구조로 변경한다.

대상 데이터

실험은 추천함수의 적정성 여부를 검증하기 위해 YBM Si-sa에서 초등학교 학생들의 영어능력평가를 위해 개발한 JET(Junior English Test)[20]의 기출문제를 대상으로 하였다. JET는 듣기영역과 쓰기영역으로 구성되어 있으며 초급, 중급, 고급의 3등급으로 되어있다.
JET는 듣기영역과 쓰기영역으로 구성되어 있으며 초급, 중급, 고급의 3등급으로 되어있다. 이 중 각 등급별 4개의 문제지를 대상으로 하여 각 문제지의 쓰기영역 문제만 선택하여 실험을 실시하였다.

이론/모형

[수식 1]에서 선행학습 콘텐츠(Q)의 색인어 가중치 qt와 선행학습과 비교할 콘텐츠(D)의 색인어 가중치 dt는 TF(Term Frequency)*IDF(Inverse Document Frequency) 방식을 적용하여 다음과 같이 계산된다.

성능/효과

실험결과 성취도가 높은 경우에는 난이도가 높고 유사도가 낮은 문제지의 추천함수 값이 높았으며, 성취도가 낮은 경우에는 난이도가 낮고 유사도가 높은 문제지의 추천함수 값이 높았다.
실험결과를 통하여 제안한 방법이 내용의 유사도뿐만 아니라 학습자 수준에 따라 적합한 콘텐츠가 추천됨을 알 수 있었다.
표 3은 제안방법과 기존 추천 방법과의 차이점을 요약한 표이다. 제안한 방법은 학습자 수준을 고려하여 추천하기 때문에 학습자 능력에 맞는 콘텐츠를 객관적으로 추천할 수 있고, 기존 추천 방법의 선호도 예측 및 타 학습자의 평가 등이 필요 없기 때문에 신규 콘텐츠가 추가되더라도 누락되지 않고 추천될 수 있는 장점이 있다.
제안한 방법의 적정성을 검증하기 위해 초등학교 영어시험인 JET 문제지의 난이도 및 유사도를 계산하여 실험한 결과 추천함수에 의해 학습자 수준에 적절한 콘텐츠를 추천함으로써 학습자 수준과는 무관하게 콘텐츠에 대한 평가나 선호도만을 고려하는 기존 추천 방법들의 단점을 해결하였다. 또한, 기존 방법들은 신규 콘텐츠가 추가될 경우 다른 학습자의 평가나 선호도가 없으므로 신규 콘텐츠가 추천되기 어려우나, 제안한 방법은 신규 콘텐츠가 추가되더라도 다른 학습자의 평가나 선호도가 필요 없기 때문에 신규 콘텐츠를 포함하여 가장 적합한 콘텐츠를 추천할 수 있는 장점이 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	학습자의 선호도를 통한 콘텐츠 추천은 어떤 방법이 가장 많이 사용되고 있나?	이러닝 시스템에서 학습자에게 적합한 콘텐츠 선택을 돕기 위한 콘텐츠 추천 시스템은 필수적이다. 학습자의 선호도를 통한 콘텐츠 추천은 협업 필터링 추천 방법과 내용 기반 추천 방법이 가장 많이 사용되고 있다. 그러나 기존추천 방법들은 학습자의 학습수준을 고려하지 않고 다른 사용자의 선호도를 기반으로 학습 콘텐츠를 추천한다.
	내용 기반 추천 방법은 어떤 단점이 있나?	그러나 내용 기반 추천 방법은 학습자의 수준이나 해당콘텐츠의 난이도는 고려하지 않고 예측 선호도가 높은 콘텐츠만 추천하며, 학습자가 학습한 콘텐츠가 적을 경우 정확히 선호도를 예측하기 어려운 단점이 있다.
	학습자의 선호도를 통한 콘텐츠 기존추천 방법들은 어떤 단점이 있나?	그러나 기존추천 방법들은 학습자의 학습수준을 고려하지 않고 다른 사용자의 선호도를 기반으로 학습 콘텐츠를 추천한다. 따라서 상대적으로 콘텐츠를 학습한 학습자가 적은 경우 추천의 효율성이 떨어지고, 새로운 아이템이 추가될 경우 추천이 쉽지 않은 단점이 있다. 이 문제를 해결하기 위해 우리는 학습 콘텐츠의 유사도와 난이도에 기반한 콘텐츠 추천 방법을 제안한다.

참고문헌 (20)

Byeong Man Kim, Qing Li, Si Gwan Kim, En Ki Lim, Ju Yeon Kim, "A New Approach Combining Content-based Filtering and Collaborative Filtering for Recommender Systems," Journal of The Korean Institute of Information Scientists and Engineers, Vol. 31, No. 3, pp. 332-342, Mar. 2004.
Yong Kim, Sung Been Moon, "A Study on Hybrid Re commendation System Based on Usage frequency for Multimedia Contents," Journal of The Korea Society for Information management, Vol. 23, No. 3, pp. 91-125, Sep. 2006.

원문보기 상세보기
Jae Wook Park, Mee Hwa Park, Yong Kyu Lee, "An Ontology-Based Method for Calculating the Difficulty of a Learning Content," Journal of The Korea Society of Computer and Information, Vol. 16, No. 2, pp. 83-91, Feb. 2011.
Mojdeh Talabeigi, Rana Forsati, Mohammad Reza Meybodi, "A Dynamic Web Recommender System Based on Cellular Learning Automata," Proceedings of the IEEE International Conference on Computer Engineering and Technology, pp. 755-761. Apr. 2010.
Jian Chen, Roman Y. Shtykh, Qun Jin, "A Web Recommender System Based on Dynamic Sampling of User Information Access Behaviors," Proceedings of the IEEE International Conference on Computer and Information Technology, pp. 172-177, Oct. 2009.
Yi-Hung Wu, Yong-Chuan Chen, Arbee L. P. Chen, "Enabling Personalized Recommendation on The Web Based on User Interests and Behaviors," Proceedings of IEEE International Workshop on Research Issues in Data Engineering, pp. 17-24. Apr. 2001.
Hong-Ren Chen, "Learning Object Recommendation Services in Interactive E-Learning Systems," Proceedings of the 5th WSEAS International Conference on E-ACTIVITIES, pp. 410-414, Nov. 2006.
Huiyi Tan, Junfei Guo, Yong Li, "E-Learning Recom mendation System," Proceedings of IEEE International Conference on Computer Science and Software Engineering, pp. 430-433. Apr. 2008.
Li-ping Shen, "Ontology-based Learning Content Rec ommendation," International Journal of Continuing Engineering Education and Life Long Learning, Vol. 15, No. 3, pp. 308-317, June 2005.

상세보기
Feng-Jung Liu, "Design of Self-directed E-Learning Material Recommendation System with On-line Evaluation," Proceedings of IEEE International Conference on Hybrid Information Technology, pp. 274-277, Aug. 2008.
Saman Shishechi, Seyed Yashar Banihasem, Nor Azan Mat Zin, "A Proposed Semantic Recomm endation System for E-Learning," Proceedings of IEEE International Symposium on Information technology, pp. 1-5, June 2010.
Ehsan Emadzadeh, Amade Nikfarjam, Kairil Imran Ghauth, Ng Kok Why, "Learning Materials Recommendation Using a Hybrid Recommender System with Automated Keyword Extraction," World Applied Science Journal, Vol. 9, No. 11, pp. 1260-1271, 2010.
Leyla Zhuhadar, Olfa Nasraoui, Robert Wyatt, Elizabeth Romero, "Multi-model Ontology-based Hybrid Recommender System in E-Learning Domain," Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, pp. 91-95, Sep. 2009.
Khairil Imran Bin Ghauth, Nor Aniza Abdullah, "Building an E-Learning Recommender System using Vector Space Model and Good Learners Average Rating," Proceedings of the IEEE International Symposium on Advanced Learning Technologies, pp. 194-196, July 2009.
Robin Burke, "Hybrid Recommender System: Survey and Experiments," User Modeling and User Adapted Interaction, Vol. 12, No. 4, pp. 331-370, 2002.
Paul Resnick, Neophytos Iacovou, Mitesh Suchak, Peter Bergstrom, John Riedl, "GroupLens: An Open Architecture for Collaborative Filtering of Netnews," Proceeding of the ACM Conference on Computer-Supported Cooperative Work, pp. 175-186, 1994.
Christopher D. Manning, Prabhakar Raghavan, Hinich Schutze, "An Introduction to Information Retrieval," Cambridge University Press, pp. 109-133, Apr. 2009
Inay Ha, Gyu Sik Song, Heung Nam Kim, Geun Sik Jo, "Collaborative Recommendation of Online Video Lectures in e-Learning System," Journal of The Korea Society of Computer and Information, Vol. 14, No. 9, pp. 85-94, Feb. 2009.
Byung Il Kwon, Nam Mi Moon, "Recommendation System for Supporting Self-directed Learning on E-learning Marketplace," Journal of The Korea Society of Computer and Information, Vol. 15, No. 2, pp. 135-146, Feb. 2010.
JET, http://exam.ybmsisa.com

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