[논문 리뷰] Constructing a personalized learning path using genetic algorithms approach

Lumbardh Elshani, Krenare Pireva|arXiv (Cornell University)|2021. 04. 22.

Online Learning and Analytics인용 수 7

한 줄 요약

이 논문은 과목 개념의 난이도, 지속 시간, 평가 점수, 상호 개념 관계를 최적화하여 개인 맞춤 학습 경로를 생성하기 위해 유전 알고리즘(GA) 기반 프레임워크를 제안한다. 기존의 고정 경로 학습 방식보다 우수한 성능을 보이며, 전통적인 방법보다 최대 8.34% 높은 품질을 달성했고, 토너먼트 선택과 사이클 교배가 가장 효과적인 결과를 낸다.

ABSTRACT

A substantial disadvantage of traditional learning is that all students follow the same learning sequence, but not all of them have the same background of knowledge, the same preferences, the same learning goals, and the same needs. Traditional teaching resources, such as textbooks, in most cases pursue students to follow fixed sequences during the learning process, thus impairing their performance. Learning sequencing is an important research issue as part of the learning process because no fixed learning paths will be appropriate for all learners. For this reason, many research papers are focused on the development of mechanisms to offer personalization on learning paths, considering the learner needs, interests, behaviors, and abilities. In most cases, these researchers are totally focused on the student's preferences, ignoring the level of difficulty and the relation degree that exists between various concepts in a course. This research paper presents the possibility of constructing personalized learning paths using genetic algorithm-based model, encountering the level of difficulty and relation degree of the constituent concepts of a course. The experimental results shows that the genetic algorithm is suitable to generate optimal learning paths based on learning object difficulty level, duration, rating, and relation degree between each learning object as elementary parts of the sequence of the learning path. From these results compared to the quality of the traditional learning path, we observed that even the quality of the weakest learning path generated by our GA approach is in a favor compared to quality of the traditional learning path, with a difference of 3.59\\%, while the highest solution generated in the end resulted 8.34\\% in favor of our proposal compared to the traditional learning paths.

연구 동기 및 목표

• 기존 교육에서 일률적인 학습 경로의 한계를 해결하기 위해 학습자 개인의 필요에 기반한 개인 맞춤화를 가능하게 하기 위해.
• 과목 개념의 난이도, 지속 시간, 평가 점수, 개념 간 상호의존성까지 포함한 하이브리드 유전 알고리즘 모델을 개발하기 위해.
• 다양한 인구 초기화 방법, 선택 정책, 교배 기법이 학습 경로 최적화에 미치는 영향을 평가하고 비교하기 위해.
• GA 기반 학습 경로가 품질과 적응 가능성 면에서 기존의 고정 순서 학습 경로를 일관되게 능가할 수 있음을 입증하기 위해.
• 추가적인 학습자 특성과 함께 향후 확장이 가능한 개인 맞춤 학습 경로 생성을 위한 유연하고 확장 가능한 프레임워크를 제공하기 위해.

제안 방법

• 학습 경로는 염색체로 모델링되며, 각 유전자는 학습 객체(개념)를 나타내고, 순서가 경로를 정의한다.
• 난이도 수준, 지속 시간, 평가 점수, 개념 간 관계 정도를 고려하여 학습 경로 품질을 극대화하는 피트니스 함수를 설계한다.
• 부모 선택을 위해 토너먼트 선택과 룰렛 선택을 평가하였으며, 토너먼트 선택이 더 우수한 수렴 성능를 보였다.
• 재조합을 위해 사이클 교배와 PMX(부분 매핑 교배)를 비교하였으며, 사이클 교배가 약간 더 우수한 탐색 성능를 보였다.
• 인구 초기화 방법으로 랜덤 초기화와 시뮬레이티드 어닐링을 사용하였으며, 후자가 더 높은 품질의 초기 해를 생성하였다.
• 알고리즘은 100세대에 걸쳐 진화하며, 수렴성과 최적화 성능 평가를 위해 피트니스 값이 추적된다.

실험 결과

연구 질문

• RQ1 유전 알고리즘이 기존의 고정 순서 학습 경로보다 뛰어난 성능을 보이는 개인 맞춤 학습 경로를 효과적으로 생성할 수 있는가?
• RQ2 다른 선택 정책—토너먼트 선택 대비 룰렛 선택—은 생성된 학습 경로의 품질과 수렴성에 어떤 영향을 미치는가?
• RQ3 사이클 교배와 PMX 교배의 상대적 성능은 학습 경로 피트니스 최적화에서 어떻게 나타나는가?
• RQ4 인구 초기화 방법의 선택(랜덤 대비 시뮬레이티드 어닐링)은 초기 해 품질과 전체 최적화 결과에 어떤 영향을 미치는가?
• RQ5 개념의 난이도, 지속 시간, 평가 점수, 상호의존성의 포함 여부가 학습 경로의 개인 맞춤화 및 효과성에 얼마나 기여하는가?

주요 결과

• 가장 우수한 성능을 보인 설정—랜덤 초기화와 함께 토너먼트 선택, 사이클 교배—는 피트니스 값 45.04를 기록한 학습 경로를 생성했으며, 이는 기존의 고정 경로를 크게 능가했다.
• 심지어 GA 방법으로 생성된 가장 열악한 해조차도 기존 고정 경로의 품질을 3.59% 초월하여 일관된 개선을 보였다.
• GA 모델에서 도출된 최고 품질의 해는 기존 고정 경로 대비 피트니스에서 8.34% 향상되어 그 우수성을 확인했다.
• 토너먼트 선택은 초기 수렴성과 최종 해 품질 면에서 룰렛 선택을 능가했으며, 둘 다 세대가 진행되면서 개선 추세를 보였다.
• 사이클 교배는 피트니스 수렴 면에서 PMX 교배를 약간 뛰어넘었지만, 그 차이는 미미하여 둘 다 경로 생성에 유의미한 대안로 활용 가능했다.
• 시뮬레이티드 어닐링 기반 초기화는 랜덤 초기화보다 더 높은 품질의 초기 인구를 생성하여 최적 해에 향한 수렴 속도를 가속화했다.