외국어 능력 향상을 위한 사용자 안구운동 분석 기반의 지능형 학습도구 개발 Development of Intelligent Learning Tool based on Human eyeball Movement Analysis for Improving Foreign Language Competence원문보기
최근 효율적인 외국어 학습 및 테스트를 위한 교육 콘텐츠 개발에 대한 연구가 많이 되고 있다. 이러한 추세에 기반 하여, 온라인 학습 도구와 방송매체 등의 IT 기술을 이용한 e-learning 교육용 콘텐츠 개발이 급격하게 증가하고 있는 추세이다. 하지만 기존의 IT 기술을 이용한 교육용 콘텐츠들은 단방향의 학습 정보만을 제공하기에, 외국어 글을 이해하는 데는 사용자의 학습 편의를 제공하기 어렵다. 사용자 편의가 제공되려면 사용자의 학습 진단에 대한 부가적인 off-line 분석이 요구된다. 이에 본 논문에서는 사용자의 외국어 능력 향상을 위하여, 실시간(on-line)으로 학습 콘텐츠를 제공하여 외국어 능력을 진단하고, 향상시키기 위한 사용자 안구운동 분석 기반의 지능형 학습 도구를 제안한다. 이에 본 논문에서는 사용자 학습상태를 분석하기 위하여 인지심리학/신경생리학 기반의 사용자 학습상태와 관련된 안구 운동 특징 정보를 추출하고 판별 분석한다. 본 논문에서 제안하는 지능형 학습 도구는 앞서 언급한 사용자 안구운동 특징 정보를 기저로 하여 사용자가 외국어 읽기를 수행할 때, 사용자가 응시하고 있는 단어에 대하여, '안다/모른다'를 분석하여, 모르는 단어일 경우 실시간(on-line)으로 웹에서 단어를 검색하고, 정리하여 사용자에게 제공함으로써, 외국어로 된 글을 읽고 이해하는데 도움을 주는 자가 학습 서비스를 제공한다. 제안하는 시스템은 학습자들에게 자기 주도적 학습 도구를 제공하고, 자동화된 학습 콘텐츠로 외국어로 된 글의 이해에 대한 성취와 만족도를 높일 수 있다.
최근 효율적인 외국어 학습 및 테스트를 위한 교육 콘텐츠 개발에 대한 연구가 많이 되고 있다. 이러한 추세에 기반 하여, 온라인 학습 도구와 방송매체 등의 IT 기술을 이용한 e-learning 교육용 콘텐츠 개발이 급격하게 증가하고 있는 추세이다. 하지만 기존의 IT 기술을 이용한 교육용 콘텐츠들은 단방향의 학습 정보만을 제공하기에, 외국어 글을 이해하는 데는 사용자의 학습 편의를 제공하기 어렵다. 사용자 편의가 제공되려면 사용자의 학습 진단에 대한 부가적인 off-line 분석이 요구된다. 이에 본 논문에서는 사용자의 외국어 능력 향상을 위하여, 실시간(on-line)으로 학습 콘텐츠를 제공하여 외국어 능력을 진단하고, 향상시키기 위한 사용자 안구운동 분석 기반의 지능형 학습 도구를 제안한다. 이에 본 논문에서는 사용자 학습상태를 분석하기 위하여 인지심리학/신경생리학 기반의 사용자 학습상태와 관련된 안구 운동 특징 정보를 추출하고 판별 분석한다. 본 논문에서 제안하는 지능형 학습 도구는 앞서 언급한 사용자 안구운동 특징 정보를 기저로 하여 사용자가 외국어 읽기를 수행할 때, 사용자가 응시하고 있는 단어에 대하여, '안다/모른다'를 분석하여, 모르는 단어일 경우 실시간(on-line)으로 웹에서 단어를 검색하고, 정리하여 사용자에게 제공함으로써, 외국어로 된 글을 읽고 이해하는데 도움을 주는 자가 학습 서비스를 제공한다. 제안하는 시스템은 학습자들에게 자기 주도적 학습 도구를 제공하고, 자동화된 학습 콘텐츠로 외국어로 된 글의 이해에 대한 성취와 만족도를 높일 수 있다.
Recently, there has been a tremendous increase in the availability of educational materials for foreign language learning. As part of this trend, there has been an increase in the amount of electronically mediated materials available. However, conventional educational contents developed using comput...
