[국내논문]온라인 소프트웨어 교육에서 학습자의 자기조절학습 관련 특성에 기반한 온라인 학습 유형 분석: 계층적 군집 분석 기법을 활용하여 Investigating Online Learning Types Based on self-regulated learning in Online Software Education: Applying Hierarchical Cluster Analysis원문보기
본 연구에서는 온라인 소프트웨어 교육 환경에서 학습자의 자기조절학습특성에 따른 온라인 학습 유형을 파악하고 각 유형의 특징을 살펴봄으로써 보다 전략적인 온라인 소프트웨어 교육을 위한 시사점을 제공하고자 하였다. 이를 위해 K대학의 온라인 소프트웨어 교육과정에 참여하고 있는 K-12 학생 809명의 온라인 학습 로그 데이터로부터 자기조절학습 특성 변인을 추출한 후, 계층적 군집 분석 기법(hierarchical cluster analysis)을 활용하여 자기조절학습 특성에 따른 학습자 군집 도출 및 군집 유형에 따른 온라인 학습 특성과 학습 결과의 차이를 비교 분석하였다. 그 결과, 온라인 소프트웨어 교육 학습자들의 자기조절학습 유형은 '고수준 자기조절학습형(군집 1)', '중수준 자기조절학습형(군집 2)', 그리고 '저수준 자기조절학습형(군집 3)'으로 나타났다. 온라인 자기조절학습 유형에 따른 학업성취도 수준은 '고수준 자기조절학습형(군집 1)'이 가장 높고, '저수준 자기조절학습형(군집 3)'이 가장 낮은 것으로 확인되었다. 이러한 결과를 바탕으로 효과적인 온라인 소프트웨어 교육 운영을 위한 시사점을 제시하였다.
본 연구에서는 온라인 소프트웨어 교육 환경에서 학습자의 자기조절학습특성에 따른 온라인 학습 유형을 파악하고 각 유형의 특징을 살펴봄으로써 보다 전략적인 온라인 소프트웨어 교육을 위한 시사점을 제공하고자 하였다. 이를 위해 K대학의 온라인 소프트웨어 교육과정에 참여하고 있는 K-12 학생 809명의 온라인 학습 로그 데이터로부터 자기조절학습 특성 변인을 추출한 후, 계층적 군집 분석 기법(hierarchical cluster analysis)을 활용하여 자기조절학습 특성에 따른 학습자 군집 도출 및 군집 유형에 따른 온라인 학습 특성과 학습 결과의 차이를 비교 분석하였다. 그 결과, 온라인 소프트웨어 교육 학습자들의 자기조절학습 유형은 '고수준 자기조절학습형(군집 1)', '중수준 자기조절학습형(군집 2)', 그리고 '저수준 자기조절학습형(군집 3)'으로 나타났다. 온라인 자기조절학습 유형에 따른 학업성취도 수준은 '고수준 자기조절학습형(군집 1)'이 가장 높고, '저수준 자기조절학습형(군집 3)'이 가장 낮은 것으로 확인되었다. 이러한 결과를 바탕으로 효과적인 온라인 소프트웨어 교육 운영을 위한 시사점을 제시하였다.
This study aims to provide educational implications for more strategic online software education by the types of online learning according to learners' self-regulated learning characteristics in the online software education environment and examining the characteristics of each type. For this, varia...
This study aims to provide educational implications for more strategic online software education by the types of online learning according to learners' self-regulated learning characteristics in the online software education environment and examining the characteristics of each type. For this, variables related to self-regulated learning characteristic were extracted from the log data of 809 students participating in the online software learning program of K University, and then analyzed using hierarchical cluster analysis. Based on hierarchical cluster analysis learner clusters according to the characteristics of self-regulated learning were derived and the differences between learners' learning characteristics and learning results according to cluster types were examined. As a result, the types of self-regulated learning of online software learners were classified as 'high level self-regulated learning type (group 1)', 'medium level self-regulated learning type (group 2)', and 'low level self-regulated learning type (group 3)'. The achievement level was found to be highest in 'high-level self-regulated learning type (group 1)' and 'low-level self-regulated learning type (group 3)' was the lowest. Based on these results, the implications for effective online software education were suggested.
This study aims to provide educational implications for more strategic online software education by the types of online learning according to learners' self-regulated learning characteristics in the online software education environment and examining the characteristics of each type. For this, variables related to self-regulated learning characteristic were extracted from the log data of 809 students participating in the online software learning program of K University, and then analyzed using hierarchical cluster analysis. Based on hierarchical cluster analysis learner clusters according to the characteristics of self-regulated learning were derived and the differences between learners' learning characteristics and learning results according to cluster types were examined. As a result, the types of self-regulated learning of online software learners were classified as 'high level self-regulated learning type (group 1)', 'medium level self-regulated learning type (group 2)', and 'low level self-regulated learning type (group 3)'. The achievement level was found to be highest in 'high-level self-regulated learning type (group 1)' and 'low-level self-regulated learning type (group 3)' was the lowest. Based on these results, the implications for effective online software education were suggested.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
1) 온라인 소프트웨어 교육에서 학습자의 자기조절학습 특성에 따른 온라인 학습 유형은 어떻게 분류되는가?
