XAI 기법을 활용한 학습자의 인지 상태 해석 및 생체 지표 도출
Explainable AI-Based Analysis of Learner's Cognitive States and Biosignal Extraction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 EEG(뇌파) 및 시선 추적 데이터를 활용하여 학습자의 이해 여부를 분류하는 딥러닝 모델에 설명 가능한 인공지능(Explainable AI, XAI) 기법을 적용함으로써, 예측 결과에 대한 해석 가능성과 신뢰성을 확보하고자 하였다. 시계열 생체신호를 입력으로 하는 CNN-LSTM 모델을 기반으로 학습을 수행하고, Saliency Map 기법을 통해 예측 결과에 영향을 미친 주요 시간 구간과 생체 지표를 시각화하였다. 분석 결과, 이해한 경우에는 알파 및 저베타 대역의 안정적 뇌파 활동과 시선 고정이 주요 특징으로 나타났고, 이해하지 못한 경우에는 감마파의 급등과 시선의 불안정성이 두드러졌다. 이와 같은 시각적 해석은 단순한 분류 결과를 넘어 학습자의 인지 상태를 설명하고, 개인 맞춤형 피드백 설계에 활용할 수 있는 기반을 제공한다. 본 연구는 생체신호 기반 학습 분석 모델에 설명 가능성을 통합함으로써, 향후 실시간 적응형 학습 시스템으로의 확장 가능성을 제시한다.
Abstract
This study aims to enhance the interpretability and reliability of prediction results by applying an Explainable Artificial Intelligence (XAI) technique to a deep learning model that classifies learners’ comprehension using EEG (electroencephalography) and eye-tracking data. A CNN-LSTM model was trained using multimodal time-series biosignals, and the Saliency Map method was employed to visualize the key time intervals and signal features that contributed to the model’s predictions. The analysis revealed that, in cases where comprehension was achieved, stable activity in the alpha and low-beta bands along with consistent gaze fixation were dominant features. In contrast, predictions of non-comprehension were strongly associated with abrupt increases in gamma band activity and unstable eye movements. Such visual explanations go beyond binary classification by offering interpretable insights into learners’ cognitive states and providing a foundation for designing personalized feedback. This study demonstrates the potential of integrating explainability into biosignal-based learning analytics models, paving the way for real-time adaptive learning systems.