학습양식 기반 추천시스템 설계

Abstract

2019년 한국과학기술정보통신부가 발표한 ‘AI 국가 전략’에 따르면 산업 전 반 AI도입 및 활용에 대한 전 국민의 AI교육 체계를 구축한다는 정책적 노력을 밝혔다. 이에 따라 교육분야에서도 AI도입에 관심을 가지고 이에 대한 대규모 데이터 기반 AI 융합 교육프로젝트를 확대하며 새로운 교육 패러다임으로 등장하였다(박진철, 2021). 이러한 변화를 반응하여, AI 융합프로젝트의 확장에 따라 AI를 이용한 인프라의 확장으로 누구나 데이터를 생산할 수 있게 되면서 데이터의 양 이 기하급수적으로 증가하고 있다. AI 기반 교육 플랫폼의 양적인 팽창은 공급적 차원에서 언제 어디서나 다양한 플랫폼을 활용해 학습할 수 있는 것은 바람직한 현상이나, 학습 수요자(학습자) 차원에서 다양한 AI 기술을 접목한 교육용 애플리케이션 정보 홍수 속에서 유의미하고 자신에게 적합한 AI 기반 학습 플랫폼을 찾 고 소비하는 과정이 더욱 복잡 해지거나 적합한 판단이 어려워지는 문제가 발생하게 된다. 즉, 이러한 과대한 교육정보 홍수 속에서 학습자들에 유의미한 교육용 애플리케이션을 찾는 것은 더 이상 간단한 작업이 아닌 단점을 가지고 있다는 것을 확인할 수 있다(Dascalu et al., 2015). 기존에 이러한 문제를 해결하고자 추천시스템(Recommender system)을 활용한 연구가 지금까지 많이 시도되어 왔다(강기순, 김교정, 2010). 추천시스템은 사용자 과거 구매 기록이나 아이템(Item) 선호도 정보를 통해 사용자 선호도가 높을 것으로 판단되는 아이템을 예측하고 도출하는 방법이다. 그러나 교육분야에서의 추천시스템 기능은 상품판매 중심의 이커머스(e-commerce)와 같이 상업적 영역에서 개발된 추천시스템의 메커니즘을 그대로 적용하기에는 ‘목표지향’적 측면의 제한점이 있다(George & Lai, 2019; Manouselis et al., 2011). 또한, 학습환경에서 학습자의 다양한 특성과 학습목적을 고려해야 하므로 전통적 전자상거래에서 사용된 추천기법으로 선호도를 측정하는 어려움이 따른다(Milićević et al., 2011). 선행연구에 따르면 Felder와 Silverman(1988)의 학습양식 이론을 비롯한 적응형 학습 연구에서 유사한 학습양식자들은 유사한 선호도와 학습행위를 가지고 있다는 것을 밝혔다(Chen et al, 2019). Felder와 Silverman(1988) 학습양식이론은 학습자 개인의 독특한 특징으로 학습에 접근하는 선호 방식들을 의미한다(Cassidy, 2004). 이러한 학습양식 모델을 학습자 정보를 획득하고 통제하는 과정으로 학습자 개인특성과 선호도를 파악하는 요소로 작용한다(Park, 2005). 그러나 그 동안 학습양식 기반의 적응형 학습 콘텐츠를 추천하는 연구들은 웹 기반 학습환경상황에 대한 편중이 많았고 모바일 앱 기반의 학습환경에 대한 연구가 부족하는 것이 실증이다(García et al, 2007; Popescu, 2010; Carver, 1996, Kinshuk & Lin, 2004, Baidada et al, 2019; Bourkoukou et al, 2016; Murad et al, 2018). 이에 본 연구에서는 최근 양적으로 개발된 AI 교육용 애플리케이션 중 학습자 가장 선호하는 학습분야 ‘어학영역’을 초점으로 두고 모바일 학습을 추구하는 학습자에게 학습양식 기반 맞춤형 언어학습 애플리케이션 추천시스템 설계방법을 제안하고자 하며 그의 예측 정확도를 본 연구에서 협업 필터링 추천 알고리즘을 활용하여 연구를 진행하였다. 이를 통해 본 연구에서 학습양식 기반 추천시스템 설계에 시사점을 제시하고자 하였다. 본 연구의 구체적 연구문제는 다음과 같다. 1. 학습양식 기반 AI 언어학습 앱 추천 방식은 어떻게 제안될 것인가? 2. 제안된 학습양식에 기반 AI 언어학습 애플리케이션 추천방식의 예측 정확도는 어떠한가? 본 연구를 진행하기 위하여 AI 언어학습 애플리케이션 데이터를 필요로 한다. 따라서 본 연구에서는2020년 9월부터 2021년 4월까지 AI 언어학습 애플리케이션을 16개를 수집하였다. 수집된 AI 언어학습 앱 대상의 선정 기준은 (1) 언어학습영역, (2) AI기술이 적용된 언어학습 애플리케이션, (3) 각 애플리케이션을 소개하는 정보를 기반 AI기술유형 최소 1개 포함(예: AI 음성인식, 패턴인식 기술을통해 언어학습 한다), (4) 앱 사용에 오류 없음, (5) 국내에서 사용 가능한 앱이며 해외에서만 사용가능한 서비스를 본 연구에 제외하였다. 또한, 본 연구는 학습자 학습양식 기반 AI 언어학습 앱 추천을 진행하는 연구로서, 2021년 2월부터 2021년 3월까지 총 1개월간 편의표집 방법을 이용하여 모바일 학습 추구하려는 일반성인대상 40명을 모집하였다. 연구에 참여한 학습자는 사전에 온라인 학습양식 설문조사를 진행하고, 일주일 간 4개의 AI 언어학습 애플리케이션을 사용하였다. 학습자에게 랜덤으로 일주일 간 제공하는 앱 학습을 끝난 후 앱 만족도 평가를 진행하였다. 이러한 만족도 조사를 기반으로 학습자의 선호도 데이터를 확인하였다. 본 연구에서 수집된 자료는 기술 통계프로그램 SPSS 23 을 활용하여 학습양식 신뢰도 분석을 실시하고, R for Windows 를 통해 데이터 시뮬레이션을 실행하였다. 마지막으로 협업 필터링 추천을 실행하기 위해 Python 3.8 을 이용하여 알고리즘을 실행하였다. 이에 따라 본 연구의 결과 요약은 다음과 같다. 첫째, 본 연구는 학습양식 기반의 인공지능 언어학습 애플리케이션 추천시스템 설계방법으로 협업필터링 알고리즘을 활용한 방법을 제안하였다. 본 연구에서 학습자들의 학습양식 선호 경향을 ILS 측정도구를 통해 분류하였다. 분류된 학습자의 학습 집단은 일주일간 애플리케이션을 학습하고 만족도 평가를 진행하였다. 이러한 데이터들을 기반으로 협업 필터링 기법을 활용해 학습양식 집단 속의 학습자들의 앱 사용 평가결과 기반으로 유사도 계산방식을 통해 최근접 이웃 집단을 구성하였다. 최근접 이웃 집단을 구성한후 높은 유사도를 가진 학습자들이 선호할 것이라는 앱들을 예측을 통해 추천 리스트를 도출한 것이다. 도출된 리스트는 학습자 학습양식 집단 속의 학습자들의 데이터를 기반으로 최종의 학습양식에 따른 추천시스템 추천 리스트를 도출한 것으로 설계방법을 제안하였다. 이러한 추천 제안 방법은 추천시스템의 성능 평가를 통해 높은 정확률이 가진다는 결과를 얻었다. 