본 연구는 온라인 소프트웨어 교육 학습자들의 자기조절학습 유형을 분류하고, 각 유형별 학습활 동 참여 패턴을 분석하여 효과적인 온라인 소프트 웨어 교육 운영을 위한 시사점을 도출하고자 하였다. 하지만, 본 연구에 참여한 학습자는 온라인 소프트웨어 교육에 흥미와 재능을 가지고 자발적으로 참여했다는 점에서 연구의 결과를 모든 온라인 소프트웨어 교육환경에까지 일반화시켜 해석하는 데에는 무리가 따를 수 있다.
한편, 온라인 학습에서 자기조절학습의 중요성과 함께 자기조절학습의 측면에서 학습분석 접근을 활용하고자 한 연구들이 있다. 이러한 연구들은 학습 데이터를 기반으로 자기보고식 설문으로 밝히지 못 하는 학습행동 특성을 밝히거나 온라인 학습 환경에서 학습자의 자기조절학습을 지원하기 위한 학습 분석 프레임워크를 개발하고자 하였다. 먼저, Cho & Yoo(2017)는 자기조절학습에 대한 자기보고식 설문과 LMS 로그데이터 기반 학습분석을 통해 학업성취를 예측하고자 하였는데[17], 두 가지 방식을 비교한 결과 학습분석 접근이 더 학업성취를 잘 예측하는 것으로 나타났다.
이를 위해 본 연구에서는 온라인 소프트웨어 교육 환경에서 수집된 학습자의 활동 로그 데이터로부터 자기조절학습 특성 변인을 추출한 후, 계층적 군집 분석 기법(hierarchical cluster analysis)을 활용하여 온라인 학습 유형을 파악하고자 하였다. 이를 통해 자기조절학습 특성에 따른 학습자 군집을 추출한 후 자기조절학습 군집 유형에 따른 학습자의 온라인 학습 특성과 학습 결과의 차이를 살펴보았다.
이에 본 연구에서는 온라인 소프트웨어 교육 환경에서 학습자의 자기조절학습 특성을 파악해보고자 하였다. 이를 위해 온라인 학습관리시스템 (LMS, Learning Management System) 데이터를 활용하여 학습자의 자기조절학습 특성을 파악할 수 있는 주요 변인을 추출하고, 이를 바탕으로 자기조절학습 특성에 따른 온라인 학습자의 학습유형을 살펴보고자 하였다. 본 연구의 연구문제는 다음과 같다.
또한, 본질적으로 학습 자에게 많은 자율성을 부여하는 온라인 학습 환경 에서 자기조절학습은 학습의 성패를 좌우하는 핵심 전략이라고 할 수 있다[10][11]. 이에 본 연구에서 는 학습자들의 자기조절학습 관련 특성을 기반으로 온라인 소프트웨어 학습 유형을 분석하고, 각 유형에 대한 특징을 조사함으로써 보다 효과적인 온라인 소프트웨어 교육을 제공하기 위한 교육적 시사점을 도출하고자 하였다
이에 본 연구에서는 온라인 소프트웨어 교육 환경에서 학습자의 자기조절학습 특성을 파악해보고자 하였다. 이를 위해 온라인 학습관리시스템 (LMS, Learning Management System) 데이터를 활용하여 학습자의 자기조절학습 특성을 파악할 수 있는 주요 변인을 추출하고, 이를 바탕으로 자기조절학습 특성에 따른 온라인 학습자의 학습유형을 살펴보고자 하였다.
제안 방법
1단계에서는 와드 기법(Ward's method)[40] 을 이용하여 군집들간의 유클리디안 거리 (Euclidean distance) 변화를 보여주는 덴드로그 램(dendrogram)을 도출하고, 이를 통해 적절한 군집의 수를 결정하였다.
다음으로, 시간관리 카테고리의 자기조절학습 관련 특성 차이를 온라인 학습 유형별로 비교 분석하 였다. 그 결과, 고 · 중수준 자기조절학습 유형 학습자의 경우 평일 오전과 주말 오후 시간의 학습 비율이 저수준 자기조절학습 유형 학습자보다 유의 미하게 높았던 반면, 저수준 자기조절학습 유형 학습자의 경우 평일 저녁 시간의 학습 비율이 다른유형의 학습자보다 유의미하게 높게 나타났다.
또한, 노력조절 카테고리에서, 12주간의 온라인 과정 수강 중 전체 학습 참여 횟수에 대한 분기별 비율을 비교 분석하였다([그림 5]). 그 결과, 고수준 자기조절학습 유형의 학습자는 모든 분기에 걸쳐 꾸준히 학습에 참여하는 경향을 보인 반면, 중 · 저수준 유형의 학습자는 온라인 과정이 진행됨에 따라 점차 학습 참여 수준이 떨어지는 패턴을 보였 다.
2단계에서는 일원배치 분산분석에 대한 사후분석 (Bonferroni) 결과를 바탕으로 온라인 학습 유형에 따른 군집별 자기조절학습 관련 특성의 차이를 조사하였다. 마지막으로, 각 군집이 가지는 온라인 성취도의 차이를 비교 분석하였다. 온라인 교육 학업성취도는 각 차시별로 제공되는 학습 점수와 최종 프로젝트 점수를 합산하여 산출되었다.
