View : 119 Download: 0

동영상 기반 학습 환경에서 지각된 어포던스를 통한 학업성취 예측모형 개발

Title
동영상 기반 학습 환경에서 지각된 어포던스를 통한 학업성취 예측모형 개발
Other Titles
Development of Prediction Model for Learning Achievement with Perceived Affordances in Video-Based Learning Environment : Based on Behavior Logs and Eye Movements
Authors
김다솜
Issue Date
2019
Department/Major
대학원 교육공학과
Publisher
이화여자대학교 대학원
Degree
Master
Advisors
조일현
Abstract
동영상 기반 학습은 다양한 학습형태에서 널리 활용되고 있으며(임병노, 이준, 2007), 최근에는 새로운 동영상 기반 학습 환경의 등장으로 더욱 빠르게 확산되고 있다(Giannakos, 2013). 이에 따라 국내외에서는 동영상 기반 학습에 대한 깊이 있는 이해와 함께 보다 개선된 교수·학습 설계를 제시하기 위한 시도가 증가하고 있다(조영환, 2015). 동영상 기반 학습 환경에서의 학습은 학습자와 교수자가 분리되어 있다는 점에서 전통적인 면대면 학습 환경에서의 학습과는 차이가 있다(박진희, 이은하, 배선형, 2010). 동영상 기반 학습은 학습의 전 과정이 학습자의 학습 의지에 따라 좌우된다는 점에서 학습자의 자기조절능력이 강조된다(임철일, 2001). 따라서 동영상 기반 학습 환경에서 성공적인 학습을 위해서는 학습자가 능동적이고 자기주도적으로 학습할 수 있도록 촉진하는 것이 중요하다(He, Holton, Farkas, & Warschauer, 2016; Pintrich & Schunk, 2002). 학습자의 자기주도적 학습 능력이 중요한 동영상 기반 학습 환경에서 학습자의 학습을 지원하기 위해서는 학습내용 뿐만 아니라 학습자와 학습 매체와의 상호작용을 강조할 필요가 있다. 동영상 기반 학습에서 학습 환경은 학습성과에 중요한 영향을 미치는데(김소연, 2000; 임규연, 1999), 학업성취는 학습성과를 측정하는 가장 대표적인 지표이다. 따라서, 동영상 기반 학습 환경에서 학습자의 학업성취 향상을 위해 자기조절 능력을 촉진시키는 전략을 제공하거나 학습 콘텐츠 및 매체를 설계하고 제작하는 데 있어 환경과의 상호작용을 반영하는 것은 중요하다(박철우, 2012). 이를 위해 ‘지각된 어포던스’를 고려할 수 있다. 어포던스는 행위자와 환경이 상호작용할 때, 행위자의 행동에 영향을 주는 환경의 속성을 말하며(Gibson, 1979), 지각된 어포던스는 행위자의 사전지식과 경험을 통한 각기 다른 추론 과정에 의해 변화되는 어포던스를 말한다(Norman, 1988). 동영상 기반 학습 맥락에서 지각된 어포던스는 학습자와 학습 매체 간의 상호작용을 표상한다고 할 수 있는데, 성공적인 학습을 위해서는 학습 목적에 맞게 설계된 학습 매체의 어포던스가 효과적으로 지각되어야 한다. 동영상 기반 학습 환경에서 지각된 어포던스를 이해하기 위해서는 학습 매체와의 상호작용 과정에서 경험하는 학습자의 내적 과정에 대한 이해가 필요하다(Delen, Liew, & Willson, 2014). 지금까지 대부분의 학습 관련 연구에서는 학습자의 내적 과정을 주로 자기보고식 설문을 통해 측정해 왔다. 하지만, 설문으로는 교수자가 학습자를 관찰할 수 없어(이인수, 2011) 설문의 결과 만으로는 심도 있는 해석을 도출하기 어렵다는 점과 구체적인 학습 경험을 파악할 수 없다는 한계가 있다. 이에, 동영상 기반 학습 과정에 따라 변화하는 학습자의 내적 과정을 관찰, 측정할 수 있는 새로운 데이터 활용에 대한 연구의 필요성이 제기되고 있다. 동영상 기반 학습과 같은 웹 기반 학습의 성장은 탐구 가능한 데이터의 형태를 확장하는 결과를 가져왔다. 그 중 교육적 관점의 빅데이터의 활용은 ‘학습분석학’적 접근으로 이어졌다. 학습분석학은 학습자와 학습자의 상황에 대한 데이터를 측정, 수집, 분석 및 보고하여 학습자를 이해하고 적절한 처방을 제공하고자 하는 학문으로(Siemens et al, 2011), 이를 통해 학습 맥락에서 활용 가능한 데이터의 범주가 크게 확장되었다. 동영상 기반 학습의 경우, 모든 학습행동은 로그 데이터의 형태로 학습 콘텐츠 관리 시스템에 저장된다(Greller & Drachsler, 2012). 실시간으로 저장되는 수많은 행동 로그 데이터들은 학습자의 인지·심리적 내적 과정을 알 수 있는 중요 정보를 내포하고 있기 때문에 학습자를 이해하는 데 도움이 될 수 있다(Mostow, Beck, Cen, Cuneo, Gouvea, & Heiner, 2005). 지각된 어포던스의 측면에서 행동 로그는 학습자와 학습 환경 간의 상호작용을 단적으로 나타내는 지표이다. 특정 행동에 대한 로그 데이터는 행위자와 관계된 환경에 대한 행위유발성을 내포하는 것으로, 학습자가 지각한 학습 환경의 어포던스를 암시한다. 따라서 학습자의 행동 로그 데이터를 분석하여 특정 학습 환경의 학습자의 적응적 학습 행동 유형을 규명할 수 있다. 로그 데이터 형태의 데이터가 갖는 한계를 보완하기 위해 최근 학습분석학에서는 생리심리 데이터로 그 영역을 확장하고 있다. 대표적으로 활용되는 생리심리 데이터로는 눈의 움직임을 기록하는 안구 운동 데이터가 있다. 정보처리이론에 따르면 눈의 움직임은 인간의 선택적 지각과 주의에 따라 반응하게 되며, 교육 분야에서의 초기 안구 운동은 주로 읽기 및 인지 처리 과정과 관련하여 진행되어 왔다(Rayner, 1998). 학습 과정 중의 안구 운동 분석을 통해 학습자의 역동적인 인지적 과정을 가시화할 수 있다. 안구 운동은 행동 로그와 마찬가지로 지각된 어포던스의 또 다른 지표이다. 학습의 전과정이 시청각 매체를 통해 이루어지는 동영상 기반 학습 환경에서는 객체 조작을 위해 안구 운동이 선행된다. 학습자의 다양한 시각적 패턴은 서로 다른 유형으로 나타난 지각된 어포던스의 표현으로, 학습자의 인지적 정보처리 과정을 반영한다. 따라서 시선 추적을 통해 수집된 학습자의 안구 운동을 통해 학습 과정 중의 학습자의 인지과정을 직접적으로 관찰할 수 있다(김태용, 2006). 아직까지 학습 내용이나 학습자 개인에 따라 개별화된 학습 패턴을 고려한 맞춤형 교육적 자원을 확보하기 위한 시도는 충분히 이루어지지 않았다. 따라서 학습자의 인지, 정의, 행동적 차원을 종합하여 학습자 세부 군집을 규명하고 학습자 중심의 맞춤형 교수·학습 설계 자원을 다각적으로 마련하는 것이 요구된다. 한편, 학습 데이터를 활용해 학습활동과 실제적인 학업성취와의 관계를 탐색하려는 시도 또한 아직 미흡한 실정이다. 방대한 다중형식 데이터를 활용한 탐색적인 연구를 통해 전체 및 개별 학습자의 심리 기제를 해석하고 학습행동과 성과를 예측할 수 있으며, 그 결과를 바탕으로 최적의 교수·학습적 처방을 개발할 수 있는 일련의 순환적 매커니즘 개척이 기대된다(이혜윤, 2015). 