본 논문에서는 모바일 교육 증강현실 게임 환경에서 게임 학습 참여자의 학습 필요와 요구에 부응하는 어휘를 자동으로 제공해주는 지능형 어휘 추천 에이전트를 제안한다. 제안된 에이전트는 모바일 기술의 특성과 증강 현실 기술의 특성을 최대한 반영하여 설계하도록 하고 상황 어휘 추론 모듈, 싱글 게임 어휘 추천 모듈, 배틀 게임 어휘 추천 모듈, 학습 어휘 목록 모듈, 유의어 모듈로 구성한다. 연구 결과, 게임 학습 참여자들은 대체적으로 만족함을 알 수 있다. 상황 어휘 추론과 유의어의 정확도는 각각 4.01점, 4.11점으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 하지만 만족도의 경우에는 배틀 게임 어휘(3.86)는 개인별 학습자의 추천 어휘 중에서 공동으로 사용할 수 있는 어휘를 추천하기 때문에 싱글 게임 어휘(3.94)보다는 상대적으로 낮은 결과가 나타났다.
본 논문에서는 모바일 교육 증강현실 게임 환경에서 게임 학습 참여자의 학습 필요와 요구에 부응하는 어휘를 자동으로 제공해주는 지능형 어휘 추천 에이전트를 제안한다. 제안된 에이전트는 모바일 기술의 특성과 증강 현실 기술의 특성을 최대한 반영하여 설계하도록 하고 상황 어휘 추론 모듈, 싱글 게임 어휘 추천 모듈, 배틀 게임 어휘 추천 모듈, 학습 어휘 목록 모듈, 유의어 모듈로 구성한다. 연구 결과, 게임 학습 참여자들은 대체적으로 만족함을 알 수 있다. 상황 어휘 추론과 유의어의 정확도는 각각 4.01점, 4.11점으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 하지만 만족도의 경우에는 배틀 게임 어휘(3.86)는 개인별 학습자의 추천 어휘 중에서 공동으로 사용할 수 있는 어휘를 추천하기 때문에 싱글 게임 어휘(3.94)보다는 상대적으로 낮은 결과가 나타났다.
In this paper, we propose an intelligent vocabulary recommendation agent that automatically provides vocabulary corresponding to game-based learners' needs and requirements in the mobile education augmented reality game environment. The proposed agent reflects the characteristics of mobile technolog...
In this paper, we propose an intelligent vocabulary recommendation agent that automatically provides vocabulary corresponding to game-based learners' needs and requirements in the mobile education augmented reality game environment. The proposed agent reflects the characteristics of mobile technology and augmented reality technology as much as possible. In addition, this agent includes a vocabulary reasoning module, a single game vocabulary recommendation module, a battle game vocabulary recommendation module, a learning vocabulary list Module, and a thesaurus module. As a result, game-based learners' are generally satisfied. The precision of context vocabulary reasoning and thesaurus is 4.01 and 4.11, respectively, which shows that vocabulary related to situation of game-based learner is extracted. However, In the case of satisfaction, battle game vocabulary(3.86) is relatively low compared to single game vocabulary(3.94) because it recommends vocabulary that can be used jointly among recommendation vocabulary of individual learners.
In this paper, we propose an intelligent vocabulary recommendation agent that automatically provides vocabulary corresponding to game-based learners' needs and requirements in the mobile education augmented reality game environment. The proposed agent reflects the characteristics of mobile technology and augmented reality technology as much as possible. In addition, this agent includes a vocabulary reasoning module, a single game vocabulary recommendation module, a battle game vocabulary recommendation module, a learning vocabulary list Module, and a thesaurus module. As a result, game-based learners' are generally satisfied. The precision of context vocabulary reasoning and thesaurus is 4.01 and 4.11, respectively, which shows that vocabulary related to situation of game-based learner is extracted. However, In the case of satisfaction, battle game vocabulary(3.86) is relatively low compared to single game vocabulary(3.94) because it recommends vocabulary that can be used jointly among recommendation vocabulary of individual learners.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 모바일 교육 증강현실 게임 환경에서 게임 학습 참여자의 학습 필요와 요구에 부응하는 어휘를 자동으로 제공해주는 지능형 어휘 추천 에이전트를 제안한다.
본 논문에서는 모바일 교육 증강현실 게임 환경에서 게임 학습자의 학습 필요와 요구에 부응하는 어휘를 자동으로 제공해주는 지능형 어휘 추천 에이전트를 제안하였다. 제안된 에이전트는 상황 어휘 추론 모듈, 싱글게임 어휘 추천 모듈, 배틀 게임 어휘 추천 모듈, 학습어휘 목록 모듈, 유의어 모듈로 구성되는 데 모바일 기술의 특성과 증강 현실 기술의 특성을 최대한 반영하여 자기 주도적 학습, 상황 학습, 협력 학습, 연상 학습 등이 가능하도록 설계되었다.