매 차시 이루어지는 도전과제를 통해 학습 내용의 이해 정도를 평가하였으며, 탐구과제는 학생의 창의적 문제해결력을 중점적으로 평가하였다.
본 연구에는 K대학교에서 제공하는 온라인 소프트웨어 과정을 수강한 초·중·고등학교 학생 809명(남자: 650, 여자 159)이 참여하였다. 연구 참여 학생들은 본인의 흥미와 수준을 고려하여 알고리즘, 스크래치, 앱 인벤터, C언어 1, 2, 3레벨, Python 1, 2레벨 중 수강과목을 선택하였고, 한 학기에 걸쳐 12주로 구성된 온라인 학습을 수강하였다.
분석 절차는 다음과 같다. 우선, 군집 분석 과정에서 개별 변인이 가진 단위(scale) 차이로 인한 영향력의 차이가 발생하지 않도록 모든 변인을 정규화하였다. 다음으로 Hair과 Black(2000)의 제안 에 따라 2단계에 걸쳐 군집 분석을 실시하였다 [39].
이를 위해 본 연구에서는 온라인 소프트웨어 교육 환경에서 수집된 학습자의 활동 로그 데이터로부터 자기조절학습 특성 변인을 추출한 후, 계층적 군집 분석 기법(hierarchical cluster analysis)을 활용하여 온라인 학습 유형을 파악하고자 하였다. 이를 통해 자기조절학습 특성에 따른 학습자 군집을 추출한 후 자기조절학습 군집 유형에 따른 학습자의 온라인 학습 특성과 학습 결과의 차이를 살펴보았다.
전자교재(e-Book)를 활용하여 학생들은 이미 알고 있는 학습 내용을 건너뛰거나 혹은 반복적으로 개념을 학습하는 등 자신의 학습을 주도적으로 수행해 나갈 수 있다. 해당 교육 프로그램은 학생 자신이 능동적으로 학습을 계획, 과제를 수행하며, 학생이 도움을 필요로 할 때 튜터가 적절한 도움을 제공하는 방식으로 운영되었다. 예컨대, 학생들은 학습 수행 시 해결되지 않는 문제나 질문이 있을 경우, 온라인 게시판 상에서 튜터와 동료 학습자에게 도움을 구하여 문제를 공유하고 도움을 받을 수 있었다.
대상 데이터
본 연구에는 K대학교에서 제공하는 온라인 소프트웨어 과정을 수강한 초·중·고등학교 학생 809명(남자: 650, 여자 159)이 참여하였다.
이 연구를 위해 K대학의 온라인 소프트웨어 학습관리시스템에 수집된 학습활동 로그 데이터가 활용되었다. 이 데이터는 소프트웨어 학습 과정이 시작된 2019년 3월 25일부터 과정이 끝나는 2019년 6월 16일까지 12주 동안 수집되었으며, LMS에서 이루어지는 대부분의 학습 행동(예: 학습 콘텐츠접속, 과제제출, 게시판 글 작성 등)이 기록되어있 다.
이 연구를 위해 K대학의 온라인 소프트웨어 학습관리시스템에 수집된 학습활동 로그 데이터가 활용되었다. 이 데이터는 소프트웨어 학습 과정이 시작된 2019년 3월 25일부터 과정이 끝나는 2019년 6월 16일까지 12주 동안 수집되었으며, LMS에서 이루어지는 대부분의 학습 행동(예: 학습 콘텐츠접속, 과제제출, 게시판 글 작성 등)이 기록되어있 다.
데이터처리
1단계에서는 와드 기법(Ward's method)[40] 을 이용하여 군집들간의 유클리디안 거리 (Euclidean distance) 변화를 보여주는 덴드로그 램(dendrogram)을 도출하고, 이를 통해 적절한 군집의 수를 결정하였다. 또한, 결정된 군집의 수 가 적절한지 검증하기 위해 일원배치 분산분석 (one-way analysis of variance)을 수행하였다. 2단계에서는 일원배치 분산분석에 대한 사후분석 (Bonferroni) 결과를 바탕으로 온라인 학습 유형에 따른 군집별 자기조절학습 관련 특성의 차이를 조사하였다.
로그 데이터 처리와 기술통계, 군집 분석은 주피터 노트북 환경에서 Python 3.7.3 커널에 scikit-learn, SciPy, statsmodels 등의 패키지를 설치하여 진행하였으며, 일원배치 분산분석 및 사 후분석을 위해서는 SPSS 23.0이 사용되었다.
이론/모형
본 연구에서는 온라인 소프트웨어 교육에 참여하고 있는 학습자들의 자기조절학습 특성에 대한 유형을 분석하기 위해 계층적 군집 분석 기법 (hierarchical cluster analysis)을 활용하였다. 계층적 군집 분석은 데이터의 특성과 내부에 숨겨진 패턴을 파악하기 위해 활용하는 대표적인 비지도학습(unsupervised learning) 기법의 하나로, 표본 간의 거리를 기반으로 비슷한 특성을 가진 표본들의 집단인 군집을 도출해내는 기법이다[37].
