최근 개인화에 대한 관심이 높아지면서 교육에서도 학생 개개인에게 맞는 학습 콘텐츠를 제공하고자 하는 요구가 높아지고 있다. 특히, 온라인 교육이 대중화되면서 기존 오프라인 교육에서의 획일적인 교육에서 벗어나 학생의 개인 학습 성취도에 따라 학생 수준에 맞는 콘텐츠로 재구성하여 전달할 수 있게 되었다. 이에 본 논문에서는 동적 프로파일 기반으로 학생 로그 정보를 분석하여 순서 변경, 구성 확장, 구성 축소가 가능한 학습 콘텐츠를 재구성하는 서비스를 제안한다. 이를 위해 본 논문에서는 학생 정보와 콘텐츠 정보를 메타데이터로 기록하여 동적으로 프로파일을 생성, 반영하여 학생 상황인지를 통해 학습 콘텐츠를 재구성하는 엔진을 설계하였다.
최근 개인화에 대한 관심이 높아지면서 교육에서도 학생 개개인에게 맞는 학습 콘텐츠를 제공하고자 하는 요구가 높아지고 있다. 특히, 온라인 교육이 대중화되면서 기존 오프라인 교육에서의 획일적인 교육에서 벗어나 학생의 개인 학습 성취도에 따라 학생 수준에 맞는 콘텐츠로 재구성하여 전달할 수 있게 되었다. 이에 본 논문에서는 동적 프로파일 기반으로 학생 로그 정보를 분석하여 순서 변경, 구성 확장, 구성 축소가 가능한 학습 콘텐츠를 재구성하는 서비스를 제안한다. 이를 위해 본 논문에서는 학생 정보와 콘텐츠 정보를 메타데이터로 기록하여 동적으로 프로파일을 생성, 반영하여 학생 상황인지를 통해 학습 콘텐츠를 재구성하는 엔진을 설계하였다.
With the availability of real-time student behavioral data, personalization on education is gaining a huge traction. Data collected from massively open online courses (MOOC) has shifted the content delivery method from fixed, static to user-adopted form. Such educational content can be personalized ...
With the availability of real-time student behavioral data, personalization on education is gaining a huge traction. Data collected from massively open online courses (MOOC) has shifted the content delivery method from fixed, static to user-adopted form. Such educational content can be personalized by student's level of achivement. In this paper, we propose a service that automates the content restructuring, based on dynamic profile. With the student behavioral data, the proposed service restructures educational content by changing the order, extending and shrinking the published material. To do this, we record students' behavioral data and content information as a metadata, which will be used to generate dynamic profile.
With the availability of real-time student behavioral data, personalization on education is gaining a huge traction. Data collected from massively open online courses (MOOC) has shifted the content delivery method from fixed, static to user-adopted form. Such educational content can be personalized by student's level of achivement. In this paper, we propose a service that automates the content restructuring, based on dynamic profile. With the student behavioral data, the proposed service restructures educational content by changing the order, extending and shrinking the published material. To do this, we record students' behavioral data and content information as a metadata, which will be used to generate dynamic profile.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 온라인 교육 환경에서 동적 프로파일 기반으로 학생들의 학습 활동 로그 분석을 통해 학습 콘텐츠를 재구성하는 서비스를 제안하였다.
본 논문에서는 학생들의 낮은 참여율을 해결하기 위해 학생들의 학습 활동을 토대로 동적으로 학생 프로파일을 구성하여 학생 상황인지를 통해 순서 변경, 구성 확장, 구성 축소가 되어 학습 콘텐츠를 재구성하기 위한 서비스를 제안한다.
학생의 학습 상황을 인지하기 위해서는 학생의 기본 정보와 학습 활동을 기록하는 학생 프로파일 정보와 학습 콘텐츠 메타데이터를 설계하였다. 이를 토대로 학습 콘텐츠 재구성 엔진에서 저장된 메타데이터 정보를 추출하여 동적으로 프로파일을 반영하여 학생에게 재구성된 학습 콘텐츠를 제공하고자 한다.
이를 해결하기 위해 본 논문에서는 학습 콘텐츠의 구성이나 내용이 변경될 수 있는 학습 콘텐츠 재구성 엔진을 설계하였다. 제안하는 학습 콘텐츠 재구성 엔진은 저장된 학생 프로파일과 학습 콘텐츠 프로파일을 정보를 분석하여 학습 콘텐츠를 재구성한다.
제안 방법
본 학습 콘텐츠 재구성 엔진의 효용성을 검증하기 위해 학습 만족도를 평가하였다. 평가는 “프로그래밍 기초” 수업을 듣는 30명의 학생을 대상으로 두 그룹으로 나누어 진행하였다.
