• 컴퓨터교육학회논문지
• /
• 제17권1호
• /
• pp.1-12
• /
• 2014

e-러닝 환경에서는 학습자의 학습행동이 학습관리시스템(LMS)에 자동으로 기록되며, 최근에는 이러한 데이터를 분석하여 수업과 학습성과 향상에 활용하는 학습분석학(learning analytics)적 접근이 증가하고 있다. 중도탈락은 e-러닝에서 지속되어 온 문제로, 본 연구는 일반대학 e-러닝 강좌에서 LMS에 기록된 데이터로부터 중도탈락 예측 모형을 구축하여 e-러닝 중도탈락 처방에 기초 자료를 제공하고자 하였다. 국내 일반대학에서 운영되는 교양 e-러닝 강좌를 편의표집하고, 이 강좌를 수강하는 578명의 자료로 중도탈락을 예측하는 로지스틱 회귀분석을 실시한 결과, 주차별로 계획된 학습을 규칙적으로 완료하는 출석과 총 학습시간이 중도탈락 예측에 유의한 선행요인으로 분석되었고, 이 로지스틱 회귀모형은 전체적으로 96%의 정확도로 수강완료자와 중도탈락자를 구분하였다. 또한 학습자가 중도탈락을 결정하기 이전 시점에서 이 모형을 적용하여 중도탈락 조기 판별 가능성을 탐색하고, 본 연구결과를 토대로 시사점과 이 모형의 잠재적 활용가치를 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
• /
• 제20권6호
• /
• pp.1-15
• /
• 2017

본 연구의 목적은 학습분석 기반 교수자 피드백 제공을 위해 LMS(Learning Management System) 대시보드를 설계하여 교수자 관점에서 개별 학습자의 학습 수행 정보를 직관적으로 이해할 수 있도록 하고, 학습자별로 추천된 피드백을 교수자가 유용하게 활용하고자 하는 것이다. 이 대시보드는 교수자 피드백 분류체계표에서 적용된 LMS의 교육적 활용 데이터를 근거로 설계되었다. 총 2회에 걸쳐 8년 이상의 경력을 가진 교육공학 전문가 8인을 대상으로 대시보드 설계 전반에 대해 타당화 검사를 실시하여 수정하였다. 연구의 결과로 설계된 최종 대시보드 화면은 종합분석 대시보드, 학습자분석 요약 대시보드, 추천 피드백 안내 대시보드로서 크게 3부분이 있고, 그에 따른 세부적인 분석 정보를 각각 제공하는 로그인 분석 대시보드, 학습정보확인 분석 대시보드, 강의자료학습 분석 대시보드, 과제/시험 분석 대시보드, 게시글 분석 대시보드 화면으로 총 8개의 대시보드로 구성된다. 모든 대시보드는 선행 연구에 근거하여 학습분석학 기반의 분석 정보 및 데이터에 따라 적합한 그래프 유형 및 표로 시각화 기법을 통해 적용되었다. 이러한 연구결과를 기반으로 교수자 피드백 제공을 위한 대시보드의 활용에 관한 시사점과 향후 연구과제에 대한 방안을 제시하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.240-243
• /
• 2021

최근에 빅 데이터와 AI 기술을 교육의 평가와 개별 학습에 적용하는 연구 성과가 있었다. 정보 기술의 혁신으로 소셜 미디어, MOOC, 지능형 개인지도 시스템, LMS, 센서 및 모바일 장치 등으로부터 학생들의 개인 기록, 생리학적 데이터, 학습 로그 및 활동, 학습 성과 및 결과를 포함하는 동적이고 복잡한 데이터를 수집 가능하였다. 또한 COVID-19 환경에서 e-러닝이 활성화 되어 많은 양의 학습 데이터가 생성되었다. 이 데이터로부터 학습 분석과 AI 기술을 적용하여 의미있는 패턴의 추출과 지식의 발견이 될 것으로 예상된다. 학습자 측면에서 학생의 학습 및 정서적 행동 패턴과 프로필을 식별하고, 평가 및 평가 방법을 개선하고, 개별 학생의 학습 성과 또는 중퇴를 예측하고, 개인화 된 지원을 위한 적응 시스템에 대한 연구는 필요하다. 본 연구에서는 교육용 데이터를 대상으로 이상탐지와 추천시스템에서 사용하는 기계학습 기술에 대한 조사와 분류를 하여 교육 분야의 연구에 기여하고자 한다.