본 연구에서는 자기주도적 학습을 지원하는 동영상 학습 플레이어를 이용하여 동영상 기반 학습 환경에서 학습자의 지각적 어포던스를 나타내는 행동 로그와 안구 운동 데이터를 수집한 후 학습 내용 및 학습자 집단에 따른 변인 간 차이를 분석하고, 이들이 학업성취에 미치는 영향을 실증적으로 규명하고자 한다. 이에 따른 연구문제는 다음과 같다. 연구문제 1. 동영상 기반 학습 환경에서 학습자의 지각된 어포던스를 나타내는 행동 로그, 안구 운동은 학업성취를 예측하는가? 연구문제 2. 동영상 기반 학습 환경에서 학습자의 지각된 어포던스를 나타내는 행동 로그, 안구 운동에 기반한 학업성취 예측모형은 과제복합성 수준에 따라 차이가 있는가? 연구문제 3. 동영상 기반 학습 환경에서 학습자의 지각된 어포던스를 나타내는 행동 로그, 안구 운동에 기반한 학업성취 예측모형은 과제복합성 수준 내 세부 군집에 따라 차이가 있는가? 본 연구는 수도권 소재 남녀 대학생 총 77명을 대상으로 진행하였으며, 이상치 제거 후 최종 67명의 데이터를 분석하였다. 연구 대상자는 동영상 학습 플레이어를 통해 과제복합성에 따라 구분된 2개의 학습 동영상을 시청하였다. 그 후 사후시험을 통해 학업성취를 측정하였다. 본 연구의 핵심 변인 중 하나인 행동 로그는 동영상 학습 단계에 국한하여 수집되었으며, 안구 운동은 실험 전 과정에서 측정한 후 수집되었다. 수집된 데이터는 통계 프로그램 R을 사용하여 분석되었는데, 분석 과정에서 기술통계 분석, 시각화, Shapiro-Wilk 검정, F 검정, Wilcoxon 부호 순위 검정, 랜덤 포레스트 분석 및 GMM 군집분석을 실시하였다. 본 연구의 분석 결과와 논의는 다음과 같다. 첫째, 연구문제1과 관련하여 학습자의 행동 로그, 안구 운동은 학업성취를 예측하는지 살펴보기 위해 랜덤 포레스트 기법으로 분석한 결과, 해당 모형에서 중요 변인은 Play.Freq, Bookmark.MTime, MFD.2, TFD.2 4개로 나타났다. 전체 집단 학업성취 예측모형을 통해 동영상 기반 학습에서 학업성취는 전반적으로 적극적인 학습 활동과 주석을 탐색하거나 생성하는 활동과 관련되는 것을 확인할 수 있었다. 둘째, 연구문제 2와 관련하여 과제복합성 수준에 따라 학습자의 행동 로그, 안구 운동을 통한 학업성취 예측모형에 차이가 있는지 확인하기 위해 랜덤 포레스트 기법으로 분석하였다. 먼저, 과제복합성 하 수준의 경우 중요 변인은 MFD.4, TFD.3, TFD.4, Pause.Freq, TFD.5, Seek.Time, Comment.Time 7 나타났다. 다음으로, 과제복합성 상 수준의 경우 중요 변인은 Seek.Freq, MFD.1, MFD.4, Comment.Freq, Seek.Time, Condition.Freq, MFD.5 7개로 나타났다. 과제복합성 수준에 따른 학업성취 예측모형을 통해, 학습 내용의 과제복합성에 따라 학업성취를 예측하는 구체적인 변인과 그 영향력의 양상이 다르게 나타남을 확인하였다. 과제복합성 하 수준의 경우 학습활동을 지원하는 기능을 얼마나 사용했느냐에 따라 전반적으로 높은 학업성취를 예측할 수 있었다면, 과제복합성 상 수준의 경우 단순히 기능을 어떻게 사용하였는지 뿐만 아니라 학습하는 과정 내에서 학습자의 인지과정이 얼마나 효율적으로 사용하는지를 함께 고려해야함을 알 수 있었다. 셋째, 연구문제 3과 관련하여 GMM 군집분석을 통해 과제복합성 수준 내 세부 군집을 나누고 학습자의 행동 로그, 안구 운동에 기반한 학업성취 예측모형을 도출하였다. 각 모형에 대한 랜덤 포레스트 분석 결과는 다음과 같다. 과제복합성 하 수준 군집 1의 경우 중요변인은 Bookmark.Freq, TFD.2, Filtering.Time 3개로 나타났다. 과제복합성 하 수준 군집 2의 경우 중요 변인은 MFD.4, Filtering.Time, Bookmark.MTime, TFD.4, TFD.3 5개로 나타났다. 과제복합성 상 수준 군집 1의 경우 중요 변인은 Seek.Freq, Seek.Time, MFD.5 3개로 나타났다. 과제복합성 상 수준 군집 2의 경우 중요 변인은 MFD.4, TFD.4, MFD.1 3개로 나타났다. 군집분석을 통해 과제복합성 내 세부 군집을 나누어 예측모형을 도출한 결과 군집에 따라 차별적인 중요 변인이 나타나며 같은 변인인 경우에도 그 영향력이 다르게 나타남을 확인할 수 있었다. 특히 학습 활동을 기준으로 비교적 소극적으로 참여한 학습자와 적극적으로 참여한 학습자 간의 차이를 확인할 수 있었다. 학습 활동을 기준으로 ‘보고 읽는’ 소극적으로 참여한 학습자와 ‘쓰는’ 적극적으로 참여한 학습자 간의 차이를 확인할 수 있었다. 이를 통해 최적의 학습 효과를 내는 학습 환경은 학습자에 따라 달라질 수 있음을 확인할 수 있었다. 이상의 결과를 바탕으로, 본 연구의 의의와 시사점은 다음과 같다. 첫째, 교육공학의 연구 영역을 넓혔다. 본 연구는 행동 로그와 안구 운동 데이터를 교육분야에 탐색적으로 적용했을 뿐 아니라, 랜덤 포레스트 기법을 사용해 분석의 데이터 범주와 분석 방법의 영역을 확장했다는 시사점을 지니고 있다. 객관적이고 비간섭적인 데이터 측청치를 활용해 데이터 간 복잡한 상호작용에 대한 보다 심층적인 입체적 해석을 가능하게 한 것이다. 둘째, 피험자내설계를 통해 빅데이터 연구에서 적용가능한 질적 규모의 차원을 넓혔다. 본 연구에서 수집된 학습 과정 중 개별 학습자에 대한 데이터는 1인 당 10만 건이 넘는다. 이렇게 수집된 정보는 학습 과정 중에 나타나는 학습자의 내적 과정을 정확하고 심층적으로 드러낼 뿐 아니라, 단순히 연구 대상자 수의 증가만으로는 파악할 수 없는 깊이 있는 통찰을 제공해주었다. 본 연구는 양적 규모 뿐 아니라 학습 과정에 대한 질적 규모를 향상하고 양질의 데이터 수집을 수행하였다는 점에서 의의를 지닌다. 셋째, 지각된 어포던스와 학업성취와의 관계를 실증적으로 규명하였다. 학습의 설계 의도가 개별 학습자에 따라 차별적으로 인지됨에 따라 지각된 어포던스가 학업 성취에 미치는 영향을 실증적으로 규명한 것이다. 본 연구는 실제 학습 환경과 유사한 실험 환경에서 지각된 어포던스의 구체적인 지표들을 통해 학습자의 지각된 어포던스가 학습의 결과인 학업성취에 미치는 영향을 과학적인 접근 방식을 통해 규명하고자 했다는 것에서 의의를 지닌다. 넷째, 동영상 기반 학습 과정에서 학습자는 학습 내용과 학습 매체가 복합적으로 이루어진 총체적인 학습 환경과 상호작용함을 확인하였다. 본 연구는 학습자의 인지적, 행동적, 생리적 과정의 복합적인 결과로 나타나는 구체적 지표인 행동 로그와 안구 운동을 통해 목적-수단이라는 이원적 구조의 학습 환경과의 상호작용을 관찰하고 그 결과로서 학업성취에 미치는 영향을 탐색했다는 점에서 의미가 있다. 다섯째, 동영상 기반 학습 환경에 사회적 학습 지원 기능을 적용하고 그 효과성을 확인하였다. 본 연구에서 사용된 동영상 학습 플레이어는 소셜 클라우딩을 통한 동영상 기반 학습을 지원하는 학습 매체로 다른 학습자와 상호작용하는 것이 가능하다. 