이를 해결하기 위해 다양한 연구가 진행되고 있는데 그 중 학생들의 학습 성취도를 예측하기 위한 연구가 진행되었다[6]. 이 연구에서는 학생들의 교육 현황에 따라 지금까지의 상태를 파악하여 수업이 끝날 때 얼마나 높은 성취도를 이룰 수 있을지 자동으로 예측하여 대시보드로 제공하였다. 교수자는 대시보드를 통해 낮은 학습 성취도를 보일 학생을 찾아서 중점적으로 지도할 수 있으며 학생이 질문하기 전에 먼저 다가갈 수 있다는 장점이 있다.
또한, 기계학습을 이용하여 학습자의 학습 성향을 실시간으로 분석하여 개별 맞춤형 학습 콘텐츠를 제공하기 위한 연구[9]가 있었다. 이 연구에서는 학습 콘텐츠를 개념, 퀴즈, 문제풀이, 응용단계로 구성하고, 대화형 유전자 알고리즘을 활용하여 학습 성향에 따라 학습 콘텐츠를 진화시켜 재구성하는 기법을 제안하였다.
먼저, 동적 프로파일을 구성하기 위해 학생 정보와 학습 콘텐츠 정보를 메타데이터로 저장한다. 이를 토대로 학습 콘텐츠 재구성 엔진에서 학생 상황인지를 위해 추출된 정보를 분석하고 순서 변경, 구성 확장 및 축소와 같이 학습 콘텐츠를 재구성하여 제공한다. 학습 콘텐츠 재구성 엔진은 동적 프로파일을 기반으로 분석한 결과를 토대로 순서 변경의 경우, 학생들의 콘텐츠 열람 로그 기록을 통해서 이동을 최소화 할 수 있는 순서로 교수자에게 제안을 한다.
이를 해결하기 위해 본 논문에서는 학습 콘텐츠의 구성이나 내용이 변경될 수 있는 학습 콘텐츠 재구성 엔진을 설계하였다. 제안하는 학습 콘텐츠 재구성 엔진은 저장된 학생 프로파일과 학습 콘텐츠 프로파일을 정보를 분석하여 학습 콘텐츠를 재구성한다.
한 그룹은 기존의 원본 콘텐츠로, 그리고 다른 한 그룹은 학습 데이터에 기반하여 재구성된 학습 콘텐츠로 수업을 진행하였다. 학생들의 행동 데이터는 제공된 프로토타입에 접속해서 강의자료를 열람하거나 문제를 푸는 과정에서 자동으로 수집되었고 이후 수업이 끝난 후에 만족도를 조사하였다.
학생의 학습 상황을 인지하기 위해서는 학생의 기본 정보와 학습 활동을 기록하는 학생 프로파일 정보와 학습 콘텐츠 메타데이터를 설계하였다. 이를 토대로 학습 콘텐츠 재구성 엔진에서 저장된 메타데이터 정보를 추출하여 동적으로 프로파일을 반영하여 학생에게 재구성된 학습 콘텐츠를 제공하고자 한다.
이를 토대로 학습 콘텐츠 재구성 엔진에서 학생 상황인지를 위해 추출된 정보를 분석하고 순서 변경, 구성 확장 및 축소와 같이 학습 콘텐츠를 재구성하여 제공한다. 학습 콘텐츠 재구성 엔진은 동적 프로파일을 기반으로 분석한 결과를 토대로 순서 변경의 경우, 학생들의 콘텐츠 열람 로그 기록을 통해서 이동을 최소화 할 수 있는 순서로 교수자에게 제안을 한다. 내용 구성 및 확장의 경우에는 학생들의 열람 횟수, 시간, 문제풀이 결과를 토대로 교수자가 미리 정의한 학습 콘텐츠를 가지고 구성을 축소하거나 확장을 하여 제공하였다.
다음으로 DNA(Dynamic Level Adjustment)[10]는 학습자 중심의 콘텐츠를 제공하기 위해 다른 학습자의 집단지성을 활용하여 학습 콘텐츠를 동적으로 구성할 수 있는 시스템을 제안하였다. 학습자의 행동정보 추출 뿐만 아니라 위키 시스템을 통해 동일한 학습 콘텐츠를 배운 다른 학습자가 학습 방법이나 문제 해결 방법을 공유하도록 하여 이를 토대로 학습의 난이도를 동적으로 결정하여 학습 콘텐츠를 재구성할 수 있는 시스템을 제안하였다. 이러한 연구들은 일반적으로 개인별 학습 난이도 조절에 초점이 맞춰져 있는데 주로 문제 난이도 조절을 통해 제공하고 있었으며 동일한 수업을 듣는 각 그룹에 대한 유연한 대처가 부족하다는 단점이 있다.
