지능형 교수 시스템은 컴퓨터 보조 학습의 한계를 극복하고자 인공지능 기법을 도입하여 학습자의 현재 상황에 동적으로 융통성 있는 교육 여건을 지원하는 시스템이다. 그러나 기존의 지능형 교수 시스템들은 학습 성취도 향상에 중요 변인인 학습자의 특성, 학습자 수준 등을 고려하지 않고, 획일화 된 학습 내용들을 제공하고 있다. 이로 인해 효과적인 학습에 어려움이 있으며, 학습자의 학습 목표에 맞는 코스 스케줄링이 적응력 있게 동적으로 제공되지 못하는 문제점이 있다. 본 논문에서는 학습자의 특성과 학습자의 수준에 맞는 학습 내용 및 동적 학습 코스 제공을 위한 ITS 기반의 적응형 학습 추천 시스템을 제안한다. 성공적인 학습을 우한 중요 변인인 학습자의 특성 파악을 위해 자가 진단 테스트 모듈을 적용하였다. 그리고 학습자의 수준 파악을 위해 기존 단답식 위주의 단순 평가가 아닌 문항반응이론에 근거하여 학습 요소별 학습자의 객관성 있는 수준을 파악을 위해 학습 평가 모듈을 적용하였다.
지능형 교수 시스템은 컴퓨터 보조 학습의 한계를 극복하고자 인공지능 기법을 도입하여 학습자의 현재 상황에 동적으로 융통성 있는 교육 여건을 지원하는 시스템이다. 그러나 기존의 지능형 교수 시스템들은 학습 성취도 향상에 중요 변인인 학습자의 특성, 학습자 수준 등을 고려하지 않고, 획일화 된 학습 내용들을 제공하고 있다. 이로 인해 효과적인 학습에 어려움이 있으며, 학습자의 학습 목표에 맞는 코스 스케줄링이 적응력 있게 동적으로 제공되지 못하는 문제점이 있다. 본 논문에서는 학습자의 특성과 학습자의 수준에 맞는 학습 내용 및 동적 학습 코스 제공을 위한 ITS 기반의 적응형 학습 추천 시스템을 제안한다. 성공적인 학습을 우한 중요 변인인 학습자의 특성 파악을 위해 자가 진단 테스트 모듈을 적용하였다. 그리고 학습자의 수준 파악을 위해 기존 단답식 위주의 단순 평가가 아닌 문항반응이론에 근거하여 학습 요소별 학습자의 객관성 있는 수준을 파악을 위해 학습 평가 모듈을 적용하였다.
ITS(Intelligent Tutoring System) is a system that provides active and flexible tutoring conditions to learners, having adopted artificial intelligence to overcome the limitations of CAI(Computer Assisted Instruction). However, the existing ITS has a few problems; the system provides the same content...
ITS(Intelligent Tutoring System) is a system that provides active and flexible tutoring conditions to learners, having adopted artificial intelligence to overcome the limitations of CAI(Computer Assisted Instruction). However, the existing ITS has a few problems; the system provides the same contents to every learner, not considering main variants of their learning and achievement, characters and levels, and therefore, it does not generate satisfactory results; the system does not offer a properly designed course schedule. Therefore, this thesis proposes ARS(Adaptive Recommendation System), founded on ITS, that provides contents designed based on the characters and levels of learners. To catch the characters of learners, the important variant for successful learning, ARS applies and embodies a module of self-assessment test. Also, it puts weighs according to the areas of learning which is different from the simplified assessment that asks for short and mechanical answers for the purpose of knowing the levels of the learners.
ITS(Intelligent Tutoring System) is a system that provides active and flexible tutoring conditions to learners, having adopted artificial intelligence to overcome the limitations of CAI(Computer Assisted Instruction). However, the existing ITS has a few problems; the system provides the same contents to every learner, not considering main variants of their learning and achievement, characters and levels, and therefore, it does not generate satisfactory results; the system does not offer a properly designed course schedule. Therefore, this thesis proposes ARS(Adaptive Recommendation System), founded on ITS, that provides contents designed based on the characters and levels of learners. To catch the characters of learners, the important variant for successful learning, ARS applies and embodies a module of self-assessment test. Also, it puts weighs according to the areas of learning which is different from the simplified assessment that asks for short and mechanical answers for the purpose of knowing the levels of the learners.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 기존의 지능형 교수 시스템들의 문제점을 해결하고 학습자의 학습 성향, 학습 목적, 학습 수준을 분석하여 학습자의 요구와 상황에 맞는 학습 제공을 위해 적응형 학습 추천 시스템을 설계 및 구현하였다. 특히, 자가 진단 테스트를 통하여 학습자의 학습 성향과 학습 목표 등의 정보를 추출하여 학습자의 성향에 맞는 학습 내용을 제공하였고 또한, 학습자의 학습 수준 파악을 위해 기존단답식 위주의 단순 평가가 아닌 문항 반응 이론의 CAT 시스템에 기반 하여 학습 평가 모듈을 구현함으로서 학습자의 정확하고 객관성 있는 학습 능력을 평가 하였으며 그에 따라 학습자 수준에 맞는 학습 내용을 제공할 수 있도록 하였다.
또한 학습 수준에 맞는 학습 내용 제공을 위한 평가 방법들이 단답식 위주의 평가로 진행되고 있어 학습자의 객관성 있는 학습 평가에 어려움이 있다. 본 논문에서는 학습자 개개인의 특징을 고려한 차별화된 교과 과정과 학습 내용을 제공하여 학습자가 원하는 학습 목표 도달을 용이하게 하기 위한 ITS의 기반의 적응형 학습 추천 시스템을 제안한다. 여기서 적응형이란, 학습자의 학습 가능 시간이나 학습 목표일 수 등의 학습 상황에 따라 학습 코스와 학습 내용이 제공되는 것을 의미한다.
제안 방법
제안된 시스템에서는 학습자의 학습 목적과 성향 파악을 위한 자가 진단 테스트(Self-Check Test)와 학습자의 능력에 맞는 학습 내용 제공을 위해 문항 반응 이론(Item Response Theory)[2]을 이용한 학습 평가 기법을 적용하였다. 또한, 자가진단 테스트를 통해 추출 된 학습자의 학습 목표와 학습 상황을 고려하여 동적인 학습 코스 구성을 위한 코스 스케줄링 모듈을 적용하여 학습자의 목표에 맞는 적응형 학습을 추천 한다. 이러한 적응형 학습 추천을 통해 학습자의 학습 성향과 수준에 맞는 학습 내용의 제공이 가능하며 학습자의 상황에 따라 학습 코스를 동적으로 스케줄링 해줌으로서 학습 목표에 맞는 학습이 가능하다.
<그림1>와 같이 학습 시간, 학습 목표, 학습 성향 등을 파악하기 위한 자가 진단 테스트 모듈과 기존의 학습 수준 평가와 같은 단답식의 단순 평가가 아닌 객관성 있는 학습자의 수준 평가를 위해 문항 반응이론에 근거한 평가 요소를 구성하였고, 자가 진단 테스트 요소와 학습자의 수준 평가 결과를 기반으로 학습자에게 적합한 학습 내용 추천을 위한 추천 요소를 구성하였다. 또한, 추천 된 학습 내용을 학습자의 학습 가능 시간, 학습 목표 기간 등의 학습 상황을 고려하여 적응형 학습이 가능 하도록 한 코스 스케줄링 요소를 구성하였다.
<그림 7>과 같다. 본 논문에서 제안한 시스템의 효율성 분석을 위해 현재 어학원 수강생을 대상으로 언어 연구소의 조언과 도움을 받아 학습 내용과 평가 항목을 개발하여 실험을 수행하였다.
본 시스템은 자가 진단 테스트 요소, 학습 능력 평가 요소, 학습 추천 요소, 코스 스케줄링 요소를 구성함으로써 학습자의 특성 및 학습 목표, 학습 수준 등을 고려한 적응형 학습 추천이 이루어진다. <그림1>와 같이 학습 시간, 학습 목표, 학습 성향 등을 파악하기 위한 자가 진단 테스트 모듈과 기존의 학습 수준 평가와 같은 단답식의 단순 평가가 아닌 객관성 있는 학습자의 수준 평가를 위해 문항 반응이론에 근거한 평가 요소를 구성하였고, 자가 진단 테스트 요소와 학습자의 수준 평가 결과를 기반으로 학습자에게 적합한 학습 내용 추천을 위한 추천 요소를 구성하였다. 또한, 추천 된 학습 내용을 학습자의 학습 가능 시간, 학습 목표 기간 등의 학습 상황을 고려하여 적응형 학습이 가능 하도록 한 코스 스케줄링 요소를 구성하였다.
여기서 적응형이란, 학습자의 학습 가능 시간이나 학습 목표일 수 등의 학습 상황에 따라 학습 코스와 학습 내용이 제공되는 것을 의미한다. 제안된 시스템에서는 학습자의 학습 목적과 성향 파악을 위한 자가 진단 테스트(Self-Check Test)와 학습자의 능력에 맞는 학습 내용 제공을 위해 문항 반응 이론(Item Response Theory)[2]을 이용한 학습 평가 기법을 적용하였다. 또한, 자가진단 테스트를 통해 추출 된 학습자의 학습 목표와 학습 상황을 고려하여 동적인 학습 코스 구성을 위한 코스 스케줄링 모듈을 적용하여 학습자의 목표에 맞는 적응형 학습을 추천 한다.
본 논문에서는 기존의 지능형 교수 시스템들의 문제점을 해결하고 학습자의 학습 성향, 학습 목적, 학습 수준을 분석하여 학습자의 요구와 상황에 맞는 학습 제공을 위해 적응형 학습 추천 시스템을 설계 및 구현하였다. 특히, 자가 진단 테스트를 통하여 학습자의 학습 성향과 학습 목표 등의 정보를 추출하여 학습자의 성향에 맞는 학습 내용을 제공하였고 또한, 학습자의 학습 수준 파악을 위해 기존단답식 위주의 단순 평가가 아닌 문항 반응 이론의 CAT 시스템에 기반 하여 학습 평가 모듈을 구현함으로서 학습자의 정확하고 객관성 있는 학습 능력을 평가 하였으며 그에 따라 학습자 수준에 맞는 학습 내용을 제공할 수 있도록 하였다. 마지막으로 코스 스케줄링 모듈을 통해 학습자 개개인의 학습 상황에 맞는 학습 코스를 동적으로 제공해줌으로서 학습자가 원하는 목표를 성취할 수 있도록 하였고 실험 분석을 통하여 학습 성취도 향상에 효과적인 시스템임을 입증 하였다.
학습 추천 요소는 자가 진단 테스트의 결과에 따른 학습자의 학습 목표와 학습 성향을 고려하여 평가 요소에서 측정된 학습자의 학습 수준에 맞는 학습을 추천한다. 학습 지식베이스 구성은 동일한 수업을 진행하는 강사들의 수업 방식에 따라 학습자의 학습 성향별로 구분을 하였으며 학습 수준을 고려하여 동일한 강좌를 수준별로 구성 하였다. 학습 추천 요소는 추천을 위해 필요한 학습에 포함되는 모든 요소들을 연관 관계를 맺어 구성 하였다.
대상 데이터
시스템의 구현을 위해 온라인에서 영어 학습을 시작 하려는 학습자들에게 학습자의 능력과 목표에 맞는 학습 내용 제공을 위한 적응형 추천 시스템을 적용 사례로 선정 하였다. 구현 된 시스템은 인터넷 환경에서 동작하며 웹브라우저를 통해 학습 추천 애플리케이션 서버에 접속한다.
이론/모형
이에 따라 학습자의 능력 평가를 위한 테스트들이 시도 되고 있으나 단답식 위주의 단순 평가로 학습자의 수준을 객관성 있게 파악하기 위해서는 어려움이 있다. 따라서 학습 평가 요소에서는 단답식 위주의 단순 평가가 아닌 학습자의 능력에 따라 문항을 추출하여 개별적인 검사를 함으로서 학습자의 능력 정보를 정확히 파악할 수 있도록 문항반응이론[2]에 의한 CAT에 기반 하여 적용하였다. <그림2>는 학습자의 능력 측정을 위한 평가 단계이다.
<그림2>는 학습자의 능력 측정을 위한 평가 단계이다. 본 시스템에서는 문항의 특성인 문항모수 즉, 문항 난이도와 변별도를 고려하는 문항반응이론의 2모수 로지스틱 모형을 채택하였으며 각 문항에 대한 모수치를 측정하기 위해 BayesiAn 프로그램을 이용하였다.
성능/효과
특히, 자가 진단 테스트를 통하여 학습자의 학습 성향과 학습 목표 등의 정보를 추출하여 학습자의 성향에 맞는 학습 내용을 제공하였고 또한, 학습자의 학습 수준 파악을 위해 기존단답식 위주의 단순 평가가 아닌 문항 반응 이론의 CAT 시스템에 기반 하여 학습 평가 모듈을 구현함으로서 학습자의 정확하고 객관성 있는 학습 능력을 평가 하였으며 그에 따라 학습자 수준에 맞는 학습 내용을 제공할 수 있도록 하였다. 마지막으로 코스 스케줄링 모듈을 통해 학습자 개개인의 학습 상황에 맞는 학습 코스를 동적으로 제공해줌으로서 학습자가 원하는 목표를 성취할 수 있도록 하였고 실험 분석을 통하여 학습 성취도 향상에 효과적인 시스템임을 입증 하였다.
후속연구
향후 연구 과제로는 영어 학습뿐만 아니라 다양한 학습 주제를 적용한 시스템의 효과 분석 작업이 요구 되며 학습자의 요구에 보다 만족스러운 학습 제공을 위한 추론 기법에 관한 연구도 의미 있으리라 사료 된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.