교수-학습 지원 시스템에서 교수자와 학습자의 참여 활동 데이터를 활용하여 성공적으로 과정을 이수할 수 있도록 지원하기 위해 학습 분석이 활용되고 있다. 즉, 학습 분석은 학습자의 학습활동을 이해하기 위한 방법이다. 교수-학습 활동 데이터를 보다 유용하게 활용하기 위해서는 데이터 모델이 필요하다. 이에 본 연구에서는 사용자 중심의 학습양식과 학습객체 데이터모델(LSLODM)을 제안한다. 이는 사용자, 학습양식, 학습객체, 학습활동을 결합하여 표현한 것이다. LSLODM은 이를 기반으로 교수-학습 데이터를 수집하고, 교수-학습 활동 요소의 속성들을 최근성, 빈도성, 지속성을 정량적으로 파악할 수 있도록 한 것이다. 즉, 단위 과목에서 학습자의 교수-학습 활동을 분석할 수 있는 토대를 마련한 것이다.
교수-학습 지원 시스템에서 교수자와 학습자의 참여 활동 데이터를 활용하여 성공적으로 과정을 이수할 수 있도록 지원하기 위해 학습 분석이 활용되고 있다. 즉, 학습 분석은 학습자의 학습활동을 이해하기 위한 방법이다. 교수-학습 활동 데이터를 보다 유용하게 활용하기 위해서는 데이터 모델이 필요하다. 이에 본 연구에서는 사용자 중심의 학습양식과 학습객체 데이터모델(LSLODM)을 제안한다. 이는 사용자, 학습양식, 학습객체, 학습활동을 결합하여 표현한 것이다. LSLODM은 이를 기반으로 교수-학습 데이터를 수집하고, 교수-학습 활동 요소의 속성들을 최근성, 빈도성, 지속성을 정량적으로 파악할 수 있도록 한 것이다. 즉, 단위 과목에서 학습자의 교수-학습 활동을 분석할 수 있는 토대를 마련한 것이다.
Learning analytic has been utilized to helps us to successfully complete the course by using the interaction of the teacher and the learner data generated from the teaching and learning support system. In other words, Learning analytic is a method in order to understand the activities of learners. I...
Learning analytic has been utilized to helps us to successfully complete the course by using the interaction of the teacher and the learner data generated from the teaching and learning support system. In other words, Learning analytic is a method in order to understand the activities of learners. In the learning analytic, the data model is needed in order to utilize the more useful for teaching and learning activities data. Therefore, in this study, we propose a user centric data model of learning styles and learning objects. This model is expressed by aggregating of user learning style, learning objects, and learning activities. The proposed model is significant that laid the foundation for analyzing the activities of the learners in course units.
Learning analytic has been utilized to helps us to successfully complete the course by using the interaction of the teacher and the learner data generated from the teaching and learning support system. In other words, Learning analytic is a method in order to understand the activities of learners. In the learning analytic, the data model is needed in order to utilize the more useful for teaching and learning activities data. Therefore, in this study, we propose a user centric data model of learning styles and learning objects. This model is expressed by aggregating of user learning style, learning objects, and learning activities. The proposed model is significant that laid the foundation for analyzing the activities of the learners in course units.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
즉, 학습 분석은 기관 관계자, 교수자, 학습자 등에 의해 활용되어 학습자의 학습 활동 개선을 위해 사용되는 것이다. 나아가 학습활동에 적합한 콘텐츠를 개발하고, 지원 수준을 결정하고 다양한 개인화 활동을 지원하기 위한 것이다.
본 연구를 바탕으로 온라인중심수업, 오프라인보조수업, 온-오프라인결합수업 등 다양한 교수-학습 활동에서 일어나는 차이점을 파악하고, 학습 분석의 목적과 범위를 확장 할 수 있도록 데이터 모델을 고도화 하고자 한다. 또한, 이를 바탕으로 강의 중심, 활동 중심, 참여 중심 등 다양한 유형의 학습 요소를 결합하여 제공함으로써 보다 적극적으로 교수-학습 활동에 참여할 수 있도록 유도하는 방법도 연구하고자 한다.
본 연구에서는 학습양식을 바탕으로 학습자 개인의 학습 활동 모델링을 통해 학습자 중심 모델을 도출하고자 한다. 또한, 이를 바탕으로 학습자의 데이터를 필터링하여 학습자 모델을 확인하고자 한다.