대상 데이터
평가는 “프로그래밍 기초” 수업을 듣는 30명의 학생을 대상으로 두 그룹으로 나누어 진행하였다.
성능/효과
05). 또한, 이해도, 흥미도, 만족도를 5점 척도(5-point likert scale)로 조사하였는데, 기존 학습 방법으로 한 그룹은 각각 3.7점, 4.1점, 3.9점이었고 제안된 학습 방법으로 한 그룹은 각각 3.8점, 4.2점, 4.1점의 결과를 보였다. 즉, 재구성된 콘텐츠로 수업을 진행한 학생들이 그렇지 않은 학생들보다 높은 이해도, 흥미도, 만족도를 보였다.
내용 구성 및 확장의 경우에는 학생들의 열람 횟수, 시간, 문제풀이 결과를 토대로 교수자가 미리 정의한 학습 콘텐츠를 가지고 구성을 축소하거나 확장을 하여 제공하였다. 마지막으로 본 엔진의 효용성을 검증하기 20명의 학생을 대상으로 수업을 진행한 결과, 학습 성취도 및 만족도가 높았음을 알 수 있었다.
1점의 결과를 보였다. 즉, 재구성된 콘텐츠로 수업을 진행한 학생들이 그렇지 않은 학생들보다 높은 이해도, 흥미도, 만족도를 보였다.
학생들의 퀴즈 정답률을 비교해보면, 원본 콘텐츠로 수업을 진행한 그룹의 평균 점수는 10점 만점 퀴즈에서 7.8점이었고 콘텐츠를 재구성하여 제공한 그룹의 평균 점수는 8.7점이었다 (p < 0.05).
질의응답
핵심어
질문
논문에서 추출한 답변
사용자 프로파일이란 무엇인가?
사용자 프로파일은 사용자의 기본 정보 및 개인 활동, 선호도와 같은 데이터를 기록해 정형화한 파일을 의미한다. 개인화를 위해서는 이러한 프로파일 정보는 콘텐츠를 추천하는데 활용되고 있다.
온라인 교육의 장점은 무엇인가?
온라인 교육의 장점은 학생 스스로 자신의 학습 패턴 및 이해도에 따라 수업을 진행할 수 있다는 점이다. 단점으로는 학생들의 낮은 참여율을 들 수 있다.
녹화된 비디오를 이용한 온라인 강의의 한계는 무엇인가?
이러한 온라인 강의는 주로 녹화된 비디오를 통해 이루어지고 있다. 그러나 대부분의 제공되는 강좌가 60분 분량의 긴 동영상을 제공하고 있으며 교수자와 학생 간의 상호작용이 없다보니 끝까지 수료하는 수강자가 적다는 한계가 있다[5].
참고문헌 (10)
Udacity. https://www.udacity.com/
Coursera. https://www.coursera.org/
Khan Academy. https://ko.khanacademy.org/
Yun-Jeong Kim, Eui-Young Cho, Eun-mi Jeon, "A Study on Flipped Learning Experience of Nursing Students," The Journal of the Convergence on Culture Technology, ol. 3, No. 4, pp.159-163, 2017
Soowoong Seo, "Approach to Visualizing Experience Data of Online Education Service - Focused on Learning Experience of MOOC Video Course -," Journal of Integrated Design Research, Vol.14, No.4, pp.167-178, 2015.
Suin Kim, Jae Won Kim, Jungkook Park, Alice Oh, "Elivate: A Real-Time Assistant for Students and Lecturers as Part of an Online CS Education Platform," Proceedings of the Third ACM Conference on Learning@Scale. ACM, 2016.
Sung-Eun Kim, Man-Gon Park, "Design and Implementation of Customized Learning System for Reusable Learning Objects," Proceedings of the Conference of the Korea Multimedia Society, pp. 311-314, 2006.
Tae-Kyung Cho, "Intelligent learning system based on the profile of learner," Journal of digital convergence, Vol.14, No.2, pp.227-233, 2016
Jung-Sook Kim, "Design of Evolutionary u-Learning Using Intelligent Agent with Machine Learning," Proceedings of the Conference of the Korea Multimedia Society, pp. 302-306, 2007.
Yang-Won Lim, Hankyu Lim, "Reconstruction of e-Learning Contents based on Web 2.0 and the Level Diagnosis," The Journal of the Korea Contents Association, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.