자기주도적 학습을 지원하기 위해 변화하는 학습 환경을 반영한 학습 매체이다. 새로운 동영상 학습 플레이어의 기능을 통해 학습자의 학습 경험을 이해하고 학습 환경에 대한 학습자의 지각된 어포던스와 학업성취와의 관계를 탐색하고자 한 것이다. 여섯째, 복합적 학습자 맞춤형 예측모형의 필요성을 시사하였다. 본 연구는 전체 집단, 과제복합성 수준 및 과제복합성 수준 내 세부 군집에 따라 행동 로그와 안구 운동에 기반한 학업성취 예측모형을 개발하였다. 이를 통해 학습 내용 및 학습자 집단에 따라 변화하는 예측모형을 확인할 수 있었다. 이는 세분화된 예측 모형의 개발과 적용의 필요성을 시사하며, 모형 별 도출된 중요 변인의 다양성 또한 맞춤형 예측모형의 요구를 나타냈다. 특히 본 연구에서는 예측모형에서 변인이 갖는 비선형적 영향력을 확인함으로써, 학습자 집단에 따라 복잡하게 상호작용하는 변인의 영향력을 확인하였다. 본 연구는 맞춤형 학습 모형의 개발을 통해 차별적인 교수·학습 처방 제공을 위한 자원을 개발해야 함을 시사한다. 본 연구의 제한점과 후속연구를 위한 제언은 다음과 같다. 먼저, 본 연구에서 도출된 학업성취 예측모형의 성능은 전반적으로 미흡하였다. 이는 통제된 환경에서 일회적으로 진행된 실험 상황에 의해 학습자의 빈번한 학습 활동 데이터를 수집하는데 어려움이 있었기 때문이다. 따라서 보다 실제적인 환경에서 중·장기적인 학습 기간을 통해 보다 풍부하고 커다란 데이터를 이용하여 정확하고 우수한 예측모형을 도출하는 것이 요구된다. 둘째, 본 연구에서 지각된 어포던스를 나타낸 변인은 행동 로그와 안구 운동에 한정되었다. 행동 로그와 안구 운동은 생리적, 행동적 차원의 일부 지표로 지각된 어포던스 그 자체라고 여길 수 없다는 한계가 있다. 지각된 어포던스의 객관적 측정을 위한 연구와 함께, 다양한 지각된 어포던스 지표 변인을 통한 복합적인 실증 연구가 필요하다. 셋째, 본 연구에서는 1개 설명변인이 학업성취에 미치는 개별적인 영향력에 대해서만 분석하였다. 본 연구에서는 모든 변수가 입력된 상황에서 한 변인의 평균화 값을 통한 영향력을 보여주는 부분의존성도표만을 사용하였다. 하지만 개별 조건부 기대치 도표와 같이, 예측모형 내에서 변수 간 상호작용을 고려한 분석 방법의 적용이 필요하다. 넷째, 본 연구에서 채택한 실험 자극물의 특수성으로 연구 결과의 일반화에 한계가 있다. 본 연구에서 사용한 학습 동영상은 자극 통제를 위해 화면에 교수자가 등장하지 않고, 시간의 흐름에 따라 텍스트 형태의 학습 내용이 제시되는 방식으로 이루어져 있다. 이는 보편적으로 사용되는 실제적인 학습 동영상의 형식과 다소 괴리가 있는 구성이므로, 보다 보편적이고 실용적인 특성을 지닌 학습 동영상을 통해 그 효과성을 검증할 것이 요구된다. 다섯째, 본 연구에서는 학습 내용에 우선적으로 초점을 두었는데, 이어지는 후속연구에서는 구체적인 학습자 개인적 특성이 지각된 어포던스와 학업성취 간의 관계에 직접적으로 미치는 영향력에 대한 분석을 제언한다. 동일한 동영상 기반 학습 환경에서 상이한 특성을 지닌 학습자 집단에 따라 지각된 어포던스가 학업성취에 미치는 영향력의 크기와 양상을 규명할 것이 요구된다. 마지막으로, 본 연구의 결과를 바탕으로 동영상 기반 학습을 설계하여 예측모형의 효과성을 검증하는 연구를 제언한다. 본 연구 결과를 바탕으로, 행동 로그 및 안구 운동과 관련된 학습 활동에 기반한 학습자 중심의 사용성 평가 연구가 요구된다는 것이다. 따라서 본 연구를 바탕으로 한 교수·학습 설계 및 어포던스 기반 설계 연구를 후속연구로 제안하는 바이다.;Video-based learning is widely used in a variety of learning formats (Im & Lee, 2007) and has recently spread more rapidly with the advent of a new video-based learning environment (Giannakos, 2013). As a result, attempts are increasing at home and abroad to present a better instruction and learning design with a deeper understanding of video-based learning (Cho, 2015). Learning in a video-based learning environment differs from learning in a traditional face-to-face learning environment, given that learners and instructors are separated (Park, Lee, & Bae, 2010). Video-based learning emphasizes the learner's self-regulating ability in that the entire learning process depends on the learner's willingness to learn (Im, 2001). Therefore, it is important to promote active and self-directed learning by learners in a video-based learning environment (He, Holton, Parkas, & Warschauer, 2016; Pintrich & Schunk, 2002). In order to support learners' learning in a video-based learning environment where learners' self-directed learning abilities are important, it is necessary to emphasize not only the learning content but also the interaction with learners and learning media. In video-based learning, the learning environment has an important effect on learning outcomes (Kim, 2000; Lim, 1999), and learning achievement is the most representative indicator for measuring learning performance. Therefore, it is important to reflect the interaction with the environment in the video-based learning environment, providing strategies that promote self-control capabilities to improve learners' learning achievement, or in designing and producing learning