초록

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

본 논문은 사용자 수준에 적합한 맞춤형 학습코스를 추천하여 학습효과를 향상시킬 수 있는 추천모델을 개발하고, 효과분석을 위한 방안을 제시한다. 학습자 개개인의 학습수준이나 학습내용 등에 따라 적합한 학습주제를 선정하여 제공하는 것은 중요하나, 일반적인 추천은 전문가 그룹을 활용한 사람중심의 추천으로 시간이 오래 걸리는 등 자원의 비효율적 한계점[1]을 가지고 있다. 이를 극복하기 위해, TF-IDF를 이용해 단어별 가중치를 계산하여 고빈도 단어를 추출하여 벡터 공간에 배치시키고, Cosine Similarity 기법을 이용해 벡터간의 유사도를 측정하였다. 학습자 프로파일을 분석하고, 학습스킬간의 연관성을 고려하여 맞춤형 학습코스를 추천하기 위해, 워드 임베딩 기법을 적용하였고, 이를 위해 오픈소스 Gensim[2]을 이용하였다. 맞춤형 학습코스 추천 모델의 효과를 분석하기 위한 실험을 설계하고 평가 문항지를 개발하였다.

본 논문은 사용자 수준에 적합한 맞춤형 학습코스를 추천하여 학습효과를 향상시킬 수 있는 추천모델을 개발하고, 효과분석을 위한 방안을 제시한다. 학습자 개개인의 학습수준이나 학습내용 등에 따라 적합한 학습주제를 선정하여 제공하는 것은 중요하나, 일반적인 추천은 전문가 그룹을 활용한 사람중심의 추천으로 시간이 오래 걸리는 등 자원의 비효율적 한계점[1]을 가지고 있다. 이를 극복하기 위해, TF-IDF를 이용해 단어별 가중치를 계산하여 고빈도 단어를 추출하여 벡터 공간에 배치시키고, Cosine Similarity 기법을 이용해 벡터간의 유사도를 측정하였다. 학습자 프로파일을 분석하고, 학습스킬간의 연관성을 고려하여 맞춤형 학습코스를 추천하기 위해, 워드 임베딩 기법을 적용하였고, 이를 위해 오픈소스 Gensim[2]을 이용하였다. 맞춤형 학습코스 추천 모델의 효과를 분석하기 위한 실험을 설계하고 평가 문항지를 개발하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 설문지는 15문항의 질문과 측정 항목은 리커트 5점 척도를 통해 측정하였으며, 10명의 전문가가 참여한 Delphi 기법을 통해 문항타당도를 평가하여 설문지를 개발하였다. 개발된 설문지를 바탕으로 자기기입식 설문조사 방법을 실시하여 추천 시스템의 효과를 분석하고 검증하고자 한다.
• 본 모델은 학습자 프로파일에 기반한 기계학습 중심의 학습코스를 예측하기 위하여, 우선 교수자가 강의안을 업로드한다. 업로드된 강의안의 내용중에서 스크립트를 추출하여 형태소 분석기를 통해 각 단어 별로 형태소가 태그된다.
• 본 연구는 인간중심의 전문가 그룹으로 구성되어 학습코스를 추천하는 비효율성을 극복하기 위해, 기계학습 중심의 추천모델을 개발하여 제안한다[1]. 이를 위해 TF-IDF (Term Frequency-Inverse Document Frequency)를 이용해 단어별 가중치를 계산하여 고빈도 단어를 추출하여 벡터 공간에 배치시킨다.
• 추천하는 학습코스는 학습자 개개인의 선행 학습 정도와 수준에 따라 개개인의 학습동기 유발 방법 및 학습 이해도 향상을 고려한 수준별, 단계별 교수 방법과 학습자를 고려한 맞춤형 학습코스 추천을 해야 할 것이다. 이를 위해, 학습자 프로파일을 분석하고, 학습스킬 간의 연관성을 고려하여 추천하는 모델을 개발하여 제안하고자 했다. 또한, 제안하는 추천모델의 효과성을 검증하기 위한 실험을 설계하고 평가 문항지를 개발하였다.
• 이에, 본 연구는 사용자 수준에 적합한 학습코스를 추천하여 학습효과를 향상시킬 수 있는 추천시스템을 제안하고자 한다. 인간중심의 SSDACUM 모델을 개발하여 추천했던 기존연구[1]의 한계점을 극복하여 맞춤형 추천모델을 개발하여 학습코스를 추천한다.
• 전문가 그룹을 활용한 인간중심의 예측 추천모델이 가지고 있는 시간이 오래 걸리는 비효율적 한계점을 극복하기 위해 기계학습 중심의 학습코스를 추천하는 모델을 제안하고, 교육효과를 분석하고자 했다.
• 향후, 본 연구에서 제안하는 맞춤형 학습코스 추천모델의 효과성을 분석하기 위해 기 개발된 문항지를 바탕으로 만족도 조사를 실시 하고자 한다. 조사결과를 바탕으로, 항목별 평균, 표준편차, 왜도 첨도값을 계산하여 정량적 분석을 실시하여 효과성을 검증하고자 한다.
• 동일한 두 집단을 대상으로 전문가 그룹을 활용한 인간중심의 학습코스를 추천하고, 본 연구에서 제안하는 기계학습 중심의 학습코스를 추천한다. 추천받은 학습코스에 대해서 만족도조사를 통하여 효과성을 검증하고자 한다. 이를 정리하면 아래의 <표 1>과 같다.

