[논문 리뷰] E-Gotsky: Sequencing Content using the Zone of Proximal Development

Oded Vainas, Ori Bar-Ilan외 6명|arXiv (Cornell University)|2019. 04. 28.

Educational and Psychological Assessments참고 문헌 33인용 수 3

한 줄 요약

E-Gotsky는 바이고츠키의 가까운 발달 영역(ZPD)을 활용하여 교육 콘텐츠를 적응형으로 순서를 정하는 학습 엔진입니다. 실시간 성과와 피드백을 바탕으로 동적으로 연습 문제를 선택함으로써, 학습 시간을 17% 감소시키면서도 마스터리 수준을 유지하고 특히 어려움을 겪는 학생들의 참여도를 높였습니다.

ABSTRACT

Vygotsky's notions of Zone of Proximal Development and Dynamic Assessment emphasize the importance of personalized learning that adapts to the needs and abilities of the learners and enables more efficient learning. In this work we introduce a novel adaptive learning engine called E-gostky that builds on these concepts to personalize the learning path within an e-learning system. E-gostky uses machine learning techniques to select the next content item that will challenge the student but will not be overwhelming, keeping students in their Zone of Proximal Development. To evaluate the system, we conducted an experiment where hundreds of students from several different elementary schools used our engine to learn fractions for five months. Our results show that using E-gostky can significantly reduce the time required to reach similar mastery. Specifically, in our experiment, it took students who were using the adaptive learning engine $17\%$ less time to reach a similar level of mastery as of those who didn't. Moreover, students made greater efforts to find the correct answer rather than guessing and class teachers reported that even students with learning disabilities showed higher engagement.

연구 동기 및 목표

• e러닝 시스템에서 일률적인 콘텐츠 순서 정렬 방식의 비효율성을 해결하기 위해.
• 바이고츠키의 가까운 발달 영역(ZPD)을 데이터 기반의 실시간 적응형 메커니즘으로 e러닝 플랫폼에 구현하기 위해.
• 개별 학생의 잠재력에 기반해 콘텐츠 제공을 개인화함으로써 마스터리에 도달하는 데 걸리는 시간을 줄이면서도 학습 결과를 유지하기 위해.
• 건너뛴 연습 문제에 대한 동적 피드백이 학생의 참여도를 향상시키고 추측 행동을 줄이는지 조사하기 위해.
• 적응형 콘텐츠 순서 정렬이 학습 장애가 있는 학생들과 전체 반의 참여도에 미치는 영향을 평가하기 위해.

제안 방법

• 시스템은 응답 정확도와 응답 시간을 기반으로 매 연습 이후 학생의 현재 학습 잠재력을 기계 학습을 통해 평가합니다.
• 다음 콘텐츠 항목은 학생의 ZPD 내에 위치하도록 동적으로 선택되며, 도전적이지만 과도하게 부담스럽지 않은 수준을 유지합니다.
• 학습 잠재력을 정적 성취 수준이 아닌 지도 하에서의 문제 해결 행동을 평가하는 동적 평가(DA) 원리를 적용합니다.
• 정답 여부 외에도 건너뛴 연습 문제의 수에 대한 피드백을 제공하여 긍정적 강화를 유도합니다.
• 높은 성능을 보이는 학생은 쉬운 문제를 건너뛰고, 어려움을 겪는 학생은 더 어려운 '보너스' 문제를 건너뛰어 최적의 도전 수준을 유지합니다.
• 콘텐츠 순서 정렬은 고정된 선형 진행 방식을 피하고 실시간 적응 기반으로 이루어져 개인화된 학습 경로를 가능하게 합니다.

실험 결과

연구 질문

• RQ1 ZPD의 데이터 기반 모델이 e러닝에서 콘텐츠 순서 정렬을 효과적으로 개인화할 수 있는가?
• RQ2 실시간 학습 잠재력에 기반한 적응형 콘텐츠 선택이 학습 결과를 훼손하지 않고 마스터리에 도달하는 데 걸리는 시간을 줄일 수 있는가?
• RQ3 건너뛴 연습 문제에 대한 피드백이 추측 행동을 줄이고 노력의 정도를 높이는 데 영향을 미치는가?
• RQ4 이 시스템은 학습 장애가 있는 학생들의 참여도와 성과를 어느 정도 향상시키는가?
• RQ5 콘텐츠 순서 정렬과 피드백 설계의 조합이 학생의 동기 부여와 학습 품질에 어떤 영향을 미치는가?

주요 결과

• E-Gotsky를 사용한 학생들은 비적응형 기준 경로를 따르는 학생들과 비슷한 수준의 마스터리에 도달하는 데 17% 적은 시간이 소요되었습니다.
• 적응형 시스템은 추측 행동을 크게 줄였으며, 학생들이 정답을 맞추면 건너뛴 문제 수가 늘어나는 것을 긍정적 신호로 인식함으로써 이를 보다 적극적으로 활용했습니다.
• 교사들은 학습 장애가 있는 학생들 사이에서도 특히 참여도가 높아졌고, 더 큰 동기부여와 끈기 있는 학습 태도를 보였다고 보고했습니다.
• 학생들은 답을 내리기 전에 더 오랜 시간 생각하고, 이용 가능한 도구를 더 자주 사용함으로써 더 깊은 인지적 참여를 보였습니다.
• 건너뛴 문제의 수를 보여주는 피드백 메커니즘은 보상으로 인식되어 정확하고 신중한 문제 해결 행동을 강화했습니다.
• 초기 퀴즈에서 약간의 점수 차이가 있었지만, 두 번째 퀴즈에서는 유의미한 차이가 없었으며, 이는 효과가 사전 능력 격차 때문이 아니라는 것을 시사합니다.