설명 가능한 AI 학습 지원 시스템 개발
- 최초 등록일
- 2023.12.03
- 최종 저작일
- 2023.04
- 10페이지/ 어도비 PDF
- 가격 2,000원
소개글
설명가능한 AI 기술을 활용한 AI 학습지원시스템 개발 관련 논문을
요약하고 발표한 자료입니다.
목차
1. 서론
2. 연구배경
3. 설명 가능한 AI 학습지원시스템
4. 교육적 의의 및 활용 방안
5. 결론 및 후속연구
본문내용
1. 서론
- 학습자의 지식 상태를 진단하기 위해 학습자와 관련된 데이터를 이용하여 학습자를 모델링하는 KT(Knowledge Tracing)는 최근에는 딥러닝 모델을 적용하여 예측 정확도가 크게 증가시킴
- 그러나 기존의 통계기반 KT 모델에 비해 모델의 복잡도가 높아져 모델의 예측을 해석하는 데 어려움
- 사용자, 즉 교수자가 학습자 모델링의 결과를 해석하지 못하면, 학습 지원 시스템이 높은 성능의 모델을 사용하더라도 예상된 역할을 수행하기에는 한계가 있음
- 따라서 모델의 예측 과정을 교수자가 이해할 수 있는 형태로 제공하는 것은 모델에 대한 신뢰성을 높이고, 시스템이 교수·학습에 적극적으로 활용되도록 하는 데 필수적이다.
- 본 논문에서는 교수자가 개별 학습자의 지식 상태를 진단하고, 맞춤형 처방을 할 수 있는 설명 가능한 AI 학습 지원 시스템을 제안한다.
- 설명 가능한 AI 학습 지원 시스템은 기계학습 모델과 딥러닝 모델을 사용하여 학습자의 지식 상태를 모델링하고 개별 학습자의 지식 상태를 진단한다. 그리고 설명 가능한 인공지능 기법을 적용하여 교수자에게 이해 가능한 형태로 학습자 진단 결과를 제공한다. 교수자는 진단 결과를 이용하여 학습자 맞춤형 처방을 할 수 있다.
- 시스템 적용 예를 제시하기 위해, 학습자 정보 중 인지적, 환경적 영역의 데이터를 시스템 구현에 사용
- 인지적 영역의 데이터로는 Junyi Academy Math Pracive Log 데이터의 학습자 513명의 6가지 수학 개념의 문제풀이 데이터를 사용
- 환경적 영역의 데이터로는 30가지 환경 정보와 학년 말 최종 수학 성적으로 포함한 총 31가지 항목의 UCI Student Performance 데이터를 사용
2. 연구 배경
2.1 Knowledge Tracing(KT)
- Knowledge Tracing(KT)이란 어떤 기능을 습득하는 동안 변화하는 학습자의 지식 상태를 모델링하는 분야
- KT는 학습 이력 데이터(개별 학습자 별로 푼 문항과 정답여부)를 활용하여 학습자의 학습 개념에 대한 숙련도를 정량적으로 진단 및 학습자 맞춤형 추천 가능
참고 자료
없음