• 문화기술의 융합
• /
• 제10권4호
• /
• pp.595-600
• /
• 2024

학습 성과를 예측하거나 학습 경로를 최적화하는 연구 분야에서 기계학습과 같은 인공지능 기술의 사용이 점차 증가하면서 교육 분야의 인공지능 활용은 점차 많은 진전을 보이고 있다. 이러한 연구는 점차 심층학습과 강화학습과 같은 좀 더 고도화된 인공지능 방법으로 진화하고 있다. 본 연구는 학습자의 과거 학습 성과-이력 데이터를 기반으로 미래의 학습 성과를 예측하는 방법을 개선하는 것이다. 따라서 예측 성능을 높이기 위해 Markov Chain 방법을 응용한 조건부 확률을 제안한다. 이 방법은 기계학습에 의한 분류 예측에 추가하여 학습자가 학습 이력 데이터를 분류 예측에 추가함으로써 분류기의 예측 성능을 향상 시키기 위해 사용된다. 제안 방법의 효과를 확인하기 위해서 실증 데이터인 '교구 기반의 유아 교육 학습 성과 데이터'를 활용하여 기존의 분류 알고리즘과 제안 방법에 의한 분류 성능 지표를 비교하는 실험을 수행하였다. 실험 결과, 분류 알고리즘만 단독 사용한 사례보다 제안 방법에 의한 사례에서 더 높은 성능 지표를 산출한다는 것을 확인할 수 있었다.

• 정보교육학회논문지
• /
• 제17권3호
• /
• pp.305-316
• /
• 2013

페이스북의 교육적 잠재력에도 불구하고, 아직 실증적인 연구나 이를 통한 실천적인 설계전략은 매우 부족하다. 따라서 본 연구에서는 페이스북을 활용한 협력학습에서 학습자들이 인식한 학습실재감이 학습성과를 예측하는지 검증하여, 페이스북 기반 협력학습 환경에서 학습성과를 높이기 위한 실재감 전략을 제시하고자 하였다. 이를 위해 서울소재 A 대학교의 전공과목을 수강하는 39명의 대학생을 대상으로 4주 동안 페이스북 상에서 프로젝트 과제를 수행하기 위한 협력학습을 진행하였다. 학습활동을 마친 후 학생들은 학습실재감에 대한 설문에 응답하였고, 지필평가와 과제평가를 합산하여 학습성과를 산출하여 단계선택 다중회귀분석을 통해 데이터를 분석하였다. 또한 포커스 그룹인터뷰를 통하여 학습자들이 페이스북기반 협력학습에서 느낀 학습실재감과, 실재감이 학습성과에 어떠한 도움이 되었는지 심층적으로 분석하고자 하였다. 연구결과, 인지실재감은 학습성과를 유의미하게 예측하는 것으로 나타났지만, 사회실재감과 감성실재감의 학습성과에 대한 예측은 통계적으로 유의하지 않았다. 이러한 결과를 토대로, 본 연구는 페이스북에서 학습자가 인식하는 학습실재감과 교육적 잠재력에 대하여 논의하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2018년도 추계학술발표대회
• /
• pp.711-714
• /
• 2018

본 연구의 목적은 교육관리시스템(LMS)에서의 학습활동로그를 바탕으로 학습성과 영향도를 분석하고 이를 예측하기 위한 모델을 개발하는데 있다. 연구방법은 먼저 상관분석을 사용하여 유의미한 변수를 선정하였으며, 딥러닝을 사용하여 예측 모델을 생성하였다. 모델 생성 결과 테스트 데이터 셋에 대해 약 84%의 정확도로 학습성과를 예측할 수 있었다. 본 연구는 온라인 교육환경에서 빅데이터와 인공지능을 적용할 수 있는 새로운 관점을 제공할 것으로 기대한다.

