본 연구는 온라인 문제기반학습에서 학습자의 학습행태에 따른 학습유형을 파악하고 각 학습유형의 특징을 조사하여 효과적인 온라인 문제기반학습 설계를 위한 시사점을 도출하기 위해 수행되었다. 본 연구를 위해 6주 동안 K대학에서 운영된 문제기반학습 프로그램에 참여한 1,341명의 초·중학생의 온라인 활동 데이터가 수집되었고, 이를 통하여 학습자들의 학습행태를 나타내는 48개의 변인이 추출되었다. 추출된 변인은 학습자들의 학습유형을 구분하기 위한 계층적 군집분석 기법에 활용되었으며, 구분된 학습유형에 따라 학습행태와 학업성취도 측면에서 어떠한 차이가 있는지 비교·분석하였다. 그 결과, 학습자의 온라인 학습유형은 학습참여 수준에 따라 '고수준 학습참여형(군집 1)', '중수준 학습참여형(군집 2)', '저수준 학습참여형(군집 3)'으로 구분되었다. 또한, 학습참여 수준이 높은 군집이 높은 학업성취도를 얻은 것으로 확인되었다. 이러한 결과를 바탕으로 온라인 문제기반학습을 효과적으로 설계·운영하기 위한 시사점을 제시하였다.
본 연구는 온라인 문제기반학습에서 학습자의 학습행태에 따른 학습유형을 파악하고 각 학습유형의 특징을 조사하여 효과적인 온라인 문제기반학습 설계를 위한 시사점을 도출하기 위해 수행되었다. 본 연구를 위해 6주 동안 K대학에서 운영된 문제기반학습 프로그램에 참여한 1,341명의 초·중학생의 온라인 활동 데이터가 수집되었고, 이를 통하여 학습자들의 학습행태를 나타내는 48개의 변인이 추출되었다. 추출된 변인은 학습자들의 학습유형을 구분하기 위한 계층적 군집분석 기법에 활용되었으며, 구분된 학습유형에 따라 학습행태와 학업성취도 측면에서 어떠한 차이가 있는지 비교·분석하였다. 그 결과, 학습자의 온라인 학습유형은 학습참여 수준에 따라 '고수준 학습참여형(군집 1)', '중수준 학습참여형(군집 2)', '저수준 학습참여형(군집 3)'으로 구분되었다. 또한, 학습참여 수준이 높은 군집이 높은 학업성취도를 얻은 것으로 확인되었다. 이러한 결과를 바탕으로 온라인 문제기반학습을 효과적으로 설계·운영하기 위한 시사점을 제시하였다.
The purpose of the study is to provide educational implications for more effective Problem-based learning(PBL) by investigating students' learning types based on their online learning behaviors. A total of 1,341 students participated in the study, and they engaged in a six-week-long PBL program run ...
The purpose of the study is to provide educational implications for more effective Problem-based learning(PBL) by investigating students' learning types based on their online learning behaviors. A total of 1,341 students participated in the study, and they engaged in a six-week-long PBL program run by K University. For the study, participants' online activity data were collected. From the data, a total of 48 variables that represent their various online learning behaviors were extracted. Based on the variables, hierarchical cluster analysis was conducted to analyze learning types. Also, the differences in learning characteristics and achievements were investigated by considering types of learning. As a result, the learning types in online PBL were classified as 'high-level participation (cluster 1)', 'medium-level participation (cluster 2)', and 'low-level participation (cluster 3)'. In addition, the achievement level was found to be highest in 'high-level participation (cluster 1)' and lowest in 'low-level participation (cluster 3)'. Based on the results, the implications for improving online PBL were suggested.
The purpose of the study is to provide educational implications for more effective Problem-based learning(PBL) by investigating students' learning types based on their online learning behaviors. A total of 1,341 students participated in the study, and they engaged in a six-week-long PBL program run by K University. For the study, participants' online activity data were collected. From the data, a total of 48 variables that represent their various online learning behaviors were extracted. Based on the variables, hierarchical cluster analysis was conducted to analyze learning types. Also, the differences in learning characteristics and achievements were investigated by considering types of learning. As a result, the learning types in online PBL were classified as 'high-level participation (cluster 1)', 'medium-level participation (cluster 2)', and 'low-level participation (cluster 3)'. In addition, the achievement level was found to be highest in 'high-level participation (cluster 1)' and lowest in 'low-level participation (cluster 3)'. Based on the results, the implications for improving online PBL were suggested.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이에 본 연구에서는 e-Book으로 제공되는 온라인 PBL 상황에서 학습자가 문제탐색, 개념학습, 문제해결 단계에 어떻게 참여하는지에 따라 학습유형을 나누고 학습행태를 구체적으로 살펴보고자 한다. 또한, 학습유형에 따라 학업성취도에 차이가 있는지 살펴보고자 한다.
