학습분석학 관점에서 사이버대학생의 수강시간 프로파일에 따른 학업성취도 차이 분석

키워드

참고문헌 (59)

1. 강은나, "시설거주노인의 사회적 네트워크 유형에 관한 탐색적 연구 : 노인요양시설 외부관계자원을 중심으로", 보건사회연구, 34(2), pp.133~160 (2014)
2. 길혜지, "잠재계층분석을 활용한 성인 학습자의 비형식 평생교육 프로그램 참여유형 및영향요인 분석", 아시아교육연구, 20(3), pp.773~796 (2019)
3. 김민하, "학습분석의 데이터 유형과 응용 분야", 2015 한국교육공학회 추계학술발표대회논문집, pp.409~421 (2015)
4. 남나라, "수강 프로파일 분석을 통한 온라인 학습자의 특성 분석", 교육과학연구, 54(1), pp.135~163 (2023)
5. 노언경, "다층 잠재프로파일 분석을 적용한 중학생의 학교폭력 집단 분류와 개인 및 학교요인 검증", 조사연구, 18(2), pp.67~98 (2017)
6. 노언경, "청소년의 컴퓨터 사용 목적에 따른 잠재프로파일 분류 및 관련 변인들의 영향력 검증", 한국청소년연구, 23(3), pp.51~76 (2012)
7. 박양주, "평생학습 잠재수요집단의 유형 분류 : 학습 참여동기에 대한 군집분석을 중심으로", 평생학습사회, 10(1), pp.33~58 (2014)
8. 박철, "사이버대학 중도탈락 개선을 위한 예측모형 개발", 한국산학기술학회 논문지, 21(7), pp.380~390 (2020)
9. 배상훈, "코로나19에 따른 온라인 수업 상황에서 학습참여 및 대학 몰입과 예측요인 : 잠재프로파일분석", 교육학연구, 59(1), pp.279~308 (2021)
10. 성기선, "원격고등교육기관 학생들의 학업성취과정과 교육결과에 미치는 관련변인 분석", 교육사회학연구, 13(2), pp.117~134 (2003)
11. 온라인 학습 분석 기반 맞춤형 교육 지원 방안 연구, "손찬희", 한국교육개발원, ~, pp.RR2019-08 (2019)
12. 신우진, "온라인 학습 행태와 사회경제적 배경이 학업성취도에 미치는 영향 : 성인학습자의 경제학 개론 녹화 동영상 강의 시청을 중심으로", 평생학습사회, 18(1), pp.198~234 (2022)
13. 이다예, "온라인 대학원 학습자의 학업 스트레스, LMS 활용만족도, 사회적 지지가 학업지속의도에 미치는 영향", 한국학교보건학회지, 32(3), pp.144~151 (2019)
14. 이성혜, "온라인 학습환경에서 학업성취도에 영향을 미치는 자기조절학습 변인및 학습행동 데이터 특성 탐색", 교육정보미디어연구, 27(2), pp.723~748 (2021)
15. 이예찬, "대학 온라인수업 몰입 로그데이터 지표 개발 및 활용 연구: 잠재프로파일 분석을 중심으로", 박사, pp.2023
16. 이인숙, "e-Learning 학습전략 수준 및 학업성취도 규명", 교육공학연구, 18(2), pp.51~67 (2002)
17. 이해듬, "대학 이러닝 학습데이터 기반의 사이버학습자 유형분류와 학업성취도 분석", 박사, pp.2016
18. 이혜윤, "대학 이러닝 환경에서 학습자 행동 로그에 기반한 군집별 학업성취 예측모형 비교", 교육과학연구, 49(1), pp.127~150 (2018)
19. 조일현, "GBS 설계 모델을 적용한 기업 e-learning 학습 환경에서 학습 성과에 영향을 미치는 요인", 교육공학연구, 18(4), pp.79~110 (2002)
20. "(안내) 사이버대학 학사업무 가이드. 한국원격대학협의회: 기타 자료실" (2021), 한국원격대학협의회[URL]
21. 한정윤, "온라인 소프트웨어 교육에서 학습자의 자기조절학습 관련 특성에 기반한 온라인 학습 유형 분석 : 계층적 군집 분석 기법을 활용하여", 컴퓨터교육학회 논문지, 22(5), pp.51~65 (2019)
22. 황진아, "속성기준 군집 분석 기법을 이용한 온라인 검색 광고에서의 키워드 선정 방안", 대한산업공학회지, 45(4), pp.451~464 (2019)
23. Akaike, H., "A new look at the statistical model identification", IEEE Transactions on Automatic Control, 19(6), pp.716~723 (1974)
24. Alenezi, A. R., "Modeling the social factors affecting students’ satisfaction with online Learning : A structural equation modeling approach", Education Research International, 2022(6), pp.1~13 (2022)
25. Asparouhov, T., "Auxiliary variables in mixture modeling : Three step approaches using Mplus", Structural Equation Modeling : A Multidisciplinary Journal, 21(3), pp.329~341 (2014)
26. Asparouhov, T., "Residual associations in latent class and latent transition analysis", Structural Equation Modeling : A Multidisciplinary Journal, 22(2), pp.169~177 (2015)
27. Bakk, Z., "Robustness of stepwise latent class modeling with continuous distal outcomes", Structural Equation Modeling : A Multidisciplinary Journal, 23(1), pp.20~31 (2016)
28. Bergman, L. R., "A person-oriented approach in research on developmental psychopaathology, development and psychopathology" (1997), Cambridge University Press
29. Bolck, A., "Estimating latent structure models with categorical variables : One-step versus three-step estimators", Political Analysis, 12(1), pp.3~27 (2004)
30. Dumais, S., "Ways of Knowing in HCI" (2014), Springer
31. (2011)[URL]
32. Finch, W. H., "Multilevel latent class analysis : Parametric and nonparametric models", The Journal of Experimental Education, 82(3), pp.307~333 (2014)
33. Geiser, C., "Methodology in the social sciences: Data analysis with Mplus" (2013), Guilford Press
34. Järvelä, S., "Recognizing socially shared regulation by using the temporal sequences of online chat and logs in CSCL", Learning and Instruction, 42(2), pp.1~11 (2016)
35. Jung, T., "An introduction to latent class growth analysis and growth mixture modeling", Social and Personality Psychology Compass, 2(1), pp.302~317 (2008)
36. Laursen, B., "Person-centered and variable-centered approaches to longitudinal data", Merrill-Palmer Quarterly, 52(3), pp.377~389 (2006)