Recently, there has been a tremendous increase in the availability of educational materials for foreign language learning. As part of this trend, there has been an increase in the amount of electronically mediated materials available. However, conventional educational contents developed using computer technology has provided typically one-way information, which is not the most helpful thing for users. Providing the user's convenience requires additional off-line analysis for diagnosing an individual user's learning. To improve the user's comprehension of texts written in a foreign language, we propose an intelligent learning tool based on the analysis of the user's eyeball movements, which is able to diagnose and improve foreign language reading ability by providing necessary supplementary aid just when it is needed. To determine the user's learning state, we correlate their eye movements with findings from research in cognitive psychology and neurophysiology. Based on this, the learning tool can distinguish whether users know or do not know words when they are reading foreign language sentences. If the learning tool judges a word to be unknown, it immediately provides the student with the meaning of the word by extracting it from an on-line dictionary. The proposed model provides a tool which empowers independent learning and makes access to the meanings of unknown words automatic. In this way, it can enhance a user's reading achievement as well as satisfaction with text comprehension in a foreign language.
Recently, there has been a tremendous increase in the availability of educational materials for foreign language learning. As part of this trend, there has been an increase in the amount of electronically mediated materials available. However, conventional educational contents developed using computer technology has provided typically one-way information, which is not the most helpful thing for users. Providing the user's convenience requires additional off-line analysis for diagnosing an individual user's learning. To improve the user's comprehension of texts written in a foreign language, we propose an intelligent learning tool based on the analysis of the user's eyeball movements, which is able to diagnose and improve foreign language reading ability by providing necessary supplementary aid just when it is needed. To determine the user's learning state, we correlate their eye movements with findings from research in cognitive psychology and neurophysiology. Based on this, the learning tool can distinguish whether users know or do not know words when they are reading foreign language sentences. If the learning tool judges a word to be unknown, it immediately provides the student with the meaning of the word by extracting it from an on-line dictionary. The proposed model provides a tool which empowers independent learning and makes access to the meanings of unknown words automatic. In this way, it can enhance a user's reading achievement as well as satisfaction with text comprehension in a foreign language.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그림 6(b)와 같이 본 실험은 16개의 영어문장으로 이루어져 있으며 피험자는 제시된 영어문장을 눈으로 해석한다, 실험 자극 영상이 보이고, 피험자의 영어지문 해독이 끝나면 다음 실험 자극 영상으로 넘어가기 전 ‘+’가 그려진 영상이 3초간 보이는데, 이는 사용자의 시선 피로도를 해소하며, 피험자의 이전 심상을 제거하기 위한 목적으로 설계 하였다.
따라서 본 논문은 사용자와 컴퓨터 간의 인터페이스를 위해서 안구 추적 기술을 이용하고자 한다[7~10].
본 논문에서는 영어 문장에서 아는 단어인지 모르는 단어인지를 판별하는 분석방법을 기반으로 하는 새로운 양 방향적 외국어 학습도구를 제안하였다. 즉 학습 시 사용자 시선의 응시 점, 응시시간, 응시횟수 정보만을 이용하여 문장 내 모르는 단어를 분류 및 정리하고, 이를 다시 사용자에게 feedback이 가능하도록 하는 시스템을 설계하였다.
실험은 사전 실험, 본 실험 및 사후 실험으로 나누어 진행되었다. 사전 실험과 사후 실험은 본 실험에서의 본 실험의 데이터 결과의 정확도를 확인하기 위해 실시하였으며, 본 실험은 사전 실험과 사후 실험을 비교하여 피험자의 자극 영상에 대한 관심과 응시 점인 AOI영역내의 응시시간, 응시횟수와의 상관관계를 보이기 위해 실시하였다.
뿐만 아니라 최근 들어 기존의 획일화된 영어 교육의 한계점을 극복하기 위한 방안으로 e-learning 업계에서는 IT기술 및 융합인지과학을 활용하는 외국어 학습에 대한 논의가 이루어지고 있으며[2], 사용자에게 적응적인 서비스를 제공할 수 있는 양 방향의 학습도구 및 교육 콘텐츠 개발의 필요성이 대두되고 있다. 이에 본 논문에서는 기존 사용자의 효율적인 외국어 학습 및 능력향상을 인지 심리학, 신경생리학 및 IT 공학의 인지융합기술을 바탕으로 새로운 개념의 사용자 안구운동 분석기반의 지능형 학습 도구를 제안한다. 기존 IT 기술이 교육시장에 보급되기 전의 실험방법은 부 자연스러운 실험환경 때문에 즉시적인 학습 처리 과정을 살펴보거나, 사람의 이해 과정에 미치는 인지처리 기제들이 시간적으로 어떠한 차이가 있는지 알아보는 것은 어려운 환경이었다.