본 연구는 온라인 PBL 상황에서 학습자들이 문제탐색, 개념학습, 문제해결의 3단계로 이루어진 e-Book 콘텐츠의 접속에 관련된 학습행태에 따라 학습유형을 분류하고, 각 유형별 학습행태의 특징을 분석하여 학습자의 PBL 학습행태를 이해하고자 하였다. 하지만, 본 연구에 참여한 학습자는 온라인 PBL 교육에 흥미와 재능을 가지고 자발적으로 참여했다는 점에서 연구의 결과를 모든 온라인 PBL의 학습행동에 일반화시켜 해석하는 데에는 무리가 따를 수 있다.
예컨대, 선행연구에서는 온라인 PBL에서 학습자들이 남긴 메시지를 분석함으로써 학습자들이 어떻게 활동하는지를 간접적으로 분석하는 수준에 머물러 있었다[15]. 본 연구에서는 이러한 제한점을 넘어서기 위해 학습분석 방법을 적용하여 학습자의 실제 PBL 단계별 학습참여 행태를 직접적으로 분석함으로써, 학습행태를 분석하기 위한 구체적 방법으로서 학습분석적 접근의 가능성을 제시하였다. 추후 이러한 시도는 다양한 학습의 맥락에서 학습 행태를 분석하는데 기초적인 아이디어를 제공할 수 있을 것이다.
이에 본 연구에서는 e-Book으로 제공되는 온라인 PBL 상황에서 학습자가 문제탐색, 개념학습, 문제해결 단계에 어떻게 참여하는지에 따라 학습유형을 나누고 학습행태를 구체적으로 살펴보고자 한다. 또한, 학습유형에 따라 학업성취도에 차이가 있는지 살펴보고자 한다.
나아가 최근 학습분석 기술의 발전은 기존의 학습 횟수 및 빈도 등을 기반으로 학습행태를 분석하는 것을 넘어 학습 프로세스 분석을 가능하게 하고 있다[4][28]. 즉, 온라인 학습활동에 학습자가 어떤 순서로 참여하는지를 모델링 할 수 있는 방법을 제공한다. 이에 후속 연구에서는 프로세스 분석 접근을 통해 학습자가 PBL은 문제해결의 과정에 어떻게 참여하는지, 보다 심층적인 분석을 해볼 수 있을 것이다.
학습분석 방법을 적용하여 다양한 학습의 맥락에서 학습자의 학습행태를 이해하고자 하는 시도들이 이루어지는 가운데, 본 연구에서는 온라인 PBL 상황에서 학습자들이 문제탐색, 개념학습, 문제해결의 3단계로 이루어진 e-Book 콘텐츠를 어떻게 학습하는지 알아보았다. 이를 위해 문제탐색, 개념학습, 문제해결 각 단계에 대한 학습일수, 학습횟수, 단계별 건너뛰기, 반복, 복습횟수 등을 변인으로 투입하여 군집분석을 실시하였다.
가설 설정
1. 온라인 PBL에서 학습자의 학습행태에 따라 학습유형은 어떻게 구분되는가?
2. 온라인 PBL에서 학습자의 학습유형에 따른 학습형태의 특징은 어떠한가?
3. 온라인 PBL에서 학습자의 학습유형에 따른 학업성취도의 차이가 있는가?
제안 방법
그 결과 얻어진 덴드로그 램을 통해 적절한 군집의 수가 결정되었으며, 일원 배치 분산분석(one-way analysis of variance)을 통해 결정된 군집의 수가 적절한지 검증하였다. 두번째 단계에서는 일원배치 분산분석의 사후분석 (Bonferroni)을 통해 군집으로 구분된 각각의 학습 유형이 학습행태에 있어서 어떠한 특징을 가지는지 조사하였다. 마지막으로, 각 학습유형이 가진 온라 인 학업성취도 차이를 학습 결과의 관점에서 비교 분석하였다.
두번째 단계에서는 일원배치 분산분석의 사후분석 (Bonferroni)을 통해 군집으로 구분된 각각의 학습 유형이 학습행태에 있어서 어떠한 특징을 가지는지 조사하였다. 마지막으로, 각 학습유형이 가진 온라 인 학업성취도 차이를 학습 결과의 관점에서 비교 분석하였다. 이때, 학습자의 온라인 학업성취도는 차시별로 제공된 세 개의 문제기반학습 과제 점수 를 합산하여 산출되었다.
