머신러닝 알고리즘을 적용한 자기주도학습 능력 예측 분석과 맞춤형 교육전략 제시
Machine Learning Analysis of Self-Directed Learning Abilities and Recommendations for Personalized Learning Strategies
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 머신러닝 분석기법을 적용하여 자기주도학습 수준을 분류하는 예측 변수의 최적 모델을 도출하고, 중요도 높은 변인을 중심으로 학습자들의 잠재집단을 유형화하여 맞춤형 교육방안을 제시하는데 목적이 있다. 이를 위해 C 대학교 586명을 대상으로 실시한 MLST-Ⅱ 학습전략검사 도구를 활용하였다. 종속변수는 자기주도학습 수준(고집단·저집단)이며, 설명변수는 성격, 동기, 정서, 행동 특성으로 구성된 19개 변수이다. 분석 방법은 머신러닝의 4가지 알고리즘(랜덤포레스트, 인공신경망, 서포트벡터머신, XG-Boost)을 적용하여 예측 모델을 확인하고 잠재프로파일 분석을 실시하였다. 주요 연구 결과는 다음과 같다. 첫째, 자기주도학습 수준을 분류하는 최적의 예측 모델은 ‘서포트 벡터 머신’으로 나타났고, ‘성실성’이 가장 높은 중요 변수로 분석되었다. 둘째, 4가지의 머신러닝 알고리즘은 성격 및 동기 특성에서 공통적으로 ‘성실성, 효능감, 결과기대, 학습동기가 중요한 것으로 분석되었다. 셋째, 행동 특성은 머신러닝에서 공통적으로 ‘시험전략, 노트필기, 읽기전략, 기억전략, 수업듣기가 중요한 변수로 설명되었다. 분석 결과를 바탕으로 본 연구는 자기주도학습 저집단 학생의 잠재프로파일 분석을 실시하였고, 이후 교수학습센터 중심으로 자기주도학습 능력을 높이기 위한 맞춤형 교육전략 방안을 제언하였다.
Abstract
This study aims to identify the optimal model that classifies levels of self-directed learning using machine learning analysis. we categorize latent learner groups on the basis of high-importance variables and suggest personalized learning strategies. MLST-II tool for the assessment of learning strategies was employed for 586 students at the University of C. Four machine learning algorithms(Random Forest, Artificial Neural Network, Support Vector Machine, and XG-Boost) were used and then latent profile analysis was conducted. This study showed that the optimal predictive model for classifying self-directed learning levels was found to be the Support Vector Machine, and Diligence was identified as the most important variable. And 'Diligence,' 'Self-efficacy,' 'Outcome Expectation,' and 'Learning motivation' were commonly identified as important factors. Also, 'Test strategy,' 'Note-taking,' 'Reading strategy,' 'Memory strategy,' and 'Class participation' were commonly highlighted as key variables in behavioral traits. Based on the analysis results, this study employed a latent profile analysis of students with low levels of self-directed learning and proposed personalized educational strategies.