둘째, 본 연구에서 제안된 학습양식 기반의 AI 언어학습 앱 추천의 성능평가하기 위하여 예측 정확도를 측정하였다. 측정방법은 평균절대오차 계산방식으로 학습자 실제 평점과 제안하는 추천시스템의 예측한 평점을 통해 최종 추천 시스템의 성능 평가를 진행하였다. 학습자의 실제 평점은 추천리스트에서 도출된 앱들을 일주일간 실제로 사용하여 앱 평가를 진행하였다. 최종 학습자 실제 평점과 추천시스템의 예측 평점 간의 평균절대오차를 통해 83.33%의 높은 정확률을 가지고 있다는 것으로 확인하였다. 연구결과를 바탕으로 본 연구의 사사점은 다음과 같다. 첫째, 본 연구에서 제안한 추천방법은 학습양식이론을 적용하여 학습자의 선호도를 반영하는 관점을 넓혔다. 학습자의 선호도는 다차원적인 성격을 지니고 있다. Felder와 Silverman의 학습양식이론은 이러한 개인이 정보 인지, 입력 처리, 이해 측면에서 학습자의 개인적인 독특한 학습 선호를 밝혔으며 동일 학습양식 집단 속의 학습자는 유사한 선호도를 가진다. 기존의 학습양식 기반 추천을 진행하는 연구에서 학습자의 선호 경향성을 파악하여 모바일 앱 속의 테스트, 비디오, 그림 등 콘텐츠 들을 추천하는 연구들이다 (Saryar et al., 2019). 이러한 연구는 콘텐츠 필터링 기반의 추천이므로 사용자 과거의 선호도를 파악하고 유사한 종류의 아이템만 추천할 수 있는 한계점을 가지고 있다. 예컨대 학습자는 시각적 학습양식유형을 가지고 있다면 이를 통해 학습자 선호하는 시각적 자료만 반복 추천해주는 과도한 전문화문제(overspecialization)를 나타날 수 있게 되여, 학습자의 다양한 취향을 반영하기 어려운 문제점을 초래할 수 있는 것을 시사할 수 있다. 따라서 이러한 연구결과 기반으로 본 연구에서는 학습자의 선호도 산출을 협업 필터링 기법 이용하여 유사한 학습양식 집단 속의 학습자들의 선호도 정보를 기반으로 높은 유사도 가진 학습자들이 사용하지 않았지만은 선호할 만한 앱들을 추천해주었다. 둘째. Felder와 Silverman의 학습양식 이론을 다수의 웹기반의 학습환경에 대한 콘텐츠를 추천하는 설계가 실천적으로 연구 되어있으나, 교육 시스템의 발전에 따라 점차 학습자들의 주목을 이끌어가는 모바일 학습 앱에 대한 추천연구는 미흡하는 것이 실증이다. 따라서 본 연구에서 학습양식 기반 인공지능 언어학습 애플리케이션 추천 방식을 통해 학습자의 학습양식 선호경향을 파악하여 학습자 실제 사용하지는 않았지만 높은 선호도를 가질 것이라고 예측되는 인공지능 언어학습 앱 추천리스트를 도출하였다. 기존의 연구측면에서 연구자들은 학습양식이론을 기반으로 웹 환경의 학습 콘텐츠 추천하는 것에만 집중하여(Klašnja et al., 2011), 본 연구에서는 그 연구범위를 넘어 모바일 학습측면에 인공지능 언어학습 애플리케이션을 추천하는 점에서도 의의가 있다. 본 연구의 제한점과 후속 연구를 위한 제언은 다음과 같다. 첫째, 본 연구는 학습자에게 적응형 맞춤형 앱을 제공하기 위해 추천시스템 설계를 제안하였다. Chen와 그의 동료들의(2019) 연구에 따르면 유사한 학습양식자들은 유사한 선호도와 학습행위를 가지고 있다는 것을 밝혔다. 따라서 본 연구에서 학습자 프로파일 구축에 학습자의 선호경향을 파악할 수 있는 FSLSM학습양식을 학습자의 선호도로 보았다. 그러나 적응형 학습에서 학습자 프로파일 구축은 정적(Static)과 동적(Dynamic)으로 나눌 수 있다. 전자는 학습자가 교육용 데이터 마이닝(Educational Data Mining, EDM)속의 특징을 기반으로 모델링(Modeling) 진행한다. 예컨대 학습자의 학습양식, 학습동기, 인지적 특징들이다(유강동, 2021). 이는 학습자의 특징들을 미리 분석과 측정을 통하여 학습자의 특징을 기반으로 교수전략을 세우는 것이다. 후자는 학습자가 학습환경을 참여하고 시스템은 학습자의 학습행동 등을 추적하여 이러한 특징 기반으로 적합한 피드백 또는 콘텐츠를 제시한다. 본 연구에서는 동적 아닌 정적인 프로파일 구축방법으로 학습자의 학습양식을 측정한 후 협업 필터링을 이용하여 추천을 진행하였다. 후속연구를 진행할 경우 학습자가 인공지능 언어학습 애플리케이션을 학습할 때는 학습자의 학습방법 등 관찰을 통해 학습행동을 추적하여 이러한 동적인 특징 정보를 기반으로 맞춤형 앱 추천시스템 설계를 진행할 수도 있을 것이다. 둘째, 본 연구는 학습자 학습양식 기반 추천설계 연구이지만 본 연구에 참여한 학습자는 16가지 학습양식 모두에 분류되지 않았다. 분류되지 않은 남은 7가지 학습양식은 통계적으로 데이터 시뮬레이션을 통해 임의의 학습자 앱 평가 수를 생성하여 최종 협업 필터링을 이용하여 앱 추천리스트를 도출하였지만, 데이터 시뮬레이션 집단은 단지 추천을 진행하기 위한 데이터 임의의 생성으로 추천 알고리즘 구축에 도움을 주는 역할만 가지고 있다. 이러한 임의로 생성된 데이터 시뮬레이션 집단은 실제 학습자의 학습양식과는 상관을 가지지 않지만은 최종 추천 시스템 진행에 대하여 도움을 제공하였다. 후속 연구에서는 참여자의 수를 늘려서 학습자의 학습양식집단에 모두 분류되어 있도록 해야 할 것이다. 셋째, 협업 필터링을 활용하여 학습자 대상에게 추천 리스트를 제공했으나, 이미 경험한 앱은 재 추천하지 않으므로 추천리스트속에서는 APP∅이 들어가 있다. 비록 높은 선호도를 가졌지만은 이미 다운받고 사용 한 앱으로서 추천 대상에 제외를 하기에 APP∅인 경우가 나타난다. APP∅은 전반적인 Top-N의 추천 리스트에 아무런 영향을 주지 않는다. 이에 따라 앱을 추천할 경우 학습자에게 APP∅ 나타날 경우에 대한 후속 추가적인 연구를 진행하면 의미 있는 연구도 될 수 있을 것이다. 마지막으로, 본 연구에 제안된 추천시스템은 인공지능 언어학습 앱 만을 대상으로 하였으므로, 다른 주제의 앱을 추천 진행하기에는 일반적인 어려움을 있을 수 있다. 