제안 방법
제안된 에이전트는 모바일 기술의 특성과 증강 현실기술의 특성을 최대한 반영하여 설계하도록 하고 게임학습 참여자의 현 위치 상황에서 적합한 어휘를 추론하는 상황 어휘 추론 모듈, 자기 주도적 학습이 가능한 싱글 게임 어휘 추천 모듈, 협동학습이 가능한 배틀 게임어휘 추천 모듈, 게임 학습 참여자의 단어장를 관리하는학습 어휘 목록 모듈, 게임에 추천된 어휘에 대한 동의어와 반의어를 제공하는 유의어 모듈로 구성한다. 그리고 제안된 에이전트의 성능을 평가하기 위해 정확도와 만족도를 측정한다.
상황인식 기반의 어휘를 필터링하여 추천하기 위해서 상황 어휘 추론 모듈과의 유사도 가중치에 게임 학습 참여자의 중요도 가중치를 적용하여 추천한다.
이를 위해 본 연구는 다음과 같이 진행되었다. 제 2장에서는 모바일 교육 증강 현실 게임 관련 연구 동향과 지능형 에이전트를 조사하고 분석한다. 제 3장에서는 지능 어휘 에이전트를 설계하고 구현하고 제 4장에서는구현한 에이전트의 성능을 평가하였다.
제안된 에이전트는 모바일 기술의 특성과 증강 현실기술의 특성을 최대한 반영하여 설계하도록 하고 게임학습 참여자의 현 위치 상황에서 적합한 어휘를 추론하는 상황 어휘 추론 모듈, 자기 주도적 학습이 가능한 싱글 게임 어휘 추천 모듈, 협동학습이 가능한 배틀 게임어휘 추천 모듈, 게임 학습 참여자의 단어장를 관리하는학습 어휘 목록 모듈, 게임에 추천된 어휘에 대한 동의어와 반의어를 제공하는 유의어 모듈로 구성한다. 그리고 제안된 에이전트의 성능을 평가하기 위해 정확도와 만족도를 측정한다.
본 논문에서는 모바일 교육 증강현실 게임 환경에서 게임 학습자의 학습 필요와 요구에 부응하는 어휘를 자동으로 제공해주는 지능형 어휘 추천 에이전트를 제안하였다. 제안된 에이전트는 상황 어휘 추론 모듈, 싱글게임 어휘 추천 모듈, 배틀 게임 어휘 추천 모듈, 학습어휘 목록 모듈, 유의어 모듈로 구성되는 데 모바일 기술의 특성과 증강 현실 기술의 특성을 최대한 반영하여 자기 주도적 학습, 상황 학습, 협력 학습, 연상 학습 등이 가능하도록 설계되었다.
제안된 에이전트의 개발은 안드로이드와 아이폰 3G이상에서 사용할 수 있는 Mixare AR[20]을 분석, 수정・보완하여 사용하고, 시뮬레이션 상황은 다음과 같다. 첫째, 어휘는 C 출판사의 중학교 2학년 교재인 ‘Middle School English 2’의 Lesson 2의 어휘를 사용한다.
제안하는 에이전트의 구조는 Fig 1과 같이 상황 어휘 추론, 싱글 게임 어휘 추천, 배틀 게임 어휘 추천, 학습 어휘 목록, 유의어 모듈로 구성된다.
이론/모형
텍스트 인식 모듈은 화면에 나타나는 글자 부분에서 검출된 텍스트 영역에서 문자를 추출하고 여기에서 추출된 특징 벡터와 인식 대상 문자들 간의 특징 벡터 사이의 거리(Manhanttan distance)를 이용하여 최종 인식문자열을 추출하게 된다. 인식된 문자들의 거리 척도(Levenshtein Distance)을 이용하여 가장 유사한 어휘를 추천한다[17].
성능/효과
01점으로 대체적으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 그리고 유의어(TM)의 정확도는 4.11점으로 추천된 어휘와 관련된 동의어, 반의어 등을 제공하기 때문에 정확도가 높게 나타났다. 하지만 배틀 게임 어휘(BGVRM)는 개인별 학습자의 추천어휘 중에서 공동으로 사용할 수 있는 어휘를 추천하기 때문에 싱글 게임 어휘(SGVRM)보다는 상대적으로 낮은 결과가 나타났다.
01점으로 대체적으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 그리고 유의어(TM)의 정확도는 4.11점으로 추천된 어휘와 관련된 동의어, 반의어 등을 제공하기 때문에 정확도가 높게 나타났다. 하지만 배틀 게임 어휘(BGVRM)는 개인별 학습자의 추천어휘 중에서 공동으로 사용할 수 있는 어휘를 추천하기 때문에 싱글 게임 어휘(SGVRM)보다는 상대적으로 낮은 결과가 나타났다.
넷째, 모바일 네트워크 기반 사회적 상호작용은 커뮤니티 형성이 매우 용이하기 때문에 협력 학습이 가능하다. 즉 게임 학습 참여자들은 다른 게임자들과의 베틀게임을 진행함으로써 개별 어휘 학습의 한계를 벗어날 수 있다.