제안 방법
이때, 제안된 SVM 모델은 RBF(radial basis function) 가우시안 커널을 함수를 사용하였으며, RBF 가우시안의 sigma의 파라미터 값으로 1로 설정하였다. 그리고 본 논문의 실험에서는 63명의 피험자를 대상으로 시선 특징 정보를 획득 하였으며, 총 63명중 각 사람당 총 68개의 특정 단어에 대하여 아는 단어인지 모르는 단어인지를 판별분석 하였다. SVM 학습 데이터로는 랜덤하게 추출한 54개의 단어를 사용하였으며, 테스트 데이터로 나머지 14개의 테스트 데이터로 구분지어 사용하였다.
추출된 특징 정보를 기반으로 사용자가 응시하고 있는 단어가 아는 단어(known-word)인지 모르는 단어(unknown – word)인지를 분류할 수 있으며[6, 12], 이를 위해 각 단어에 매핑된 사용자의 응시시간, 응시횟수의 안구특징 정보를 기반으로 한 support vector machine(SVM)[13~14]모델을 이용하여 판별 분석하였다. 그리고 제시된 자극 지시문에서 사용자의 안구운동정보를 기반으로 모르는 단어로 판단된 단어에 대하여 그 단어의 목록을 정리하고, 이를 인터넷 포털 웹 페이지의 어학 사전을 이용하여, 그 단어의 뜻에 대한 정보를 획득하여 사용자에게 제공해 준다. 즉, 본 논문에서 제안한 모델은 사용자의 편의를 위하여, 영어 문장 내 사용자가 모른다고 판단되는 단어를 자동으로 검색하고, 검색된 단어의 뜻을 단어장 형태로 정리하여 사용자에게 온라인으로 제공하는 지능형 학습도구이다.
SVM 학습 데이터로는 랜덤하게 추출한 54개의 단어를 사용하였으며, 테스트 데이터로 나머지 14개의 테스트 데이터로 구분지어 사용하였다. 그리고 총 30번의 반복 테스트를 거쳐 평균한 결과를 아는 단어인지 모르는 단어인지를 판별 분석하는데 사용하였고, 그 성능 결과를 표 4에 나타내었다.
앞 실험에서는 각 피험자가 외국어 학습 시 영어 문장 내 특정 단어에 머무른 시간의 길이와 횟수에 따라 아는 단어인지 모르는 단어인지를 판별 분석 가능하다고 언급하였다. 단어 인지 여부를 정량적으로 판별하기 위해, 외국어 학습 시 획득한 사용자 시선 정보를 가공하여 SVM 모델을 적용하여 사용자가 아는 단어인지 모르는 단어인지를 판별 분석하였다. 이때, 제안된 SVM 모델은 RBF(radial basis function) 가우시안 커널을 함수를 사용하였으며, RBF 가우시안의 sigma의 파라미터 값으로 1로 설정하였다.
따라서 사용자의 안구 특징정보에 의해 ‘모른다’의 분류에 들어간 단어의 정보를 검색하고, 그 단어의 HTML 소스에서 뜻 정보만을 추출하여 파싱하고, 저장하여 사용자에게 모르는 단어에 대한 단어장을 작성하여 제공하였다.
복잡한 실세계 환경변화 내에서 외부의 환경적인 요소의 영향을 배제하고, 사용자의 심리상태만을 고려한 사용자 시선 특징 정보로서 자극영상의 관심(흥미) 영역인 AOI 내에서 응시 점의 응시시간, 응시횟수를 안구 운동 특징정보 시각인자로 발굴하였고, 이를 일반화 오차를 최소화 할 수 있는 방향으로 학습을 수행 하기위해 support vector machine(SVM)[18-20] 모델을 이용하여 단어의 ‘안다/모른다’를 판별 분석하였으며, 그림 4에 나타내었다.