37. Lo, Y., "Testing the number of components in a normal mixture", Biometrika, 88(3), pp.767~778 (2001)
38. Long, P., "Penerrating the fog : Analytics in learning and education", EDUCAUSE Review, 46(5), pp.31~40 (2011)
39. Maldonado-Mahauad, J., "Mining theory-based patterns from big data : Identifying self-regulated learning strategies in massive open online courses", Computers in Human Behavior, 80(2018), pp.179~196 (2018)
40. McLachlan, G. J., "Finite mixture models", Annual Review of Statistics and Its Application, 6(1), pp.355~378 (2019)
41. Mostow, J., "An educational data mining tool to browse tutor–student interactions: Time will tell!", Proceedings of the educational data mining of National Conference on Artificial Intelligence, pp.15~22 (2005)
42. Muruganandam. S., "Personalized e-learning system using learner profile ontology and sequential pattern mining-based recommendation", Proceedings of the National Conference on Man Machine Interaction, pp.78~93 (2014)
43. Muthén, B. O., "Handbook of quantitative methodology for the social science" (2004), Sage
44. Muthén, B., "Integrating person-centered and variable-centered analyses : Growth mixture modeling with latent trajectory classes", Alcoholism : Clinical and experimental research, 24(6), pp.882~891 (2000)
45. Nagin, D. S, "Group-based modeling of development" (2005), Harvard University Press
46. Noh, I. K., "An analysis of employed learners’ learning behaviors and the factors affecting learning achievement : Using learning analysis", Journal of Lifelong Learning Society, 12(4), pp.53~78 (2016)
47. Nylund, K. L., "Deciding on the number of classes in latent class analysis and growth mixture modeling : A Monte Carlo simulation study", Structural Equation Modeling : A Multidisciplinary Journal, 14(4), pp.535~569 (2007)
48. Papamitsiou, Z., "Explaining learning performance using response-time, self-regulation and satisfaction from content: An fsQCA approach", Proceedings of the 8th International Conference on Learning Analytics and Knowledge, pp.181~190 (2018)
49. Rakes, G. C., "The impact of online graduate students’ motivation and self-regulation on academic procrastination", Journal of Interactive Online Learning, 9(1), pp.78~93 (2010)
50. Schrader, P. G., "Dribble files : Methodologies to evaluate learning and performance in complex environments", Performance Improvement, 46(1), pp.40~48 (2007)
51. Schmiege, S. J., "Latent variable mixture modeling : A flexible statistical approach for identifying and classifying heterogeneity", Nursing Research, 61(3), pp.204~212 (2012)
52. Schwartz, G., "Estimating dimensions of a model", Annals of Statistics, 6(2), pp.461~464 (1978)
53. Sclove, L., "Application of model-selection criteria to some problems in multivariate analysis", Psychometrika, 52(3), pp.333~343 (1987)
54. Shaikh, U. U., "Persistence and dropout in higher online education : Review and categorization of factors", Frontiers in Psychology, 13(2022), pp.1~14 (2022)
55. Van Horn, M. L., "Assessing differential effects : Applying regression mixture models to identify variations in the influence of family resources on academic achievement", Developmental psychology, 45(5), pp.1298~1313 (2009)
56. Waheed, H., "Predicting academic performance of students from VLE big data using deep learning models", Computers in Human Behavior, 104(2020), pp.1~13 (2019)
57. Wang, K. D., "A systematic review of empirical studies using log data from open-ended learning environments to measure science and engineering practices", British Journal of Educational Technology, 54(1), pp.192~221 (2022)
58. Xie, S., "Predicting learning behavior using log data in blended teaching", Scientific Programming, 2021(4), pp.1~14 (2021)
59. You, J. W., "The role of academic emotions in the relationship between perceived academic control and self-regulated learning in online learning", Computers & Education, 77(2014), pp.125~133 (2014)

관련 논문AI추천