데이터마이닝 기반 MOOC 학습환경의 자기주도학습 역량 잠재요인 군집 분석 모델 개발
A Development of Clustering Analysis Model for Self-Directed Learning Competency Latent Factors of MOOC Learning Environment based on Data Mining
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
4차 산업혁명 단계로 넘어오면서 디지털 기기의 발달과 더불어, 대학의 내․외부에서는 학업성적관리 프로그램, 학습관리시스템, 학습진단시스템 등의 교육 지원시스템 사용이 보편화되고, 활성화되었다. 이러한 스마트교육 환경을 기반으로 막대한 양의 교육적 활용 데이터가 축적됨에 따라 이를 새로운 가치로 창출할 수 있는 능력이 대학교육 혁신의 중요한 평가 요소로 대두되고 있다. 이에 본 연구에서는 기존의 빈도, 평균, 편차 등의 기술통계 분석에서 얻어지는 정보 외에 방대한 양의 데이터 분석 및 성과 예측을 위한 데이터마이닝 기반의 분석 모델 과정을 적용하여 연구 결과를 제시하였다. C대학에서 실시한 MOOC 교육 요구조사 및 자기주도학습 역량 측정을 통해 수집된 579명의 학부생 설문 조사 결과 데이터를 활용한 결과, 첫 번째, 자기주도학습 요인 분석에서는 학습목표지향성, 학습전략성, 학습지속성이 도출되었으며, 두 번째, 자기주도학습 군집 분석 결과로 상위, 중위, 하위 3개의 집단이 분류됨에 따라 그 집단별 특성을 파악하였다. 세 번째, 분류된 집단의 MOOC에 대한 인식과 교육요구의 수준에 대한 차이를 분석하였으며, 마지막으로 이러한 데이터마이닝 분석 모델 결과를 기반으로 표본 학습자에 대한 시뮬레이션을 진행하였다. 본 연구 결과를 토대로 추후, 새로운 학습자 데이터가 입력될 시, 본 데이터마이닝 기반 분석 모델을 통해 자동적으로 자기주도학습 특성의 집단유형을 분류하여 그 개별적 학습자에게 맞는 교육 전략을 제시할 수 있을 것이다. 아울러, 본 연구에서 제시된 데이터마이닝 모델은 교수․학습적 처방을 주고자 하는 실제 학습자 집단으로부터 도출된 정보를 기반으로 개별 학습자에게 교육적 진단 및 처방이 가능하다는 점에서 중요한 의의를 갖는다.
Abstract
In addition to the development of digital devices in the fourth industrial revolution phase, the use of educational support systems, such as academic performance management programs, learning management systems, and learning diagnosis systems, was common and activated in the internal and external universities. With the accumulation of huge amounts of educational utilization data on the basis of this smart education environment, the ability to create new values is becoming an important factor in the innovation of university education. The results of a survey of 579 undergraduates collected through the MOOC education requirements survey and self-directed capacity measurement conducted by University C showed that the first, self-directed learning factors analysis resulted in learning goal orientation, learning strategy and learning persistence, and the second, the group characteristics were identified according to the classification of the upper, middle and lower three groups. Third, the differences in the level of MOOC awareness and educational needs of the classified groups were analyzed, and finally, simulations of the sample learner were conducted based on the results of this data mining analysis model. Based on the results of this study, when new learner data is entered later, the data mining model will automatically categorize the group types of self-directed learning characteristics and present an education strategy for each individual learner. In addition, the data mining model presented in this study has important implications in that it enables educational diagnosis and prescription for individual learner based on information derived from the actual group of learners who want to give teaching and learning prescriptions.
참고문헌 (31)
- 교육부, "2018년 한국형 온라인 공개강좌(K-MOOC) 운영계획 발표보도자료(3월30일)", 교육부, ~ (2018)
- 교육부, "2019년 한국형 온라인 공개강좌(K-MOOC) 기본계획 발표보도자료(2월22일)", 교육부, ~ (2019)
- 권영옥, "빅데이터를 활용한 맞춤형 교육 서비스 활성화 방안연구", 지능정보연구, 19(2), pp.87~100 (2013), 한국지능정보시스템학회
- 권영임, "사이버대학교의 강의운영 개선에 관한 연구", 한국교육논단, 8(2), pp.109~130 (2009), 한국교육포럼(아시아태평양교육학회)
- 김소현, "평생교육조직의 지식관리에 대한 실증적 연구", 박사, 평생교육학과 평생교육전공, pp.2013
- 김재환, "빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼", 한국정보과학회, 2017(12), pp.805~807 (2017)
- 김진효, "교육서비스 만족도에 근거한 학점은행제 학습자유형과 개인요인 간의 관계 분석: 서울 소재 평생교육원을 중심으로", 역량개발학습연구(구 한국HRD연구), 14(1), pp.1~22 (2019), Human Engagement Institute[DOI]
- 김현진, "원격대학 성인학습자의 학업지연행동과 학업성취도에 대한 자아효능감과 성취목표지향성의 관계 분석", 평생학습사회, 10(2), pp.209~228 (2014), 미래원격교육연구원
- 나종화, "R 데이터마이닝" (2017), 자유아카데미
- 노현아, "과학영재학교 조기입학 학생들의 학교적응에 관한 연구", 한국과학교육학회지, 36(4), pp.693~704 (2016), 한국과학교육학회[DOI]
- 명순구, "MOOC에 의한 민법 교육, 경험과 진단 - 고려대학교의 사례를 중심으로 -", 고려법학, (80), pp.227~261 (2016), 법학연구원
- 박병기, "2x2 성취목표지향성 척도의 개발 및 타당화", 교육심리연구, 19(1), pp.327~353 (2005), 한국교육심리학회
- CBNU-MOOC 구축방향 수립을 위한 기초연구, "변호승", 충북대학교, ~ (2016)
- 성은모, "학습분석학 관점에서 학습자의 자기주도학습 지원을 위한 학습 데이터 탐색 연구", 교육공학연구, 32(3), pp.487~533 (2016), 한국교육공학회[DOI]
- 성은모, "대학교육에서 성적 우수 학습자의 자기주도학습역량 요인 탐색", 교육공학연구, 32(2), pp.427~452 (2016), 한국교육공학회[DOI]
- 성은모, "대학생의 스마트미디어 활용 유형분류에 따른 스마트미디어 유용성, 학습민첩성, 학업성취도의 차이 분석: 잠재계층분석(Laten Class Analysis)을 중심으로", 교육정보미디어연구, 23(3), pp.631~655 (2017), 한국교육정보미디어학회[DOI]
- 성은모, "온라인 소프트웨어 교육 학습자들의 자기주도학습 유형 분류 및 특징 분석", 컴퓨터교육학회 논문지, 22(1), pp.31~46 (2019), 한국컴퓨터교육학회[DOI]
- 신소영, "수업영향요인과 수업, 교육만족도와 학습성과 간의 구조적 관계 분석", 학습자중심교과교육연구, 16(11), pp.383~402 (2016), 학습자중심교과교육학회[DOI]
- 이병현, "미국 MOOC 최근 운영동향을 통해 본 MOOC 역할과 K-MOOC 운영에 대한 시사점", 교육정보미디어연구, 23(2), pp.227~251 (2017), 한국교육정보미디어학회[DOI]
- 조규락, "속성과 효용의 컨조인트 분석을 통한 K-MOOC에 대한 잠재 학습자의 요구", 교육정보미디어연구, 25(1), pp.171~199 (2019), 한국교육정보미디어학회[DOI]
- 조헌국, "머신 러닝을 활용한 이러닝 학습 환경에서의 학습자 성취 예측 모형 탐색", 학습자중심교과교육연구, 18(21), pp.553~572 (2018), 학습자중심교과교육학회[DOI]
- 최경애, "이러닝 환경에서 성인의 자기주도성에 따른 학습전략 활용도의 차이", 한국교육, 36(2), pp.137~163 (2009), 한국교육개발원[DOI]
- 최효선, "중학생의 스마트미디어 리터러시 유형에 따른 자기주도학습능력 차이 분석: 잠재계층분석(Laten Class Analysis)을 활용하여", 교육정보미디어연구, 23(1), pp.169~195 (2017), 한국교육정보미디어학회[DOI]
- Agaoglu, M., "Predicting instructor performance using data mining techniques in higher education", Institute of Electrical and Electronics Engineers Access, 4, pp.2379~2387 (2016)
- Akareem, H. S., "Determinants of education quality : what makes students’perception different?", Open Review of Educational Research, 3(1), pp.52~67 (2016)
- Duzhin, F., "Machine learning-based app for self-evaluation of teacher-specific instructional style and tools", Education Sciences, 8(1), pp.7~ (2018)
- Elias, T., "Learnig analytics : Definitions. process and potential", Learning, 23, pp.134~148 (2011)
- Gulati, H., "Predictive analytics using data mining technique", 2nd IInternational Conference on Computing for Sustainable Global Development, pp.713~716 (2015)
- Hotelling, H., "Analysis of a complex of statistical variables into principal components", Journal of Educational Psychology, 24(6), pp.417~ (1933)
- Knowles, M. S., "Self-directed learning: A guide for learners and teachers" (1975)
- Witten, I. H., "Data mining: Practical machine learning tools and techniques" (2016), Morgan Kaufmann