다섯째, 다른 데이터 자원과 연결되는 연결성(connectivity)은 게임 학습 참여자에게 학습과 관련된 주변 자료를 쉽게 탐색할 수 있도록 하이퍼텍스트 학습환경을 제공한다. 즉 게임 학습 참여자가가 학습하고 있는 어휘의 확장 정보 즉 동의어, 반의어 등과 같은 제공된 어휘 이외의 다른 정보로 이동할 수 있도록 한다.
둘째, 게임 학습 참여자의 실험군 20명은 대전광역시의 J고등학교에 재학 중인 학생들이 주어진 단원을 학습하고 게임 상황에서 에이전트가 게임 기반 학습자에게 추천한 어휘가 적합하였는 지를 확인한다.
각 모듈별 추천 어휘의 정확도와 만족도는 Table 2와 같다. 상황 어휘 추론(CAVIM)의 정확도는 4.01점으로 대체적으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 그리고 유의어(TM)의 정확도는 4.
셋째, 맥락 인식은 각 학습자의 위치와 처한 환경에서 상황에 따라 적절한 반응, 즉 상황 학습이 가능하도록 한다. 즉 학습자가 현재 위치한 환경과 연관성이 깊은 어휘를 추천하거나 현 위치에서 예전에 학습했던 어휘들 중에서 충분히 학습되지 않은 단어를 추천한다.
실험 결과, 상황 어휘 추론의 정확도는 4.01점으로 대체적으로 게임 학습 참여자가 처한 상황과 관련이 깊은 어휘가 추출되는 것을 보여준다. 그리고 유의어의 정확도는 4.
이와 같은 실험 결과는 실험 대상의 게임 학습 참여자들에게 100개의 어휘가 추천되면 싱글 게임의 경우는 79개, 배틀 게임은 77개가 현 상황에서 게임 학습 참여자의 학습 필요와 욕구에 맞는 어휘였음을 의미한다. 또한 본 논문에서는 제한된 학습 어휘와 제한되 수의 게임 학습 참여자를 대상으로 실험하였지만 좀 더 많은 학습 어휘 정보를 수집한다면 상황에 따른 게임 학습 참여자의 요구에 적합한 어휘를 추천할 수 있어 학습의 효과를 높일 수 있을 것이다.
첫째, 이동성은 공간적 의미(학교/직장, 가정, 길거리등) 뿐만 아니라 시간적인 의미(수업시간, 이동시간, 휴식 시간 등)도 포함하는 것으로 학습자를 시공간으로부터 자유롭게 한다. 이러한 이동성이라는 특성은 나머지 기술의 특성을 뒷받침해주는 기본적인 요소이다.
후속연구
이와 같은 실험 결과는 실험 대상의 게임 학습 참여자들에게 100개의 어휘가 추천되면 싱글 게임의 경우는 79개, 배틀 게임은 77개가 현 상황에서 게임 학습 참여자의 학습 필요와 욕구에 맞는 어휘였음을 의미한다. 또한 본 논문에서는 제한된 학습 어휘와 제한되 수의 게임 학습 참여자를 대상으로 실험하였지만 좀 더 많은 학습 어휘 정보를 수집한다면 상황에 따른 게임 학습 참여자의 요구에 적합한 어휘를 추천할 수 있어 학습의 효과를 높일 수 있을 것이다.
향후에 일반 학습자들에게 게임기반 학습 서비스를 확대하기 위해서는 학습 단원 정보 DB를 추가로 구축하고 N 배틀 학습자 등을 고려하여 기능을 추가할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
증강현실 게임의 관심이 높아지고 있는 이유는 어떠한 점 떄문인가?
특히, 포켓몬고(Pokémon Go)와 같은 증강현실 게임이 전 세계적인 열풍을 일으키면서 증강 현실과 게임 기반 학습은 학습 콘텐츠에 흥미와 실감을 더해 몰입감을 증가시킨다는 점에서 관심이 높아지고 있다. 실세계의 장면에 디지털 콘텐츠를 추가하여 확장하는 AR 기술 기반 상황별 학습은 실제 세계와 연결되고 생활 경험과의 연결을 강조하는 언어 습득과 이론적으로 연관성이 깊다[2,3].
싱글 게임 어휘 추천 모듈의 구성은 어떻게 되는가?
이 모듈은 학습자의 기본정보, 검색 어휘, 시간대별 어휘, 최근 어휘, 일일단위 어휘, 주단위 어휘, 일정 어휘 등으로 구성된다. 학습자의 기본 정보는 학습자의 프로파일 정보에 있는 나이, 학년, 취미 등의 정보이다.
캠퍼스 투어란 무엇인가?
캠퍼스 투어는 영어를 학습하기 위한 AR 응용 프로그램으로 학습자들이 미리 정해진 여러 위치 중 하나에 카메라를 비추면 텍스트 설명이 화면에 나타나고 원하는 부분을 클릭하여 보다 자세한 정보를 볼 수 있다[7]. 코벤트리 대학교에서 개발한 ImparApp은 이탈리아어 학습을 위한 모바일 게임으로 학습자가 도시를 돌아다니다가 특정 위치에 도달하면 주어진 활동을 통하여 게임 아이템을 획득한다[8].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.