[논문 리뷰] Developing for personalised learning: the long road from educational objectives to development and feedback

George Tsatiris, Kostas Karpouzis|arXiv (Cornell University)|2021. 01. 27.

Intelligent Tutoring Systems and Adaptive Learning인용 수 7

한 줄 요약

이 논문은 유럽 연합 재정 지원을 받는 심 seriousness 게임인 iRead에서 교육 목표를 적응형 게임 메커니즘과 통합함으로써 개인화된 학습 시스템을 개발하기 위한 종합적인 프레임워크를 제시한다. 학생 프로필을 주도 능력 수준, 교사의 우선 사항, 학습 진행 상황 기반의 동적 선택 규칙와 통합함으로써, 시스템은 참여도를 유지하면서도 균형 잡힌 복습과 새로운 내용 도입을 통해 학습을 강화하면서도 콘텐츠 제공을 개인화한다.

ABSTRACT

This paper describes the development needed to support the functional and teaching requirements of iRead, a 4-year EU-funded project which produced an award-winning serious game utilising lexical and syntactical game content. The main functional requirement was that the game should retain different profiles for each student, encapsulating both the respective language model (which language features should be taught/used in the game first, before moving on to more advanced ones) and the user model (mastery level for each feature, as reported by the student's performance in the game). In addition to this, researchers and stakeholders stated additional requirements related to learning objectives and strategies to make the game more interesting and successful; these were implemented as a set of selection rules which take into account not only the mastery level for each feature, but also respect the priorities set by teachers, helping avoid repetition of content and features, and maintaining a balance between new content and revision of already mastered features to give students the sense of progress, while also reinforcing learning.

연구 동기 및 목표

• 언어 습득에서 개인의 학습 진행 상황에 맞게 적응하는 개인화된 학습 시스템을 설계하는 것.
• 언어 기능의 숙달를 보장하면서도 학생의 참여도를 유지하기 위해 균형 잡힌 콘텐츠 제공 방식을 확보하는 도전 과제를 해결하는 것.
• 교사가 정의한 우선 사항을 존중하고 콘텐츠 반복을 방지하는 규칙 기반 시스템을 구현하는 것.
• 사용자 모델(숙달 수준)과 언어 모델(지시적 순서)을 통합된 적응형 프레임워크에 통합하는 것.
• 새로운 콘텐츠와 숙달된 기능의 복습을 동적으로 균형 잡음으로써 진행 상황을 느끼게 하는 것.

제안 방법

• 시스템은 언어 기능이 어떤 것이 가르쳐졌는지와 학생의 숙달 수준을 추적하기 위해 언어 모델과 사용자 모델을 별도로 유지한다.
• 선택 규칙 세트가 숙달 수준, 교사의 우선 사항, 학습 진행 상황에 기반해 다음 게임 콘텐츠를 동적으로 결정한다.
• 이미 숙달된 기능의 반복을 방지함으로써 반복 콘텐츠를 피하는 선택 규칙이 적용된다.
• 학습 강화와 동기 유지 목적으로 새로운 콘텐츠와 숙달된 기능의 복습 사이의 균형을 유지한다.
• 개별 학생 프로필을 언어 및 성과 데이터와 함께 봉인함으로써 개인화된 학습을 지원하는 프레임워크이다.
• 학생 성과가 사용자 모델을 업데이트하고 향후 콘텐츠 선택에 영향을 주는 피드백 루프를 통합하는 접근 방식이다.

실험 결과

연구 질문

• RQ1 교육 목표를 개인화된 학습을 위한 적응형 게임 메커니즘으로 체계적으로 번역하는 방법은 무엇인가?
• RQ2 개인화된 콘텐츠 선택이 반복을 피하면서도 학습 진행 상황을 유지하기 위해 어떤 메커니즘이 필요한가?
• RQ3 교사가 정의한 우선 사항을 알고리즘적으로 콘텐츠 선택 과정에 통합하는 방법은 무엇인가?
• RQ4 새로운 콘텐츠와 복습 사이의 균형이 학생의 동기 유지와 진행 상황 인식에 어떤 역할을 하는가?
• RQ5 사용자 모델과 언어 모델을 효과적으로 통합하여 개인화된 학습 경로를 지원하는 방법은 무엇인가?

주요 결과

• 숙달 수준과 교사의 우선 사항을 기반으로 한 동적 선택 규칙의 구현이 콘텐츠 반복을 성공적으로 방지하고 참여도를 유지했다.
• 시스템은 새로운 콘텐츠와 복습의 균형 잡힌 조합을 달성하여 학습 강화와 진행 상황 인식 향상을 높였다.
• 사용자 모델과 언어 모델의 통합을 통해 개인의 학생 필요에 맞는 개인화된 학습 경로를 제공할 수 있었다.
• 실제 교육 게임 환경에서 프레임워크의 실현 가능성이 입증되었으며, 적응형 콘텐츠 제공을 지원했다.
• 이 방법은 게임의 성공에 기여하여 개인화 학습 분야에서 수상한 애플리케이션으로 이어졌다.
• 이 방법은 다양한 교육 목표와 학습자 프로필에 맞게 심각한 게임을 적응시키기 위한 확장 가능하고 확장 가능한 모델을 제공했다.