학습자 프로필 속성을 활용한 교육 경로 정확도 향상 방안

초록

본 논문은 학습자의 인구통계·심리·학습 스타일 등 프로필 정보를 학습 자원 추천에 통합함으로써, 기존의 평점·클릭 기반 접근법보다 교육적 정확성을 높이는 방법을 제시한다. 다중 출처 데이터를 기계학습으로 매핑·태깅하여 학습 경로를 개인화하고, 실험을 통해 속성 간 유사성을 파악하고 효과적인 학습자 군집을 도출한다.

상세 분석

이 연구는 급증하는 웹 기반 학습 자원의 효율적 활용을 위해 ‘교육적 정확성(pedagogical accuracy)’이라는 새로운 평가 차원을 도입한다. 기존 개인화 시스템은 주로 사용자의 상호작용 데이터(평점, 클릭, 시청 시간 등)에 의존해 학습자 선호를 추정했으나, 이러한 접근법은 학습자의 내재적 특성—예를 들어 연령, 교육 수준, 선호 학습 스타일, 인지적 선호도 등—을 반영하지 못한다는 한계를 지닌다. 논문은 이러한 한계를 극복하기 위해 사용자 프로필 속성을 다차원 벡터로 정의하고, 이를 학습 자원 메타데이터와 직접 연결하는 ‘속성‑자원 매핑(attribute‑resource mapping)’ 프레임워크를 설계한다.

핵심 기술은 크게 세 단계로 구성된다. 첫째, 프로필 속성을 정량화하기 위해 설문 기반 심리·학습 스타일 척도와 공개된 인구통계 데이터를 수집하고, 명목형 변수는 원-핫 인코딩, 연속형 변수는 정규화를 거쳐 통합 피처 공간을 만든다. 둘째, 학습 자원의 기존 메타데이터(주제, 난이도, 교육 목표 등)와 사용자 속성을 연결하기 위해 지도학습과 비지도학습을 혼합한다. 구체적으로, 학습자‑자원 상호작용 로그를 라벨링 데이터로 활용해 Gradient Boosting Decision Tree(GBDT)와 다층 퍼셉트론(MLP) 모델을 학습시켜 ‘학습자‑자원 적합도 점수’를 예측한다. 동시에, K‑means와 계층적 군집화를 이용해 유사한 속성을 가진 학습자 군집을 도출하고, 각 군집에 특화된 ‘태그(tag)’를 자동 생성한다. 셋째, 생성된 태그를 학습 자원 메타데이터에 삽입함으로써 검색·추천 엔진이 프로필 기반 필터링을 수행하도록 한다.

실험에서는 공개된 MOOC 데이터셋과 자체 구축한 학습자 프로필 데이터를 결합해, 기존 협업 필터링(CF) 및 콘텐츠 기반 필터링(CBF) 대비 추천 정확도(Precision@10, NDCG)와 교육적 적합성(전문가 평가 점수)을 비교했다. 결과는 프로필 속성을 포함한 모델이 평균 12% 이상의 정밀도 향상을 보였으며, 특히 학습 스타일(시각·청각·운동)과 난이도 선호가 높은 학습자군에서 효과가 두드러졌다. 또한, 속성 간 유사도 행렬을 시각화한 결과, ‘학습 동기와 목표’가 ‘전공 배경’과 강하게 연관되는 등 의미 있는 상관관계를 발견했다.

이 논문의 주요 기여는 (1) 학습자 프로필을 정형화된 피처로 전환하는 체계적 방법론, (2) 프로필‑자원 매핑을 통한 메타데이터 강화 메커니즘, (3) 군집 기반 태깅을 활용한 스케일러블 개인화 프레임워크이다. 한편, 제한점으로는 프로필 데이터 수집에 따른 프라이버시 우려, 라벨링된 상호작용 로그의 부족, 그리고 다문화·다언어 환경에서의 일반화 가능성이 제시된다. 향후 연구에서는 연합 학습(Federated Learning)으로 개인정보 보호를 강화하고, 강화학습 기반 경로 최적화와 실시간 피드백 루프를 도입해 동적 학습 경로 설계에 확장할 계획이다.