제안 방법

• 동일한 두 집단을 대상으로 전문가 그룹을 활용한 인간중심의 학습코스를 추천하고, 본 연구에서 제안하는 기계학습 중심의 학습코스를 추천한다. 추천받은 학습코스에 대해서 만족도조사를 통하여 효과성을 검증하고자 한다.
• 비교집단(G2)교실은 2015년 3월부터 7월까지 16주간(총 400시간) 매주 5회씩 1일 5시간, 80일 수업이 진행되었고, 한 차시 당 50분 수업, 10분간 휴식으로 진행되었다. 두 집단(G1, G2)의 교실 모두 원활한 IT교육환경 기반 조성을 위하여 각 교실마다 최신 사양의 하드웨어와 소프트웨어를 설치하여 운영하였다. 실험 기간 동안 매 수업 마다 운영현황을 파악하여 매주 보고서를 작성하여 통합 월간 운영 보고서를 작성하였다.
• 이를 위해, 학습자 프로파일을 분석하고, 학습스킬 간의 연관성을 고려하여 추천하는 모델을 개발하여 제안하고자 했다. 또한, 제안하는 추천모델의 효과성을 검증하기 위한 실험을 설계하고 평가 문항지를 개발하였다. 향후, 본 연구에서 제안하는 맞춤형 학습코스 추천모델의 효과성을 분석하기 위해 기 개발된 문항지를 바탕으로 만족도 조사를 실시 하고자 한다.
• 실험집단(G1)교실은 2016년 8월부터 12월까지 16주간(총 400시간) 매주 5회씩 1일 5시간, 80일 수업이 진행되었고, 한 차시 당 50분 수업, 10분간 휴식으로 진행되었다. 비교집단(G2)교실은 2015년 3월부터 7월까지 16주간(총 400시간) 매주 5회씩 1일 5시간, 80일 수업이 진행되었고, 한 차시 당 50분 수업, 10분간 휴식으로 진행되었다. 두 집단(G1, G2)의 교실 모두 원활한 IT교육환경 기반 조성을 위하여 각 교실마다 최신 사양의 하드웨어와 소프트웨어를 설치하여 운영하였다.
• 맞춤형 학습코스 추천에 대한 효과를 분석하고 검증하기 위하여 이미 많은 연구에서 사용하고 있으며 PISA technical report 에서도 중요하게 강조한 만족도 설문조사를 실시하였다. 설문지는 15문항의 질문과 측정 항목은 리커트 5점 척도를 통해 측정하였으며, 10명의 전문가가 참여한 Delphi 기법을 통해 문항타당도를 평가하여 설문지를 개발하였다. 개발된 설문지를 바탕으로 자기기입식 설문조사 방법을 실시하여 추천 시스템의 효과를 분석하고 검증하고자 한다.
• 시스템은 DB로부터 단어와 빈도값을 호출하고 각 단어 별 가중치를 계산하여 고빈도 단어들을 추출한다. 즉, 문서에서 많이 나타나는 명사가 그 문서를 대표하는 중요한 명사이므로 한 문서에 출현한 명사의 빈도수를 문서의 전체 길이로 정규화환 TF(Term Frequency)를 이용한다.
• 두 집단(G1, G2)의 교실 모두 원활한 IT교육환경 기반 조성을 위하여 각 교실마다 최신 사양의 하드웨어와 소프트웨어를 설치하여 운영하였다. 실험 기간 동안 매 수업 마다 운영현황을 파악하여 매주 보고서를 작성하여 통합 월간 운영 보고서를 작성하였다. 보고서에는 작성자, 일시, 과정명, 교사명, 운영 내용,요구사항 등이 포함되어 있다.
• 실험 참가자를 대상으로 정확성, 새로움, 만족, 자기 참조, 유용성에 대한 설문을 진행했으며, 설문 문항은 선행연구에 의해 제시된 것을 본 연구 내용에 맞게 수정하여 사용하였다. 측정된 요인들에 대한 타당성을 측정하기 위해 탐색적 요인분석(EFA, Exploratory Factor Analysis)를 실시하였으며, 설문 항목에 대한신뢰도를 측정하였다.
• 실험집단(G1)교실은 2016년 8월부터 12월까지 16주간(총 400시간) 매주 5회씩 1일 5시간, 80일 수업이 진행되었고, 한 차시 당 50분 수업, 10분간 휴식으로 진행되었다. 비교집단(G2)교실은 2015년 3월부터 7월까지 16주간(총 400시간) 매주 5회씩 1일 5시간, 80일 수업이 진행되었고, 한 차시 당 50분 수업, 10분간 휴식으로 진행되었다.
• 본 연구는 인간중심의 전문가 그룹으로 구성되어 학습코스를 추천하는 비효율성을 극복하기 위해, 기계학습 중심의 추천모델을 개발하여 제안한다[1]. 이를 위해 TF-IDF (Term Frequency-Inverse Document Frequency)를 이용해 단어별 가중치를 계산하여 고빈도 단어를 추출하여 벡터 공간에 배치시킨다. TF-IDF는 정보검색과 텍스트 마이닝에서 이용하는 가중치로, 여러 문서로 이루어진 문서군이 있을 때 어떤 단어가 특정 문서 내에서 얼마나 중요한 것인지를 나타내는 통계적 수치값을 알 수 있다.

대상 데이터

• 기계학습 중심의 학습코스를 예측하여 추천하는 본 연구의 효과를 분석하기 위해, 실험집단(G1)과 비교집단(G2)을 선정하여 실험하였다. 두집단 모두 경기도 소재의 교육기관의 동일한 학습코스를 수료한 교육생으로 구성하였다.
• 두 집단 모두 경기도 소재 교육기관에서 동일한 IT 전문교육을 수료한 교육생으로 구성했다. 교수자는 교실 당 1명씩 20명의 학습자를 통제한다.
• 기계학습 중심의 학습코스를 예측하여 추천하는 본 연구의 효과를 분석하기 위해, 실험집단(G1)과 비교집단(G2)을 선정하여 실험하였다. 두집단 모두 경기도 소재의 교육기관의 동일한 학습코스를 수료한 교육생으로 구성하였다. 학습수준을 정량평가 70점, 정성평가 30점으로 총합 100점을 기준으로 하여 취득한 점수의 평균에 따라 프로파일을 생성했다.

데이터처리

• 실험 참가자를 대상으로 정확성, 새로움, 만족, 자기 참조, 유용성에 대한 설문을 진행했으며, 설문 문항은 선행연구에 의해 제시된 것을 본 연구 내용에 맞게 수정하여 사용하였다. 측정된 요인들에 대한 타당성을 측정하기 위해 탐색적 요인분석(EFA, Exploratory Factor Analysis)를 실시하였으며, 설문 항목에 대한신뢰도를 측정하였다. 설문항목이 신뢰성을 보장받기 위해서는 신뢰도 계수(CA, Cronbach’s alpha) 값이 0.

이론/모형

• TF-IDF는 정보검색과 텍스트 마이닝에서 이용하는 가중치로, 여러 문서로 이루어진 문서군이 있을 때 어떤 단어가 특정 문서 내에서 얼마나 중요한 것인지를 나타내는 통계적 수치값을 알 수 있다. TF-IDF를 통해 추출된 단어를 벡터 공간에 배치시켜, Cosine Similarity 기법을 이용해 벡터간의 유사도를 측정한다. 학습자 수준 및 학습 콘텐츠의 구성요소 간 연관성을 고려하여 학습코스를 추천하기 위해, 워드 임베딩 기법(Word Embedding) 기법을 적용한다.
• 즉, 문서에서 많이 나타나는 명사가 그 문서를 대표하는 중요한 명사이므로 한 문서에 출현한 명사의 빈도수를 문서의 전체 길이로 정규화환 TF(Term Frequency)를 이용한다. 또한, 명사의 문서 간 가중치는 전체 문서집합 가운데 해당 명사가 나타난 문서가 어느 정도인지를 수치화한 IDF(Inverse Document Frequency)를 이용한다. 이는 특정 문서에만 나타나는 명사는 가중치는 높이고, 대부분의 문서에 나타나는 범용 명사는 가중치를 낮추는 역할을 한다.
• TF-IDF를 통해 추출된 단어를 벡터 공간에 배치시켜, Cosine Similarity 기법을 이용해 벡터간의 유사도를 측정한다. 학습자 수준 및 학습 콘텐츠의 구성요소 간 연관성을 고려하여 학습코스를 추천하기 위해, 워드 임베딩 기법(Word Embedding) 기법을 적용한다. 이는 신경망언어모델로부터 도출된 기술로 유사한 단어들을 벡터 공간상에 가깝게 배치하여 어휘 의미를 표현할 수 있는 기술이다.

성능/효과

• 학습기간 동안 교육 참여율 및 과제 미제출 등으로 교육을 수료하지 못한 교육생은 0점으로 처리한다. 그 결과, 70점미만인 학습자가 G1 32%, G2 37%, 71점~89점 학습자 G151%, G2 47%, 90점 이상인 학습자 G1 16%, G2 15% 나타났다. 두 집단의 학습수준 차이가 크지 않은 것으로 보아, 동일한 집단임이 검증되었다.
• 설문항목이 신뢰성을 보장받기 위해서는 신뢰도 계수(CA, Cronbach’s alpha) 값이 0.7 이상이어야 하는데, 모든 변수가 0.7보다 높은 값을 나타내어, 설문항목 모두 신뢰성을 인정 받았다.
• 교수자는 교실 당 1명씩 20명의 학습자를 통제한다. 학습자는 교육센터의 특성상 미취업여성으로 평균 연령 39세이며, IT를 전공한 교육생이 61%, 대학이상의 교육을 받은 학습자가 92%, 추천시스템을 사용 해본 경험이 있는 학습자는 47%로 나타났다.

후속연구

• 이에, 본 연구는 사용자 수준에 적합한 학습코스를 추천하여 학습효과를 향상시킬 수 있는 추천시스템을 제안하고자 한다. 인간중심의 SSDACUM 모델을 개발하여 추천했던 기존연구[1]의 한계점을 극복하여 맞춤형 추천모델을 개발하여 학습코스를 추천한다. 향후, 개발한 추천시스템의 효과를 분석하고 검증하기 위해 만족도조사를 실시하고자 한다.
• 인간중심의 SSDACUM 모델을 개발하여 추천했던 기존연구[1]의 한계점을 극복하여 맞춤형 추천모델을 개발하여 학습코스를 추천한다. 향후, 개발한 추천시스템의 효과를 분석하고 검증하기 위해 만족도조사를 실시하고자 한다.
• 또한, 제안하는 추천모델의 효과성을 검증하기 위한 실험을 설계하고 평가 문항지를 개발하였다. 향후, 본 연구에서 제안하는 맞춤형 학습코스 추천모델의 효과성을 분석하기 위해 기 개발된 문항지를 바탕으로 만족도 조사를 실시 하고자 한다. 조사결과를 바탕으로, 항목별 평균, 표준편차, 왜도 첨도값을 계산하여 정량적 분석을 실시하여 효과성을 검증하고자 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
추천 시스템	추천 시스템이란?	이를 극복하기 위해서 추천 시스템이 교육환경에 적용되었다. 추천 시스템은 사용자의 과거 행동 데이터나 다른 데이터를 바탕으로 사용자에게 필요한 정보나 제품을 사용자의 성향에 맞춰 추천함으로서, 사용자들은 자신이 원하는 품목을 쉽게 획득할 수 있도록 돕는 시스템이다. 이러한 추천 시스템은 개인의 성향에 따라 효과가 다르게 나타나는 교육 환경에서도 필요한 부분이며 현재 다양한 방법으로 교육 분야에 응용되고 있다.
추천 시스템	추천 시스템이 비형식 학습 환경에서 매우 유용한 이유는 무엇인가?	특히, 선택에 대한 어려움과 시행착오를 줄여 학습효과를 증진시킬 수 있도록 학습자 수준에 적합한 학습코스를 제공해 줄 수 있다는 점에서 추천 시스템은 비형식 학습 환경에서 매우 유용하다. 이는 학습자 개개인의 학습수준이나 학습내용 등에 따라 적합한 학습주제를 선정하여 제공해 줌으로써, 학습자 스스로가 자신의 학습과정을 계획하고 구성하는 것이 가능해지기 때문이다.
정보검색 시스템	정보검색 시스템의 단점은 무엇인가?	이에 따라 형식적 교육 방식에서 ICT 기술을 활용한 정보 검색, 지식구성, 협력적 상호작용 등을 통하여 경험을 확대하고 학습이 이루어지는 비형식 학습(Non-formal Learning)으로 교육의 흐름이 변화하고 있다. 다양하고 많은 정보들과 이를 검색할 수 있는 정보검색 시스템은 다양한 방면으로 학습자의 지식을 확장하는데 도움을 주지만 기본적으로 학습과 경험은 개인의 편차가 심하고 학습효과도 분절적으로 발생하기 쉽기 때문에 단순히 유의미한 정보 전달 및 학습 경험이 학습 효과 향상에 영향을 미치지 못한다. 또한, 학습 분야에 대한 전문성이 없는 학습자들에게는 어떠한 학습 정보가 유의미한지 분별하기 어려우며 교수자가 없이 자기주도 학습을 진행해야 하는 비형식 학습 환경의 한계로 인하여 학습에서 무엇을 학습해야 하는가에 대한 것을 스스로 결정하는데 어려움을 느끼고 있다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기