본 논문에서 제안하는 사용자 안구운동 분석 기반의 지능형 학습도구 모델은 Tobii 1750 안구운동 측정 장치를 이용하여, 사용자가 외국어 자극지문을 응시하고 있을 때, 그 사용자의 안구운동 특징 정보를 기반으로 아는 단어 혹은 모르는 단어를 판별 분석하였다. 이때, 사용자의 안구운동 특징 정보를 검출하기 위하여, 각 단어에 AOI 영역을 설정하여, AOI 영역 내에서 사용자의 안구운동 특징 정보를 획득 하였다.
본 논문에서는 아는 단어와 모르는 단어를 구별하는 방법으로 시간에 따른 특정 단어에 머무른 시간과 단어를 응시한 횟수를 분석에 활용하였다. 사전실험 채점 결과를 바탕으로 정답 혹은 오답인 단어에 대하여, 그림 8에서는 응시횟수를 그리고 그림 9에서는 응시시간에 따른 비율을 나타내었다.
본 논문에서는 이들 특징 정보들 중 AOI 영역 기반의 사용자 응시시간, 응시횟수만을 특징 데이터로 사용하여 분석하였다.
사용자 안구운동 정보는 자극영상으로 제공된 자극 지문의 단어에 매핑되는 시선의 응시 점, 응시시간, 응시횟수의 시선특징 정보를 기반으로, 사용자가 응시하고 있는 단어에 대하여, 그 의미를 ‘안다/모른다’ 로 분류하여 사용자 시선 특징 정보를 추출 하였다.
사용자의 안구운동 정보에서 모르는 단어라 판단된 단어에 대해서 그 목록을 정리하고, 정리된 목록에 대하여, 인터넷 웹 페이지의 어학사전과 연동하여, 각 단어의 의미 정보를 검색한다. 앞서 검색된 단어의 의미 정보는, 사용자의 편의를 제공해주기 위하여, 제안 모델 내에서 검색된 단어의 의미를 정리하여 단어장 형태의 파일로 제공해준다.
본 논문에서는 21∼26세의 비슷한 지적 수준의 63명의 피험자를 대상으로 응시 점, 응시시간 및 응시횟수의 정보를 얻고 분석한다. 실험은 사전 실험, 본 실험 및 사후 실험으로 나누어 진행되었다. 사전 실험과 사후 실험은 본 실험에서의 본 실험의 데이터 결과의 정확도를 확인하기 위해 실시하였으며, 본 실험은 사전 실험과 사후 실험을 비교하여 피험자의 자극 영상에 대한 관심과 응시 점인 AOI영역내의 응시시간, 응시횟수와의 상관관계를 보이기 위해 실시하였다.
사전 결과에서 ‘모른다’는 판별이 되었던 단어가 본 실험에서 ‘안다’는 판별이 되는 경우도 있다. 이것은 사용자의 환경이나 문맥적 단어 의미 유추 등 여러 가지 요소에 의한 것으로 볼 수 있으며, 이미 다른 연구에서 논의 되어 왔다[21-22], 본 논문에서는 본 실험에 사용된 문장을 프린트로 제시하고 이를 해석하게 하는 사후시험을 통해 본 실험에서 아는 단어와 모르는 단어의 판별의 기준으로 설정하였다. 즉, 사후시험에서는 본 실험과 같은 지문을 프린트로 제시하였으며, 피험자는 이를 직접 한글로 해석하였다.
본 논문에서 제안하는 사용자 안구운동 분석 기반의 지능형 학습도구 모델은 Tobii 1750 안구운동 측정 장치를 이용하여, 사용자가 외국어 자극지문을 응시하고 있을 때, 그 사용자의 안구운동 특징 정보를 기반으로 아는 단어 혹은 모르는 단어를 판별 분석하였다. 이때, 사용자의 안구운동 특징 정보를 검출하기 위하여, 각 단어에 AOI 영역을 설정하여, AOI 영역 내에서 사용자의 안구운동 특징 정보를 획득 하였다.
본 논문에서는 영어 문장에서 아는 단어인지 모르는 단어인지를 판별하는 분석방법을 기반으로 하는 새로운 양 방향적 외국어 학습도구를 제안하였다. 즉 학습 시 사용자 시선의 응시 점, 응시시간, 응시횟수 정보만을 이용하여 문장 내 모르는 단어를 분류 및 정리하고, 이를 다시 사용자에게 feedback이 가능하도록 하는 시스템을 설계하였다. 문장 내 아는 단어 혹은 모르는 단어를 판변 분석하는데, SVM 모델을 적용하였으며, 실험결과 약 80% 이상의 높은 분류 성능을 보였다.
그리고 제시된 자극 지시문에서 사용자의 안구운동정보를 기반으로 모르는 단어로 판단된 단어에 대하여 그 단어의 목록을 정리하고, 이를 인터넷 포털 웹 페이지의 어학 사전을 이용하여, 그 단어의 뜻에 대한 정보를 획득하여 사용자에게 제공해 준다. 즉, 본 논문에서 제안한 모델은 사용자의 편의를 위하여, 영어 문장 내 사용자가 모른다고 판단되는 단어를 자동으로 검색하고, 검색된 단어의 뜻을 단어장 형태로 정리하여 사용자에게 온라인으로 제공하는 지능형 학습도구이다.
이것은 사용자의 환경이나 문맥적 단어 의미 유추 등 여러 가지 요소에 의한 것으로 볼 수 있으며, 이미 다른 연구에서 논의 되어 왔다[21-22], 본 논문에서는 본 실험에 사용된 문장을 프린트로 제시하고 이를 해석하게 하는 사후시험을 통해 본 실험에서 아는 단어와 모르는 단어의 판별의 기준으로 설정하였다. 즉, 사후시험에서는 본 실험과 같은 지문을 프린트로 제시하였으며, 피험자는 이를 직접 한글로 해석하였다. 이 해석 시험에서 피험자가 틀리게 해석하였다고 평가된 단어는 본 실험에서 몰랐던 단어로, 적절히 해석했다고 평가된 단어는 본 실험에서 알았던 단어로 판별하였다.
추출된 특징 정보를 기반으로 사용자가 응시하고 있는 단어가 아는 단어(known-word)인지 모르는 단어(unknown – word)인지를 분류할 수 있으며[6, 12], 이를 위해 각 단어에 매핑된 사용자의 응시시간, 응시횟수의 안구특징 정보를 기반으로 한 support vector machine(SVM)[13~14]모델을 이용하여 판별 분석하였다.
대상 데이터
그리고 본 논문의 실험에서는 63명의 피험자를 대상으로 시선 특징 정보를 획득 하였으며, 총 63명중 각 사람당 총 68개의 특정 단어에 대하여 아는 단어인지 모르는 단어인지를 판별분석 하였다. SVM 학습 데이터로는 랜덤하게 추출한 54개의 단어를 사용하였으며, 테스트 데이터로 나머지 14개의 테스트 데이터로 구분지어 사용하였다. 그리고 총 30번의 반복 테스트를 거쳐 평균한 결과를 아는 단어인지 모르는 단어인지를 판별 분석하는데 사용하였고, 그 성능 결과를 표 4에 나타내었다.
본 논문에서는 21∼26세의 비슷한 지적 수준의 63명의 피험자를 대상으로 응시 점, 응시시간 및 응시횟수의 정보를 얻고 분석한다.
본 논문에서는 사용자 안구운동 정보를 획득하기 위하여 그 성능이 검증된 Tobii 1750 안구운동 측정 장치를 이용하였다.
실험에서 제시한 AOI 및 실험 디자인은 영어교육학과 교수 2명 외 전문가 3명의 자문을 통해 결정하였다. 이에 그림 6과 같이 본 논문에서 수행한 실험 구성을 도식화 하였다.
데이터처리
다음으로, 표 3에서는 사전실험, 본 실험 및 사후실험 결과를 바탕으로 각 피험자의 아는 단어 및 모르는 단어에 대한 평균 응시시간을 기준으로 전체 피험자의 평균 차이 검증을 실시하였다. 아는 단어와 모르는 단어의 응시 시간에서는 유의미한 차이가 나타났다[t(62)=-7.
본 논문에서는 피험자가 지문을 해석하는데 있어 아는 단어와, 모르는 단어에 대해 응시횟수 및 응시시간에서의 차이점이 있는지를 알아보기 위해서 대응표본 t검정을 실시하였다. 그 결과는 다음과 같다.
표 2에서는 사전실험, 본 실험 및 사후실험 결과를 바탕으로 각 피험자의 모르는 단어에 응시한 횟수와 아는 단어에 응시한 횟수를 기준으로 전체 피험자의 평균차이 검증을 실시하였다. 그 결과, 아는/모르는 단어의 응시 횟수에서는 유의미한 차이가 나타났다[t(62)=-7.