본 연구를 바탕으로 온라인중심수업, 오프라인보조수업, 온-오프라인결합수업 등 다양한 교수-학습 활동에서 일어나는 차이점을 파악하고, 학습 분석의 목적과 범위를 확장 할 수 있도록 데이터 모델을 고도화 하고자 한다. 또한, 이를 바탕으로 강의 중심, 활동 중심, 참여 중심 등 다양한 유형의 학습 요소를 결합하여 제공함으로써 보다 적극적으로 교수-학습 활동에 참여할 수 있도록 유도하는 방법도 연구하고자 한다.
여러 데이터 모델이 존재하지만, 학습자의 특성을 반영하여 표현한 모델은 없다. 본 연구에서 제안하는 데이터 모델은, 학습자 특성과 교수학습 활동 데이터를 결합하여 학습 활동 성향을 파악할 수 있도록 지원하기 위한 모델이다.
본 연구에서는 학습양식을 바탕으로 학습자 개인의 학습 활동 모델링을 통해 학습자 중심 모델을 도출하고자 한다. 또한, 이를 바탕으로 학습자의 데이터를 필터링하여 학습자 모델을 확인하고자 한다.
다음으로, 학습 등록 파라데이터(Learning Registry Paradata) 모델이다. 이 모델은 활동 흐름 모델을 확장한 것으로, 자원에 대한 통합 활용 정보를 저장하기 위한 것이다. 이 모델의 핵심요소는 Actor, Verb, Object이다.
나아가 적절한 피드백을 주기도 쉽지 않다. 이에 본 연구에서는 교수-학습 활동에서 나타나는 학습자의 특성과 교수-학습 활동의 특성을 모두 표현하기 위한 데이터 모델로 LSLODM을 제안하였다. 이는 단위 과목에서 학습자의 교수-학습 활동을 분석하기 위한 것으로 NMF기법을 바탕으로 학습양식, 사용자, 학습객체, 학습활동을 결합하여 표현한 것이다.
학습 분석은 기관, 과정, 교과목 단위에서 활용될 수 있지만, 본 연구에서는 과목 단위 활용에 초점을 두고자 한다. 즉, 교수-학습 활동의 여러 요소를 바탕으로 과목 단위 학습 분석을 위한 데이터모델을 제안하고자 한다. 이를 통해 교수자와 학습자에게 적절한 피드백 정보를 제공할 수 있기 때문이다.
제안 방법
LSLODM에서 제안한 데이터 모델을 바탕으로 교수-학습 활동 참여 일시, 참여 회수 등에 대한 기초 데이터를 수집하고 이를 전처리 과정을 거쳐 정제한다. 실험에 참여한 47명의 활동 데이터를 정리하면 아래 Table 3과 같다.
LSLODM을 적용한 실험은 오프라인수업에서 교수학습지원시스템을 보조적으로 활용하여 교수-학습 활동 데이터를 수집하고 분석한 것이다. 이를 통해, 교수-학습 활동의 최근성, 빈도성, 지속성을 파악할 수 있었다.
교수-학습 활동 데이터를 바탕으로 최근성, 빈도성, 지속성을 도출하여, 이를 바탕으로 유사 특성을 가진 그룹을 도출하였다. 그룹2의 경우는 최근성, 빈도성, 지속성 모두 가장 낮은 군집이다.
다음으로, 교수-학습 활동 RFD 표준화 값을 바탕으로 군집화를 실시하여 사용자 특성별 그룹을 구한다. 군집화 결과는 Table 5와 같다.
LSLODM은 학습자의 특성과 학습활동의 특성을 모두 표현하기 위한 것이다. 모델링 원칙을 바탕으로 대상 도메인을 결정한 후 세부 요소를 도출하고자 한다.
본 연구에서는 학습양식과 학습활동을 데이터 모델 도메인으로 하고 모델 구성 요소를 도출한다. 교수-학습 지원 시스템에서 발생하는 교수자와 학습자 사이의 활동 데이터를 대상으로 한다[1, 3, 10].
교수-학습 과정에서 학습자의 동기와 학습 경험을 향상시키기 위해서는 개인의 특성을 고려해야 한다. 이를 위한 사용자 모델에서는 기본 지식, 배경, 흥미, 목표, 학습양식, 인지양식, 학습전략 등을 이용한다. 특히, 학습양식은 학습자의 개인차를 파악하고, 학습자의 태도와 선호에 대한 예측을 나타내기 위해서 널리 활용된다.