content and media (Park, 2012). To this end, ‘perceived affordances’ can be considered. Accordance refers to the nature of the environment that affects the behavior of an actor when the environment interacts with him (Gibson, 1979), and perceived affordnaces refers to an incident that is changed by different inference processes through the actor's prior knowledge and experience (Norman, 1988). In the context of video-based learning, perceived affordacnes represents interactions between learners and learning media, and successful learning requires effective perception of learning media designed for learning purposes. Understanding perceived affordances in a video-based learning environment requires understanding of the learner's internal processes in the interaction with learning media (Delen, Liew, & Wilson, 2014). So far, in most of the learning related studies, learners’ internal process has been mostly measured by means of a self-report survey. However, there is a limit to the fact that the results of the survey are difficult to derive an in-depth interpretation because the isntructor cannot observe the learner (Lee, 2011) and the specific learning experience cannot be identified. This raises the need for research into the use of new data to observe and measure changing learners' internal processes according to the video-based learning process. The growth of Web-based learning, such as video-based learning, has resulted in expanding the form of data that can be explored. Among them, the use of big data from an educational perspective led to a "learning analytics" approach. Learning analytics is an academic discipline that aims to measure, collect, analyze and report data about learners and their situations to provide appropriate treatment(Siemens et al, 2011), which greatly expanded the categories of data available in the learning context. For video-based learning, all learning behaviors are stored in the Learning Content Management System in the form of log data (Greler & Drinksler, 2012). Numerous behavior log data stored in real time can help you understand the learner because it contains important information that identifies the learner's cognitive and psychological internal processes (Mostow, Beck, Ken, Cuneo, Gouvea, & Heiner, 2005). In terms of perceived affordances, behavior logs are a single indicator of interactions between learners and the learning environment. Log data for a particular action implies behavioral inducement for the environment involved with the actor, suggesting the perceived affordances of the learning environment to which the learner is perceived. Therefore, learners' behavior log data can be analyzed to identify the types of learners' adaptive learning behaviors in a particular learning environment. To compensate for the limitations of data in the form of logarithmic data, recent learning analytics has expanded its scope to physiological data. Typical physiological data used includes eye movement data to record eye movements. According to the information processing theory, eye movements are responsive to human selective perception and caution, and early eye exercises in the field of education have been conducted mainly in relation to the reading and cognitive processing process (Rayner, 1998). An analysis of eye movements during the learning process can provide visibility into the learner's dynamic cognitive processes. Eye movements, like the behavior