머신러닝 알고리즘을 적용한 자기주도학습 능력 예측 분석과 맞춤형 교육전략 제시

• 영문명: Machine Learning Analysis of Self-Directed Learning Abilities and Recommendations for Personalized Learning Strategies
• 발행기관: 사단법인 대학교육개발센터협의회
• 저자명: 나은창
• 간행물 정보: 『대학 교수-학습 연구』제17권 제4호, 75~100쪽, 전체 26쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2024.11.30

국문 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, 학습동기'가 중요한 것으로 분석되었다. 셋째, 행동 특성은 머신러닝에서 공통적으로 ‘시험전략, 노트필기, 읽기전략, 기억전략, 수업듣기'가 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.

영문 초록

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.

목차

I . 서론

II. 이론적 배경

III. 연구방법

IV. 연구결과

V. 결론 및 논의

참고문헌

키워드

머신러닝 자기주도학습 잠재프로파일분석 맞춤형 학습 MLST-Ⅱ Self-directed learning Machine Learning Latent Profile Analysis personalized Learning MLST-II