즉, 교수-학습 활동에서 학습자의 활동 패턴과 선호 활동 요소를 파악하고, 교수자가 적극적으로 참여해야 하는 시점을 예측하기 위해서는 데이터 모델이 필요하다. 이를 위해, 학습양식과 학습객체 데이터모델(LSLODM : Learning Style and Learning Object Data Model)을 제안한다. LSLODM은 학습자의 특성과 학습활동의 특성을 모두 표현하기 위한 것이다.
다음으로, 교수-학습 활동은 학습자원과 학습활동을 바탕으로 구성한다. 제안하는 LSLODM은 사용자와 교수-학습 활동 행렬 결합으로, 사용자에 따라 교수학습 활동 요소에 대한 활동을 표현한 것이다.
대상 데이터
본 연구에서는 학습양식과 학습활동을 데이터 모델 도메인으로 하고 모델 구성 요소를 도출한다. 교수-학습 지원 시스템에서 발생하는 교수자와 학습자 사이의 활동 데이터를 대상으로 한다[1, 3, 10].
따라서 제안 모델을 학습 분석에 적용하기 위해서 데이터 수집단계에서는 LSLODM을 기반으로 교수-학습 데이터를 수집한다. 데이터 분석 단계에서는 학습양식에 따른 교수학습 활동 요소의 속성들을 정량적으로 파악하기 위한 방법인 LS-RFD(Learning Style Recency Frequency Durability) 을 이용한다[13].
본 연구를 위한 실험은 H대학 3학년 47명을 대상으로 공 학교과목 수업에서 교수학습지원시스템을 보조적으로 활용하여 교수-학습 활동 데이터를 수집 분석한 것이다. 교수학습지원시스템에서는 동영상 및 텍스트 콘텐츠를 기반으로 퀴즈 등 교수-학습 활동이 추가적으로 이루어졌다.
교수-학습 활동 요소는 크게 학습자원과 학습활동으로 구성된다. 학습자원은 미디어, 텍스트 등이며, 학습활동은 포럼, 블로그, 과제, 퀴즈, 공지사항, 그룹 활동 등이다.
이론/모형
다음으로, R, F, D 값을 상호 비교할 수 있도록 일반적으로 사용하는 Max-Min 표준화 방식을 이용하여 표준화 한다[13]. 교수-학습 활동에 대한 표준화 값을 구하면 아래 Fig.
따라서 제안 모델을 학습 분석에 적용하기 위해서 데이터 수집단계에서는 LSLODM을 기반으로 교수-학습 데이터를 수집한다. 데이터 분석 단계에서는 학습양식에 따른 교수학습 활동 요소의 속성들을 정량적으로 파악하기 위한 방법인 LS-RFD(Learning Style Recency Frequency Durability) 을 이용한다[13]. 이를 통해 학습자의 특성과 교수-학습 활동의 특성을 이해할 수 있다.
모델 도출은 비음수 행렬 인수분해(Nonnegative Matrix Factorization) 기법을 바탕으로 한다. NMF기법은 두 작은 행렬의 곱으로써 양수 행렬을 구성한다[20].
여기서, 먼저 학습양식은 Felder & Silverman 모델 정의를 이용한다.
성능/효과
기존 모델들이 이벤트, 활동, 객체, 학습 경험 등 교수-학습 활동 데이터 중심이었다면 LSLODM 은 학습자 속성 기반에서 교수-학습 활동을 파악할 수 있도록 한 것이다. 둘째, LSLODM을 기반으로 교수-학습 데이터를 수집하고, LS-RFD를 이용하여 교수-학습 활동 요소의 속성들을 최근성, 빈도성, 지속성을 정량적으로 파악할 수 있도록 한 것이다. 셋째, 교수-학습 활동 데이터 수집 및 분석을 바탕으로, 학습자를 이해하고 개인 맞춤 서비스를 제공할 수 있는 기반을 마련한 것에 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
학습 분석은 어떤 방법인가?
교수-학습 지원 시스템에서 교수자와 학습자의 참여 활동 데이터를 활용하여 성공적으로 과정을 이수할 수 있도록 지원하기 위해 학습 분석이 활용되고 있다. 즉, 학습 분석은 학습자의 학습활동을 이해하기 위한 방법이다. 교수-학습 활동 데이터를 보다 유용하게 활용하기 위해서는 데이터 모델이 필요하다.
학습 분석 영역은 어떻게 나눌 수 있나?
학습 분석 영역은, 크게 기본 분야와 응용 분야로 나눌 수 있다. 기본 분야는 예측(Prediction), 집단화(Clustering), 관계도출(Relationship mining), 데이터 분류(Distillation of data), 모델 탐색(Discovery with models)영역으로 나눌 수 있다[6-7].