따라서 본 연구 제안된 추천시스템 설계방법을 언어학습 이외에 다른 주제의 학습에도 적용가능한지에 대한 추천을 후속 연구에 진행할 수도 있을 것이다.;According to the ‘National Strategy for AI’ announced by the Ministry of Science and ICT in 2019, it aimed to establish an AI education system for the entire nation with the introduction and utilization of AI in various industries. Accordingly, the education sector also took an interest in the introduction of AI and expanded the large-scale data-based AI convergence education project to emerge as a new educational paradigm (Park, 2021). Due to these changes, the amount of data is increasing exponentially as everyone can produce data by expanding the infrastructure with AI according to the expansion of the AI convergence project. At the supply level, quantitative expansion of AI-based education platforms is a desirable phenomenon as it makes people be able to learn anytime and anywhere by using various platforms. Meanwhile, at the level of learning consumers (learners), it is meaningful and encouraging in the flood of educational application information that incorporates with various AI technologies. The process of finding and consuming an AI-based learning platform which is suitable for people becomes more complicated or it becomes difficult for people to make an appropriate decision. In other words, it can be confirmed that finding educational applications that are meaningful to learners in such a flood of educational information is no longer a simple task and has a disadvantage (Dascalu et al., 2015). In order to solve this problem, many studies using the recommender system have been attempted so far (Kang& Kim, 2010). The recommendation system is a method of predicting and deriving items that are judged to have high user preference through users’ past purchase records or item preference information. However, there are limitations in terms of 'goal-oriented' to apply the mechanism of the recommendation system developed in the commercial field, such as e-commerce centered on product sales (George & Lai, 2019; Manouselis et al., 2011). In addition, it is difficult to measure the preference with the recommendation technique used in traditional e-commerce, because the various characteristics and learning objectives of learners in the learning environment must be considered (Milićević et al., 2011). According to previous studies, it was found that similar learning styles had similar preferences and learning behaviors in adaptive learning studies including the learning style theory of Felder and Silverman (1988) (Chen et al, 2019). Felder and Silverman (1988) learning style theory refers to the preferred ways of approaching learning as a unique characteristic of each learner(Cassidy, 2004). This learning style model is a process of acquiring and controlling learner information, and it acts as a factor for understanding learner's individual characteristics and preferences (Park, 2005). However, studies recommending learning style-based adaptive learning contents have been largely biased toward web-based learning environment situations, and it is evident that studies on mobile app-based learning environments are lacking (García et al, 2007; Popescu, 2010; Carver, 1996;Kinshuk & Lin, 2004; Baidada et al, 2019; Bourkoukou et al, 2016; Murad et al, 2018). Therefore, in this study, we proposed a method for designing a learning style-based customized language learning application recommendation system for learners who pursue mobile learning by focusing on the most preferred learning field ('language field') among the recently quantitatively developed AI education applications. In this study, the prediction accuracy was studied by using a collaborative filtering recommendation algorithm. This study tried to suggest implications for the design of the learning style-based recommendation system. The research questions in this study are as follows: 1. How will the learning style-based AI language learning app recommendation method be proposed? 2. How is the prediction accuracy of the AI language learning application recommendation method based on the proposed learning mode? In order to proceed with this study, AI language learning application data is required. Therefore, in this study, 16 AI language learning applications were collected from September 2020 to April 2021. The selection criteria for the collected AI language learning app targets include at least one AI technology type based on (1)language learning area, (2) language learning application to which AI technology is applied, (3) information introducing each application (e.g.: Language learning through AI voice recognition and pattern recognition technology), (4) there is no errors in using the app, (5) services available in Korea and available only abroad were excluded from this study. In addition, this study aims to recommend AI language learning apps based on users’ learning styles. From February 1st to March 1st 2021, 40 ordinary adults who want to pursue mobile learning were recruited by using the convenience sampling method Learners who participated in the study conducted an online learning form survey in advance and used 4 AI language learning applications for a week. After completing app learning, which is provided to learners at random for a week, Learners’ app satisfaction evaluation was conducted. Based on this satisfaction survey, learners' preference data was confirmed.The data collected in this study were analyzed for learning style reliability by using the descriptive statistical program SPSS 23, and data simulation was performed through R for Windows. Finally, the algorithm was run by utilizing Python 3.8 to execute collaborative filtering recommendations. The main research findings of this study are as follows. First, this study utilize a collaborative filtering algorithm as a method of designing an AI language learning application recommendation system. In this study, learners' learning style preferences were classified with the ILS measurement tool. The classified learners learned the application for a week and conducted a satisfaction evaluation. Using a collaborative filtering technique, the nearest neighbor group was constructed through the similarity calculation method based on the app usage evaluation results of learners After constructing the nearest neighbor group, the recommendation list was derived by predicting the apps that learners with high similarity would prefer. Based on the data of learners in the learning style group, the derived list suggested a design method by deriving a recommendation system recommendation list according to the final learning style. This recommendation proposal method obtained the result that it has high accuracy through the performance evaluation of the recommendation system. Second, the prediction accuracy was measured to evaluate the performance of the AI language learning app recommendation based on the learning style proposed in this study. The measurement method was the mean absolute error calculation method, and the performance of the final recommendation system was evaluated through the learner's actual grade and the predicted grade of the proposed recommendation system. The learner's actual rating was evaluated by actually using the apps derived from the recommendation list for a week. Through the absolute error between the actual rating of the final learner and the predicted rating of the recommendation system, it was confirmed that it had a high accuracy of 83.33%. Based on the research results, the main points of this study are as follows. First, the recommendation method proposed in this study broadened the perspective that reflected the learner's preference by applying the learning style theory. A learner's preference has a multidimensional character. Felder and Silverman's learning style theory revealed that these individuals have unique learning preferences in terms of information recognition, input processing, and comprehension. Besides, learners in the same learning style group have similar preferences. These are studies that recommend content such as tests, videos, and pictures in mobile apps by identifying learners' preference tendencies in the existing learning style-based recommendation research (Saryar et al., 2019). Since this study is a content filtering-based recommendation, it has a limitation in that it can identify users' past preferences and only recommend similar types of items. For example, if a learner has a visual learning style type, this can lead to overspecialization of repeatedly only recommending the learner's preferred visual material, which may lead to the problem that it is difficult to reflect the learner's diverse tastes. Second, Although Felder and Silverman's learning style theory has been practically studied to recommend content for a large number of Web-based learning environments, research on recommendations for mobile learning apps, which gradually draws the attention of learners as the education system develops, is not sufficient. Therefore, in this study, the learning style preference tendency of learners was identified through the learning style based AI language learning application recommendation method. A recommendation list for AI language learning apps which learners have high preference even though they did not actually use were derived. In terms of existing research, researchers focused only on recommending learning content in the web environment based on the learning style theory (Klašnja et al., 2011). It is also meaningful as it is recommended. The limitations of this study and suggestions for follow-up studies are as follows. First, this study proposed a recommendation system design to provide an adaptive and customized app to learners. A study by Chen and his colleagues (2019) found that similar learning modalities had similar preferences and learning behaviors. Therefore, in this study, the FSLSM learning style, which can identify the learner's preference tendencies in building the learner profile, was regarded as the learner's preference. However, in adaptive learning, learner profile construction can be divided into the static and the dynamic. In the former, the learner proceeds with modeling based on the characteristics in Educational Data Mining (EDM). For example, the learner's learning style, learning motivation, and cognitive characteristics (Yu, 2021). This is to establish a teaching strategy based on the characteristics of the learner by analyzing and measuring the characteristics of the learner in advance. In the latter case, the learner participates in the learning environment, and the system tracks the learner's learning behavior, etc., and presents appropriate feedback or content based on these characteristics. In this study, the learner's learning style was measured by using a static profile construction method, not a dynamic one, and then recommendations were made by using collaborative filtering. In the case of follow-up research, when a learner learns an AI language learning application, it is possible to design a customized app recommendation system based on such dynamic characteristic information by tracking the learning behavior through observation. Second, although this study is a learner’s learning style-based recommendation design study, the learners who participated in this study were not classified into all 16 learning styles. The remaining seven unclassified learning forms statistically generated a random number of learner app evaluations through data simulation and derived the app recommendation list with the final collaborative filtering, but the data simulation group only uses random data to proceed with the recommendation. It only has a minor effect on helping build a recommendation algorithm by generating. This randomly generated data simulation group did not have any correlation with the learning style of the actual learner, but provided help for the final recommendation system progress. In a follow-up study, it is necessary to increase the number of participants so that they are all classified in the learner's learning style group. Third, a recommendation list was provided to learners by using collaborative filtering, but APP∅ is included in the recommendation list because apps that have already been experienced are not recommended again. Although it has a high preference, it appears that APP∅has already been downloaded and used, so it is excluded from the recommendation. APP∅ has no effect on the overall Top-N recommendation list. Accordingly, if an app is recommended, it can be a meaningful study if follow-up additional research is conducted on the case where APP∅ appears to learners. Lastly, since the recommendation system proposed in this study only targeted AI language learning apps, there may be difficulties in recommending apps of other subjects. Therefore, it is possible to proceed with a follow-up study on whether the recommendation system design method proposed in this study can be applied to other topics other than language learning.