이론/모형
본 논문에서 제안하는 외국어 능력 향상을 위한 사용자 안구운동 분석 기반의 지능형 학습 도구 시스템의 전체 구성을 그림 1에 나타내었다. 사용자 안구운동 특징 정보를 획득하기 위하여 안구추적 장치인 Tobii 1750 모델[11]을 이용하였고, 이로부터 사용자 안구의 응시 점(fixation point), 응시시간(fixation length), 그리고 응시횟수(fixation count)와 같은 특징 정보를 추출한다. 이들 중, 사용자 시선 응시 점은 2차원상의 텍스트 DB의 자극 지문 영상과의 공간적인 위치를 대응시켜 사용자가 자극 지문 영상에서 응시하고 있는 단어 정보를 획득하는데 사용한다.
단어 인지 여부를 정량적으로 판별하기 위해, 외국어 학습 시 획득한 사용자 시선 정보를 가공하여 SVM 모델을 적용하여 사용자가 아는 단어인지 모르는 단어인지를 판별 분석하였다. 이때, 제안된 SVM 모델은 RBF(radial basis function) 가우시안 커널을 함수를 사용하였으며, RBF 가우시안의 sigma의 파라미터 값으로 1로 설정하였다. 그리고 본 논문의 실험에서는 63명의 피험자를 대상으로 시선 특징 정보를 획득 하였으며, 총 63명중 각 사람당 총 68개의 특정 단어에 대하여 아는 단어인지 모르는 단어인지를 판별분석 하였다.
성능/효과
즉 학습 시 사용자 시선의 응시 점, 응시시간, 응시횟수 정보만을 이용하여 문장 내 모르는 단어를 분류 및 정리하고, 이를 다시 사용자에게 feedback이 가능하도록 하는 시스템을 설계하였다. 문장 내 아는 단어 혹은 모르는 단어를 판변 분석하는데, SVM 모델을 적용하였으며, 실험결과 약 80% 이상의 높은 분류 성능을 보였다.
위의 두 결과를 종합해 보면, 실험 참가자가 아는 단어보다는 모르는 단어에서 응시 횟수가 많았으며, 응시시간 또한 더 긴 것으로 나타났다. 아는 단어와 모르는 단어 간의 응시횟수와 응시시간에서 모두 유의미한 차이가 나타난 것을 통해 알아볼 때, 특정 단어에 대한 응시 횟수와 응시시간 종속측정치가 대상자의 해당 단어에 대한 사전 습득 여부를 판별하는데 사용할 수 있는 유용한 안구운동측정치 임을 알 수 있다.
즉 제안한 안구운동 분석 기반의 지능형 학습 도구 시스템은 피험자가 영어 문장을 읽을 때, 관심영역 단어의 응시횟수 및 응시시간 정보를 이용하여, 현재 피험자가 응시하고 있는 단어에 대하여, ‘안다/모른다‘ 여부를 평균 80% 이상의 성능으로 분류할 수 있다.
테스트 결과 학습 데이터 성능은 87.01 ±0.71(%)의 분류 성능을 보였고, 테스트 데이터 성능은 80.16 ±0.14(%) 분류 성능을 보였다.
후속연구
또한 본 논문에서 고려하지 않았던 영어 지문 독해과정에서 모르는 단어가 나왔을 때의 영어문맥에 따른 모르는 단어의 문맥적 단어 유추에 대한 변수를 고려하여 적용해 보는 것도 외국어 능력 학습 향상에 기여가 예상된다. 그러므로 향후 연구에서는 앞서 언급한 내용과 같이 사용자의 생체 신호 및 상황(지문의 문맥)이 복합적으로 고려된 특징 지표를 기반으로 사용자에게 적응적 서비스를 제공해 줄 수 있는 지능형 학습도구로 구현할 것이다. 이는 외국어 학습의 새로운 패러다임을 형성에 기여할 것으로 예상된다.
만약 본 논문에서 제안한 응시시간 및 응시횟수의 특정한 안구운동 외, 동공의 크기변화, 눈 깜박임 그리고 뇌 신호 등 과 같은 다양한 생체 신호정보를 기반으로 피험자의 학습 인지적 정보처리 과정에서의 생체 신호 특징 지표 추출하여, 본 논문에서 제안한 지능형 학습도구에 적용하면 사용자의 외국어 이해의 향상을 위해 도움을 줄 수 있는 학습도구를 개발할 수 있을 것이다. 또한 본 논문에서 고려하지 않았던 영어 지문 독해과정에서 모르는 단어가 나왔을 때의 영어문맥에 따른 모르는 단어의 문맥적 단어 유추에 대한 변수를 고려하여 적용해 보는 것도 외국어 능력 학습 향상에 기여가 예상된다. 그러므로 향후 연구에서는 앞서 언급한 내용과 같이 사용자의 생체 신호 및 상황(지문의 문맥)이 복합적으로 고려된 특징 지표를 기반으로 사용자에게 적응적 서비스를 제공해 줄 수 있는 지능형 학습도구로 구현할 것이다.
만약 본 논문에서 제안한 응시시간 및 응시횟수의 특정한 안구운동 외, 동공의 크기변화, 눈 깜박임 그리고 뇌 신호 등 과 같은 다양한 생체 신호정보를 기반으로 피험자의 학습 인지적 정보처리 과정에서의 생체 신호 특징 지표 추출하여, 본 논문에서 제안한 지능형 학습도구에 적용하면 사용자의 외국어 이해의 향상을 위해 도움을 줄 수 있는 학습도구를 개발할 수 있을 것이다. 또한 본 논문에서 고려하지 않았던 영어 지문 독해과정에서 모르는 단어가 나왔을 때의 영어문맥에 따른 모르는 단어의 문맥적 단어 유추에 대한 변수를 고려하여 적용해 보는 것도 외국어 능력 학습 향상에 기여가 예상된다.
질의응답
핵심어
질문
논문에서 추출한 답변
사용자와 컴퓨터 간의 인터페이스를 위해서 안구 추적 기술을 이용하고자 하는 이유는 무엇인가?
기존 IT 기술이 교육시장에 보급되기 전의 실험방법은 부 자연스러운 실험환경 때문에 즉시적인 학습 처리 과정을 살펴보거나, 사람의 이해 과정에 미치는 인지처리 기제들이 시간적으로 어떠한 차이가 있는지 알아보는 것은 어려운 환경이었다. 이에 반해, 사용자의 안구 추적(eye-tracking) 기술은 상대적으로 자연스러운 실험 환경에서 사용자의 글 읽기 및 이해도, 그리고 특 어휘 지식의 부제에 관한 상대적 응시 시간상의 인지적 요소들을 처리할 수 있는 실험 설계가 가능하게 하기에 많은 연구자들은 안구 추적 기술을 다양한 인지학습 처리과정에 적용하는 연구를 진행하여 왔다[3~6].
사용자 편의가 제공되려면 무엇이 요구되는가?
하지만 기존의 IT 기술을 이용한 교육용 콘텐츠들은 단방향의 학습 정보만을 제공하기에, 외국어 글을 이해하는 데는 사용자의 학습 편의를 제공하기 어렵다. 사용자 편의가 제공되려면 사용자의 학습 진단에 대한 부가적인 off-line 분석이 요구된다. 이에 본 논문에서는 사용자의 외국어 능력 향상을 위하여, 실시간(on-line)으로 학습 콘텐츠를 제공하여 외국어 능력을 진단하고, 향상시키기 위한 사용자 안구운동 분석 기반의 지능형 학습 도구를 제안한다.
기존의 IT기술을 이용한 학습 콘텐츠 및 장치들의 단점은 무엇인가?
하지만 기존의 IT기술을 이용한 학습 콘텐츠 및 장치들은 사용자의 상태 및 요구에는 무관하게 단 방향적(보급식) 학습 방식으로만 편중되어, 사용자에게 일방적으로 정보를 제공하는 획일화된 교육방법으로 여러 단점을 내포하고 있다. 또한 사용자는 일관적이고 보편적인 교육방식보다는 개인의 특성 또는 개인의 요구에 따른 학습 관리 교육 방식을 지향하고 있는 추세이다.
참고문헌 (23)
C. H. Lee, "The Effective Contents Teaching Methods for Online Multimedia English Education Course", Students in Foreign Language Education, vol. 23, no. 1, pp. 103-104, 2009.
D. Y. Kwon, S. B. Lee, H .S. Lim, W. G. Lee, H . C. Kim, S. U. Jung, and K. C. Nam, "A computer assisted landguage learning system based on principle of human language processing: the english brain enhancement system", KSII the first International Conference on Internet, 2009.
Kyoung-Bo noh, Sang-Cheon Nam, Ki-Sang Song, "Application of Eye-tracking in E-learning Evaluation", Korea Association of Computer Education, Proceedings, 16 No 2. pp. 271-276, 2012.
Sungryong Koh, Nakyeong Yoon, "The characteristics of eye-movement in Korean sentence reading: cluster length, word frequency, and landing position effects", Cognitive Science, Article 18, No. 4, pp. 325-350, 2007.
Raney, G. E., & Rayner, K, "Word frequency effects and eye movements during two readings of a text", Canadian Journal of Experimental Psychology, vol. 48, no. 2, pp. 151-172, Jun., 1995.
Van G, R. P. G., Pickering, M. J., & Traxler, M. J., "Reanalysis in sentence processing: Evidence against current constraint-based and two-stage models", Journal of Memory and Language, vol. 45, pp. 225-258, 2001.
Ki Moon Kwon, Jeong Jun Lee, Kang Ryoung Park, Jai Hie Kimg, "Eye Gaze for Human Computer Interaction", The institute of Electronics Engineers of Korea, General Conference (Fall) 2003 : Computer Society, vol. 26, no. 2, pp. 83-86, Nov., 2003.
J. K. J. Robert "Eye Movement-Based Human-Computer Interaction Techniques: Toward Non-Command Interfaces", Advances in Human-Computer Interaction, pp. 151-190, 1993.
C. B. Jeong, K. H. Lee, and S. H. Hong, "Eneygy Efficient Eye Tracking System Using Dual Tracking Side Mounted Cameras", The institute of Electronics Engineers of Korea, ISOCC 2012 Conference, pp. 97-97, Nov., 2012.
Do-Hyun Kim, Jai-Htun Kim, Myung-Jin Chung, "Human-Computer Interface using the Eye-Gaze Direction", The institute of Electronics Engineers of Korea, Institute of Electronics Engineers of CI service, Chapter 38 6, pp. 46-56, Nov., 2001.
Eye tracking system of Tobii Technology, http://www.tobii.com/
Morris, R. K.. "Lexical and message-level sentence context effects on fixation times in reading", Journal of Experimental Psychology: Learing, Memory, and Cognition, vol. 20, pp. 92-103, 1994.
Chungsoo Lim, Ki-Hyun Song and Joon-Hyuk Chang, " Fine-tuning SVM for Enhancing Speech/Music Classification", The institute of Electronics Engineers of Korea, Institute of Electronics Engineers of SP service, Chapter 48 2, pp. 141-148, Mar., 2011.
V. Kecman, Learning and Soft Computing, Cambridge, MA, MIT Press, 2001.
C. Shagass, R. A. Roemer, M. Amadeo, "Eye-Tracking Performance and Engagement of Attention", Arch Gen Psychiatry, vol. 33, no. 1, pp. 121-125, Jan., 1976.
P. D. McCormack, E. J. Haltrecht, and T. E. Hannah, "Mornitoring eye movement during the learning of successive paried-associate lists", Journal of Verbal Learning and Verbal Behavior, vol. 6, pp. 950-953, 1967.
E. Osuna, R. Freund, and F. Girosi, "Training Support Vector Machines: An Application to Fec Detection", CVPR, pp. 130-136, Jun., 1997.
L.-P. Bi, H. Huang, Z.-Y. Zheng, and H.-T. Song, "New heuristic for determination Gaussian kernel's parameter", Proc. International Conference on Machine Learning and Cybernetics, vol. 7, pp. 4299-4304, Aug., 2005.
Hyung-Keun Jee, Kyung-Hee Lee, Yong-Hwa Jung, "Eye Detection using Edge Information and SVM, The institute of Electronics Engineers of Korea, General Conference (Summer), vol. 4, 2002 : Signal Processing Society vol. 25, no.1, pp. 347-350, June, 2002.
Shin Koo Lee, "Development of a Model for Web-Based English Vocabulary Learning : Focusing on Vocabulary Structure", Central University Master's Thesis, 2004.
J. Bae, S. Choi, M. Lee, Y.-M. Jang, S. Park, and M.-J. Jang, "The eye tracker study of text comprehension and vocabulary knowledge", Presentation at Language Testing Research and Colloquium, 2013.
S. Tong, D. Koller, "Support vector machine active learning with applications to text classification", The Journal of Machine Learning Research, vol. 2, no 3, pp. 45-66, 2002.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.