학생 학습 경로를 위한 변동성 모델링과 논리 검증

초록

본 논문은 전자학습 시스템에서 학생 개별의 학습 경로를 다양하게 제공하기 위해 변동성 모델링 기법을 도입하고, 이를 1차 논리(FOL) 규칙으로 검증하는 두 단계 구조를 제안한다. 그래픽 기반 상위 레이어와 논리 기반 하위 레이어를 결합해 코스 선택 제약을 명시적으로 표현하고, 선택의 일관성을 자동으로 확인한다.

상세 분석

이 연구는 전통적인 e‑Learning 시스템이 제공하는 일괄적 코스 구조를 탈피하여, 학습자 개별의 선호와 능력에 맞는 맞춤형 학습 경로를 설계한다는 점에서 의의가 크다. 변동성(Variability) 개념을 도입해 ‘필드(field)’와 ‘옵션(option)’이라는 두 계층으로 코스 구조를 모델링하고, Feature Model(FM)과 Orthogonal Variability Model(OVM)의 시각적 표기법을 결합한 상위 레이어를 제시한다. 이는 사용자가 직관적으로 코스 선택 과정을 탐색하도록 돕는 동시에, 표준화된 그래픽 표기법이 부족한 상황에서 기존 FM·OVM의 장점을 보완한다는 점이 특징이다.

하위 레이어에서는 각 필드와 옵션을 1차 논리(FOL) 술어로 변환한다. ‘type’, ‘choiceof’, ‘max’, ‘min’, ‘common’ 등 기본 술어와 ‘requires_…’, ‘excludes_…’ 등 의존 관계를 나타내는 술어를 정의함으로써, 코스 선택의 제약을 형식적으로 기술한다. 특히 ‘select’, ‘notselect’, ‘no_selected’와 같은 동적 술어를 도입해 사용자의 실제 선택 상황을 모델링하고, 이를 기반으로 12개의 검증 규칙을 제시한다. 규칙들은 전형적인 요구/배제 관계, 필드와 옵션 간의 포함 관계, 공통성 보장, 그리고 카디널리티(최소·최대 선택 수) 제한을 포괄한다. 이러한 논리적 검증 메커니즘은 선택 오류를 자동으로 탐지하고, 학습 경로가 사전에 정의된 제약을 위반하지 않도록 보장한다.

기술적 강점으로는 (1) 그래픽 UI와 형식 논리 사이의 명확한 매핑을 제공해 개발자와 교육 설계자가 동시에 이해하기 쉽다, (2) FOL 기반 검증 규칙이 자동화 도구와 연계될 경우 실시간 검증이 가능하다, (3) 변동성 모델링을 통해 코스 추가·수정이 용이해 유지보수 비용을 절감한다는 점을 들 수 있다. 반면 한계점으로는 실제 학습자 데이터를 활용한 실험이 부족하고, 제안된 모델을 적용한 프로토타입 시스템이나 성능 평가 결과가 제시되지 않아 실용성을 판단하기 어렵다는 점이다. 또한, 변동성 모델링 자체가 복잡해질 경우 술어 수가 급증하여 검증 비용이 증가할 가능성이 있다. 향후 연구에서는 대규모 학습 데이터와 연계한 자동 제약 추출, 모델 최적화 알고리즘 도입, 그리고 사용자 인터페이스 평가를 통해 실효성을 검증할 필요가 있다.