logs, are another indicator of perceived affordances. In a video-based learning environment where the whole process of learning is done through audiovisual media, eye movements are preceded for object manipulation. The learner's various visual patterns are expressions of perceived affordances in different types, reflecting the learner's cognitive processing process. Therefore, the learner's eye movements collected through eye tracking allows direct observation of the learner's cognitive processes during the learning process (Kim, 2006). There have been insufficient attempts to obtain customized educational resources considering learning content or individual learning patterns. Therefore, it is required to identify a detailed cluster of learners by aggregating the cognitive, affective and behavioral dimensions of learners, and to develop diverse customized teaching and learning design resources. Meanwhile, attempts to explore the relationship between learning activities and actual learning achievement using learning data are also insufficient. Exploratory research utilizing vast amounts of multimodal data is expected to interpret the psychological mechanisms of the entire and individual learners, predict learning behaviors and outcomes, and develop a series of cyclical mechanisms to develop optimal teaching and learning prescriptions based on the results (Lee, 2015). This study aims to collect behavior log and eye movement data that represent learner's perceived affordances in a video-based learning environment using video learning players that support self-directed learning, and analyze the differences between learning content and variants according to the learning content and learner group, and empirically identify their impact on learning achievement. The following research questions are the following. Research question 1. Does the learner's behavior logs and eye movements which indicate the learner's perceived affordances, predict learning outcomes in a video-based learning environment? Research question 2. Is there difference between low-task complexity and high-complexity group in the prediction model which explained learning achievement by learner’s behavior logs and eye movements which indicate the learner's perceived affordances, in video-based learning environment? Research question 3. Is there difference between detailed clusters within low-and high-task complexity groups in the prediction model which explained learning achievement by learner’s behavior logs and eye movements which indicate the learner's perceived affordances, in video-based learning environment? This study was conducted on a total of 77 male and female undergraduate students in the Seoul metropolitan area, and the data of 67 students were analyzed after removing outliers. The study participants watched two learning videos separated by task complexity through the video learning player. Then, learning achievement was measured through post-test. Behavior logs, one of the key variations of this study, were collected only in the video learning phase, and eye movements, the other one, were collected through being measured in the whole experimental procedure. The collected data were analyzed using the statistical program R, which performed the descriptive statistics, visualization, Shapiro-Wilk test, F test, Wilcoxon sign rank test, random forest analysis and GMM cluster analysis. The analysis results and