온라인 학습자의 집중학습기간 내 학습규칙성이 학업성취도에 미치는 영향

Abstract

온라인 학습환경에서 학습자에게 콘텐츠를 제공하더라도 고차적 학습성과는 학습자의 자기주도적 노력에 의해서만 달성 가능하다. 디지털 학습환경에서는 제공되는 지식이나 학습 콘텐츠가 풍부해지는 반면, 학습자의 시간과 인지부하라는 제한된 자원의 희소성이 도리어 증가하게 되고, 제한된 자원으로 가치의 극대화를 추구하는 경제학적 관점에서 볼 때, 제한된 자원인 학습자의 시간과 인지부하를 어떻게 효과적으로 촉진시킬 수 있을지에 교육공학적 접근의 연구가 필요하다는 것을 시사한다(조일현, 2015). 본 연구는 그 중에서도 기존의 선행연구들을 비롯하여 조일현, 김윤미(2013) 및 조일현, 김정현(2013)의 학습자의 시간전략 관련 연구에서 밝힌 결과에 주목했다. 일련의 연구들에 따르면, 온라인 학습 환경에서 학습자의 총 학습시간만으로는 학업성취도를 예측하지 못하는 것으로 나왔고, 학습시점 간격의 규칙성은 학업성취도를 예측하는 변인으로 보고된 것이다. 본 연구는 여기에서 출발하였다. 온라인 학습 환경에서 학습자들이 어떠한 학습시간 패턴을 형성하는지 분석하는 것은 물론, 평가를 앞두고 집중적으로 학습하는 기간은 언제인지 규명하고, 이 집중학습기간 내 주간별 학습시간 규칙성이 학업성취에 있어 예측변인으로 작용할 수 있을지 검증하고자 한 것이다. 본 연구는 이러한 학습자들이 학습관리 시스템에 남긴 행동 데이터 기반의 실증적인 규명 즉, 학습분석학적 접근을 통해 교수전략 수립 시 교수자 또는 해결책의 적절한 개입 시점과 방법을 선정하는데 시사점을 제공하고자 하였다. 본 연구에서 설정한 연구문제는 다음과 같다. 1. 온라인 학습에서 평가 전 학습구성원의 집중학습기간은 언제인가? 2. 온라인 학습에서 학습자의 집중학습기간 내 학습시간 규칙성이 학업성취 도를 예측하는가? 학습자들의 시간관리와 학업성취도 평가를 위한 학습시간 관련 패턴을 설문방식이 아닌 실제 학습자들이 남긴 로그 데이터를 기반으로 그 유형을 탐색하는 학습분석학적 접근으로, 실증적인 연구를 진행하였다. 본 연구는 서울소재 E대학에서 2014년 봄학기와 가을학기에 진행된 ‘경영통계학’ 과정을 대상으로 했다. 학습자들의 주간 단위 학습시간을 기준으로 온라인 강의에 참여한 342명의 데이터를 기초로 SPSS 20을 사용하여 분석하였다. 연구결과와 논의는 다음과 같다. 첫째, 전체 학습구성원들의 학습시간 행동패턴 분석을 통해 집중학습기간을 규명하였다. 학습자들이 15차시 중 학업성취도 평가가 있는 중간평가와 기말평가 기준으로 구간을 분리하여 각 평가를 앞두고 학습자들이 가장 많은 시간을 투자하여 학습하는 정점학습시점을 산출하고, 전체 학습자들의 정점 학습시점에 대한 기술통계를 실시했다. 그 결과, 중간평가 전에는 평가일정 주간을 포함하여 4주간, 기말평가 전에는 평가일정 주간을 포함하여 5주간 정점학습시점이 분포되어 있다는 결과를 얻었다. 시험공부를 집중적으로 하는 집중학습기간을 설문이나 일반적인 통상 개념의 막연한 예측으로 산정한 것이 아니라, 학습자들의 심리적 특성이 반영된 실제 행동패턴에 의한 규명이라는 점에서 기존 연구와는 다른 의의가 있다. 둘째, 집중학습기간 내의 학습시간규칙성이 중간고사 학업성취도를 유의하게 예측하였다. 이는 집중학습기간 내의 학습시간 표준편차가 적을수록 학업성취도가 높은 것을 의미하므로, 집중학습기간 내 학습시간규칙성 확보를 통해 학업성취도를 높일 수 있다는 가능성을 시사한다. 셋째, 기말평가에 있어 전체적인 학습시간 규칙성이 학업성취도를 예측하는 회귀모형에서는 유의미하지 않았으나, 정점학습시점이 기말평가 주간인 학습자와 기말평가 주간 이전인 학습자를 기준으로 2그룹으로 나누어 t검정을 실시한 결과, 유의수준 .05에서 이 두 그룹 간 학업성취도와 학습시간 규칙성에 유의한 차이가 있는 것으로 분석되었다. 결과적으로 학습시간 규칙성의 대리변수인 주별 학습시간의 표준편차가 적은 집단일수록 학업성적이 더 우수한 것으로 나타났다. 이는 중간평가의 학습시간 규칙성 회귀분석 결과와 동일한 결과이다. 따라서 집중학습기간 내 교수설계 시 고려할 사항으로 집중학습기간 내 학습시간 표준편차가 적게 날 수 있는 방안을 모색해야 할 것이다. 또한 가능하다면 집중학습기간이 아닌 것으로 밝혀진 학기 초와 중간평가 이후 3주씩 총 6주에 대한 교수설계적 처방을 고려해 볼 가치가 있음을 시사한다. 본 연구의 제한점을 바탕으로, 후속연구를 위한 제언은 다음과 같다. 첫째, 본 연구는 대학강의 중 온라인으로 진행한 과정을 의도 표집하여 분석한 결과로, 다른 집단, 학습내용 등에서 다른 맥락으로 일반화하는 것은 주의를 필요로 한다는 점이다. 또한 학습시간 변수로 사용된 로그인 시간이 실제 학습한 시간이냐는 논의로부터 자유로울 수 없음에 따라, 이를 정교화하고 보완할 수 있는 후속연구의 필요성이 있다. 둘째, 본 연구에서는 학습시간 추출 단위를 학습 차시 단위인 주간을 사용하였으나 향후 연구에서는 좀 더 작은 단위의 시간관리측면 결과값을 보는 연구가 진행된다면 학습자들의 학습에 대한 심리적 특성을 더 세부적으로 살펴, 적절한 대응적 처방이 가능할 수 있을 것으로 본다. 셋째, 온라인에 남겨진 학습자들의 행동결과 값인 로그 데이터를 기반으로 좀 더 다양한 로그 패턴을 분석할 필요가 있다. 이를 통해 교수자와 관리자뿐 아니라, 학습자들이 미처 인식하지 못하고 있는 부분까지 미리 표시해 줄 수 있는 시각적 계기판 즉, 완전학습을 위한 학습자의 행동분석 정보나 진단 및 예측 모델에 의한 사전 경고 등, 자동차의 계기판과 같은 학습의 성과를 높일 수 있는 보다 정교한 시각적 정보제공 등을 추진할 수 있을 것이다. 이러한 일련의 지속적인 연구들을 통해 학습자들의 행동에서 추출되는 심리적 특성을 찾아 눈에 보이지 않는 문제점을 발견하고 새로운 교육공학적 처방을 가능하게 하는 학습분석학의 기능으로, 보다 나은 교수설계와 학습자에게 도움을 줄 필요성이 있다고 본다. ;Only self-directed learning efforts enable a high level of learning achievement when contents are provided to students in an online learning environment. However, knowledge and contents are increasingly being shared via online channels, while resources such as study time and cognitive load are becoming scarcer at the same time. This implies that we need to put more focus on educational technology in terms of how to effectively enhance limited resources such as study time and cognitive load. (Il-Hyun Cho, 2015) This research was done by paying special attention to the outcomes of “time management strategy of learners” through existing researches, including the researches by Il-Hyun Cho & Yun-Mi Kim (2013), and Il-Hyun Cho & Jung-Hyun Kim (2013). According to the researches, total time for study is not a predictor of learning achievement, but the regularity of study during the preparation period was reported as a meaningful prediction factor for learning achievement. These findings were the meaningful starting point for my research. The objective of this research is to identify when and how online learners concentrate their study time for exam preparation through the analysis of study patterns of students in an online learning environment, and also to identify how study time patterns throughout the preparation period influence course credits as a prediction factor. Following analysis and identification, we can extract some meaningful insights that are helpful in the establishment of an online teaching strategy, as well as when and how to intervene in the learning process to ensure better results throughout the examination preparation period. Key items addressed by this research are as follows. 1. When is a concentrated study period according to peak time of online learning activities? 2. How does study regularity during the concentrated study period forecast learning achievement in an online environment? This research was done empirically using learning analytic approaches by retrieving study patterns through log data tracking of actual online students rather than survey data to identify study time-related patterns in order to assess time management and learning achievement of online students. This research was conducted based on the online data of the “Business Statistics” curriculum for the 2014 spring and fall term at “E” university based in Seoul. SPSS 20 was used to analyze the sets of online data of 342 students for their weekly study time who took the online course, and the major results of the research are as follows. Firstly, peak study time was identified through descriptive statistics on the peak time during which students spend most of their time for mid-term and end-of-term examinations that assess their learning achievement throughout the 15-week class curriculum. And the result shows that the peak for the mid-term exam is 4 weeks including exam week and peak for the end-of-term exam is 5 weeks including exam week. This research result is significant and different from that of existing research findings in that the concentrated study period was identified through behavior pattern analysis of the students unlike previous researches that generally identified the concentrated study period by simple survey or some ambiguous assumptions. Secondly, learning achievement is forecasted with statistical significance by study regularity during the concentrated study period before the midterm. This result implies “the smaller standard deviation of study time during the concentrated study period, the greater learning achievement” and it suggests that learning achievement can be enhanced by securing study regularity during the concentrated study period. Thirdly, the regression analysis on the end-of-term exam shows that overall study time regularity cannot forecast learning achievement with statistical significance. For further analysis, statistical t-testing was done for the peak study time data of the end-of-term exam after dividing data into two groups based on the study time regularity of mid-term period. Group 1 consists of people whose study time has a peak at the end-of-term exam week and group 2 consists of people whose study time has a peak other than the exam week. The result shows that these two groups are significantly different in terms of learning achievement and study time regularity with significance level of .05. As a result, the group with the smaller standard deviation in weekly study time shows better course credits as it is a substitute variable for study time regularity. This research result is identical with that of regression analysis on study time regularity of mid-term exam. It implies that careful consideration should be taken for teaching design to minimize the standard deviation of study time during the concentrated study period. It also suggests us to take actions if possible in respect to teaching design for 6 weeks period, 3 weeks at the beginning of the semester and 3 weeks after mid-term exam, which were identified as non-concentrated study period. Based on the major results of this research, I would like to suggest subsequent research as follows. Firstly, in this research, data was intentionally collected and analyzed for the online university curriculum, so prudent precaution is required to generalize the research results in different contexts of population and study contents. Besides, the data may be viewed as dubious because log-in time may not represent actual study time which was defined as the variable of study time in this research. Secondly, class week was used in this research to identify the study time unit, but additional research with a more segmented time unit will enable better solutions for teaching methodology design by reviewing and reflecting psychological characteristics of students in more depth. Thirdly, it is worthwhile to analyze various log patterns based on log data which are the activity tracks of online learners. Full analysis of various log patterns would provide a visual indicator to the teacher, students and administrators as the vehicle instrument cluster provides integrative information of car condition to the driver. It would play a role to deliver detailed visual information to the stakeholders in order to enhance learning performance such as activity analysis of students for learning control and advanced alert design based on predictive modelling. It is recommended that some invisible problems are identified by analyzing psychological characteristics of students inferred from study behaviors through continued follow-up research, and I am sure that such a series of research studies into learning analytics will contribute to the improvement of teaching methodology design and learning achievement using new solutions in educational technology.