[논문]학습 상태에 기반한 맞춤형 난이도 측정을 위한 척도 설계

정우성

doi:10.15207/jkcs.2020.11.3.067

[국내논문] 학습 상태에 기반한 맞춤형 난이도 측정을 위한 척도 설계
A Design for the Personalized Difficulty Level Metric based on Learning State 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.3, 2020년, pp.67 - 75

초록
AI-Helper

난이도는 학습자가 컨텐츠를 선택하는 중요한 기준 중 하나이다. 하지만, 대부분의 난이도 기준은 컨텐츠 제공자가 획일적으로 결정한다. 이러한 방식으로는 학습자의 다양한 수준과 환경을 고려한 맞춤형 교육을 지원할 수 없다. 본 연구는 이 문제를 해결하기 위하여 학습자와 컨텐츠의 지식을 정형화하고 일반화한 후, 이를 실험하기 위한 객체 모델과 맞춤형 난이도 척도를 설계하였다. 또한, 이를 검증하기 위한 목적으로 구현한 도구를 이용하여 100개의 음악 교육 컨텐츠와 20명의 학습자를 기반으로 시뮬레이션을 진행했다. 실험 결과는 제안한 방법이 학습 상태와 컨텐츠에서 정의한 지식의 유사도를 이용하여 맞춤형 난이도를 계산할 수 있음을 보여 주었다. 제안한 접근법은 학습 상태와 컨텐츠에 쉽게 접근할 수 있는 온라인 학습 시스템에 효과적으로 적용할 수 있다.

Abstract ▼ AI-Helper

The 'level of difficulty' is one of the major factors for learners when selecting learning contents. However, the criteria for the difficulty level is mostly defined by the contents providers. This approach does not support the personalized education which should consider the abilities and environments of various learners. In this research, the knowledge of the learners and contents were formalized and generalized to resolve the issue, and object models, including a metric for personalized difficulty level, were designed in order to be applied for experiments. And then, based on 100 contents for music education and 20 learners, we performed simulations with an implemented tool to validate our approach. The experimental results showed that our method can calculate the personalized difficulty levels considering the similarities between the knowledges from the learning state and the contents. Our approach can be effectively applied to the on-line learning management system which contains easy access to the learning state and contents data.

주제어

표/그림 (14)

그림 Fig. 1. Overall concepts of knowledge domain
그림 Fig. 2. Point for knowledge elements
그림 Fig. 3. Point for knowledge relation
그림 Fig. 4. Abstraction level modification
그림 Fig. 5. A UML Class diagram for knowledge objects and simulation
그림 Fig. 6. Algorithm for personalized difficulty level calculation
그림 Fig. 7. Algorithm for difference between knowledges and contents
$Fig. 8. Filtered relations among contents and users with condition log ( <TEX>$\sqrt{p}$</TEX> ) > 1$ 그림 Fig. 8. Filtered relations among contents and users with condition log ( $\sqrt{p}$ ) > 1
$Fig. 9. Filtered relations among contents and users with condition log(<TEX>$\sqrt{p}$</TEX>) > 1.5(level2 only)$ 그림 Fig. 9. Filtered relations among contents and users with condition log($\sqrt{p}$) > 1.5(level2 only)
표 Table 1. Initial and generated statistical information for content and user
그림 Fig. 10. Average Difficulty Levels of learners for each contents
그림 Fig. 11. Average Difficulty Levels of contents for each users
$Fig. 12. Partial Knowledge State of CONTENT #5,#14,#28,#31 & LEARNER #9,#14,#18,#20 with condition log(<TEX>$\sqrt{p}$</TEX>) > 1.5$ 그림 Fig. 12. Partial Knowledge State of CONTENT #5,#14,#28,#31 & LEARNER #9,#14,#18,#20 with condition log($\sqrt{p}$) > 1.5
표 Table 2. Examples: personalized difficulty level

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

QueryManager는 물리적 데이터베이스 계층에 가장 가까운 계층으로 일종의 헬퍼(Helper) 클래스에 해당하기 때문에 지식 요소를 다루는 대부분의 클래스에서 직접적으로 사용한다. 다이어그램이 복잡해지는 것을 회피하기 위해 추가, 검색, 수정, 삭제 메소드를 가진 클래스는 CRUD 스테레오타입으로만 표시하였다. 실질적인 분석 대상인 지식 요소와 관계는 Element 와 Connection 클래스 각각에 저장되며 Element의 상위 요소는 상속(inheritance)로 구현하지 않고, Connection 의 type 값을 기준으로 관계의 종류를 구분하였다.
맞춤형 교육을 위한 학습 상태 모델을 제안하여, 이를 기반으로 학습자와 컨텐츠의 지식 상태를 구현하고 난이도 척도를 계산하여 분석하였다. 실험 결과, 학습자의 평가 참여를 통해 난이도를 계산하거나[1-4] 콘텐츠 자체의 난이도를 절대적 방식으로 산정한 비맞춤형 난이도 연구[8]와는 달리 학습자와 컨텐츠의 지식 상태를 정적으로 분석하여 유의미한 상대적 난이도를 계산할 수 있었다.
특히, 학습 상태는 난이도 계산을 포함하여 맞춤형 교육을 위해 학습자의 지식 상태 추적에 필수적이므로 맞춤 형 교육[7]에서 효과적으로 활용할 수 있다. 본 연구는 이러한 기존 연구와 달리 학습자의 평가 참여보다는 지속 적인 컨텐츠 접촉으로 획득되는 학습 상태 정보를 이용 한다
학습 컨텐츠 난이도를 정의하려면 학습자의 학습 상태와 대상 컨텐츠의 내용 및 수준을 비교해야 한다. 본 연구에서는 학습 대상이 되는 학습 요소들의 집합과 이들의 관계를 정형적으로 정의한 학습 그래프를 기준으로 새로운 지식의 복잡도와 유사도를 이용한 상대적 난이도 척도를 정의하였다. 학습 요소의 수준은 사전 데이터가 필요하기 때문에 본 연구에서는 모든 학습 및 컨텐츠 생성 과정을 시뮬레이션을 거쳐 생성하였다.
다이어그램이 복잡해지는 것을 회피하기 위해 추가, 검색, 수정, 삭제 메소드를 가진 클래스는 CRUD 스테레오타입으로만 표시하였다. 실질적인 분석 대상인 지식 요소와 관계는 Element 와 Connection 클래스 각각에 저장되며 Element의 상위 요소는 상속(inheritance)로 구현하지 않고, Connection 의 type 값을 기준으로 관계의 종류를 구분하였다. 이러한 방법으로 도메인에서 정의한 집합의 요소들을 그대로 매핑 시킬 수 있다.
본 연구에서는 학습 대상이 되는 학습 요소들의 집합과 이들의 관계를 정형적으로 정의한 학습 그래프를 기준으로 새로운 지식의 복잡도와 유사도를 이용한 상대적 난이도 척도를 정의하였다. 학습 요소의 수준은 사전 데이터가 필요하기 때문에 본 연구에서는 모든 학습 및 컨텐츠 생성 과정을 시뮬레이션을 거쳐 생성하였다. 그리고, 학습자의 학습 상태에 포함되지 않은 학습 요소들에 대한 지식은 고려하지 않았다.
사용자의 수준을 파악하는 테스트 제작을 위해 IRT(Item Reseponse Theory)를 이용하기도 했다[3]. 해당 연구는 사전에 확보한 데이터베이스에서 사용자 정보와 관련 주제를 추출하여 테스트를 반복적으로 수행하면서 적응시키는 방법으로 인공신경망을 활용하였다. 하지만, 평가 결과를 이용한 연구는 컨텐츠에 대한 학습자의 문항반응에 기반한 통계적 방법으로 난이도의 정확도를 높일 수 있으나 테스트 참여라는 학습자의 적극적 활동에 의존적이므로 이에 대한 부담과 비용이 발생한다.

대상 데이터

검증 실험을 위해 음악 교육용 연주 컨텐츠 100개(지 식요소 145,088개, 관계 508,857개), 학습자 20명(지식 요소 42,351개, 관계 150,074개)에 대한 지식 상태를 시뮬레이션을 이용하여 생성하였다. Table 1은 실험 데이터 생성을 위한 조건의 평균값 및 표준편차(괄호안의 값)와 시뮬레이션을 통해 실제 생성된 데이터의 기초 통계 정보를 보여준다.

성능/효과

9로 큰 차이가 있었다. 가장 어려운 컨텐츠는 #9로 학습자들의 평균 난이도는 1,624로 20명 모두에게 100개 컨텐츠 중 가장 높은 난이도를 보였다. 대부분 컨텐츠 자체의 수준이 너무 높거나 낮으면 학습자 별 차이가 크게 나타나지 않으며, 학습자 #6, #3, #12 와 같이 학습 지식량이 적은 경우는 컨텐츠에 대해 계산 된 난이도는 상대적으로 높았고, #15,#16과 같은 경우 는 난이도 값이 낮았다.
학습자 프로파일을 이용하여 긍정 또는 부정의 피드백을 분류하기도 하였다[12]. 본 논문의 난이도 척도를 이용하면 낮은 비용의 탐욕(Greedy) 알고리즘을 이용하여 합리적 수준의 학습 경로를 생성할 때 활용가능한 장점이 있다.
맞춤형 교육을 위한 학습 상태 모델을 제안하여, 이를 기반으로 학습자와 컨텐츠의 지식 상태를 구현하고 난이도 척도를 계산하여 분석하였다. 실험 결과, 학습자의 평가 참여를 통해 난이도를 계산하거나[1-4] 콘텐츠 자체의 난이도를 절대적 방식으로 산정한 비맞춤형 난이도 연구[8]와는 달리 학습자와 컨텐츠의 지식 상태를 정적으로 분석하여 유의미한 상대적 난이도를 계산할 수 있었다. 다만, 학습자와 컨텐츠의 수가 증가할 경우 학습 상태 모델의 복잡도가 매우 높아질 수 있기 때문에, 본 연구의 성과를 효과적으로 활용하기 위해서는 이를 효율적으로 처리하기 위한 컴퓨팅 자원과 지속적으로 학습자의 학습 정보를 추출할 수 있는 온라인 교육 플랫폼 연계 등의 솔루션이 필요하다.

후속연구

실험 결과, 학습자의 평가 참여를 통해 난이도를 계산하거나[1-4] 콘텐츠 자체의 난이도를 절대적 방식으로 산정한 비맞춤형 난이도 연구[8]와는 달리 학습자와 컨텐츠의 지식 상태를 정적으로 분석하여 유의미한 상대적 난이도를 계산할 수 있었다. 다만, 학습자와 컨텐츠의 수가 증가할 경우 학습 상태 모델의 복잡도가 매우 높아질 수 있기 때문에, 본 연구의 성과를 효과적으로 활용하기 위해서는 이를 효율적으로 처리하기 위한 컴퓨팅 자원과 지속적으로 학습자의 학습 정보를 추출할 수 있는 온라인 교육 플랫폼 연계 등의 솔루션이 필요하다.
이러한 개별화에 따른 상대적 난이도는 맞춤형 교육 실현을 위한 기준으로 사용할 수 있다. 본 연구에서 제안하는 컨텐츠 난이도 척도는 학습자의 학습 상태를 기준으로 원하는 수준의 컨텐츠를 검색할 때 사용할 수 있기 때문에 맞춤형 교육을 위한 학습 컨텐츠를 추천하거나, 효과적인 학습 경로 설계에 활용할 수 있다.
또한, 학습 지식 커버리지의 경우, 초기에는 신뢰도가 낮더라도 반복적으로 컨텐츠를 접하게 되면서 학습자의 참여 로그 등을 이용하여 신뢰도를 높일 수 있다. 향후에는 이러한 품질 개선 요소들을 관리하는 인프라를 모두 포함한 맞춤 형 교육 전체 플랫폼을 설계할 계획이다.

참고문헌 (18)

S. Y. Heo & E. G. Kim. (2010). SCORM-based Contents Organization System on Learners' Level. The Korea Institute of Information and Communication Engineering, 14(5), 1277-1283. DOI : 10.6109/JKIICE.2010.14.5.1277

원문보기 상세보기
C. H. Kim, H. D. Ko & B. K. Kim. (2005). Item Difficulty Analysis of Learning Contents Based on SCORM. Proceedings of the Korean Information Science Society Conference. (pp. 358-360). Seoul : KIISE.
A. Baylari & G. A. Montazer. (2009). Design a personalized e-learning system based on item response theory and artificial neural network approach. Expert Systems with Applications, 36(4), 8013-8021. DOI : 10.1016/J.ESWA.2008.10.080

상세보기
H. J. Lee & S. T. Park. (2015). Analysis on Knowledge State of Inquiry Abilities of Elementary School Students on Electric Circuits. Journal of The Korean Association for Science Education, 35(5), 857-870. DOI : 10.14697/JKASE.2015.35.5.0857

원문보기 상세보기
M. B. Yoon. (2011). Investigating the Effects of Teaching Bassed on an Analysis of High School Students' Knowledge State of Concepts Associated with Astronomical Observation. Journal of the Korean Earth Science Society, 32(7), 902-912. DOI : 10.5467/JKESS.2011.32.7.902

원문보기 상세보기
J. H. Lee. (2017). Knowledge State Analysis of the Elementary School Plane Figure unit Using the Knowledge Space Theory. Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, 7(5), 13-31. DOI : 10.14257/AJMAHS.2017.05.08
P. Gao. (2014). Using Personalized Education to Take the Place of Standardized Education. Journal of Education and Training Studies, 2(2), 44-47. DOI : 10.11114/JETS.v2i2.269
I. S. Choi. (2005). A Comparative Study on Modeling Readability Formulas: Focus on Primary and Secondary Textbooks. Journal of the Korean Society for information Management, 22(4), 173-195. DOI : 10.3743/KOSIM.2005.22.4.173

원문보기 상세보기
Chih-Ming Chen. (2008). Intelligent web-based learning system with personalized learning path guidance. Computers & Education, 51(2), 787-814. DOI : 10.1016/J.COMPEDU.2007.08.004

상세보기
W. Jung. (2019). A Genetic Algorithm Based Learning Path Optimization for Music Education. Journal of the Korea Convergence Society, 10(2), 13-20. DOI : 10.15207/JKCS.2019.10.2.013

원문보기 상세보기
J. Han, J. Jo & H. Lim (2018). Development of Personzlied Learning Course Recommendation Model for ITS. Journal of the Korea Convergence Society, 9(10), 21-28. DOI : 10.15207/JKCS.2018.9.10.021

원문보기 상세보기
T. Cho (2016). Intelligent learning system based on the profile of learner. Journal of Digital Convergence, 14(2), 227-233. DOI : 10.14400/JDC.2016.14.2.227

원문보기 상세보기
M. A. Chatti & A. Muslim. (2019). The PERLA Framework: Blending Personalization and Learning Analytics. International Review of Research in Open and Distributed Learning, 20(1), 243-261. DOI : 10.19173/IRRODL.v20i1.3936
A. Ramachandran & B. Scassellati. (2014). Adapting Difficulty Levels in Personalized Robot-Child Tutoring Interactions. AAAI Conference on Artificial Intelligence. (pp. 56-59). USA: AAAI.
A. Jones & G. Castellano. (2018). Adaptive Robotic Tutors that Support Self-Regulated Learning: A Longer-Term Investigation with Primary School Children, International Journal of Social Robotics, 10(3), 357-370. DOI : 10.1007/s12369-017-0458-z

상세보기
F. Essalmi, L. J. E. Ayed, M. Jemni, S. Graf & Kinshuk. (2014). Generalized metrics for the analysis of E-learning personalization strategies. Computers in Human Behavior, 48(1), 310-322. DOI : 10.1016/J.CHB.2014.12.050
K. Kim & H. Shin (2016). Student-oriented Multi-dimensional Analysis System using Educational Profiling. Journal of Digital Convergence, 9(10), 263-270. DOI : 10.14400/JDC.2016.14.6.263
R. Reber, E. A. Canning & J. M. Harackiewicz. (2018). Personlized Education to Increase Interest. Current Directions in Psychological Science, 27(7), 449-454. DOI : 10.1177/0963721418793140

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증