참고문헌 (28)
- 김동주, "대학생의 시간관리전략을 활용한 자기조절학습 및 학습전략 향상 학습컨설팅 사례연구", 학교심리와 학습컨설팅, 8(1), pp.1~20 (2023)
- 김성훈, "대학생 온라인 자기주도학습 프로그램이 학습동기, 자아인식, 학습전략, 학습상황에 미치는 영향", Global Creative Leader, 5(2), pp.71~91 (2015)
- 김옥분, "대학생의 학업성취 수준에 따른 정의적 특성 및 학업 관련 행동적 특성 차이 분석", 예술인문사회 융합 멀티미디어 논문지, 9(11), pp.113~120 (2019)
- 김지윤, "머신러닝과 HLM을 적용한 중학생의 자기조절 학습전략 중 행동조절에 대한 학생", 부모와 교사, 학습자중심교과교육연구, pp.2024, 24(19)[DOI]
- 나은창, "대학생의 동료 튜터링 프로그램 참여와 학업성취 수준에 따른 자아효능감, 학습동기 및 자기주도학습 능력 차이 분석", 교육연구논총, 44(2), pp.43~64 (2023)
- 나은창, "확인적 요인분석과 구조방정식을 통한 대학생의 자기주도학습에 영향을 미치는 변인들의 구조적 관계 분석", 대학 교수-학습 연구, 17(2), pp.167~193 (2024)
- 나은창, "의식적 역량학습 모델에 따른 대학 비교과 교육과정 체계 개발", 인문사회 21, 14(2), pp.2179~2190 (2023)
- 박민정, "학습기술 향상 프로그램이 대학생의 자기 주도적 학습전략 특성에 미치는 효과", 교육연구논총, 33(2), pp.1~30 (2012)
- 신은진, "잠재전이분석과 머신러닝 기법을 적용한 초-중 학교급 전환에 따른 자기조절학습 변화양상과 예측변인 탐색 : 머신러닝 알고리즘 비교", 교육평가연구, 36(4), pp.659~686 (2023)
- 오효숙, "간호학생의 학습동기, 의사소통능력, 학업적 자기효능감이 자기주도학습능력에 미치는 영향", Journal of Digital Convergence, 15(8) (2017)
- 원영순, "치위생학과 학생의 그릿과 학업적 자기효능감이 자기주도적 학습능력에 미치는 영향", 보건과 복지, 25(4), pp.165~185 (2023)
- 이지연, "성실성과 완벽성이 학습관여에 미치는 영향 : 자기조절동기의 매개효과를 중심으로", 사회및성격, 27(2), pp.127~142 (2013)
- 이희원, "학업에 어려움을 겪는 대학생의 성격, 동기, 정서, 행동특성과 학업성취도 수준과의 관계-S대학의 사례를 중심으로", 열린교육연구, 32(2), pp.217~238 (2024)
- 정대영, "머신러닝을 활용한 장애인 취업 예측모형 탐색 및 분석", 장애와 고용, 34(3), pp.23~42 (2024)
- "MLST-Ⅱ 학습전략검사 해석지침서" (2024)[URL]
- 홍기혜, "머신러닝 기반 개인 기부행동 예측모형: 세대별 일상적 안녕에 대한 태도를 중심으로", 박사, pp.2024
- 홍민성, "그릿과 성실성이 학업 수행에 미치는 영향 : 자기결정성 동기의 매개효과", 한국융합학회논문지, 10(10), pp.143~151 (2019)
- Bandura, A., "Self-efficacy : Toward a unifying theory of behavioral change", Psychological Review, 84(2), pp.191~215 (1977)
- Berlin, K. S., "An introduction to latent variable mixture modeling(part 1) : Overview and cross-sectional latent class an latent profile analyses", Journal of Pediatric Psychology, 39(2), pp.174~187 (2014)
- Dangeti, P., "Statistics for Machine Learning" (2017), Packt Publishing Ltd
- Garrison, D. R., "Computer conferencing: The post-industrial age of distance education", Open Learning, 12(2), pp.3~11 (1997)
- Géron, A., "Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems" (2023), O'Reilly Media
- Hastie, T., "The elements of statistical learning: Data mining, inference, and prediction" (2009), Springer
- Kline, R. B., "Principles and practice of structural equation modeling" (2016), Guilford publications
- Knowles, M. S., "Self-directed learning: A guide for learners and teachers" (1975), The Adult Education Company
- Liaw, A., "Classification and regression by randomForest", R news, 2(3), pp.18~22 (2002)
- Sedigheh, M., "Social media as a complementary learning tool for teaching and learning: The case of Youtube", The International Journal of Management Education, 16(1), pp.37~42 (2018)
- Zimmerman, B. J., "Becoming a self-regulated learner: An overview", Theory into practice, 41(2), pp.64~70 (2002)