지능형 학습분석 플랫폼 기반 학습환경에서 학업성취도 예측 모델 개발

Abstract

본 연구의 목적은 지능형 학습분석 플랫폼 기반 학습환경에서 수집한 고등학교 학습자 데이터를 분석하여 예측 분석 서비스가 가능하도록 ‘진단·처방형’ 학업성취도 예측 모델을 개발하는 데 있다. 본 연구의 목적을 달성하기 위해 실제 지능형 학습분석 플랫폼에서 생성·축적되고 있는 데이터를 수집하여 589개의 데이터를 회귀·분류·군집분석 등 다양한 머신러닝 방법으로 진단과 처방을 위한 예측 모델을 설계하였다. 모델 구축 결과, 고등학교 3학년 학습경과 1/2 시점에서 학습자의 특성과 온라인 학습활동 상호작용 예측변수 여덟 개로 학업성취도 점수를 예측하는 회귀 모델(Random Forest 모델, RMSE = 2.2413, = .979)과, 예측변수 일곱 개로 학업성취도 등급하락 위험을 예측하는 분류 모델(XGBoost 모델, accuracy = .9927, recall = .9909)이 개발될 수 있음을 확인하였다. 그리고 군집분석과 사전지식을 통제한 공분산분석 을 통해 콘텐츠와 적정한 상호작용 수준을 보이면서 AI튜터와 상호작용 수준이 높은 행동패턴을 보이는 군집이 학업성취도 향상 효과가 우수한 학습자 행동 모델임을 발견하였다. 본 연구결과는 고등학교 학습자의 학습결과가 성공적으로 이루어지기 위해서는 학습경과 1/2 시점에 학습자와 교수자에게 학업성취도 점수와 학업성취도 등급하락 위험을 조기에 예측하는 정보를 제공할 수 있으며, 구체적인 학습처방 정보로 적극적 지원이 이루어질 수 있는 온라인 학습환경을 조성해 주어야 함을 시사한다. 또한, 학업성취도 제고를 위해 학습자 행동 모델로 탐색 된 AI튜터와의 상호작용 행동패턴을 촉진할 수 있는 구체적인 교수학습 설계전략 방안을 다각적으로 검토하는 것이 필요함을 시사한다. 본 연구는 적응형 온라인 학습환경에서 중등단계 학습자의 경우에 로그 데이터만으로 학업성취도를 조기 진단하고 처방할 수 있다는 경험적 증거를 교육공학 분야에 제공했다는 점에서 의미가 있다. 또한, AI튜터와의 상호작용이 학습진단과 처방에 미치는 영향력을 실증적으로 확인하고, AI튜터와의 상호작용을 촉진하는 교수학습적 처방을 가함으로써 학습성과를 통제할 수 있음을 경험적으로 보여주었다는 점에서 중요한 의미를 갖는다.;The purpose of this study is to develop a 'diagnostic & prescribed' academic achievement prediction model to enable predictive analytics services by analyzing high school learner’s data collected from an intelligent learning analytics platform-based learning environment. In order to achieve the purpose of this study, 589 pieces of data were analyzed using various machine learning methods such as regression, classification, and cluster analysis by collecting data generated and accumulated on an actual intelligent learning analytics platform. As a result of building a predictive model for diagnosis and prescription, both a regression model (Random Forest model, RMSE = 2.2413, = .979) that predicts academic achievement scores with eight variables and a classification model (XGBoost model, accuracy = .9927, recall = .9909) that predicts the risk of grade drop in academic achievement with seven variables can be developed at the time of 1/2 of the learning process of the third year of high school. Moreover through cluster analysis and covariance analysis that controlled prior knowledge, it was found that a cluster showing an appropriate level of interaction with content and a high level of interaction with AI tutors was a learner behavior model with an excellent effect on improving academic achievement. This study is meaningful in that it provided empirical evidence to the field of educational technology that early diagnosis and prescribing of academic achievement can be performed only with log data in the case of high school learners in an adaptive online learning environment. In addition, it is significant in that it empirically confirmed the influence of interaction with AI tutors on learning diagnosis and prescription.