성능/효과
다음으로, 연구문제 2와 관련하여 학습자의 자기 조절학습 유형에 따른 온라인 학습 행동 특성을 분석한 결과, 고수준 자기조절학습형(군집 1) 학습자들은 다른 모든 유형의 학습자들에 비해서 보다 적극적이고 집중적으로 온라인 학습활동에 참여했을 뿐만 아니라, 12주 동안 꾸준히 온라인 학습량을 유지하는 특징을 보였다. 중수준 자기조절학습형 (군집 2) 학습자들은 1군집 학습자들에 비해 절반 수준의 학습 참여도를 보였으며, 전반기에 비해 후 반기 온라인 학습량이 다소 줄어드는 모습을 보였다.
다음으로, 연구문제 2와 관련하여 학습자의 자기 조절학습 유형에 따른 온라인 학습 행동 특성을 분석한 결과, 고수준 자기조절학습형(군집 1) 학습자들은 다른 모든 유형의 학습자들에 비해서 보다 적극적이고 집중적으로 온라인 학습활동에 참여했을 뿐만 아니라, 12주 동안 꾸준히 온라인 학습량을 유지하는 특징을 보였다. 중수준 자기조절학습형 (군집 2) 학습자들은 1군집 학습자들에 비해 절반 수준의 학습 참여도를 보였으며, 전반기에 비해 후 반기 온라인 학습량이 다소 줄어드는 모습을 보였다. 저수준 자기조절학습형(군집 3) 학습자들은 가장 낮은 수준의 학습량을 보였으며, 이마저도 12주 과정 중 초기에만 집중되는 특징을 보였다.
중수준 자기조절학습형 (군집 2) 학습자들은 1군집 학습자들에 비해 절반 수준의 학습 참여도를 보였으며, 전반기에 비해 후 반기 온라인 학습량이 다소 줄어드는 모습을 보였다. 저수준 자기조절학습형(군집 3) 학습자들은 가장 낮은 수준의 학습량을 보였으며, 이마저도 12주 과정 중 초기에만 집중되는 특징을 보였다. 이는 군집 3의 학습자들이 수강을 미루다가 결국에 많은 수의 학습 콘텐츠를 과정이 마칠 때까지 수강하지 못했음을 의미한다.
시간 관리와 관련된 특성면에서, 고수준 자기조절학습형(군집 1)과 중수준 자기조절학습형(군집 2) 학습자들은 주말 오후 시간을 적극적으로 활용하는 반면, 저수준 자기조절학습형(군집 3) 학습자들의 경우 평일 저녁 시간을 더욱 적극적으로 활용하는 특징을 보였다. 수치상 작은 비율이긴 했으나 평일 오전의 1, 2군집 학습자들의 활동 참여 비율이 3 군집 학습자들에 비해 유의미하게 높다는 특징도 확인되었다.
군집의 구분이 적절하게 이루어졌는지 검증하기 위해 일원배치 분산분석을 수행한 결과, 시간 관리 카테고리의 일부 변인을 제외한 대부분의 변인에 대해 군집간의 유의미한 차이를 확인할 수 있었다().
그 결과, 고 · 중수준 자기조절학습 유형 학습자의 경우 평일 오전과 주말 오후 시간의 학습 비율이 저수준 자기조절학습 유형 학습자보다 유의 미하게 높았던 반면, 저수준 자기조절학습 유형 학습자의 경우 평일 저녁 시간의 학습 비율이 다른유형의 학습자보다 유의미하게 높게 나타났다.
그 결과, 고수준 자기조절학습 유형의 학습자는 모든 분기에 걸쳐 꾸준히 학습에 참여하는 경향을 보인 반면, 중 · 저수준 유형의 학습자는 온라인 과정이 진행됨에 따라 점차 학습 참여 수준이 떨어지는 패턴을 보였 다.
노력조절 카테고리의 자기조절학습 관련 특성 차이를 온라인 학습 유형별로 비교 분석한 결과, 학습 횟수 면에서 3개의 집단이 모두 유의미한 차이를 보임을 확인할 수 있었다([그림 4]). 고수준 집단은 다른 모든 집단에 비해 온라인 학습 활동 횟수와 학습 참여한 일자 수가 월등히 많았다.
또한, 이들은 저수준 자기조절학습 유형 학습자들보다 유의미하게 많은 수준의 복습, 그리고 반복 학습을 한다는 것이 확인되었다( 및 [그림 5]).
예를 들어 높은 수준의 자기조절학습 패턴을 보여준 군집의 학습자들은 활동 참여량이 많을 뿐만 아니라, 12주 과정 전반 에 걸쳐 매우 꾸준히 학습에 참여하는 특징을 보였다. 또한, 이들은 정규 학교 수업이 없는 주말 시간을 잘 활용하며, 복습과 반복 학습 횟수도 많았고, 도움 요청 횟수도 상대적으로 많았다. 이러한 구체적인 학습패턴의 차이는, 온라인 학습 과정에서 낮은 수준의 자기조절학습 능력을 갖춘 학습자 를 파악하기 위해 면밀하게 관찰할 필요가 있는 중요한 온라인 학습 행동이 무엇인지 알려주는 지표 로 활용할 수 있을 것이다.
마지막으로 도움 추구 카테고리의 자기조절학습 관련 특성 차이를 온라인 학습 유형별로 비교 분석한 결과, 저수준 자기조절학습 유형의 학습자들이 게시판을 통해 질문한 횟수가 다른 유형의 학습자 보다 유의미하게 적음을 확인할 수 있었다().
마지막으로, 연구문제 3과 관련하여 군집별 온라 인 학업성취도 차이를 분석한 결과, 고수준 자기조 절학습형(군집 1)이 가장 높은 학업성취도를, 저수 준 자기조절학습형(군집 3) 가장 낮은 학업성취도를 보였으며, 세 군집 사이의 학업성취도는 모두 유의미한 차이가 있음을 확인할 수 있었다. 이러한 결과는 온라인 학습 및 온라인 소프트웨어 학습에서 자기조절학습 능력이 학습성과를 긍정적으로 예측한다는 선행연구들과 일관된 결과를 보여준다 [12][17][23][44].
먼저, 연구문제 1과 관련하여 온라인 소프트웨어 교육에서 학습자의 자기조절학습 특성에 따른 온라 인 학습 유형은 ‘고수준 자기조절학습형(군집 1)’, ‘중수준 자기조절학습형(군집 2)’, 그리고 ‘저수준 자기조절학습형(군집 3)’으로 분류될 수 있는 것으 로 나타났다.
메타인지 관련 특성면에서, 고수준 자기조절학습 형(군집 1) 학습자들은 다른 유형의 학습자들보다 복습과 반복 학습 횟수가 많았으며, 제시된 학습 콘텐츠를 건너뛰지 않고 순차적으로 학습하는 특징을 보였다. 반면, 2, 3군집 학습자들은 하루 학습 중 상대적으로 빈번하게 학습 콘텐츠를 뛰어넘으며 수강하고, 복습과 반복 학습 횟수면에서도 1군집 학습자들보다 적은 수치를 보였다.
메타인지 카테고리의 비교 분석 결과에서는 고 · 중수준 자기조절학습 유형의 학습자들이 순차적으로 제시된 온라인 학습 콘텐츠를 상대적으로 덜 건너뛰며 수강한다는 것을 알 수 있었다.
메타인지 관련 특성면에서, 고수준 자기조절학습 형(군집 1) 학습자들은 다른 유형의 학습자들보다 복습과 반복 학습 횟수가 많았으며, 제시된 학습 콘텐츠를 건너뛰지 않고 순차적으로 학습하는 특징을 보였다. 반면, 2, 3군집 학습자들은 하루 학습 중 상대적으로 빈번하게 학습 콘텐츠를 뛰어넘으며 수강하고, 복습과 반복 학습 횟수면에서도 1군집 학습자들보다 적은 수치를 보였다. 이는 1군집 학습자들이 자신의 학습 과정 중 부족한 부분을 스스로 파악하고 이를 보충하기 위해 이전의 학습 콘텐츠를 반복적으로 수강했던 것으로 볼 수 있다.
온라인 학습 환경에서 다양한 자기조절학습 전략의 활용과 관련하여 Broadbent와 Poon(2015)은 2004년부터 2014년까지 수행된 연구를 바탕으로 온라인 학습 성과에 영향을 미치는 자기조절학습 전략에 대한 메타분석을 실시하였는데[16], 연구 결과에 따르면 온라인 학습에서 학습의 성과와 관련이 있는 자기조절학습 관련 전략은 메타인지 (metacognition), 시간 관리(time management), 노력 조절(effort regulation), 비판적 사고 (critical thinking)인 것으로 나타났다. 반면, 면대면 수업과 달리 온라인 학습에서는 동료학습 전략이 학습성과에 그다지 큰 영향을 미치지 않는 것으로 나타났다.
선행연구에서도 온라인 학습패턴으로부터 파악된 학습자의 자기조절학습 특성이 자기보고식 설문 만큼이나 유용하게 활용될 수 있음을 보고하고 있 다[17]. 본 연구의 결과 또한 온라인 학습 데이터 로부터 파악한 학습자의 자기조절학습 관련 특성의 차이가 실제 온라인 성취도의 차이와 관계가 있음 을 보여주었다. 학습 데이터를 활용하여 학습자의 특징을 파악하는 접근은 학습을 방해하지 않을 뿐만 아니라, 학습 과정 중에 일어나는 구체적이고 상세한 학습 행동 특성을 효율적으로 파악할 수 있 다는 장점을 갖고 있다.
수치상 작은 비율이긴 했으나 평일 오전의 1, 2군집 학습자들의 활동 참여 비율이 3 군집 학습자들에 비해 유의미하게 높다는 특징도 확인되었다. 본 연구의 온라인 소프트웨어 강좌가 정규 학교 수업이 이루어지는 기간 동안 진행되었다는 점을 감안할 때, 이러한 결과는 1, 2군집 학 습자들이 온라인 학습에 참여하기 위해 학교 수업 이 없는 주말뿐만 아니라, 수업이 있는 평일 오전 일부를 할애하여 학습에 참여할 수 있도록 시간 관리를 했음을 알 수 있다.
56)로 가장 낮았다(). 사후분석결과, 고수준 자기조절학습 유형이 가장 높은 수준, 중수준 자기조절학습 유형이 중간 수준, 그리고 저수준 자기조절학습 유형이 가장 낮은 수준의 온라인 성취도를 얻은 것으로 확인되었다.
시간 관리와 관련된 특성면에서, 고수준 자기조절학습형(군집 1)과 중수준 자기조절학습형(군집 2) 학습자들은 주말 오후 시간을 적극적으로 활용하는 반면, 저수준 자기조절학습형(군집 3) 학습자들의 경우 평일 저녁 시간을 더욱 적극적으로 활용하는 특징을 보였다. 수치상 작은 비율이긴 했으나 평일 오전의 1, 2군집 학습자들의 활동 참여 비율이 3 군집 학습자들에 비해 유의미하게 높다는 특징도 확인되었다. 본 연구의 온라인 소프트웨어 강좌가 정규 학교 수업이 이루어지는 기간 동안 진행되었다는 점을 감안할 때, 이러한 결과는 1, 2군집 학 습자들이 온라인 학습에 참여하기 위해 학교 수업 이 없는 주말뿐만 아니라, 수업이 있는 평일 오전 일부를 할애하여 학습에 참여할 수 있도록 시간 관리를 했음을 알 수 있다.
온라인 학습 유형에 따른 온라인 학업성취도의 차이를 비교 분석한 결과, 고수준의 자기조절학습 유형을 가진 학습자들의 평균이 80.01(SD=34.77) 로 가장 높았고, 저수준 유형을 가진 학습자들의 평균이 8.75(SD=13.56)로 가장 낮았다(). 사후분석결과, 고수준 자기조절학습 유형이 가장 높은 수준, 중수준 자기조절학습 유형이 중간 수준, 그리고 저수준 자기조절학습 유형이 가장 낮은 수준의 온라인 성취도를 얻은 것으로 확인되었다.
먼저, Cho & Yoo(2017)는 자기조절학습에 대한 자기보고식 설문과 LMS 로그데이터 기반 학습분석을 통해 학업성취를 예측하고자 하였는데[17], 두 가지 방식을 비교한 결과 학습분석 접근이 더 학업성취를 잘 예측하는 것으로 나타났다. 이 연구에서는 온라인 학습 수행 시간, 과제를 읽은 횟수, 과제를 제출한 횟수, 콘텐츠 폴더 및 파일 조회 수 등의 데이터를 분석에 활용하였으며, 연구자들은 이러한 데이터를 통해 자기조절적인 학습자는 그렇지 않은 학습자보다 온라인 학습 수행 시간이 길고, 과제를 더 많이 읽고 제출하며, 콘텐츠 폴더 및 파일 조회수가 높은 특징이 있음을 탐색적으로 도출했다.
이러한 결과를 바탕으로, 3 개의 군집을 자기조절학습 활동 수준에 따라 각각 ‘고수준 자기조절학습형(군집 1)’, ‘중수준 자기조절 학습형(군집 2)’, 그리고 ‘저수준 자기조절학습형(군집 3)’ 집단으로 명명하였다.
이러한 결과는 온라인 학습 및 온라인 소프트웨어 학습에서 자기조절학습 능력이 학습성과를 긍정적으로 예측한다는 선행연구들과 일관된 결과를 보여준다 [12][17][23][44]. 특히, 본 연구에서는 LMS 데이터를 활용함으로써, 자기조절학습 능력 수준에 따른 학습자들이 가진 학습패턴의 차이를 구체적이고 객 관적으로 파악할 수 있었다. 예를 들어 높은 수준의 자기조절학습 패턴을 보여준 군집의 학습자들은 활동 참여량이 많을 뿐만 아니라, 12주 과정 전반 에 걸쳐 매우 꾸준히 학습에 참여하는 특징을 보였다.
학생들의 자기조절학습 관련 특성을 나타내는 20개의 변인() 기반으로 계층적 군집분석을 시행한 결과, 적절한 군집의 수는 3개로 확인되었 다. 이는 덴드로그램에서 군집간의 거리 변화가 최대가 되는 지점을 기준(dendrogram cut)[41]으로 결정되었다.
후속연구
아울러, 본 연구는 온라인 학습 환경에서 이루어지는 소프트웨어 교육 학습자들만을 대상으로 했다는 특수성을 갖고 있다. 그러므로 면대면 학습 환경에서 이루어지는 소프트웨어 교육 과정에서의 학습유형에 관한 비교 연구를 통해, 학습 환경의 차이에 따른 소프트웨어 학습자의 자기 조절학습 특성을 파악해볼 수 있을 것이다. 마지막으로, 추후 연구에서는 본 연구에서 제안한 자기조절학습 유형에 따른 차별화된 적응적 학습지원 방안의 효과를 탐색하는 실증연구가 필요하다.
또한, 본 연구에서는 학습 과정과 학업성취도에 영향을 미칠 수 있는 선수학습 여부, 사전지식 수준, 학습 동기와 같은 변인을 고려하지 않았으므로, 이를 감안하여 본 연구의 결과를 해석할 필요가 있다.
예를 들어, 저수준 자기조절 학습자들이 과정 초기의 학습으로만 그치지 않도록 연속 출석에 대해 배지와 같은 보상을 제공한다거나, 접속 시 수강할 콘텐츠의 수를 사전에 목표로 설정하여 이를 달성하도록 유도하는 것과 같은 전략을 활용할 수 있을 것이다. 또한, 학습자들의 도움 요청에 빠르게 응답하기 위해 주말 오후 시간 튜터의 활동을 독려하는 것과 같은 보다 직접적인 지원 전략도 마련될 수 있을 것이다. 이러한 맞춤형 교수학습 지원 전략은 학습자들의 자기조절학습 능력을 신장시킴으로써 온라인 소프트웨어 교육의 전반적인 효과를 증진시키는 역할을 할 수 있을 것이다.
그러므로 면대면 학습 환경에서 이루어지는 소프트웨어 교육 과정에서의 학습유형에 관한 비교 연구를 통해, 학습 환경의 차이에 따른 소프트웨어 학습자의 자기 조절학습 특성을 파악해볼 수 있을 것이다. 마지막으로, 추후 연구에서는 본 연구에서 제안한 자기조절학습 유형에 따른 차별화된 적응적 학습지원 방안의 효과를 탐색하는 실증연구가 필요하다. 이를 통해 어떠한 학습지원 요소가 어떤 효과를 가지는지 그 관계를 면밀히 확인할 필요가 있다.
이를 통해 어떠한 학습지원 요소가 어떤 효과를 가지는지 그 관계를 면밀히 확인할 필요가 있다. 본 연구를 통해 발전된 학습 환경에서 객관적 데이터를 활용해 소프트웨어 학습자의 활동 특성을 파악하고, 이를 바탕으로 효과적인 온라인 소프트웨어 교육과정을 운영하는데 기여하길 기대한다.
둘째, 온라인 소프트웨어 교육에 참여하는 학습자들의 자기조절학습 유형에 차별화된 교수학습 지원 전략이 요구된다. 본 연구를 통해 파악된 자기 조절학습 유형별 학습패턴의 차이를 참고한다면 구체적인 교수학습 지원 전략을 마련할 수 있을 것이 다. 예를 들어, 저수준 자기조절 학습자들이 과정 초기의 학습으로만 그치지 않도록 연속 출석에 대해 배지와 같은 보상을 제공한다거나, 접속 시 수강할 콘텐츠의 수를 사전에 목표로 설정하여 이를 달성하도록 유도하는 것과 같은 전략을 활용할 수 있을 것이다.
또한, 이들은 정규 학교 수업이 없는 주말 시간을 잘 활용하며, 복습과 반복 학습 횟수도 많았고, 도움 요청 횟수도 상대적으로 많았다. 이러한 구체적인 학습패턴의 차이는, 온라인 학습 과정에서 낮은 수준의 자기조절학습 능력을 갖춘 학습자 를 파악하기 위해 면밀하게 관찰할 필요가 있는 중요한 온라인 학습 행동이 무엇인지 알려주는 지표 로 활용할 수 있을 것이다. 이는 실제 학습이 이루어지는 맥락에서 학습자의 자기조절학습 행동 특성 을 바탕으로 구체적인 학습패턴을 파악하고, 이를 바탕으로 학습자의 자기조절 행동을 지원할 수 있는 실제적인 운영상의 시사점을 도출할 수 있다는 점에서 의미가 있다/
학습 데이터를 활용하여 학습자의 특징을 파악하는 접근은 학습을 방해하지 않을 뿐만 아니라, 학습 과정 중에 일어나는 구체적이고 상세한 학습 행동 특성을 효율적으로 파악할 수 있 다는 장점을 갖고 있다. 이러한 접근을 취함으로써 자기조절학습 능력이 부족해 보이는 학습자를 조기에 탐지하고, 그들에게 별도의 지원을 제공하게 된다면 보다 효과적인 온라인 소프트웨어 교육과정을 운영할 수 있을 것이다.
마지막으로, 온라인 소프트웨어 교육을 운영하는 시스템의 적응적인 요소를 강화할 필요가 있다. 즉, 시스템상에 축적된 LMS 데이터를 실시간으로 분석하여 학습자들의 자기조절학습 유형을 파악하고, 파악된 유형에 따라 맞춤형 학습지원을 제공하는 적응적 교수학습 지원시스템의 구현이 가능할 것이다. 예를 들어 수강해야 할 학습 콘텐츠가 많이 남아있는 저수준 자기조절 학습자에게는 수강을 지속하기 위한 부담을 줄이기 위해 새롭게 제시되는 콘텐츠의 수를 줄인다거나, 수강하지 않고 건너 뛴 학습 콘텐츠를 다음 수강 목록 상단에 위치시키 는 것과 같은 적응적 학습지원을 제공할 수 있을 것이다.
첫째, 온라인 소프트웨어 교육이 운영되는 시스템에 축적된 LMS 데이터를 적극적으로 활용하여 학습자의 자기조절학습 유형을 파악할 필요가 있다. 선행연구에서도 온라인 학습패턴으로부터 파악된 학습자의 자기조절학습 특성이 자기보고식 설문 만큼이나 유용하게 활용될 수 있음을 보고하고 있 다[17].
또한, 본 연구에서는 학습 과정과 학업성취도에 영향을 미칠 수 있는 선수학습 여부, 사전지식 수준, 학습 동기와 같은 변인을 고려하지 않았으므로, 이를 감안하여 본 연구의 결과를 해석할 필요가 있다. 추후 이러 한 변인을 함께 고려해본다면 이들 변인과 온라인 학습 과정 및 결과 사이의 관계를 파악할 수 있을 것이라 기대한다. 아울러, 본 연구는 온라인 학습 환경에서 이루어지는 소프트웨어 교육 학습자들만을 대상으로 했다는 특수성을 갖고 있다.
하지만, 본 연구에 참여한 학습자는 온라인 소프트웨어 교육에 흥미와 재능을 가지고 자발적으로 참여했다는 점에서 연구의 결과를 모든 온라인 소프트웨어 교육환경에까지 일반화시켜 해석하는 데에는 무리가 따를 수 있다. 추후, 의무적으로 소프 트웨어 교육과정에 참여하는 학습자를 대상으로 그들의 온라인 소프트웨어 학습유형을 분석해 봄으로써, 본 연구의 결과를 더욱 일반화시키거나 차별화 된 연구 결과를 얻을 필요가 있다. 또한, 본 연구에서는 학습 과정과 학업성취도에 영향을 미칠 수 있는 선수학습 여부, 사전지식 수준, 학습 동기와 같은 변인을 고려하지 않았으므로, 이를 감안하여 본 연구의 결과를 해석할 필요가 있다.
본 연구는 온라인 소프트웨어 교육 학습자들의 자기조절학습 유형을 분류하고, 각 유형별 학습활 동 참여 패턴을 분석하여 효과적인 온라인 소프트 웨어 교육 운영을 위한 시사점을 도출하고자 하였다. 하지만, 본 연구에 참여한 학습자는 온라인 소프트웨어 교육에 흥미와 재능을 가지고 자발적으로 참여했다는 점에서 연구의 결과를 모든 온라인 소프트웨어 교육환경에까지 일반화시켜 해석하는 데에는 무리가 따를 수 있다. 추후, 의무적으로 소프 트웨어 교육과정에 참여하는 학습자를 대상으로 그들의 온라인 소프트웨어 학습유형을 분석해 봄으로써, 본 연구의 결과를 더욱 일반화시키거나 차별화 된 연구 결과를 얻을 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
자기조절학습은 어떤 부분에서 긍정적인 영향을 미치는가?
자기조절능력이 높은 학습자는 학습자 스스로 목표를 세우고 이를 달성하기 위해 다양한 동기조절, 인지조절, 행동조절 전략을 활용하여 학습에 적극적으로 참여한다는 것이다 [19][20]. 자기조절학습은 전통적으로 학업성취를 예측하는 중요한 변인으로 연구되어 왔으며, 학습 만족도, 학업 지속, 성취도 등에 긍정적인 영향을 미친다는 결과가 일관되게 보고되고 있다[21][22].
계층적 군집 분석 기법은 K-평균 군집화와 달리 어떤 특징을 가지는가?
계 층적 군집 분석은 데이터의 특성과 내부에 숨겨진 패턴을 파악하기 위해 활용하는 대표적인 비지도학 습(unsupervised learning) 기법의 하나로, 표본 간의 거리를 기반으로 비슷한 특성을 가진 표본들의 집단인 군집을 도출해내는 기법이다[37]. 이 기 법은 또 다른 군집 기법인 K-평균 군집화 (K-means clustering)와 달리 사전에 군집의 개 수를 지정하지 않고도 분석을 시행할 수 있으며,생성되는 군집들간의 거리(또는 유사성) 변화를 보 여주는 덴드로그램(dendrogram)을 이용하여 최종 군집을 결정할 수 있다는 특징을 가진다[38].
계층적 군집 분석 기법이란 무엇인가?
본 연구에서는 온라인 소프트웨어 교육에 참여하 고 있는 학습자들의 자기조절학습 특성에 대한 유 형을 분석하기 위해 계층적 군집 분석 기법 (hierarchical cluster analysis)을 활용하였다. 계 층적 군집 분석은 데이터의 특성과 내부에 숨겨진 패턴을 파악하기 위해 활용하는 대표적인 비지도학 습(unsupervised learning) 기법의 하나로, 표본 간의 거리를 기반으로 비슷한 특성을 가진 표본들의 집단인 군집을 도출해내는 기법이다[37]. 이 기 법은 또 다른 군집 기법인 K-평균 군집화 (K-means clustering)와 달리 사전에 군집의 개 수를 지정하지 않고도 분석을 시행할 수 있으며,생성되는 군집들간의 거리(또는 유사성) 변화를 보 여주는 덴드로그램(dendrogram)을 이용하여 최종 군집을 결정할 수 있다는 특징을 가진다[38].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.