학습 분석이 교수자와 대학 의사결정권자 등에게 많은 관심을 불러일으키고 있는 이유는?
교수자와 대학 의사결정권자 등에게 많은 관심을 불러일으키고 있다. 이는 교수(Teaching)과 학습(Learning)을 보다 잘 이해할 수 있도록 지원하기 때문이다. 즉 학습과정에서 패턴을 찾고, 학습 활동을 파악하고, 부진한 학습자 찾기 등에 활용할 수 있기 때문이다.
참고문헌 (20)
A. Del Blanco et al., "E-Learning standards and learning analytics. Can data collection be improved by using standard data models?" Global Engineering Education Conference (EDUCON), 2013 IEEE, pp.1255-1261. 2013.
Tanya Elias, "Learning Analytics: The Definitions, the Processes, and the Potential," pp.1-22, 2011.
Dietz-Uhler, Beth and Janet E. Hurn, "Using learning analytics to predict (and improve) student success: A faculty perspective," Journal of Interactive Online Learning, Vol.12, No.1 pp.17-26, 2013.
Mohamed Amine Chatti, "The LaaN Theory," Personal learning environments, networks, and knowledge, 2013 [Internet], www.elearn.rwth-aachen.de/dl1151Mohamed_Chatti_LaaN_preprint.pdf.
Van Barneveld, Angela, Kimberly E. Arnold, and John P. Campbell, "Analytics in higher education: Establishing a common language," EDUCAUSE Learning Initiative, pp.1-11, 2012.
Siemens, George, "Learning Analytics The Emergence of a Discipline," American Behavioral Scientist, Vol.57, No.10, pp.1380-1400, 2013.
Baker, Ryan S. J. D, and Kalina Yacef, "The state of educational data mining in 2009: A review and future visions," Journal of Educational Data Mining, Vol.1, No.1, pp.3-17, 2009.
U.S. Department of Education, "Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief," 2012.
Al-Azawei Ahmed and Atta Badii, "State of The Art of Learning Styles-Based Adaptive Educational Hypermedia Systems (LS-BAEHSs)," International Journal of Computer Science and Information Technology, Vol.6, No.3, pp.1-19, 2014.
Verbert Katrien et al., "Dataset-driven research to support learning and knowledge analytics," Journal of Educational Technology & Society, Vol.15, No.3, pp.133-148, 2012.
Jin-Hee Park, "The Relationship between Individual Difference and Science Academic Achievement of High School Students," Ph.D. dissertation, Gyeongsang National University, Jinju, Gyeongnam, Korea, pp.19-31, 2010.
P. Q. Dung and A. M. Florea, "An approach for detecting learning styles in learning management systems based on learners' behaviours," in Proceedings of the 2012 International Conference on Education and Management Innovation, Kuala Lumpur, Malaysia, Vol.30, pp.171-177, 5-6 May, 2012.
Kyungrog Kim et al., "Teaching-Learning Activity Modeling Based on Data Analysis," Symmetry, Vol.7, No.1, pp.206-219, 2015.
Alice Y. Kolb and David A. Kolb, "Learning styles and learning spaces: Enhancing experiential learning in higher education," Academy of Management Learning & Education, Vol.4, No.2, pp.193-212, 2005.
Fabiano A. Dorca et al., "A new approach to discover students learning styles in adaptive educational systems," Revista Brasileira de Informatica na Educacao, Vol.21, No.1, pp.76-90, 2013.
Niemann, Katja, Maren Scheffel, and Martin Wolpers, "An overview of usage data formats for recommendations in TEL," Proceedings of the 2nd Workshop on Recommender Systems for Technology Enhanced Learning (RecSys TEL-2012), Vol.896, pp.95-100, 2012.
Vlatko Lukarov et al., "Data Models in Learning Analytics," Proceedings of DeLFI Workshops 2014, 15-17 September 2014 Freiburg Seiten_Artikel-Nr. pp.88-95, 2014.
IMS Global, "Learning Measurement for Analytics Whitepaper," 2013 IMS Global Learning Consortium, Inc. pp 1-12.
Kyung-Rog Kim and N. M. Moon, "Content modeling based on social network community activity," Journal of Information Processing System, Vol.10, No.2, pp.271-282, 2014.
Cristobal Romero and Sebastian Ventura, "Data mining in education," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Vol.3, No.1, pp.12-27, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.