다중 에이전트 기반 동적 사례 기반 추론과 역최장 공통 부분수열을 활용한 학습자 맞춤형 실시간 추적 시스템

초록

본 논문은 학습자의 실시간 학습 과정 추적을 위해 다중 에이전트와 동적 사례 기반 추론(CBR) 프레임워크를 결합하고, 새로운 유사도 측정법인 역최장 공통 부분수열(ILCSS)을 도입한다. 학습자 행동 로그를 시나리오 형태로 저장·분석하여 개인 맞춤형 피드백을 제공하고, 가상·인간 튜터가 협업하도록 설계하였다.

상세 요약

이 연구는 전통적인 e‑learning 시스템이 학습자 개별의 진행 상황을 실시간으로 파악하고 개입하기 어려운 문제점을 인식하고, 이를 해결하기 위한 다중 에이전트 기반 동적 사례 기반 추론(Dynamic CBR) 모델을 제안한다. 시스템은 학습자가 플랫폼과 상호작용할 때 발생하는 클릭, 응답 시간, 정답 여부 등 다양한 행동 데이터를 ‘트레이스’라 정의하고, 이를 시나리오 형태로 구조화하여 사례 베이스에 저장한다. 다중 에이전트는 각각 데이터 수집, 사례 저장, 유사도 계산, 피드백 생성, 튜터 매칭 등 전문화된 역할을 수행함으로써 확장성과 실시간성을 확보한다.

핵심 기술은 새로운 유사도 측정법인 역최장 공통 부분수열(ILCSS)이다. 기존 최장 공통 부분수열(LCSS)은 두 시퀀스 간의 공통 패턴 길이를 기반으로 유사성을 판단하지만, 학습 과정에서는 최신 행동이 과거와 얼마나 일치하는지가 중요하다. ILCSS는 시퀀스를 역순으로 정렬한 뒤 LCSS를 적용함으로써, 최근 행동이 과거 사례와 얼마나 일치하는지를 강조한다. 이를 통해 학습자가 현재 겪고 있는 어려움이 과거 어느 시점의 패턴과 연관되는지를 정밀하게 파악할 수 있다. 알고리즘은 동적 프로그래밍 기반으로 O(n·m) 시간 복잡도를 유지하면서, 가중치 파라미터를 통해 시간 간격과 행동 중요도를 조정한다.

사례 검색 단계에서 ILCSS 점수가 높은 시나리오를 상위 k개 선택하고, 선택된 사례의 해결 전략(예: 추가 설명, 연습 문제, 힌트 제공)을 적응(adaptation) 모듈이 학습자 현재 상황에 맞게 변형한다. 이후 피드백 생성 에이전트는 가상 튜터와 인간 튜터의 협업 모델을 적용한다. 가상 튜터는 자동화된 텍스트·멀티미디어 피드백을 즉시 제공하고, 인간 튜터는 복잡하거나 감정적 지원이 필요한 경우 개입한다.

시스템 평가는 실제 대학 수준의 컴퓨터 과학 과목을 대상으로 파일럿 테스트를 수행했으며, ILCSS 기반 검색이 기존 코사인 유사도나 DTW 기반 방법에 비해 사례 재현율을 12% 향상시켰다. 또한 학습자 만족도 설문에서 실시간 피드백의 유용성이 4.3/5점으로 나타났다. 그러나 사례 베이스가 커질수록 저장·검색 비용이 증가하고, 다중 에이전트 간의 통신 오버헤드가 발생한다는 한계도 지적된다. 향후 연구에서는 분산 저장소와 클라우드 기반 에이전트 오케스트레이션을 도입해 확장성을 강화하고, ILCSS에 심리적 요인(동기, 스트레스) 가중치를 통합하는 방안을 모색한다.