discussions of this study are as follows. First, for research question 1, the learner's behavior logs and eye movements were analyzed using random forest techniques to see if they predict learning achievement, and four important variables were retrieved from the model of, Play.Freq, Bookmark.MTime, MFD.2 and TFD.2. entire group learning achievement prediction model showed that in video-based learning, learning achievement was generally associated with active learning activities and the activity of exploring or generating annotations. Second, for research question 2, random forest analysis technique was used to determine whether there were any differences in the prediction models for learning achievement based on learner's behavior logs and eye movements depending on the levels of task complexity. Firstly, for the low level of task complexity, important variables are MFD.4, TFD.3, TFD.4, Pause.Freq, TFD.5, Seek.Time, Comment.Time 7 appeared. Secondly, for the high level of task complexity, important variables are Seek.Freq, MFD.1, MFD.4, Comment.Freq, Seek.Time, Condition.Freq, and MFD.5. Through the prediction models of learning achievement according to task complexity level, it had identified that specific variables which predict learning achievement according to task complexity of learning content and their influence patterns were different. When it comes to the low task complexity level, high learning achievement depends on how many functions which support learning activities, learners used, meanwhile, When it comes to the high task complexity level, It was not just how the function was used, but also how efficiently the learner's cognitive processes were used within the learning process. Third, for research question 3, Through GMM clustering analysis, detailed clusters within task complexity levels were divided and prediction models of learning achievement based on learner's behavior logs and eye movements was derived. The results of the random forest analysis for each model are as follows. Cluster 1 of low task Complexity level showed three important variables, Bookmark.Freq, TFD.2 and Filtering.Time. Cluster 2 of low task Complexity level showed five important variable, MFD.4, Filtering.Time, Bookmark.MTime, TFD.4, TFD.3. Cluster 1 of high task Complexity level showed three important variables, Seek.Freq, Seek.Time, MFD.5. Cluster 2 of high task Complexity level showed three important variables, MFD.4, TFD.4, MFD.1. Through the clustering analysis, the prediction models were derived by dividing the detailed clusters within the level of task complexity, and it was found that different important variables appeared in different clusters and the patterns of their influence were distinctive even for the same variable. In particular, based on learning activities, the differences between learners who participated relatively passively and those who actively participated were identified. Based on learning activities, it was able to classify two types of learners who were passive in "viewing and reading" and those who actively participated in "writing” and see the difference between those two. This provided the insight to confirm that the learning environment that produces the optimum learning effect can vary depending on the learner. Based on the above results, the significance and implications of this study are as follows. First, it expanded the scope of research in educational technology. This study 2not only exploratory applied behavior log and eye movement data in the field of education, but also expanded the scope of the data categories and methods of analysis by using random forest techniques. It has made possible a more in-depth three-dimensional interpretation of complex interactions between data by utilizing objective and non-intrusive data metrics. Second, the within subject design expanded the dimensions of the qualitative scale which is applicable to big data studies. During the learning procedure, the volume of data collected in this study, was more than 100,000 cases for each individual learner. This information provided an accurate and in-depth look at the learner's internal processes during the learning procedure, as well as deep insights that simply could not be grasped by increase in the number of research participants. This study is meaningful in that it has improved the qualitative scale of the learning process as well as the quantitative scale and carried out the collection of quality data. Third, the relationship between perceived affordances and academic performance was investigated empirically. As the design intent of learning is perceived differently by individual learners, the effect of perceived affordances on learning achievement has been empirically identified. This study is meaningful in that it was intended to identify the impact of learners' perceived affordances on learning achievement as a result of learning through a scientific approach with specific indicators of perceived affordances in a laboratory environment similar to an actual learning environment. Fourth, in the video-based learning process, it has been identified that learners interact with a holistic learning environment which is a combination of learning content and learning media. This study is meaningful in that it observed the interaction with the learning environment of a dual structure, objective-means, through behavior logs and eye movements, a concrete indicator of the combined results of learners' cognitive, behavioral and physiological processes, and explored the effect on learning achievement as a result. Fifth, the social learning support function in the video-based learning environment was applied and its effectiveness was verified. Video learning players used in this study which is a learning media that supports video-based learning through social clouding, can facilitate the interaction with other learners. It is a learning medium that reflects the changing learning environments to support self-directed learning. The purpose of the new function of the video learning player is to understand the learner's learning experience and explore the relationships with learner's perceived affordances and learning achievement to the learning environment. Sixth, this study suggested the need for a complex learner-tailored prediction model. This study developed a prediction model of learning achievement based on behavior logs and eye movements, depending on the entire group, task complexity levels, and detailed clusters within the task complexity levels. This enabled the prediction models to be confirmed to change with the groups of learners and the learning contents. This suggests the need to develop and apply granular prediction models, and the diversity of important variables derived by each model also indicated the need for customized prediction models. In this study, in particular, the influence of variables that interact with complex learner groups was verified by identifying the nonlinear influence of the variables in the prediction models. This study suggests that resources should be developed for the provision of discriminatory instruction and learning prescriptions through the development of customized learning models. The limitations of this study and suggestions for further study are as follows. First, the overall performance of the learnig achievement prediction models derived from this study was insufficient. This was due to the difficulty in collecting learner's frequent learning activity data in the experimental situations conducted once with a controlled environment. Therefore, it is required to derive accurate and superior prediction models using richer and larger data through medium and long-term learning periods in a more authentic environment. Second, the variables representing perceived affordances in this study were limited to behavior logs and eye movements. There is a limit that behavior logs and eye movements cannot be considered as the perceived affordances itself because they are some indicators of it in physiological and behavioral levels. In addition to the study for objective measurement of perceived affordances, complex empirical studies through various indicative variables of perceived affordances are required. Third, in this study analyzed the individual influence of only one explanatory variable on learning achievement. In this study, only partial dependence plots were used which shows the influence of an average value of a variable in the situation where all variables were entered. However, it is necessary to apply an analysis method that considers interactions between variables within the predictor model, such as an individual conditional expectation plot. Fourth, the specificity of experimental stimuli adopted in this study limits the generalization of study results. Learning videos used in this study are made in a way that no instructor appears on the screen and learning content appears with the form of text over time for stimulation control. This is a configuration that is somewhat different from the format of the common actual learning video, so it is required to verify effectiveness of its result through learning video which has more universal and practical characteristics. Fifth, this study focused primarily on learning content, and subsequent studies are suggested to analyze the influence of specific personal characteristics of learners which directly affect the relationship between perceived affordances and learning achievement. It is required to identify the magnitude and shape of the influence of perceived affordances on learning achievement depending on the learner groups with different characteristics in the same video-based learning environment. Finally, based on the results of this study, it is proposed to verify the effectiveness of the prediction models by designing video-based learning. With the results of this study, a learner-oriented usability test study is required based on learning activities related to behavior logs and eye movements. Therefore, follow-up studies of instruction and learning design and affordances-based design research are proposed based on this study.
Fulltext
Show the fulltext
Appears in Collections:
일반대학원 > 교육공학과 > Theses_Master
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE