[논문]k-NN 기법을 이용한 학습자의 학습 행위 데이터의 이상치 분석

윤태복; 정영모; 이지형; 차현진; 박선희; 김용세

문제 정의

본 논문은 학습자의 학습 과정에서 수집된 학습 행위 데이터를 이용하여 학습자의 성향을 진단하는 DOLLS-HI(Diagnosis of Learner’s Learning Styles Housing Interior)[2][3][4]를 소개한다.
본 논문은 학습자의 학습과정에서 얻은 학습 행위 데이터를 분석하여 학습자의 학습 성향을 진단하는 방법을 소개하였다. 홈 인테리어 컨텐츠 기반한 DOLLS-HI를 이용하여 학습 데이터를 수집하고 의사 결정 트리를 이용하여 진단 모델을 만들었다.

가설 설정

학습 환경은 학습자의 학습 성향에 주요한 영향을 미친다. 동일한 컨텐츠를 제공하고 아주 짧은 시간과 아주 긴 시간 두 가지 경우의 학습 제한 시간이 주어진다고 가정하자. 이때 학습자는 본래 자기가 가지고 있는 학습 성향을 뒤로하고 시간이란 요소에 억매여 학습 데이터를 만들어낸다.
남아 있는 데이터 집합에 불일치 되거나, 심하게 다른 데이터 객체들을 이상치라고 부른다[5]. 이상치들은 측정이나 인위적인 실행 오류에 의해 발생할 수 있는데, 예를 들어 지능형 문제 시스템이 있다고 가정하자. 문제 풀이 과정으로부터 학습자의 학습 정보를 수집하고, 문제의 오답율 및 문제 풀이에 소요된 시간 등을 분석하여 학습자 모델을 만들게 된다.

제안 방법

4.2 학습자 성향 파악을 위한 연구Global & Sequential : 정보를 이해할 때 학습자의 선호에 의해 교육 컨텐츠를 선택하는지, 교육 전문가가 의도 하는 학습 순서에 따라 학습하는지를 알아보기 위하여 정해진 순서에 따라 학습 할 수 있는 방법과 학습자가 학습 순서를 정하여 학습 할 수 있는 방법이 가능하도록 인터페이스를 설계 하였다(그림 5).
Active & Reflective : 정보를 활용 할 때 적극적인지 수동적인지를 알아보기 위하여 학습 게시판에 의견 달기, 의견 보기 등의 기능을 설계하였다(그림 8).
Sensing & Intuitive : 정보를 인지할 때 주위 깊게 문제를 풀어나가는지 직관적으로 문제를 풀어나가는지를 알아보기 위하여 퀴즈 풀기와 부가 학습 및 학습에 소요되는 시간을 측정할 수 있도록 설계하였다(그림 7).
Visual & Auditory : 정보를 습득할 때 그림위주의 설명을 선호하는지 텍스트 위주의 설명을 선호하는지를 알아보기 위하여 그림위주의 학습 설명 버튼과 텍스트 위주의 학습 설명 버튼을 인터페이스에 설계하였다(그림 6).
본 논문은 학습자의 학습 과정에서 수집된 학습 행위 데이터를 이용하여 학습자의 성향을 진단하는 DOLLS-HI(Diagnosis of Learner’s Learning Styles Housing Interior)[2][3][4]를 소개한다. 그리고 이 시스템의 진단 모델을 만들기 위해 수집된 데이터를 분석하는 방법에 의사 결정 트리를 이용하여 진단 모델을 만들었다. 모델 생성에 사용되는 데이터는 거리 기반의 이상치 분류 방법인 k-NN(Nearest Neighbor)을 이용하여 이상치를 제거한 경우와 이상치를 제거하지 않은 경우를 비교 실험하여 이상치 제거후의 모델이 더 유효함을 확인 하였다.
그리고, 학생들에게 DOLLS-HI를 이용하여 15분 동안 하게 하였다. 학습 후에 얻은 학생들의 데이터는 전처리 과정을 거쳐 의사 결정 트리를 이용하여 분석하였다.
즉, 한 개체를 기준으로 분석에 사용되는 주변개체의 수를 다르게 한 것이다. 또한 주어진 데이터의 비율(예 Global : Sequential = 262:221)을 고려하여 이상치 유무를 판단하였다. 표 5,6은 처음에 주어진 데이터와 이상치 선별 후 남은 데이터의 개수를 각각 표현한 것이다.
홈 인테리어 컨텐츠 기반한 DOLLS-HI를 이용하여 학습 데이터를 수집하고 의사 결정 트리를 이용하여 진단 모델을 만들었다. 또한 학습자의 데이터를 분석하는 과정에서 kNN 방법을 이용하여 수집된 데이터와 상이한 분포를 보이는 데이터는 이상치라고 판단하고 선별하였다. 이상치를 선별하는 방법에는 3가지를 실험을 하였으며 이상치 선별 전과 비교하였다.
먼저 실험 대상학생들에게 ILS 온라인 설문지를 통하여 학습 성향 (Global & Sequential, Visual & Auditory, Sensing & Intuitive, Active & Reflective)을 파악하였다.
우선 학습자는 ILS 온라인 설문에 참여하여, 학습 성향별(Global & Sequential, Visual & Auditory, Sensing & Intuitive, Active & Reflective)로 선호 도를 알아본다.
우선 학습자는 ILS 온라인 설문에 참여하여, 학습 성향별(Global & Sequential, Visual & Auditory, Sensing & Intuitive, Active & Reflective)로 선호도를 알아본다. 이 후 학습자는 학습자 성향 수집을 위한 홈인테리어 학습용 컨텐츠를 학습하며, 이 인터페이스에서 제공하는 홈 인테리어 학습, 퀴즈 풀기, 인테리어 배치 경험하기 등을 수행한다. 이 때 학습자의 데이터(시간, 이동, 학습을 위한 버튼의 클릭 등)는 XML 파일로 기록된다.
또한 학습자의 데이터를 분석하는 과정에서 kNN 방법을 이용하여 수집된 데이터와 상이한 분포를 보이는 데이터는 이상치라고 판단하고 선별하였다. 이상치를 선별하는 방법에는 3가지를 실험을 하였으며 이상치 선별 전과 비교하였다. 그림 10은 이상치 선별을 적용하지 않은 경우와 이상치 선별에 사용된 인수가 각각 10, 20, 30인 경우에 대한 의사결정 트리 에러율을 그래프로 표현한 것이다.
전체 데이터의 분포에 따른 비율: 제안하는 방법은 이상치 판단을 위한 개체 주변의 분포를 측정하여 결정한다. 다시 말하면 분포의 측정이란 내 주변에 나와 비슷한 개체가 얼마나 존재하는가 하는 여부이다.
본 논문에서 이용한 이상치 선별 방법은 k-NN 기법에 기반을 두고 있다. 주어진 데이터를 공간상에 사상시키고, 한개체와 다른 개체들 사이의 분포 정도를 계산한다. 주변 분포 정도를 측정하여 이상치 여부를 판단하는 것이다[6].
처음 데이터의 개수에서 각각의 이상치를 제외하고 남은 데이터는 의사 결정 트리 방법을 이용하여 학습하고 테스트 하여 에러율을 확인하였다 (표 7, 8). 학습에 사용된 개수는 전체 데이터의 60%, 테스트 데이터는 40%를 이용하였다.
그리고, 학생들에게 DOLLS-HI를 이용하여 15분 동안 하게 하였다. 학습 후에 얻은 학생들의 데이터는 전처리 과정을 거쳐 의사 결정 트리를 이용하여 분석하였다. 표 3은 의사 결정 학습을 위해 정의된 속성이다.
다음은 수집된 데이터에서, 앞서 설명한 k-NN 방법을 이용하여 이상치를 선별하고 남은 데이터를 학습에 사용하였다. 한 개체를 기준으로 주변 개체를 선택하는 범위는 10, 20 그리고 30개, 세 번 실시하였다. 즉, 한 개체를 기준으로 분석에 사용되는 주변개체의 수를 다르게 한 것이다.
본 논문은 학습자의 학습과정에서 얻은 학습 행위 데이터를 분석하여 학습자의 학습 성향을 진단하는 방법을 소개하였다. 홈 인테리어 컨텐츠 기반한 DOLLS-HI를 이용하여 학습 데이터를 수집하고 의사 결정 트리를 이용하여 진단 모델을 만들었다. 또한 학습자의 데이터를 분석하는 과정에서 kNN 방법을 이용하여 수집된 데이터와 상이한 분포를 보이는 데이터는 이상치라고 판단하고 선별하였다.

대상 데이터

5. 실험

실험을 위하여 DOLLS-HI 학습 컨텐츠를 이용하여 성균관대 학교 신입생중 483명을 대상으로 실험을 실시하였다. 먼저 실험 대상학생들에게 ILS 온라인 설문지를 통하여 학습 성향 (Global & Sequential, Visual & Auditory, Sensing & Intuitive, Active & Reflective)을 파악하였다.
Global & Sequential에서 주변 분포 10개 선정후 이상치를 제거한 경우 남은 데이터가 각각 161, 116이다(표 5). 이때 학습 데이터는 166개(60%)이며, 테스트에 사용된 데이터는 111개(40%)로 랜덤하게 선정된다.
처음 데이터의 개수에서 각각의 이상치를 제외하고 남은 데이터는 의사 결정 트리 방법을 이용하여 학습하고 테스트 하여 에러율을 확인하였다 (표 7, 8). 학습에 사용된 개수는 전체 데이터의 60%, 테스트 데이터는 40%를 이용하였다. Global & Sequential에서 주변 분포 10개 선정후 이상치를 제거한 경우 남은 데이터가 각각 161, 116이다(표 5).

이론/모형

다음은 수집된 데이터에서, 앞서 설명한 k-NN 방법을 이용하여 이상치를 선별하고 남은 데이터를 학습에 사용하였다. 한 개체를 기준으로 주변 개체를 선택하는 범위는 10, 20 그리고 30개, 세 번 실시하였다.
본 논문에서 이용한 이상치 선별 방법은 k-NN 기법에 기반을 두고 있다. 주어진 데이터를 공간상에 사상시키고, 한개체와 다른 개체들 사이의 분포 정도를 계산한다.
이 때 학습자의 데이터(시간, 이동, 학습을 위한 버튼의 클릭 등)는 XML 파일로 기록된다. 이후 전체피 실험자의 XML 데이터가 수집이 되면, 전처리 과정을 거쳐 제안하는 방법인 k-NN 기법을 이용하여 이상치를 제거한다. 이상치가 제거된 데이터는 의사결정 트리 방법을 이용 하여 학습시키고, 생성된 결과는 학습자 진단을 위한 기반 정보로 사용한다.
학습 성향을 분류하기 위한 전체 프로세스는 Felder & Silverman이 제시한 학습 성향을 기반으로 학습 성향을 미리 알아보기 위한 ILS (Index of Learning Styles) Questionnaire 프로세스와 학습 성향 데이터를 수집하기 위한 홈 인테리어 학습용 교육 컨텐츠 인터페이스 학습 프로세 스로 구성되어 있다[8].

성능/효과

두 번째, 학습자의 학습에 영향을 줄 수 있는 주변 환경 요인의 변화로 인한 데이터 – 외적 요소학습 환경은 학습자의 학습 성향에 주요한 영향을 미친다.
그리고 이 시스템의 진단 모델을 만들기 위해 수집된 데이터를 분석하는 방법에 의사 결정 트리를 이용하여 진단 모델을 만들었다. 모델 생성에 사용되는 데이터는 거리 기반의 이상치 분류 방법인 k-NN(Nearest Neighbor)을 이용하여 이상치를 제거한 경우와 이상치를 제거하지 않은 경우를 비교 실험하여 이상치 제거후의 모델이 더 유효함을 확인 하였다. 본 논문의 구성은 다음과 같다.

후속연구

새로운 학습자의 데이터가 수집되었을 때, 진단 모델을 통하여 진단하기 앞서 이상치 인지 여부를 먼저 판단한다면 결과의 신뢰성이 향상될 것이다. 또한 이상치 데이터들의 분석을 통하여 사전에 예측하지 못했던 새로운 학습 스타일에 대한 모델도 만들 수 있을 것이다.
향후 연구로는 이상치로 선별된 데이터를 활용하는 방법이 필요할 것이다. 새로운 학습자의 데이터가 수집되었을 때, 진단 모델을 통하여 진단하기 앞서 이상치 인지 여부를 먼저 판단한다면 결과의 신뢰성이 향상될 것이다. 또한 이상치 데이터들의 분석을 통하여 사전에 예측하지 못했던 새로운 학습 스타일에 대한 모델도 만들 수 있을 것이다.
향후 연구로는 이상치로 선별된 데이터를 활용하는 방법이 필요할 것이다. 새로운 학습자의 데이터가 수집되었을 때, 진단 모델을 통하여 진단하기 앞서 이상치 인지 여부를 먼저 판단한다면 결과의 신뢰성이 향상될 것이다.

핵심어	질문	논문에서 추출한 답변
	이상치란?	흔히, 데이터의 모델이나 일반적인 행동에 대응하지 못하는 데이터 객체들이 존재한다. 남아 있는 데이터 집합에 불일치 되거나, 심하게 다른 데이터 객체들을 이상치라고 부른 다[5]. 이상치들은 측정이나 인위적인 실행 오류에 의해 발생할 수 있는데, 예를 들어 지능형 문제 시스템이 있다고 가정하자.
	지능형 학습 시스템에서 학습자에게 적합한 학습 환경을 제공해 주기 위해서 무엇을 수행하는가?	지능형 학습 시스템 (ITS : Intelligent Tutoring System) 은 학습자에게 지능적인 학습 환경을 제공해 주기 위한 시스 템을 말하며, 학습자의 수준, 능력, 성향 등에 따라 그에 맞는 적합한 서비스를 제공해 준다[1]. 학습자에게 적합한 학습 환경을 제공해 주기 위해서는 학습 과정에서 수집된 데이 터를 분석하여 모델을 생성한다. 수집된 학습자의 데이터를 분석하여 의미 있는 정보를 추출하기 위하여, 전처리 과정은 매우 중요하게 여겨진다.
	지능형 학습 시스템이란?	지능형 학습 시스템 (ITS : Intelligent Tutoring System) 은 학습자에게 지능적인 학습 환경을 제공해 주기 위한 시스 템을 말하며, 학습자의 수준, 능력, 성향 등에 따라 그에 맞는 적합한 서비스를 제공해 준다[1]. 학습자에게 적합한 학습 환경을 제공해 주기 위해서는 학습 과정에서 수집된 데이 터를 분석하여 모델을 생성한다.

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

k-NN 기법을 이용한 학습자의 학습 행위 데이터의 이상치 분석
Outlier Analysis of Learner's Learning Behaviors Data using k-NN Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

5. 실험

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

k-NN 기법을 이용한 학습자의 학습 행위 데이터의 이상치 분석 Outlier Analysis of Learner's Learning Behaviors Data using k-NN Method 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

5. 실험

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

k-NN 기법을 이용한 학습자의 학습 행위 데이터의 이상치 분석
Outlier Analysis of Learner's Learning Behaviors Data using k-NN Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper