$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

전문가의 형태소 분류를 활용한 과학 논증 자동 채점
Automated Scoring of Scientific Argumentation Using Expert Morpheme Classification Approaches 원문보기

한국과학교육학회지 = Journal of the Korean association for science education, v.40 no.3, 2020년, pp.321 - 336  

이만형 (한국교원대학교) ,  유선아 (한국교원대학교)

초록
AI-Helper 아이콘AI-Helper

본 연구는 실제 교실에서 이루어진 학생의 과학 논증과정을 기계학습을 활용한 자동 채점에 적용함으로써, 논증 자동 채점의 가능성 및 개선 방향을 탐색한다. 분자 구조에 대한 고등학생의 과학 논증수업 중 발생한 2,605개의 모든 발화를 대상으로 연구를 진행하였다. 지도 학습을 위해 5가지의 논증 요소로 발화를 분류하였고, 분류된 발화를 대상으로 텍스트 전처리를 수행하였다. 전처리된 학생 발화를 활용하여 서포트 벡터 머신, 의사결정나무, 랜덤 포레스트, 인공신경망의 기계 학습 방법으로 자동 채점 모델을 구성하였다. 불용어 처리가 되지 않은 학생 발화를 활용한 자동 채점의 결과 랜덤 포레스트의 정확도는 65.96%, kappa는 0.5298의 유미한 결과를 얻었다. 불용어 처리를 수행한 학생 발화를 활용한 새로운 채점 모델의 결과 채점의 정확도가 크게 변화하지 않음에도 논증 발화 중 과학 용어 및 논증 요소의 담화표지가 채점 모델의 분류 기준이 되는 결과를 얻었다. 또한 인간 전문가의 논증 채점 과정을 분석하여 얻어진 전문가 형태소를 자동 채점 모델에 생성 규칙 알고리즘으로 적용하였다. 그 결과 의사결정나무에서 반박에 대한 재현율(recall)이 21.74% 증가하였다. 이에 본 연구 결과는 과학 교육 연구에서 기계 학습 및 논증에 대한 자동 채점의 활용 가능성과 연구 방향성을 제안하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We explore automated scoring models of scientific argumentation. We consider how a new analytical approach using a machine learning technique may enhance the understanding of spoken argumentation in the classroom. We sampled 2,605 utterances that occurred during a high school student's science class...

주제어

#과학적 논증   #자동 채점   #기계 학습   #과학적 용어   #전문가 시스템  

표/그림 (26)

질의응답

핵심어 질문 논문에서 추출한 답변
과학적 의사소통으로써 논증이란 무엇인가? 과학적 의사소통으로써 논증이란 단순히 과학적 용어를 나열하고 교과 지식의 참과 거짓을 논하는 것이 아니다. 논증은 사회적 상호작용에서 이루어지는 실천적 행위로써(Driver, Newton, & Osborne, 2000), 증거를 얻고 사용하는 과정 속에서 대화를 활용하여 설명과 예측을 개발하고 자신의 합리적 신념체계를 구축해가는 활동이다 (Duschl, 2008). 그러므로 논증을 통한 과학수업은 증거에 기반한 과학적 설명을 만들고 평가할 수 있는 능력과 과학적 설명을 정당화할 수 있는 능력을 개발해야 한다(Kang, & Lee, 2013).
전문가 시스템 중 가장 널리 사용되는 규칙기반 전문가 시스템(rule-based expert system)의 장점은 무엇인가? 전문가 시스템 중 가장 널리 사용되는 규칙기반 전문가 시스템(rule-based expert system)은 지식을 생성 규칙의 집합으로 표현하여 문제를 해결하는 시스템이다(Negnevitsky, 2005). 불확실성을 지닌 문제에서 휴리스틱 알고리즘의 사용은 정확도와 정밀도의 손실을 초래할 수도 있지만, 전문가의 경험적 지식을 통해 문제를 빠르고 효율적으로 해결할 수 있다는 장점이 있다(Negnevitsky, 2005; Russell, & Norvig, 2016).
논증을 통한 과학수업은 어떠한 능력을 개발해야 하는가? 논증은 사회적 상호작용에서 이루어지는 실천적 행위로써(Driver, Newton, & Osborne, 2000), 증거를 얻고 사용하는 과정 속에서 대화를 활용하여 설명과 예측을 개발하고 자신의 합리적 신념체계를 구축해가는 활동이다 (Duschl, 2008). 그러므로 논증을 통한 과학수업은 증거에 기반한 과학적 설명을 만들고 평가할 수 있는 능력과 과학적 설명을 정당화할 수 있는 능력을 개발해야 한다(Kang, & Lee, 2013).
질의응답 정보가 도움이 되었나요?

참고문헌 (62)

  1. Ah, H. Y. (2018). A Study of Counter-Arguments as Observed in Debate of High School Students (Unpublished Master's Thesis). Pusan national university, Pusan. 

  2. Baek, Y. K. (1989). The Educational Potentials of Expert Systems. Journal of Educational Technology, 5(1), 79-91. 

  3. Beggrow, E. P., Ha, M., Nehm, R. H., Pearl, D., & Boone, W. J. (2014). Assessing scientific practices using machine-learning methods: How closely do they match clinical interview performance?. Journal of Science education and Technology, 23(1), 160-182. 

    상세보기

  4. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32. 

  5. Bridgeman, B., Trapani, C., & Attali, Y. (2012). Comparison of human and machine scoring of essays: Differences by gender, ethnicity, and country. Applied Measurement in Education, 25(1), 27-40. 

    상세보기

  6. Buchanan, B. G., & Feigenbaum, E. A. (1980). The stanford heuristic programming project: Goals and activities. AI Magazine, 1(1), 25-30. 

  7. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297. 

    상세보기

  8. Cho, H. S., & Nam, J. (2014). The impact of the argument-based modeling strategy using scientific writing implemented in middle school science. Journal of the Korean Association for Science Education, 34(6), 583-592. 

  9. Driver, R., Newton, P., & Osborne, J. (2000). Establishing the norms of scientific argumentation in classrooms. Science education, 84(3), 287-312. 

  10. Duschl, R. (2008). Science education in three-part harmony: Balancing conceptual, epistemic, and social learning goals. Review of research in education, 32(1), 268-291. 

    상세보기

  11. Engin, G., Aksoyer, B., Avdagic, M., Bozanli, D., Hanay, U., Maden, D., & Ertek, G. (2014). Rule-based Expert Systems for Supporting University Students. Procedia Computer Science, 31, 22-31. 

    상세보기

  12. Erduran, S., Simon, S., & Osborne, J. (2004). TAPping into argumentation: Developments in the application of Toulmin's argument pattern for studying science discourse. Science education, 88(6), 915-933. 

  13. Fernandez-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems?. The journal of machine learning research, 15(1), 3133-3181. 

  14. Giarratano, J. C., & Riley, G. (1998). Expert systems: Principles and programming. Boston: PWS. 

  15. Ha, M. (2016). Scoring Korean Written Responses Using English-Based Automated Computer Scoring Models and Machine Translation: A Case of Natural Selection Concept Test. Journal of The Korean Association For Science Education, 36(3), 389-397. 

  16. Ha, M., Lee, G.-G., Shin, S., Lee, J.-K., Choi, S., Choo, J., Kim, N., Lee, H., Lee, J., Lee, J., Jo, Y., Kang, K., & Park, J. (2019). Assessment as a Learning-Support Tool and Utilization of Artificial Intelligence: WA3I Project Case. School Science Journal, 13(3), 271-282. 

  17. Jimenez-Aleixandre, M. P., Bugallo Rodriguez, A., & Duschl, R. A. (2000). "Doing the lesson" or "doing science": Argument in high school genetics. Science Education, 84(6), 757-792. 

  18. Jun, C.-H. (2015). Data mining techniques. Seoul: Hannarea Publishing Co. 

  19. Kang, N.-H., & Lee, E. K. (2013). Argument and argumentation: A review of literature for clarification of translated words. Journal of The Korean Association For Science Education, 33(6), 1119-1138. 

  20. Kang, S. M., Kwak, K. H., & Nam, J. H. (2006). The effects of argumentation-based teaching and learning strategy on cognitive development, science concept understanding, science-related attitude, and argumentation in middle school science. Journal of the Korean Association for Science Education, 26(3), 450-461. 

  21. Kelly, G. J., Druker, S., & Chen, C. (1998). Students' reasoning about electricity: Combining performance assessments with argumentation analysis. International journal of science education, 20(7), 849-871. 

    상세보기

  22. Kevin P. Murphy. (2012). Machine Learning: A Probabilistic Perspective. Cambridge, MA: The MIT Press. 

  23. KICE(Korea Institute Of Curriculum & Evaluation). (2006). A Study on the Development and Introduction of an Automated Scoring Program(RRI 2006-6). Retrieved from http://kice.re.kr/resrchBoard/view.do?seq19388&skice&m030102 

  24. Kil, H.-h. (2018). The Study of Korean Stopwords list for Text mining. The Korean Language and Literature, 78, 1-25. 

  25. Kim, M., & Ryu, S. (2019). Development of Scientific Conceptual Understanding through Process-Centered Assessment that Visualizes the Process of Scientific Argumentation. Journal of the Korean Association for Science Education, 39(5), 651-668. 

  26. Kim, S. J. (2019). A Study on the Extraction and Validation of Automatic Argumentative Writing Scoring Feature Using Text Mining (Unpublished Master's Thesis). Korea national university of education, Chung-Buk. 

  27. KOFAC (Korea Foundation for the Advancement of Science & Creativity) (2019). Scientific Literacy for All Koreans, Korean Science Education Standards for the Next Generation. Seoul: KOFAC. 

  28. Kwon, J.-S., & Kim, H.-B. (2016). Exploring small group argumentation shown in designing an experiment: Focusing on students' epistemic goals and epistemic considerations for activities. Journal of the Korean Association for Science Education, 36(1), 45-61. 

  29. Lantz, B. (2013). Machine learning with R. Birmingham, UK: Packt Publishing Ltd. 

  30. Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159-174. 

    상세보기

  31. Lee, D., Yeon, J., Hwang, I., & Lee, S. (2010). KKMA: A tool for utilizing sejong corpus based on relational database. Journal of KIISE: Computing Practices and Letters, 16(11), 1046-1050. 

  32. Lee, G.-G., Ha, H., Hong, H.-G., & Kim, H.-B. (2018). Exploratory Research on Automating the Analysis of Scientific Argumentation Using Machine Learning. Journal of The Korean Association For Science Education, 38(2), 219-234. 

  33. Lee H.-J., & Park Y.-M. (2019). A Study on the Search for Automatic Scoring Variables by Comparison of Text Studies Using Natural Language Processing. The research in writing, 41, 255-287. 

  34. Lee, H.-S., Pallant, A., Pryputniewicz, S., Lord, T., Mulholland, M., & Liu, O. L. (2019). Automated text scoring and real-time adjustable feedback: Supporting revision of scientific arguments involving uncertainty. Science Education, 103(3), 590-622. 

  35. Lee, S., & Nam, J. (2016). Impact of Student Assessment Activities on Reflective Thinking in High School Argument-Based Inquiry. Journal of The Korean Association For Science Education, 36(2), 347-360. 

  36. Lee, S., & Nam, J. (2018). Impact of Student Assessment Activities on Claim and Evidence Formation in High School Argument-Based Inquiry. Journal of the Korean Chemical Society, 62(3), 203-213. 

  37. Linn, M. C., Gerard, L., Ryoo, K., McElhaney, K., Liu, O. L., & Rafferty, A. N. (2014). Computer-guided inquiry to improve science learning. Science, 344(6180), 155-156. 

    상세보기

  38. Liu, O. L., Rios, J. A., Heilman, M., Gerard, L., & Linn, M. C. (2016). Validation of automated scoring of science assessments. Journal of Research in Science Teaching, 53(2), 215-233. 

    상세보기

  39. Mao, L., Liu, O. L., Roohr, K., Belur, V., Mulholland, M., Lee, H. S., & Pallant, A. (2018). Validation of automated scoring for a formative assessment that employs scientific argumentation. Educational Assessment, 23(2), 121-138. 

    상세보기

  40. Martin, T., & Sherin, B. (2013). Learning analytics and computational techniques for detecting and evaluating patterns in learning: An introduction to the special issue. Journal of the Learning Sciences, 22(4), 511-520. 

    상세보기

  41. McNeill, K. L., Lizotte, D. J., Krajcik, J., & Marx, R. W. (2006). Supporting students' construction of scientific explanations by fading scaffolds in instructional materials. The Journal of the Learning Sciences, 15(2), 153-191. 

    상세보기

  42. McNeill, K. L., & Krajcik, J. (2007). Middle school students' use of appropriate and inappropriate evidence in writing scientific explanations. In M. Lovett, & P. Shah (Eds.), Thinking with data: The proceedings of 33rd Carnegie symposium on cognition. Mahwah, NJ: Erlbaum. 

  43. Negnevitsky, M. (2005). Artificial Intelligence: A Guide to Intelligent Systems. Harlow: Addison-Wesley. 

  44. Nehm, R. H., Ha, M., & Mayfield, E. (2012). Transforming biology assessment with machine learning: automated scoring of written evolutionary explanations. Journal of Science Education and Technology, 21(1), 183-196. 

    상세보기

  45. Ong, N., Litman, D., & Brusilovsky, A. (2014). Ontology-based argument mining and automatic essay scoring. In Proceedings of the First Workshop on Argumentation Mining (pp. 24-28). Baltimore, MD. 

  46. Osborne, J., Erduran, S., & Simon, S. (2004). Enhancing the quality of argumentation in school science. Journal of research in science teaching, 41(10), 994-1020. 

    상세보기

  47. Park, C., Kim, Y, Kim, J, Song, J., & Choi, H. (2015). R data mining. Seoul: Kyowoo. 

  48. Park, E. L., & Cho, S. (2014). KoNLPy: Korean natural language processing in Python. In Proceedings of the 26th Annual Conference on Human & Cognitive Language Technology (pp. 133-136). Chuncheon, Korea. 

  49. Park, J., & Kim, H.-B. (2018). Exploring Teachers' Responsive Teaching Practice in Argumentation-Based Science Classroom: Focus on Structural and Dialogical Aspects of Argument. Journal of The Korean Association For Science Education, 38(1), 69-85. 

  50. Ripley, B., & Venables, W. (2020). Package 'nnet'. R package version, 7.3-14. Retrieved April 28, 2020, from https://cran.r-project.org/web/packages/nnet 

  51. Russell, S., & Norvig, P. (2016). Artificial intelligence: A modern approach. Harlow: Pearson. 

  52. Sampson, V., & Clark, D. B. (2008). Assessment of the ways students generate arguments in science education: Current perspectives and recommendations for future directions. Science education, 92(3), 447-472. 

  53. Shen, L. (2019). A Study on Functions of Korean Discourse Markers (Unpublished Doctoral Dissertation). Yonsei University, Seoul. 

  54. Shin, H. S. & Kim, H.-J. (2012). Development of the Analytic Framework for Dialogic Argumentation Using the TAP and a Diagram in the Context of Learning the Circular Motion. Journal of the Korean Association for Science Education, 32(5), 1007-1026. 

  55. Simon, S., Erduran, S., & Osborne, J. (2006). Learning to teach argumentation: Research and development in the science classroom. International journal of science education, 28(2-3), 235-260. 

  56. Song, J., Kang, S. J., Kwak, Y., Kim, D., Kim, S., Na, J., ... & Son, Y. A. (2019). Contents and Features of' Korean Science Education Standards (KSES)'for the Next Generation. Journal of The Korean Association For Science Education, 39(3), 465-478. 

  57. Song, M.-Y., Noh, E.-H., & Sung, K.-H. (2016). Analysis on the Accuracy of Automated Scoring for Korean Large-scale Assessments. The Journal of Curriculum and Evaluation, 19(1), 255-274. 

    상세보기

  58. Toulmin, S. (1958). The uses of argument. Cambridge, UK: Cambridge University Press. 

  59. Yang, I. H., Lee, H. J., Lee, H. N., & Cho, H. J. (2009). The development of rubrics to assess scientific argumentation. Journal of The Korean Association For Science Education, 29(2), 203-220. 

  60. Yoo, J. E. (2015). Random forests, an alternative data mining technique to decision tree. Journal of Educational Evaluation, 28(2), 427-448. 

  61. Yoo. J. E. (2019). Machine Learning for Large-scale/Panel Data and Learning Analytics Data Analysis. Journal of Educational Technology, 35(2), 313-338. 

  62. Zohar, A., & Nemet, F. (2002). Fostering students' knowledge and argumentation skills through dilemmas in human genetics. Journal of Research in Science Teaching: The Official Journal of the National Association for Research in Science Teaching, 39(1), 35-62. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로