학습자 시간관리 전략과 학업성과 간 관계분석

Abstract

Learning experience through e-learning features self-directed learning, creation of learning community, and offering of an informal learning environment (Gyeong-sun Lee, Seung-yeon Han, Jae-eun Kim, 2008), and thus it suggests that the constructive education paradigm, which has been constantly discussed in the teaching-learning area, is applicable to the e-learning environment. To realize constructive education in e-learning, it is necessary to thoroughly observe each learner's learning process and provide relevant information for individual learners to help them achieve their learning goals. LMS saves all kinds of acts that learners carry out on their web environment in the type of log files. Therefore, if the system is used well, it is able to offer a sufficient amount of valuable and educational information to learners. However, since the system generates a great deal of information, it is not easy to manage the information manually. Most types of LMS fail to provide an efficient framework to evaluate the efficiency of class structure and contents and of learning process which help educators to trace and access all activities of learners (Zorrilla, Menasalvas, Marin, Mora, & Segovia, 2005). Accordingly, learning analytics to find out the unique types of data occurring in the educational environment will become a useful approach. Learning analytics advances from educational data mining whose main purpose is to efficiently analyze a massive amount of data, to the step further of using mining results to add teaching-learning treatment and thereby of including the step of controlling academic achievement (Elias, 2011). When learning analytics is used, it is possible to evaluate learners' learning progress, predict their future achievements or find and treat their potential problems, and thereby give learners immediate and individualized educational opportunities that meet their necessary levels and requirements. Such features of the learning analytics can contribute to realizing self-regulated learning that has constantly been emphasized in e-learning. It has already been reported that as a behavior-dimension strategy of self-regulated learning, time-management strategy is able to profoundly influence academic achievement in the face-to-face learning environment (In-sook Lee, 2005). Accordingly, this work tried to define 'time-management' variables as the important factor to make learners successfully perform learning and investigate how 'time-management' variables-regularity of learning interval, total learning hours, and the number of access to learning-affect academic achievement. Also, in order for the relational model between the defined ‘time-management’ variables and academic achievement to be used for predicting learners' academic achievement in learning process, this work tried to find the point at which the model significantly predicts academic achievement. The study issues set in this work are presented as follows: 1. Do the regularity of learning interval, total learning hours and the number of access to learning help to predict learners' academic achievement? 2. What is the learning progress point at which it is possible to predict learners' academic achievement significantly? To solve the study issues, through convenience sampling, this work collected and analyzed the web log data about 46 learners who took the courses of ‘Educational Psychology’ and ‘History and Civilization of East Asia’ opened in the regular fall semester of A women's university in 2010 . The collected data were used for descriptive analysis, correlation analysis, and multiple regression analysis by SPSS. Based on the analyses, this work used the influence of ‘time-management’ variables on academic achievement and a relevant model to find out the point at which it is possible to predict learners' academic achievement significantly. The results of this work are summarized as follows: First, it was found that the regularity of learning interval