머신러닝 기반 온라인 학습성과의 최적 예측모델 수립(Part 2. 학습참여도 예측모델)
Establishment of an Optimal Predictive Model for Online Learning Outcomes Based on Machine Learning (Part 2. Learning Engagement Prediction Model)
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 인공지능 알고리즘인 Random Forest와 CatBoost를 비교·활용하여, 온라인 학습환경에서의 학습 단계별(전, 중) 학습참여도의 예측모델를 수립하였다. 연구에 활용된 데이터는 고용노동부의 STEP 데이터를 활용했으며, Random Forest 알고리즘이국내 온라인 직업능력개발 상황에서 더욱 높은 성능이 있음을 확인하였다. 학습 전 단계에서의 주요 예측 변수로는 사전 설문 만족도와 나이 등이 포함되었으며, 학습 중 단계에서는 회차 로그인 수, 학습일수, 회차당 학습시간(초) 등이 포함되는 것을 확인할 수있었다. 그 결과, 국내 상황에서 학습자의 참여도 관리를 위한 주요 특성을 90% 이상의 높은 정확도로 예측했으며, 현재 수집되는STEP 학습데이터 중 행동 데이터의 중요성을 확인하였다. 또한, 본 연구의 결과를 외부 데이터 확보를 통해 추가 검증하였다.
Abstract
This study establishes and validates a predictive model for learning engagement at different stages (pre-learning and mid-learning) in an online learning environment by comparing and utilizing the artificial intelligence algorithms, Random Forest and Cat- Boost algorithms. The data-set used in this research was derived from the Ministry of Employment and Labor STEP platform. The results confirm that the Random Forest algorithm outperforms CatBoost in the domestic online vocational training environment. In particular, key predictive variables in the pre-learning stage include pre-survey satisfaction and age, while in the mid-learning stage, the number of logins per session, total learning days, and learning time per session (in seconds) were identified as significant factors. These findings indicate that key characteristics for managing learner engagement in the domestic online learning context can be predicted with over 90% accuracy. Furthermore, this study reaffirms the significance of behavioral data collected in the STEP learning platform. Additionally, the results of this study were further validated using externally obtained data.