온라인 강좌의 LMS 로그 데이터를 활용한 기계학습 기반 학업성취도 예측 변수 탐색
Exploring predictors for academic achievement using machine learning on LMS log data from the online course
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 학습관리시스템(Learning Management System, LMS)을 기반으로 운영된 온라인 강좌에서 수강생들의 로그 데이터를 수집하여 온라인 학습행동 양상을 파악하고, 학업성취도 예측에 중요 변수를탐색하고자 수행되었다. 연구를 위한 자료 수집은 수도권 소재 A교육대학원의 15주간 운영된 교직과목을 수강한 48명 학생들의 LMS 로그 데이터를 수집하였다. 18,270행의 LMS 로그 데이터로부터 주차별 학습행동을 포착할 수 있는 변수와 전체 교과목 전체에서의 경향을 파악할 수 있는 지표를 추가로생성하여, 총 123개의 설명변수를 활용하여 학업성취도 예측 모델링을 수행하였다. 학업성취도 예측은기계학습 기법인 elastic net을 활용하였으며 주요 연구결과는 다음과 같다. 첫째, 학생들의 주차별 학습 양상을 살펴본 결과, 학습콘텐츠 유형(동영상, 링크, 파일 등)에 따라 학습행동 횟수에 차이를 보였다. 또한 온라인 수업에서 우려하는 마감일에 임박한 학습양상을 살펴본 결과, 대부분의 학습자는 학습지연 또는 벼락치기 학습을 하지 않는 것으로 파악되었고 약 15%의 학습자가 벼락치기 학습행동을보였다. 둘째, 예측 모델링 결과, 최종 모형에 안정적으로 선택된 19개의 변수를 도출하였다. 학업성취도 예측에 중요 변수는 특정 주차에서의 학습콘텐츠 열람 횟수가 높을수록, 자료를 다운로드 할수록, 주차의 학습을 일찍 시작할수록, 과제 완료 횟수가 높을수록, 기말시험 준비기간에 학습콘텐츠 열람횟수가 많을수록, 학점유형을 A-F로 신청한 학습자 경우에 학업성취도가 높게 예측되었다. 이러한 결과를 통해 해당 교과 맥락에서 선정 변수의 의미를 해석하고 논의하였으며, 학습분석에서 기계학습기법 활용의 장점과 시사점을 논의하였다.
Abstract
This study aimed to identify online learning behavior patterns and explore key variables for predicting academic achievement by analyzing LMS log data. Data were collected from 48 students who enrolled in a 15-week online teacher education course at A Graduate School of Education. From 18,270 rows of log data, a total of 123 features—capturing both weekly learning activities and overall course trends—were used to build the prediction model. Academic achievement prediction was conducted using the machine learning technique elastic net, and the findings were twofold. First, an analysis of weekly learning patterns revealed that behaviors differed according to the type of learning content (e.g., video, link, file). Furthermore, contrary to concerns about cramming or procrastination, most learners did not engage in cramming or procrastination, with approximately 15% of learners exhibiting cramming behavior. Second, the predictive modeling yielded 19 variables that were reliably selected for the final model. Key predictors of higher academic achievement included: a higher frequency of content viewing and material downloads in specific weeks; an earlier start to weekly learning; a greater number of completed assignments; more frequent content access during the final-exam preparation period; and enrollment in an A-F grading system. Based on these results, the study discusses the significance of the selected variables within the course context, as well as the advantages and implications of utilizing machine learning techniques in learning analytics.