이를 위해 프로세스 마이닝 기법(process mining method)을 통해 온라인 퀴즈 수행과정에서 학습자 행동 패턴이 어떻게 나타나는지를 살펴보았다. 분석을 통해 여러 번의 퀴즈 참여 시도를 통해 이전 시도에서 제시된 퀴즈 피드백을 참조하는 유형, 퀴즈 참여시 강좌 내의 학습자료를 참조하는 유형, 퀴즈에 참여하면서 동시에 다른 학습활동에 참여하는 멀티태스킹 유형 등을 제시했다[4]. 이 연구를 통해 Juhaňák 외(2019)는 프로세스 마이닝이 학습행태 분석에 유용하게 활용 될 수 있음을 강조하였다.
연구문제 3과 관련하여, 온라인 학습유형에 따른 군집별 학업성취도의 차이를 비교 분석하였다().
연구에 참여한 학생들은 2019년 4월 18일부터 2019년 6월 2일까지, 총 6주에 걸쳐 온라인 교육 프로그램에 참여하였으며, 이들에게 제공된 온라인 학습 콘텐츠는 PBL의 원리에 따라 e-Book 형태로 개발된 교육 프로그램이었다. 이 프로그램은 총 3차시의 PBL 모듈(module)로 진행되었고, 각 모듈은 하나의 학습 주제에 대한 3단계의 학습활동(문제탐색, 개념학습, 문제해결)을 제시하는 e-Book으로 구성되었다. 즉, 본 연구에서 학생들은 3차시 PBL 모듈 각각에 3개씩 포함된, 총 9개의 e-Book을 학습하였다.
Jovanović 외(2017)는 대학 플립러닝의 맥락에서 면대면 수업 전 사전 온라인 학습에서의 학습자의 학습 행동 유형을 규명하고자 하였다. 이를 위해 강의 비디오, 읽기 자료, 형성평가, 총괄평 가 등으로 구성된 온라인 강좌에서 학습행동의 순서를 분석하고, 성적 최상위와 최하위 집단 간에 학습행동 유형을 비교하고자 하였다. 분석 결과 학생들은 형성평가를 활용한 점검 대신 비디오 시청, 학습자료 읽기 및 브라우징, 총괄평가 참여 등 수동적인 학습전략을 활용하는 경향이 있었으며, 특히 성적 최상위 학생들은 모든 유형의 학습 활동에 비교적 동일하게 참여하는 것으로 나타났으나, 최하위 집단은 총괄평가에 집중적으로 참여하는 것으로 나타났다[7].
학습분석 방법을 적용하여 다양한 학습의 맥락에서 학습자의 학습행태를 이해하고자 하는 시도들이 이루어지는 가운데, 본 연구에서는 온라인 PBL 상황에서 학습자들이 문제탐색, 개념학습, 문제해결의 3단계로 이루어진 e-Book 콘텐츠를 어떻게 학습하는지 알아보았다. 이를 위해 문제탐색, 개념학습, 문제해결 각 단계에 대한 학습일수, 학습횟수, 단계별 건너뛰기, 반복, 복습횟수 등을 변인으로 투입하여 군집분석을 실시하였다. 분석결과 학습자의 참여수준에 따라 총 3개의 학습유형(고수준, 중 수준, 저수준 학습참여형)이 나타났다.
Juhaňák 외(2019)는 LMS(learning management system) 내에서 다양한 유형의 온라인 퀴즈 활동에서 학습자의 행동 및 상호작용 패턴을 탐색하고자 하였다. 이를 위해 프로세스 마이닝 기법(process mining method)을 통해 온라인 퀴즈 수행과정에서 학습자 행동 패턴이 어떻게 나타나는지를 살펴보았다. 분석을 통해 여러 번의 퀴즈 참여 시도를 통해 이전 시도에서 제시된 퀴즈 피드백을 참조하는 유형, 퀴즈 참여시 강좌 내의 학습자료를 참조하는 유형, 퀴즈에 참여하면서 동시에 다른 학습활동에 참여하는 멀티태스킹 유형 등을 제시했다[4].
이 프로그램은 총 3차시의 PBL 모듈(module)로 진행되었고, 각 모듈은 하나의 학습 주제에 대한 3단계의 학습활동(문제탐색, 개념학습, 문제해결)을 제시하는 e-Book으로 구성되었다. 즉, 본 연구에서 학생들은 3차시 PBL 모듈 각각에 3개씩 포함된, 총 9개의 e-Book을 학습하였다.