helped to predict academic achievement significantly. In other words, learners who regularly participated in learning showed high academic achievement. But, total learning hours and the number of access to learning failed to help to predict academic achievement. Secondly, when learners passed two quarters of their given learning period after beginning to learn, it was found that it was possible to predict learners' academic achievement significantly. Based on the results, this work drew the following suggestions: First, since many studies including previous studies and this study consistently reported that the regularity of learning interval served as a variable to predict academic achievement, it is necessary to operate and design a strategy to help and induce learners to participate in learning regularly. Secondly, this work revealed that total learning hours and the number of access to learning failed to significantly affect academic achievement. Depending on researchers, previous studies of on-line learning environments differently reported the influence of total learning hours and the number of access to learning on academic achievement. In terms of interpretation of the influence, a self-report questionnaire used for measuring a 'time-management' strategy shows the problem of measurement made from learners' subjective judgment, whereas web log based analysis is likely to show the problem of including a simple log-in into total learning hours and the number of access to learning. Therefore, to calculate learning hours more accurately, it is necessary to study learners' actual time of participation into learning and the difference of log-in time. Lastly, this work revealed that when learners passed at least two quarters of a learning period, it was possible to predict their academic achievement only with their partial time-management strategy data. The result suggests that by checking learners who fail to learn regularly in LMS, it is possible to encourage them to learn regularly and thereby increase the academic achievement of the entire learners. Based on the study results, this work makes the following suggestions for a follow-up study. First, the study subjects of this work are on-line courses 100%. Therefore, if study subjects have different types of courses, such as supplementation lecturing based on face-to-face class or one-line collaboration learning environment, it is difficult to generalize the study results. Given that most professors and courses in actual universities use a web-based class support system for the supplementary purpose of face-to-face class, it is necessary to diversify the course types of study subjects. Secondly, this work found that in calculating learning-continuance-time of each unit activity by learners, it is difficult to assert a log-out point because of the features of web-based learning environment. As a result, this work replaced the continuance time of last activity with the mean continuance time of each activity type for calculation. However, to secure objectivity of time calculation through web log analysis, it is necessary to seek a way of determining a log-out point accurately or conduct qualitative research to investigate the difference between actual learning hours and a log-in time. Thirdly, the data saved into LMS feature various aspects, such as demographic characteristics of individuals, the number of learners' participation into message board, the number of email messages sent, and the social interaction between learning team members and between them and teachers, but it is hard to find previous studies conducted to investigate the variables directly affecting learners' academic achievement. Therefore, it is necessary to keep examining and finding the possible variables to predict learners' academic achievement and thereby elaborate learning analytics further. Fourthly, in order to ensure the reliability of this prediction model, it is necessary to verify the model by various courses, and the qualitative research to identify the factors that make different findings should also be conducted. Lastly, it is hard to judge that finding the quarter-based point applied in this work to predict academic achievement is the most effective in predicting learners' academic achievement. Therefore, it is necessary to reflect various points such as daily-based point and weekly-based point.;이러닝을 통한 학습경험은 자기주도적 학습방식, 학습공동체의 형성, 비형식적 학습 환경의 제공이라는 특징을 가지며(이경순, 한승연, 김재은, 2008), 이는 교수학습 분야에서 지속적으로 논의되고 있는 구성주의적 교육 패러다임이 이러닝 학습환경에 적용될 수 있는 가능성을 시사한다. 이러닝에서 구성주의 교육을 실현하기 위해서는 학습자 개개인이 스스로의 학습목표에 도달할 수 있도록 학습의 과정을 면밀히 관찰하고 이에 대한 정보를 학습자에게 제공할 필요성이 대두되는데, LMS는 학습자들의 웹에서의 모든 행동을 로그 파일 형태로 저장하므로, 이를 활용하면 학습자에게 가치 있는 충분한 양의 교육적 정보를 제공할 수 있다. 그러나 시스템에서 생성되는 정보의 양이 너무나 방대하기 때문에 이것을 수작업으로 관리한다는 것은 쉬운 일이 아니다. 대부분의 LMS들은 교육자가 학습자들의 모든 활동을 추적하고 접근할 수 있게 하는 수업의 구조와 콘텐츠, 학습 과정의 효율성을 평가할 수 있도록 해주는 효율적인 툴을 제공하지 않고 있다(Zorrilla, Menasalvas, Marin, Mora, & Segovia, 2005). 따라서, 교육 환경에서 발생하는 데이터의 고유한 유형을 탐색하려는 학습분석학(Learning Analytics)이 유용한 접근이 될 수 있다. 학습분석학은, 방대한 양의 데이터 분석에서의 효율성을 주목적으로 하는 교육적 데이터 마이닝에서 한 걸음 더 나아가, 마이닝 결과를 활용하여 교수 학습적 처방을 가함으로써 학업성과를 통제하는 단계까지를 포함한다(Elias, 2011). 학습분석학을 활용하면 학습자의 학업 진행 상황을 평가하고 그들의 향후 성과를 예측하거나 잠재적인 문제를 발견·처방함으로써, 그들에게 필요한 수준이나 요구에 맞는, 가능한 한 즉각적이고 개별화된 교육적 기회를 제공할 수 있다. 이와 같은 학습분석학의 특성은 이러닝에서 지속적으로 강조되고 있는 자기조절학습을 실현하는데 기여할 수 있다. 시간관리 전략은 자기조절학습의 행동차원 전략으로 이미 면대면 학습 환경에서는 학업성과에 심도있는 영향력을 가질 수 있음이 보고되어 왔다(이인숙, 2005). 따라서 본 연구에서는 학습자가 학습을 성공적으로 수행하기 위한 중요 요소로 ‘시간관리’ 변수를 상정하고, ‘시간관리’ 변수인 학습시점 간격의 규칙성과 총 학습시간, 학습접속 횟수가 학업성취도에 미치는 영향을 규명하려 하였다. 또한, 규명된 ‘시간관리’ 변수와 학업성취도 간 관계 모형이 학습진행 과정에서 학습자의 학업성과를 예측하는데 활용될 수 있도록, 모형이 학업성과를 유의하게 예측하는 시점을 확인하고자 하였다. 본 연구에서 설정한 연구문제는 다음과 같다. 1. 학습시점 간격의 규칙성, 총 학습시간, 학습접속 횟수는 학습자의 학업성취도를 예측하는가? 2. 학습자의 학업성취도를 유의하게 예측할 수 있는 학습진행 시점은 언제인가? 이와 같은 연구문제를 규명하기 위해 편의표집 방법으로 A여자대학교에서 2010년 정규 가을학기를 통해 운영된 ‘교육심리학’ 및 ‘동아시아 역사와 문명’ 과정을 수강한 학습자 46명의 웹 로그 데이터를 취합하여 분석을 진행하였다. 수집된 자료는 SPSS를 이용하여 기술통계분석과 상관분석, 중다회귀분석을 실시하였다. 이를 바탕으로 ‘시간관리’ 변수들이 학업성취도에 미치는 영향력 및 해당 모형을 활용하여 학습자의 학업성과를 유의하게 예측할 수 있는 시점을 규명하고자 하였다. 본 연구의 결과를 요약하면 다음과 같다. 첫째, 학습시점 간격의 규칙성은 학업성취도를 유의하게 예측하는 것으로 나타났다. 즉, 학습에 규칙적으로 참여한 학습자가 학업성취도도 높은 것으로 나타났다. 그러나 총 학습시간과 학습접속 횟수는 학업성취도를 예측하지 못하는 것으로 나타났다. 둘째, 학습시작 이후 정해진 학습기간의 2쿼터의 시간이 경과하면 학습자의 학업성취도를 유의하게 예측할 수 있는 것으로 확인되었다. 이러한 결과를 바탕으로 다음과 같은 시사점을 얻을 수 있었다. 먼저 학습시점 간격의 규칙성은 선행연구에서부터 본 연구에 이르기까지 학업성과를 예측하는 변수로서 일관된 결과가 보고되고 있으므로, 학습자들이 규칙적으로 학습에 참여할 수 있도록 지원, 유도할 수 있는 운영 및 설계전략에 대한 고민이 이루어져야 할 것으로 보인다. 둘째, 본 연구에서 총 학습시간과 학습접속 횟수는 학업성취도에 유의한 영향을 미치지 못하는 것으로 나타났다. 온라인 학습 환경을 배경으로 한 선행연구에서 총 학습시간과 학습접속 횟수가 학업성취도에 미치는 영향은 연구자에 따라 상이한 결과가 보고되어 왔다. 이를 해석함에 있어서는, ‘시간관리’ 전략 측정을 위해 자기 보고식 설문을 통하는 경우에는 학습자의 주관적 판단에 의해 측정된다는 문제가 있는 반면, 웹 로그 분석을 통하는 경우 역시 단순 로그인을 총 학습시간 및 학습접속 횟수에 함께 포함할 가능성이 있음을 고려해야 하겠다. 보다 정확한 학습시간 산정을 위해서는 학습자의 실제적인 학습참여 시간과 로그인 시간 간의 차이 등에 관한 연구가 필요할 것으로 보인다. 마지막으로 본 연구를 통해 적어도 2쿼터의 학습시간이 경과하면 학습자의 일부 시간관리 전략 데이터만으로도 학업성과 예측이 가능한 것으로 확인되었다. 이러한 결과는 규칙적으로 학습하지 않는 학습자를 LMS 내에서 사전 확인하여, 이들이 규칙적으로 학습할 수 있도록 독려함으로써 전체 학습자의 학업성과를 높일 수 있는 가능성을 시사한다. 본 연구의 결론을 바탕으로 한 후속연구를 위한 제언은 다음과 같다. 먼저, 본 연구는 100% 온라인 과정을 대상으로 하였으므로 면대면 수업의 보완 강의, Blended Learning, 혹은 온라인 협동학습 환경 등 연구대상 과정의 형태가 달라지는 경우 결과의 일반화가 확보되기 어렵다. 실제로 대학 환경에서는 대부분의 교수자나 강좌가 웹기반 수업지원시스템을 면대면 수업의 보완적인 용도로 활용하고 있음을 감안할 때, 연구대상 과정의 형태를 다양화할 필요가 있겠다. 둘째, 본 연구에서는 학습자의 단위활동별 학습지속 시간을 산출하는 과정에서 웹 기반 학습 환경의 특성상 로그아웃 시점을 단언하기 어렵다는 문제점을 발견하여 마지막 활동의 지속시간은 활동 유형별 평균 지속시간으로 대체하여 합산하였다. 그러나 웹 로그 분석을 통한 시간산정이 보다 객관성을 확보하기 위해서는 로그아웃(log out) 시점을 정교하게 산정할 방법을 모색하거나, 실제적인 학습시간과 로그인 시간 간의 차이를 검증하는 질적 연구 등이 뒷받침될 필요가 있겠다. 셋째, LMS에서 저장되고 있는 데이터는 개인별 인구통계학적 특성, 학습자의 게시판 참여 횟수, 메일 발송 수, 학습 팀 내 구성원간 및 교수자와의 사회적 상호작용 양상 등 매우 다양한 반면, 어떠한 변수가 학습자의 학업성과에 직접적인 영향을 미치는지에 관한 선행연구는 찾아보기 힘들다. 그러므로 학습자의 학업성과를 예측 가능한 변수들을 계속적으로 검증, 발굴하여 학습분석학 연구를 보다 정교화해 나갈 필요성이 있겠다. 넷째, 학업성과 예측 모형의 설명력을 높이고 모형의 신뢰도를 확보하기 위해서는, 다양한 특성의 과정을 대상으로 모형을 검증해 나갈 필요가 있으며, 이러한 차이를 가져오는 과정특성이나 운영 측면의 요인 등을 규명하는 질적연구가 뒤따라야 할 것으로 보인다. 마지막으로, 본 연구에 적용된 학업성과 예측을 위한 쿼터별 시점 구분이 학습자의 학업성과를 예측하는데 가장 효과적이라고 속단하기에는 어려움이 있으므로 일별, 주별 등 다양한 시점으로의 접근 연구가 필요할 것으로 보인다.