[논문 리뷰] A Model for an Intelligent and Adaptive Tutor based on Web by Jackson's Learning Styles Profiler and Expert Systems

Hossein Movafegh Ghadirli, Maryam Rastgarpour|arXiv (Cornell University)|2013. 04. 15.

Learning Styles and Cognitive Differences참고 문헌 9인용 수 4

한 줄 요약

이 논문은 잭슨의 학습 스타일 프로파일러와 전문가 시스템 기술을 사용하여 학습자의 스타일에 맞게 적응하는 웹 기반 지능형 튜터링 시스템을 제안한다. 질문지에 의한 개인의 학습 선호도 평가를 통해 시스템은 맞춤형 사전 테스트, 맞춤형 콘텐츠, 사후 테스트를 제공하며, 반복적으로 학습자 모델을 업데이트하여 언제 어디서나 접근 가능한 적응형 방식으로 성능을 향상시킨다.

ABSTRACT

Todays, Intelligent and web-based E-Learning is one of the important area in E-Learning. This paper integrates an intelligent and web-based E-Learning with expert system technology to be able to model the learning styles of the learners using Jackson's model. It is intelligent because it can interact with the learners and offer them some subjects in Pedagogy view. Learning process of this system is in the following. First it determines learner's individual characteristics and learning styles based on a questionnaire in Jackson's learning styles profiler. Learning styles profiler is a modern measure of individual differences in learning style. Then learner's model is obtained and an Expert system simulator plans a "pre-test" and rates him. The concept would be presented if the learner scores enough. Subsequently, the system evaluates him by a "post-test". Finally the learner's model would be updated by the modeler based on try-and-error. The proposed system can be available Every Time and Every Where (ETEW) through the web. It improves the learning performance and has some important advantages such as high speed, simplicity of learning, low cost and be available ETEW.

연구 동기 및 목표

• 개인의 학습 스타일에 기반해 지능적이고 웹 기반의 전자학습 시스템을 개발하는 것.
• 잭슨의 학습 스타일 프로파일러를 전문가 시스템 기술과 통합하여 자동 평가 및 콘텐츠 제공을 실현하는 것.
• 적응형 학습 경험을 언제 어디서나(ETEW) 이용할 수 있도록 하는 것.
• 사전 테스트 및 사후 테스트 결과를 바탕으로 반복적인 모델 업데이트를 통해 학습 성과를 향상시키는 것.
• 자동화된 개인화된 튜터링을 통해 학습 비용을 절감하고 효율성을 높이는 것.

제안 방법

• 학습자가 잭슨의 학습 스타일 프로파일러를 기반으로 한 질문지에 응답하여 개인의 학습 선호도를 파악한다.
• 전문가 시스템 시뮬레이터가 학습자 프로필에 기반해 사전 테스트를 생성하고 성과를 평가한다.
• 학습자가 사전 테스트에서 충분한 점수를 확보한 후에만 콘텐츠가 제공된다.
• 콘텐츠 제공 후 사후 테스트를 실시하여 학습 성과를 평가한다.
• 학습자 모델은 사전 테스트 및 사후 테스트 결과를 바탕으로 시도-오류 기반 메커니즘을 통해 반복적으로 업데이트된다.
• 전체 시스템은 웹 인프라를 통해 배포되어 ETEW(모든 시간, 모든 장소) 접근성을 확보한다.

실험 결과

연구 질문

• RQ1 잭슨의 학습 스타일 프로파일러는 웹 기반 지능형 튜터링 시스템에 효과적으로 통합될 수 있는가?
• RQ2 전문가 시스템 기술을 통해 학습 스타일에 기반해 사전 테스트와 콘텐츠 제공을 얼마나 개인화할 수 있는가?
• RQ3 사전 테스트 및 사후 테스트를 통한 반복적인 모델 업데이트가 학습 성과에 어떻게 기여하는가?
• RQ4 웹 기반에 적응형 튜터링 시스템을 구현하는 데 실질적인 이점은 무엇인가?
• RQ5 이러한 시스템은 전자학습 제공에서 높은 속도, 낮은 비용, 단순성을 달성할 수 있는가?

주요 결과

• 시스템은 잭슨의 학습 스타일 프로파일러와 전문가 시스템 기술을 성공적으로 통합하여 개인화된 학습 경험을 제공한다.
• 학습자는 사전 테스트를 통해 준비 상태를 입증한 후에만 콘텐츠를 수신하여 보다 나은 준비 상태를 확보한다.
• 사후 테스트 결과는 학습 성과 평가 및 모델 업데이트에 활용된다.
• 시스템은 언제 어디서나(ETEW) 접근 가능하여 학습의 유연성을 향상시킨다.
• 전자학습 제공에서 높은 속도, 낮은 비용, 단순성을 달성한다.
• 시도-오류 기반의 반복적인 모델 업데이트를 통해 시간이 지남에 따라 학습자 프로파일링의 정확도가 향상된다.