시계열 온라인 학습행동의 유형화: 학습동기 및 성취목표와의 관계 탐색
Typology of time-series online learning behaviors: Exploring the relationship with learning motivation and achievement goals
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이 연구는 로그데이터에서 나타난 온라인 학습행동의 학습 유형을 시계열적으로 살펴보았으며, 이를자기보고식 응답 결과와 연계하여 온라인 행동 특성과 학생들의 내재적 특성 간의 관계를 파악하고자하였다. 이를 위하여 온라인 교육 프로그램의 12주 간 학습콘텐츠 열람 횟수를 활용하여 시계열 군집분석을 적용하였으며, 유형에 따른 주차별 로그인 횟수, 주차별 학습통계 페이지 참여 횟수 및 성취수준을 살펴보았다. 또한, 유형별로 학습동기(내재가치, 유용가치, 비용, 효능감)와 성취목표(숙달목표, 수행접근목표, 수행회피목표) 수준을 비교하였다. 주요 연구결과는 다음과 같다. 첫째, 시계열 군집분석 결과, 학생들은 온라인 학습행동은 능동적 학습 지속형(10.2%), 소극적 학습 지속형(42.7%), 소극적학습 지연형(47.1%)의 3개 유형으로 구분되었다. 둘째, 유형별 온라인 행동특성 및 학업성취 수준을살펴본 결과, 온라인 학습 유형에 따라 학습 참여 수준, 학습콘텐츠를 열람하는 패턴, 학습통계 페이지를 이용하는 양상이 다르게 나타났으며, 학업성취 역시 차이를 보였다. 셋째, 유형별 성취동기와 성취목표를 비교한 결과, 학습동기에서는 비용에서만 부분적인 차이가 나타난 반면, 성취목표에서는 수행접근목표와 수행회피목표에서 집단 간 뚜렷한 차이가 관찰되었다. 이를 토대로 로그데이터의 시계열적 특성을 살린 분석의 의의와 로그데이터와 자기보고식 검사를 연계하여 살펴보는 것의 가능성을논하였다.
Abstract
This study examined patterns in online learning behaviors through time-series analysis of log data. It also explored the relationship between online behaviors and students' motivational and goal-related attributes by analyzing their association with self-reported survey responses. Time-series clustering was applied using e-book accesses data recorded over a 12-week online course. Weekly login frequency, access to the learning statistics page, and academic achievement were analyzed based on the identified learning patterns. Furthermore, differences in learning motivation (intrinsic value, utility value, cost, and self-efficacy) and achievement goals (mastery, performance-approach, and performance-avoidance) were examined across learning types. The key findings are as follows. First, time-series clustering identified three types of online learners: active learning sustainers (10.2%), passive learning sustainers (42.7%), and passive learning procrastinators (47.1%). Second, online behavioral characteristics and academic achievement varied by learning type. Third, while perceived cost in learning motivation showed minor differences, performance-approach and performance-avoidance goals differed significantly among groups. These findings highlight the importance of leveraging the temporal dynamics of log data and integrating log-based insights with self-reported measures for a more comprehensive understanding of online learning behaviors.