[논문 리뷰] Using learning analytics to provide personalized recommendations for finding peers

Irene‐Angelica Chounta|arXiv (Cornell University)|2019. 01. 01.

Online Learning and Analytics참고 문헌 12인용 수 2

한 줄 요약

이 논문은 학생 모델링과 회색 영역(Grey Area) 개념을 활용하여 학생들의 지적 발달 수준에 따라 동적으로 개인화된 학습 그룹을 구성하는 학습 분석 프레임워크를 제안한다. 학생들의 인지 상태와 지식 수준을 실시간으로 평가함으로써, 교육학적 이론인 비고츠키 사회적 발달 이론의 원리에 기반한 적절한 지도를 제공할 수 있는 동료를 추천함으로써 협동 학습의 효율성을 극대화한다.

ABSTRACT

This work aims to propose a method to support students in finding appropriate peers in collaborative and blended learning settings. The main goal of this research is to bridge the gap between pedagogical theory and data driven practice to provide personalized and adaptive guidance to students who engage in computer supported learning activities. The research hypothesis is that we can use Learning Analytics to model students' cognitive state and to assess whether the student is in the Zone of Proximal Development. Based on this assessment, we can plan how to provide scaffolding based on the principles of Contingent Tutoring and how to form study groups based on the principles of the Zone of Proximal Development.

연구 동기 및 목표

• 협동 학습 환경에서 교육학적 이론과 데이터 기반 실천 간 격차를 메우기 위해.
• 기존 학습 분석 시스템에서 인지 상태를 고려한 그룹 편성의 부족을 해결하기 위해.
• 학생들의 실시간 지식 수준과 인지 상태에 기반해 동적으로 적응 가능한 학습 그룹 편성 방법을 개발하기 위해.
• 기계 학습과 학생 모델링을 활용해 실용적 구현을 위한 지식 발달의 영역(ZPD)을 구체화하기 위해.
• 비고츠키 이론에 기반한 협동 학습을 통해 개인 맞춤형 지도와 지식 구축을 지원하기 위해.

제안 방법

• 실시간으로 학생들의 인지 상태와 지식 수준을 모델링하기 위해 계산 기반 학습 분석과 기계 학습을 활용한다.
• 학생 모델의 예측 신뢰도가 낮은 영역인 '회색 영역'을 지식 발달의 영역(ZPD)의 대체 지표로 사용한다.
• 연습 과정 중에 학생 모델을 동적으로 갱신하여 현재의 지식 수준과 인지 상태를 반영한다.
• ZPD 원칙에 따라 그룹을 편성한다: ZPD 이하에 있는 학생들은 ZPD 이내 또는 그 이상에 있는 학생들과 짝을 이룬다. ZPD 내에 있는 학생들은 ZPD를 초월한 학생들과 짝을 이룬다.
• 개별 학생의 필요에 따라 지도 수준을 조정하기 위해 조건부 튜터링(Contingent Tutoring) 원리를 적용한다.
• 지식 상태 평가를 지원하기 위해 도메인 지식 표현과 베이지안 신뢰망(BBN)을 사용한다.

실험 결과

연구 질문

• RQ1 그룹 구성원 간의 지식 거리가 협동 과제에서 개인 및 집단의 학습 성과에 어떤 영향을 미치는가?
• RQ2 회색 영역이 학생들이 지식 발달의 영역(ZPD)에 있는지 식별하는 데 신뢰할 수 있는 대체 지표로 기능할 수 있는가?
• RQ3 학습 분석을 어떻게 활용하여 효과적인 협동 지식 구축을 지원하는 동적 학습 그룹을 편성할 수 있는가?
• RQ4 ZPD 기반 동료 배정 방식은 무작위 또는 고정된 그룹 편성 전략에 비해 학생들의 참여도와 학습 성취도에 어떤 영향을 미치는가?
• RQ5 기계 학습 기반 학생 모델이 실시간으로 적응형 지도와 동료 추천을 효과적으로 이끌 수 있는가?

주요 결과

• 회색 영역는 지식 발달의 영역(ZPD)에 있는 학생을 식별하는 실용적이고 데이터 기반의 대체 지표로 유의미하게 기능한다. 이를 통해 개인 맞춤형 동료 추천이 가능해진다.
• ZPD 이하에 있는 학생들은 ZPD 이내 또는 그 이상에 있는 동료와 짝을 이룰 경우 가장 큰 효과를 얻으며, 이는 효과적인 지도를 가능하게 한다.
• ZPD 원칙에 기반한 그룹 편성은 적절한 인지적 도전과 지도를 보장함으로써 더 효과적인 협동 학습을 이끈다.
• 동적 학생 모델링은 동료 배정과 지도 전략의 실시간 적응을 가능하게 한다.
• 교육학적 이론(ZPD)과 학습 분석의 통합은 혼합형 및 협동 학습 환경에서 더 효과적인 개인 맞춤형 지도를 가능하게 한다.
• 제안된 방법은 기존의 인지 발달 이론에 기반한 학습 이론을 반영하여 복잡한 교육적 의사결정을 지원한다.