• 컴퓨터교육학회논문지
• /
• 제17권1호
• /
• pp.65-73
• /
• 2014

본 연구는 시간관리, 유용성, 흥미가 모바일 과학학습 성과를 예측하는지 검증하고자 하였다. 이를 위해 A여자 고등학교 2학년 학생 144명을 대상으로 약 5주 동안 모바일 기기를 활용하여 과학수업을 진행하였다. 수업 후, 시간관리, 유용성, 흥미, 만족도, 성취도, 학습지속의향에 관한 설문 결과를 수집하여, 상관분석 및 다중회귀분석으로 데이터를 분석하였다. 연구결과, 시간관리, 유용성, 흥미가 학습성과 중 만족도, 학습지속의향을 예측하였고, 시간관리, 유용성은 인지된 성취도를 유의미하게 예측하였다. 이는 모바일 과학수업에서 학습성과를 높이기 위해서는 시간관리전략에 대한 교육프로그램 제공과, 모바일학습에 대한 긍정적인 태도를 함양할 수 있도록 하는 교육이 마련되어야 함을 시사한다.

• 한국정보통신학회논문지
• /
• 제14권1호
• /
• pp.63-69
• /
• 2010

최근 기계학습 분야에서 분류자의 정확도 개선을 위하여 제안된 다양한 방법들 중 가장 큰 주목을 받고 있는 학습방법 중 하나는 앙상블 학습이다. 그러나 앙상블 학습은 의사결정트리와 같이 불안정한 학습 알고리즘의 성과 개선 효과는 탁월한 반면, 인공신경망과 같이 안정적인 학습알고리즘의 성과 개선 효과는 응용 분야와 구현 방법에 따라 서로 상반된 결론들을 보여주고 있다. 본 연구에서는 국내 기업의 부실화 예측문제를 활용하여 인공신경 망 분류자 및 대표적 앙상블 학습기법인 부스팅 분류자를 적용한 결과 앙상블 학습은 기업부실 예측문제에 있어 전통적 인공신경망의 성과를 개선할 수 있음을 검증하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2019년도 춘계학술대회
• /
• pp.83-86
• /
• 2019

본 연구는 공동연구성과를 고려하여 링크 분석 및 학습을 통해 기대효과가 높은 논문의 공저자 협업관계를 예측하는 방법론을 제시한다. 기존의 공저자 관계는 높은 정확도로 예측됨에도 불구하고 예측된 관계가 얼마나 좋은 관계인지 고려하지 않는 한계점을 보이고 있다. 따라서 본 연구에서는 위의 문제를 해결하기 위해 기대성과에 도움이 되는 공저자 관계 예측 방법을 다음과 같이 3가지 단계로 제안한다. (1) 서지정보 이종 그래프(Heterogeneous graph)를 구축하여 공동연구성과를 측정한다. (2) 공동연구성과를 기반으로 링크를 분석 및 학습한다. (3) 기대성과가 높을 것으로 전망되는 링크를 예측한다. 공동연구성과를 고려한 본 연구는 예측된 공저자 관계에 신뢰도를 높일 수 있을 것으로 기대한다.

• 한국지능시스템학회논문지
• /
• 제22권5호
• /
• pp.624-630
• /
• 2012

피어리뷰(peer review)를 통한 학습은 학습자간 피드백을 주고받으며 다양한 정보를 관찰, 분석하는 과정을 통해 학습성과를 향상시키는 방법이다. 피어리뷰 시스템의 중요한 문제 중 하나는, 학습자의 여러 특징을 고려하여 학습자의 학습성과를 향상시키는데 적합한 평가자를 찾는 것이다. 그러나 기존 피어리뷰 시스템에서는 학습자들이 가지는 다양한 특징을 고려하지 않고 단순히 피어리뷰 평가자를 임의로 할당하거나 제한적인 학습 전략에 따라 피어리뷰 평가자를 편성하였다. 본 논문에서는 학습자와 평가자의 다양한 특징을 고려하여, 특정 학습자와 평가자의 조합으로 피어리뷰 학습이 이루어졌을 때 학습자에게 어느 정도의 학습성과 향상이 있을지 예측하는 방법을 제안한다. 제안하는 방법은 학습자와 평가자의 프로파일 정보로부터 대표 속성을 추출하고 다양한 회귀 모델을 적용하였다. 또한 학습자들의 다양한 특징으로 인하여 나타날 수 있는 이상치(outlier)가 학습성과 예측에 미치는 영향을 알아보기 위해, 회귀 모델에 다양한 이상치 제거 방법을 적용하여 학습성과 예측성능을 비교하였다. 실험 결과 이상치를 제거 하지 않은 SVR 모델이 평균 0.47%의 에러율을 보이며 가장 우수한 학습성과 예측결과를 보였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2018년도 춘계학술발표대회
• /
• pp.244-246
• /
• 2018

학습관리시스템의 도입으로 학습자들은 다양한 형태로 학습하게 되고 데이터를 남기게 된다. 교육데이터마이닝은 다양한 형태로 기록되는 교육 데이터를 분석해서 유의미한 정보를 찾아 내는 방법이다. 교육데이터마이님을 활용하면 학생 개인의 학습성과 향상에 도움을 주거나 학습성과 예측 결과를 참고하여 부족한 부분을 지원해 줄 수도 있다. 기존 연구에서는 학습자의 행동 영역 특징이 학습성과에 영향을 끼친다는 것을 검증하기 위하여 나이브 베이즈, 의사결정트리, 신경망 기계학습알고리즘으로 데이터를 분석했다. 따라서 본 연구에서는 기존 연구를 확장하여 학습자의 행동 영역 특징이 학부모 학교 만족도에 영향을 끼치는지 여부를 확인하는 실험을 수행했으며 kNN, 의사결정트리, SVM 기계학습 알고리즘으로 데이터를 분석하였다. 분석결과 학습자의 행동 영역 특정이 학부모 학교 만족도에 영향을 미치는 것을 확인했다.

• 인터넷정보학회논문지
• /
• 제17권2호
• /
• pp.49-57
• /
• 2016

앙상블 학습 기법은 개별 모형보다 더 좋은 예측 성과를 얻기 위해 다수의 분류기를 결합하는 것으로 예측 성과를 향상시키는데에 매우 유용한 것으로 알려져 있다. 배깅은 단일 분류기의 예측 성과를 향상시키는 대표적인 앙상블 기법중의 하나이다. 배깅은 원 학습 데이터로부터 부트스트랩 샘플링 방법을 통해 서로 다른 학습 데이터를 추출하고, 각각의 부트스트랩 샘플에 대해 학습 알고리즘을 적용하여 서로 다른 다수의 기저 분류기들을 생성시키게 되며, 최종적으로 서로 다른 분류기로부터 나온 결과를 결합하게 된다. 배깅에서 부트스트랩 샘플은 원 학습 데이터로부터 램덤하게 추출한 샘플로 각각의 부트스트랩 샘플이 동일한 정보를 가지고 있지는 않으며 이로 인해 배깅 모형의 성과는 편차가 발생하게 된다. 본 논문에서는 이와 같은 부트스트랩 샘플을 최적화함으로써 표준 배깅 앙상블의 성과를 개선시키는 새로운 방법을 제안하였다. 제안한 모형에서는 앙상블 모형의 성과를 개선시키기 위해 부트스트랩 샘플링을 최적화하였으며 이를 위해 유전자 알고리즘이 활용되었다. 본 논문에서는 제안한 모형을 국내 부도 예측 문제에 적용해 보았으며, 실험 결과 제안한 모형이 우수한 성과를 보였다.

• 디지털콘텐츠학회 논문지
• /
• 제19권6호
• /
• pp.1115-1121
• /
• 2018

본 논문에서는 사이버대학교 학습관리시스템에 누적된 데이터를 기반으로 학습 성과를 예측하기 위하여 딥러닝에 기반한 데이터 분석 방법을 연구하였다. 학습자의 학업 성취도를 예측하면, 학습자의 학습을 촉진하여 교육의 질을 높일 수 있는 도구로 활용될 수 있다. 학습 성과의 예측의 정확도를 향상시키기 위하여 오토인코더에 기반하여 한학기 출결 상황을 예측하고, 학기 진행 중인 평가 요소들과 결합하여 딥러닝으로 학습하여 최종 예측의 정확도를 높였다. 제안하는 예측 방법을 검증하기 위하여 학습 진행 과정의 출결데이터의 예측과 평가요소 데이터를 활용하여 최종학습 성취도를 예측하였다. 실험을 통하여 학기 진행중에 학습자의 성취도를 예측할 수 있는 것을 보였다.