대상 데이터
본 연구는 2019년 1학기 K대학 온라인 교육프로그램에 참여한 학생 1,341명을 대상으로 하였다. 연구에 참여한 학생들의 성별을 살펴보면 남자(874 명)가 여자(467명)보다 많았고, 학교급으로 살펴보면 초등학생(879명)이 중학생(462명)보다 많았다.
연구에 참여한 학생들은 2019년 4월 18일부터 2019년 6월 2일까지, 총 6주에 걸쳐 온라인 교육 프로그램에 참여하였으며, 이들에게 제공된 온라인 학습 콘텐츠는 PBL의 원리에 따라 e-Book 형태로 개발된 교육 프로그램이었다. 이 프로그램은 총 3차시의 PBL 모듈(module)로 진행되었고, 각 모듈은 하나의 학습 주제에 대한 3단계의 학습활동(문제탐색, 개념학습, 문제해결)을 제시하는 e-Book으로 구성되었다.
이 데이터는 해당 온라인 PBL이 운영된 6주 동안 수집되었으며, 이로부터 학습자의 온라인 학습행태를 나타내는 48개의 변인이 추출되었다().
이 연구를 위해 온라인 PBL이 운영되고 있는 K 대학의 학습관리시스템(LMS)에 수집된 온라인 학습활동 데이터가 활용되었다. 이 데이터는 해당 온라인 PBL이 운영된 6주 동안 수집되었으며, 이로부터 학습자의 온라인 학습행태를 나타내는 48개의 변인이 추출되었다(<표 3>).
데이터처리
첫 번째 단계에서는 군집 내의 편차들의 제곱합을 고려하여 군집 구분으로 인한 정보의 손실을 최소화하는 와드 기법(Ward's method)을 기반으로 계층적 군집 분석을 시행하였다[32]. 그 결과 얻어진 덴드로그 램을 통해 적절한 군집의 수가 결정되었으며, 일원 배치 분산분석(one-way analysis of variance)을 통해 결정된 군집의 수가 적절한지 검증하였다. 두번째 단계에서는 일원배치 분산분석의 사후분석 (Bonferroni)을 통해 군집으로 구분된 각각의 학습 유형이 학습행태에 있어서 어떠한 특징을 가지는지 조사하였다.
기술통계를 포함한 LMS 데이터의 전반적인 처리와 군집분석, 그리고 학습경로 분석은 주피터 노트북 환경에서 Python 3.7.3 커널에 scikit-learn, statsmodels, SciPy 등의 패키지를 사용하여 진행 하였으며, 일원배치 분산분석 및 사후분석을 위해서는 SPSS 23.0이 사용되었다.
도출된 군집의 적절성을 검증하고자 일원배치 분산분석을 수행하였으며, 그 결과 일부 변인을 제외한 모든 변인에 대해 군집 간 유의미한 차이가 확인되었다().
이론/모형
본 연구에서는 온라인 PBL 참여하는 학습자들의 온라인 학습행태에 따른 온라인 학습유형을 도출하기 위해 계층적 군집분석 기법(hierarchical cluster analysis)을 활용하였다.
분석절차는 다음과 같다. 우선, Hair와 Black(2000)이 제안한 군집분석 과정에 따라, 2단계에 걸쳐 군집분석이 진행되었다[31]. 첫 번째 단계에서는 군집 내의 편차들의 제곱합을 고려하여 군집 구분으로 인한 정보의 손실을 최소화하는 와드 기법(Ward's method)을 기반으로 계층적 군집 분석을 시행하였다[32].
첫 번째 단계에서는 군집 내의 편차들의 제곱합을 고려하여 군집 구분으로 인한 정보의 손실을 최소화하는 와드 기법(Ward's method)을 기반으로 계층적 군집 분석을 시행하였다[32].
성능/효과
각 학습유형의 PBL 참여 행태를 살펴보면, PBL 모듈 1을 제외하고는 세 유형 모두 개념학습에 대체로 가장 많은 참여를 보였는데, 이는 학습자들이 제시된 문제를 이해하고 해결하기 위해 필요한 개념학습에 대체로 가장 많은 시간을 사용하고 있음을 보여주는 것이라 할 수 있다.
다음으로 하나의 문제기반학습 모듈을 구성하는 각각의 e-Book(문제탐색-개념학습-문제해결)에 대한 학습 행동의 패턴 면에서도 군집별 차이를 확인할 수 있었다. 군집 1의 학습자들은 전반적으로 건너뛰기를 적게 하고 반복학습과 복습을 많이 했던 반면, 나머지 군집의 학습자들은 그렇지 않은 학습 행태를 보이는 것으로 나타났다.
연구문제 3과 관련하여, 온라인 학습유형에 따른 군집별 학업성취도의 차이를 비교 분석하였다(<표 5>). 그 결과, 군집 1의 학업성취도가 평균 83.26(SD=11.94)로 가장 높았고, 군집 3이 평균 65.93(SD=19.64)로 가장 낮았다. 이러한 군집 간의 학업성취도 차이는 사후 분석을 통해 모두 통계 적으로 유의미한 수준이라는 것을 확인할 수 있었다(F (2, 1338) = 78.
PBL 단계 간에 학습참여 행태를 살펴보면 앞서 학습일수 및 횟수와 마찬가지로 모듈 1을 제외하고는 전반적으로 모든 군집에서 개념학습 단계에 대한 반복학습이 문제탐색이나 문제해결 단계보다 높게 나타났다. 그리고 군집별로 살펴보면 고수준 집단의 경우 모든 단계의 e-Book에 대해 한번 학 습하고 1회 이상의 반복학습을 하지만, 중수준과 저수준 집단은 모든 단계의 e-Book에 대한 반복 학습 횟수가 1을 밑도는 것으로 나타났다. 이것은 고수준 학생의 경우 PBL의 각 단계를 학습할 때 한 번에 2번 이상 학습함을 의미한다.
다음으로 하나의 문제기반학습 모듈을 구성하는 각각의 e-Book(문제탐색-개념학습-문제해결)에 대한 학습 행동의 패턴 면에서도 군집별 차이를 확인할 수 있었다. 군집 1의 학습자들은 전반적으로 건너뛰기를 적게 하고 반복학습과 복습을 많이 했던 반면, 나머지 군집의 학습자들은 그렇지 않은 학습 행태를 보이는 것으로 나타났다.
마지막으로 복습 면에서 대부분의 e-Book에서 군집 1이 가장 높은, 군집 3이 가장 낮은 횟수를 보여주었다. 이러한 차이는 가장 마지막에 제시된 모듈 3의 문제해결 단계를 제외하곤 모두 유의미한 수준으로 확인되었다(F (2, 1338) = 16.
이를 위해 강의 비디오, 읽기 자료, 형성평가, 총괄평 가 등으로 구성된 온라인 강좌에서 학습행동의 순서를 분석하고, 성적 최상위와 최하위 집단 간에 학습행동 유형을 비교하고자 하였다. 분석 결과 학생들은 형성평가를 활용한 점검 대신 비디오 시청, 학습자료 읽기 및 브라우징, 총괄평가 참여 등 수동적인 학습전략을 활용하는 경향이 있었으며, 특히 성적 최상위 학생들은 모든 유형의 학습 활동에 비교적 동일하게 참여하는 것으로 나타났으나, 최하위 집단은 총괄평가에 집중적으로 참여하는 것으로 나타났다[7]. Juhaňák 외(2019)는 LMS(learning management system) 내에서 다양한 유형의 온라인 퀴즈 활동에서 학습자의 행동 및 상호작용 패턴을 탐색하고자 하였다.
이를 위해 문제탐색, 개념학습, 문제해결 각 단계에 대한 학습일수, 학습횟수, 단계별 건너뛰기, 반복, 복습횟수 등을 변인으로 투입하여 군집분석을 실시하였다. 분석결과 학습자의 참여수준에 따라 총 3개의 학습유형(고수준, 중 수준, 저수준 학습참여형)이 나타났다. 고수준 학습 참여형(군집 1)은 학습기간, 학습일수, 학습횟수 모든 면에서 참여 시간과 빈도가 모두 높게 나타난 유형이며, 저수준 학습참여형(군집 3)은 가장 낮게 나타난 유형이었다.
연구문제 1과 관련하여, 학습자의 온라인 학습행태를 나타내는 48개의 변인()을 기반으로 계층적 군집분석을 시행한 결과, 총 3개의 군집이 도출되었다.
즉, 군집 간에 PBL의 학습양상의 차이는 반복학습과 각 단계를 오가는 복습의 횟수에서 보듯이 PBL의 전반적인 학습과정은 유사하지만, 참여의 양에서는 유의미하고 분명한 차이를 보였다. 예컨대, PBL에 서 높은 성취도를 보이는 학습자들은 전반적인 학 습 일수와 학습 횟수가 많을 뿐만 아니라 건너뛰기 횟수는 적고 반복과 복습 횟수는 유의미하게 많은 특성이 나타났다. 이것은 그간 보고된 PBL의 학습 효과가 바로 학습자가 문제해결을 위해 문제와 학 습내용을 얼마나 더 많이 읽고, 더 오래 학습했는지에 의해 설명됨을 보여준다.
학습참여 수준 간에 뚜렷한 군집화가 나타났음에도 불구하고 PBL에서 각 요소별 학습 순서는 건너 뛰는 경향이 거의 없이 순차적으로 학습이 이루어짐을 보여주었다. 유형별로 건너뛰기 경향은 학습 참여 수준이 높을수록 낮았으며, 저수준 참여유형 집단의 경우 고, 중수준 참여유형에 비해 건너뛰기 횟수가 유의미하게 많은 것으로 나타났다.
이 결과를 바탕으로 3개의 군집의 특성을 비교한 결과, 이들은 학습활동 혹은 학습참여 수준이라고 할 수 있는 변인들에 차이가 있음을 확인할 수 있었고, 이에 각 집단은 ‘고수준 학습참여형(군집 1)’, ‘중수준 학습참여형 (군집 2)’, 그리고 ‘저수준 학습참여형(군집 3)’으로 명명하였다.
정리하면, 본 연구의 결과 PBL 학습에서 학습자의 학습행태는 학습과정에서 차이가 나기보다는 학습의 양에서 명백하게 구분됨을 알 수 있었다. 즉, 군집 간에 PBL의 학습양상의 차이는 반복학습과 각 단계를 오가는 복습의 횟수에서 보듯이 PBL의 전반적인 학습과정은 유사하지만, 참여의 양에서는 유의미하고 분명한 차이를 보였다.
정리하면, 본 연구의 결과 PBL 학습에서 학습자의 학습행태는 학습과정에서 차이가 나기보다는 학습의 양에서 명백하게 구분됨을 알 수 있었다. 즉, 군집 간에 PBL의 학습양상의 차이는 반복학습과 각 단계를 오가는 복습의 횟수에서 보듯이 PBL의 전반적인 학습과정은 유사하지만, 참여의 양에서는 유의미하고 분명한 차이를 보였다. 예컨대, PBL에 서 높은 성취도를 보이는 학습자들은 전반적인 학 습 일수와 학습 횟수가 많을 뿐만 아니라 건너뛰기 횟수는 적고 반복과 복습 횟수는 유의미하게 많은 특성이 나타났다.
한편, 각 모듈의 모든 군집에 대한 복습횟수와 반복학습 횟수를 비교해 보면, 문제탐색과 개념학습 단계에서는 복습횟수가 반복학습 횟수보다 높은 반면, 문제해결 단계에서는 비록 반복 및 복습횟수가 전반적으로 낮기는 하지만 상대적으로 반복학습이 복습보다 높음을 알 수 있다. 이것은 학생들이 대체로 문제탐색과 개념학습 단계에 대해 더 많이 학습하지만 한 번에 반복하기보다는 앞뒤를 오가며 복습하는 방식으로 더 많이 학습하는 반면, 문제해결 단계에 대해서는 복습보다는 반복학습을 조금 더 많이 수행하고 있음을 보여준다.
후속연구
그러나 온라인 PBL은 학습자의 모든 학습행동이 기록으로 남기 때문에 구체적인 학습행태 연구를 수행하기가 용이하다. 따라서 앞으로 온라인 PBL을 활용한 학습행태 분석 연구가 더 활발하게 이루어짐으로써 어떤 학습행동이 그러한 학습효과를 가져오는지 계속해서 구체적으로 밝혀져야 할 것이다.
또한, 본 연구를 통해 파악된 온라인 PBL 참여 학생들의 학습행태를 기반으로 차별화된 학습지원 전략을 도출할 수 있을 것이다. 예를 들어 학습 수행의 양이 적고 빈도가 낮은 학습자를 대상으로 학습참여를 독려하는 개별적인 피드백을 제공하고, 수강해야 할 e-Book 목록 및 일정 등을 일목요연하게 제공함으로써 학습참여 계획을 구체적으로 수립하도록 도움을 줄 수 있을 것이다.
뿐만 아니라, 빈번하게 건너뛰기를 함으로써 학습에서 누락되거나 학습횟수가 부족한 e-Book 콘텐츠에 대해 이를 우선적으로 수강 또는 복습하도록 안내해 줄 수 있을 것이다. 아울러 이러한 차별화된 교수학습 지원 전략은 적응적 교수학습 지원시스템을 구축하기 위한 기본적인 아이디어로 활용될 수 있을 것이다.
즉, 온라인 학습활동에 학습자가 어떤 순서로 참여하는지를 모델링 할 수 있는 방법을 제공한다. 이에 후속 연구에서는 프로세스 분석 접근을 통해 학습자가 PBL은 문제해결의 과정에 어떻게 참여하는지, 보다 심층적인 분석을 해볼 수 있을 것이다.
본 연구에서는 이러한 제한점을 넘어서기 위해 학습분석 방법을 적용하여 학습자의 실제 PBL 단계별 학습참여 행태를 직접적으로 분석함으로써, 학습행태를 분석하기 위한 구체적 방법으로서 학습분석적 접근의 가능성을 제시하였다. 추후 이러한 시도는 다양한 학습의 맥락에서 학습 행태를 분석하는데 기초적인 아이디어를 제공할 수 있을 것이다.
하지만, 본 연구에 참여한 학습자는 온라인 PBL 교육에 흥미와 재능을 가지고 자발적으로 참여했다는 점에서 연구의 결과를 모든 온라인 PBL의 학습행동에 일반화시켜 해석하는 데에는 무리가 따를 수 있다. 추후, 반복연구를 통해 본 연구의 결과를 일반화시키거나 차별화된 연구결과를 얻을 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
문제기반학습은 어떤 수업 방법인가?
문제기반학습(Problem-based learning, 이하 PBL)은 학습자들에게 문제를 제시하고, 학습자들이 문제를 해결하는 과정에서 학습이 이루어지는 수업방법이다. 선행연구에 따르면, PBL의 학습과정은 문제상황 제시, 가설설정 및 학습계획, 문제해결활동, 결과발표 및 평가의 단계[1] 혹은 문제제시, 해결 방안 탐색 및 학습, 문제해결, 발표 및 평가의 단계 등으로 제시되고[2], 문제해결과 같은 고차적인 사고력은 물론 학습동기를 높이는 데도 효과적인 것으로 보고되고 있다.
PBL의 학습효과 및 관련 변인들 간의 관계를 면대면 PBL과 온라인 PBL로 나누어 살펴보면?
먼저 면대면 PBL의 연구결과를 보면, PBL은 인지적 측면에서 학생들의 문제해결력, 비판적 사고력, 설명력, 정보화능력, 지식의 전이와 활용, 학업성취도 등을 포함하는 다양한 능력의 향상에 기여하고, 협동심, 학습동기, 학습태도나 학습 흥미 등의 동기적 측면에도 긍정적인 영향을 미치는 것으로 나타났다[16][17]. 또 학생들의 초인지와 비판적 사고능력을 향상하고, 자기주도학습을 유발하는 것으로 보고되고 있다[18][19].
다음으로 온라인 PBL 연구들도 학업성취는 물론, 비구조화된 문제는 문제해결력과 탐구능력에 긍정적으로 영향을 주는 것으로 나타났으며, 심층 학습과 자기주도학습에도 영향을 주는 것으로 보고되었다[20][21][22][23][24]. 또한, 면대면 강의식 학습에 비해 온라인 PBL에서 학생들은 이해와 통합 위주의 학습을 하는 것으로 보고되었다[25].
학습행동 모델링은 무엇을 파악하고자 수행되는가?
이 중 학습행동 모델링은 학습전략 활용행태, 정서 및 메타인지 행동 등을 파악하고자 수행되는데, 이러한 접근은 학습자의 인식이나 회상에 기반한 기존의 자기 보고식 설문과 달리 학습자의 실제 행동을 직접적으로 분석할 수 있는 방법이라는 점에 서 주목받고 있다[3][7]. 즉, 온라인 학습 과정에서 실제 무슨 일이 일어나는지, 즉 학생들이 어떻게 행동하고 어떻게 학습자료에 접근하는지, 학습활동 에 어떻게 참여하는지 등 학습행태에 대한 이해를 가능케 한다[4].
참고문헌 (34)
Barrows, H.S., &Myers, A. C. (1993). Problem based learning in secondary schools. Unpublished monograph. Springfield, IL: Problem Based Learning Institute. Lanphier High School and Southern Illinois University Medical School.
홍기칠 (2009). 자기주도학습력 수준에 따른 문제중심학습의 효과. 사고개발, 5(2), 25-48.
Papamitsiou, Z., &Economides, A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49-64.
Juhanak, L., Zounek, J., &Rohlikova, L. (2019). Using process mining to analyze students' quiz-taking behavior patterns in a learning management system. Computers in Human Behavior, 92, 496-506.
Kuo, Y., Luo, J., &Brielmaier, J. (2015). Investigating students' use of lecture videos in online courses: A case study for understanding learning behaviors via data mining. Advances in Web-Based Learning-ICWL 2015, 231-237.
Shimada, A., Okubo, F., Yin, C., Terai, M., Kentaro, K., Yamada, M., &Ogata, H. (2015). Analysis of preview behavior in e-Book system. Workshop Proceedings of the 23rd International Conference on Computers in Education, ICCE 2015, 593-600.
Jovanovic, J., Gasevic, D., Dawson, S., Pardo, A., &Mirriahi, N. (2017). Learning Analytics to Unveil Learning Strategies in a Flipped Classroom. The Internet and Higher Education, 33, 74-85.
Blikstein, P., Worsley, M., Piech, C., Sahami, M., Cooper, S., & Koller, D. (2014). Programming pluralism: using learning analytics to detect patterns in the Learning of Computer Programming. Journal of the Learning Sciences, 23(4), 561-599.
Antonenko, P. D., Toy, S., &Niederhauser, D. S. (2012). Using cluster analysis for data mining in educational technology research. Educational Technology Research and Development, 60(3), 383-398.
Barrows, H. S., &Tamblyn, R. M. (1980). Problem based learning: An approach to medical education. New York: Springer Publishing Company.
조연순 (2006). 문제중심학습의 이론과 실제. 서울: 학지사
Fogarty, R. (1997). Problem-based learning & other curriculum models for the multiple intelligences classroom. Arlington eights. IL: IRI SkyLight.
Yeo, J. (2015). Building theory-practice nexus in pre-service physics teacher education through problem-based learning. Walker, A., Leary, H., Hmelo-Silver, C.E. & Ertmer, P.A. (Ed.) Essential readings in Problem Based Learning. Purdue University Press. West Lafayette, Indiana.
장경원 (2006). 온라인 PBL에서 학습자들의 문제해결 활동 특성 분석. 교육정보미디어연구, 12(3), 33-63.
Schmidt, H. G., Rotgans, J. I., &Yew, E H. (2011). The process of problembased learning: what works and why. Medical Education 45, 792-806.
Atan, H., Sulaiman, F. &Idrus, R. M.(2005). The effectiveness of problem-based learning in the web-based environment for the delivery of an undergraduate physics course. International Education Journal, 6(4), 430-437.
김경현.정미경.최운필 (2005). 웹 기반 문제중심학습 프로그램 개발과 학업성취에 미치는 효과분석. 한국정보교육학회, 9(1), 1-14.
성은모.최욱 (2006). 인터넷 활용 문제중심 탐구학습이 학습자들의 탐구능력, 학업성취도 및 파지에 미치는 효과. 교육정보미디어연구, 12(2), 129-159.
Uribe, D., Klein, J. D. &Sullivan, H. (2003). The effect of computer-mediated collaborative learning on solving ill-defined problems. Educational Technology, Research and Development, 51(1), 5-19.
Lee, S., Chae, Y., &Choi K. (2019). Learners' perceptions and experiences of using e-textbooks in online learning environment. Educational Technology International, 20(2), 195-221.
이인경 (1997). 강의기반 학습과 문제기반 학습에 있어서의 학습전략에 관한 연구. 교육공학연구, 13(2), 241-261.
Siemens, G., &Long, P. (2011). Penetrating the fog-analytics in learning and education. Educause Review, 46(5), 30-32.
Berland, M., Martin, T., Benton, T., Smith, C. P., & Davis, D. (2013). Using Learning Analytics to Understand the Learning Pathways of Novice Programmers. Journal of the Learning Sciences, 22(4), 564-599.
Hastie, T., Tibshirani, R., Friedman, J., &Franklin, J. (2005). The elements of statistical learning: data mining, inference and prediction. The Mathematical Intelligencer, 27(2), 83-85.
Langfelder, P., Zhang, B., &Horvath, S. (2007). Defining clusters from a hierarchical cluster tree: the dynamic tree cut package for R. Bioinformatics, 24(5), 719-720.
Hair, J. F., &Black, W. C. (2000). Cluster analysis. In L. G. Grim & P. R. Yarnold (Eds.), Reading and Understanding More Multivariate Statistics. (pp. 147-205). Washington, DC: Psychological Association.
Ward, J. H. (1968). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58, 236-244.
You, J. W. (2015). Examining the effect of academic procrastination on achievement using LMS data in e-learning. Educational Technology & Society, 18(3), 124-134.
Cho, M. &You, J. S. (2017). Exploring online students' self-regulated learning with self-reported surveys and log files: a data mining approach. Interactive Learning Environment, 25(8), 970-982.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.