머신 러닝을 활용한 이러닝 학습 환경에서의 학습자 성취 예측 모형 탐색 (Exploration of Predictive Model for Learning Outcomes of Students in the E-learning Environment by Using Machine Learning)

서지정보

· 발행기관 : 학습자중심교과교육학회
· 수록지 정보 : 학습자중심교과교육연구 / 18권 / 21호 / 553 ~ 572페이지
· 저자명 : 조헌국

초록

본 연구는 머신 러닝을 활용해 이러닝 강의의 학습자의 데이터를 토대로 학습 성취 수준을 예측함으로써, 이러닝을 활용한 과학교육에 대한 시사점을 제공하고자 하였다. 이에 본 연구는 2018년 8월부터 한 달간 2016~2017년 4학기 동안 수도권의 한 대학에서 개설된 이러닝 강의에 참여한 998명의 학습자 정보를 토대로 k-근접 이웃 알고리즘, 서포트 벡터 머신, 의사결정 나무, 랜덤 포레스트, 그래디언트 부스팅, 인공 신경망 등 6가지의 분석을 통해 학습 성취 수준을 예측하였다. 그 결과, 그래디언트 부스팅을 제외한 나머지 모형에서 모두 90% 수준의 높은 정확도를 보였다. 학습 성취에 미치는 요인을 살펴보면 트리 분석에서는 기말고사, 중간고사, 과제, 출결 순으로 나타나지만 서포트 벡터 머신의 피처 선택에서는 과제, 기말고사, 중간고사, 출결 순으로 나타난다. 이는 출결 정보만으로는 유의미한 학습이 이뤄지고 있는지 판단할 수 없음을 뜻한다. 이에 본 연구는 최적화된 머신 러닝 활용 결과를 토대로 이러닝을 활용한 과학교육 및 학습자 성취 향상을 위한 여러 시사점과 후속 연구를 제안하였다.

영어초록

This study aimed at predicting the learning outcomes of students participating in the e-learning course based on machine learning and giving some implications for science education in the tertiary level. Thus, this study selected metadata of a total of 998 students who enrolled the introductory science course for the last for semesters, from 2016 to 2017, and developed a predictive model relying on k-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, Gradient Boosting, and Artificial Neural Network. As a result, all the models except Gradient Boosting showed reliable performance over 90 percents of accuracy. Regarding the importance value of each parameter for students’ learning, models depending on tree analysis put the priority on final term, middle term, homework and attendance in order whereas SVM supported homework, final term, middle term and attendance. This result indicates that attendance information does not guarantee if students participate in the meaning learning. Thus, this study gave some implications for improving students’ learning outcome in the e-learning environment and future studies working with machine learning.

참고자료

· 없음