선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 이러닝 환경에서 플로우 경험과 인터넷 중독, 성별 특성이 학습참여에 어떠한 영향을 미치는지 살펴보았으며, 학습컨텐츠의 접속횟수, 접속시간, 접속지연시간 등 학습참여 정도와 학습자의 학업성취도 간의 관계를 분석하였다.
- 그리고 플로우 경험뿐만 아니라 인터넷 중독 또한 웹사이트 방문빈도에 영향을 줄 수 있는데, 지금까지 이러한 요인들을 고려하여 웹사이트 방문 및 참여를 실증적으로 다룬 연구는 찾아보기 힘들다. 본 연구에서는 플로우 경험과 인터넷 중독이 이러닝 참여에 어떠한 영향을 미치는지를 로그 분석자료를 통해 고찰하였으며, 이러한 이러닝 참여도가 실제 학습자 학업성취도에 영향을 미치는가를 분석하였다.
제안 방법
- 먼저, 독립변인으로는 ‘연구도구’에서 언급한 방법으로 측정된 플로우경험 측정치와 인터넷 중독 측정치를 사용하였다. 또한 사이버 강좌 학습자의 학업성취도는 성별에 따라 차이가 있음이 알려져 있으므로[3][9], 학습자 성별 또한 독립변인으로 하여 분석을 실시하였다. 종속변인은 약 2만여 건의 로그 데이터를 취합하고, 학습자의 접속양상을 나타낼 수 있는 변인을 <표 1>과 같이 정의, 분석에 이용하였다.
- 종속변인은 약 2만여 건의 로그 데이터를 취합하고, 학습자의 접속양상을 나타낼 수 있는 변인을 <표 1>과 같이 정의, 분석에 이용하였다. 또한 접속횟수와 청취시간, 지연시간을 독립변인으로 하고 학업성취도를 종속변인으로 하는 중다회귀 분석을 실시하여 접속양상이 학업성취도에 어떠한 영향을 미치는지 살펴보았다.
- 먼저, 독립변인으로는 ‘연구도구’에서 언급한 방법으로 측정된 플로우경험 측정치와 인터넷 중독 측정치를 사용하였다.
대상 데이터
- 본 연구는 국내 4년제 대학교인 S 대학교 학부생 들 중 이러닝 강좌인 교양 컴퓨터 강좌 수강생을 연구대상으로 하였다. 수강생 중 15개학과 120명의 설문지와 접속 로그 데이터가 취합되어 분석에 이용되었으며, 연구대상 평균나이는 25.
- 본 연구는 오프라인 4년제 대학에서 이루어진 가상강좌 수강생들을 대상으로 하였으며, 주로 1, 2학년 수강생의 자료가 분석에 이용되었다. 따라서 학년, 학과, 학습자의 연령 등 다양한 학습자 특성을 모두 고려하기 어려운 한계를 가지고 있다.
- 본 연구는 국내 4년제 대학교인 S 대학교 학부생 들 중 이러닝 강좌인 교양 컴퓨터 강좌 수강생을 연구대상으로 하였다. 수강생 중 15개학과 120명의 설문지와 접속 로그 데이터가 취합되어 분석에 이용되었으며, 연구대상 평균나이는 25.38세(표준편차 12.19)로 이들 중 남학생은 70명이었다.
- 종속변인은 약 2만여 건의 로그 데이터를 취합하고, 학습자의 접속양상을 나타낼 수 있는 변인을 과 같이 정의, 분석에 이용하였다.
데이터처리
- 플로우 경험과 인터넷중독이 이러닝 참여에 미치는 영향을 평가하기 위해 본 연구에서는 중다회귀 분석을 이용하였으며, 단계선택법에 의해 회귀모형을 추정하였다.
이론/모형
- 인터넷 중독검사는 한국 정보화 진흥원[26]에서 Young[24]이 개발한 인터넷 중독 자가진단 프로그램을 한국적 실정에 맞게 변형한 진단척도인 K-척도[26]를 사용하였다. K-척도는 4개 하위요인, 20개 문항으로 구성되어 있으며, 리커르트식 4점 척도에 의해서 측정되었다.
- 피실험자들의 플로우 경험 수준은 김나현[2]이 Csikszentmihalyi [15], Jackson과 Marsh[23] 등의 플로우 측정척도문항을 국내 학습상황에 맞도록 수정한 척도[2]를 사용하여 측정하였다. 플로우 경험수준 측정에 이용되는 하위 구성요소는 도전과 능력의 조화, 시간감각의 왜곡 등 9개 범주로 이루어져 있다.
성능/효과
- 청취시간을 종속변인으로 하고, 성별, 플로우경험, 인터넷중독 수준을 독립변인으로 하는 중다회귀 분석 결과는 <표 4,5>와 같다. 단계선택법에 의해 인터넷중독 변인이 제외되고, 성별과 플로우 경험이 포함된 회귀모형이 선정되었으며, 최종 선정된 회귀모형의 유의 확률은 0.000이다. 분석결과 유의수준 .
- 또한 학습자의 성별에 따라 청취시간의 유의한(p<.01) 차이가 있는 것으로 파악되었는데, 여자 학습자의 청취시간이 남자보다 긴 것으로 나타났다.
- 000이다. 분석결과 유의수준 .01에서 성별(t=-3.95 p=.000)에 따라 청취시간에 차이를 보이며, 플로우 경험(t=3.16 p=.002) 수준이 높을수록 청취시간이 긴 것으로 나타났다. 성별은 범주형 자료이기 때문에 중다회귀 분석 시 가변수(여자=0, 남자=1)로 취급하였으며, 남자(m=13.
- 000인 것으로 나타났다. 분석결과 유의수준 .01에서 인터넷중독(t=-4.221 p=.000)수준이 높을수록 지연시간이 길어지며, 플로우 경험(t=-2.70 p=.008) 수준이 높을수록 지연시간이 짧아지는 것으로 나타났다. 독립변수의 상대적 기여도를 나타내는 표준화계수에 의하면 인터넷 중독, 플로우경험 순으로 지연시간에 영향을 미치고 있다.
- 000이며, 학업성취도 총 변화량의 51%(수정결정 계수에 의하면 50%)가 세 개 독립변인에 의해 설명되고 있다. 분석결과 유의수준 .01에서 지연시간(t=-2.94 p=.000)이 짧을수록, 접속횟수(t=7.45 p=.000)가 많을수록 학업성취도가 높은 것으로 나타났다. 학업성취도는 성별에 따라서도 유의한(t=-4.
- 연구결과, 플로우 경험은 학습컨텐츠 총 접속횟수와 청취시간 및 지연시간(컨텐츠 업로드 시점과 시청 시점 시차)과 유의한(p<.01) 관계가 있는 것으로 나타났다.
- 학업성취도를 종속변인으로 하고, 접속양상을 나타내는 변인들(접속횟수, 청취시간, 지연시간)과 성별을 독립변인으로 하는 중다회귀 분석 결과는 <표 8,9>과 같다. 유의성 검정 결과, 독립변수 중 청취시간이 제외되었고, 나머지 세 개 독립변인으로 이루어진 회귀모형의 유의 확률은 0.000이며, 학업성취도 총 변화량의 51%(수정결정 계수에 의하면 50%)가 세 개 독립변인에 의해 설명되고 있다. 분석결과 유의수준 .
- 접속횟수에 대한 중다회귀 분석 결과는 <표 2,3>과 같다. 유의성 검정 결과, 세 개 독립변수 중 인터넷 중독과 성별은 제외되었고, 플로우경험이 포함된 회귀모형의 유의 확률은 0.000인 것으로 나타났다. 즉, 접속횟수에 유의한 영향을 미치는 독립변수는 플로우경험(t=6.
- 즉, 플로우 경험 수준이 높을수록 컨텐츠 접속횟수가 많으며, 청취시간이 길고, 지연시간은 짧은 것으로 파악되었다. 인터넷 중독수준은 지연시간에 유의한 영향을 미치는 것으로 나타났는데, 중독수준이 높을수록 지연시간이 긴 것으로 나타났다. 또한 학습자의 성별에 따라 청취시간의 유의한(p<.
- 01) 영향을 미치는 것으로 나타났다. 즉 접속 횟수가 많을수록, 지연시간이 짧을수록 학업성취도가 높으며, 남자보다 여자 학습자의 학업 성취도가 높은 것으로 나타났다. 이러한 결과는 플로우 경험 및 인터넷 중독이 학업성취도에 영향을 미치는데 있어 학습컨텐츠 접속 횟수, 지연시간 등 이러닝 참여도가 매개변인으로써 역할을 하고 있음을 의미한다.
- 000인 것으로 나타났다. 즉, 접속횟수에 유의한 영향을 미치는 독립변수는 플로우경험(t=6.41. p=.000)인 것으로 나타났으며, 플로우 경험수준이 높을수록 접속횟수가 증가하는 것으로 파악된다.
- 01) 관계가 있는 것으로 나타났다. 즉, 플로우 경험 수준이 높을수록 컨텐츠 접속횟수가 많으며, 청취시간이 길고, 지연시간은 짧은 것으로 파악되었다. 인터넷 중독수준은 지연시간에 유의한 영향을 미치는 것으로 나타났는데, 중독수준이 높을수록 지연시간이 긴 것으로 나타났다.
- 지연시간을 종속변인으로 하고, 성별, 플로우경험, 인터넷중독 수준을 독립변인으로 하는 중다회귀 분석 결과는 과 같고, 최종 선정된 회귀모형의 유의 확률은 .000인 것으로 나타났다.
- 학업성취도에는 접속횟수와 지연시간 및 성별 변인이 유의한(p<.01) 영향을 미치는 것으로 나타났다.
후속연구
- 따라서 학년, 학과, 학습자의 연령 등 다양한 학습자 특성을 모두 고려하기 어려운 한계를 가지고 있다. 추후 광범위한 가상강좌와 온라인 학습에 대한 조사 분석을 통해 다양한 학습자 특성과 교과목 특성이 반영된다면 좀 더 의미 있고 일반화된 결과를 도출할 수 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.