교육과정 효과 모델링을 위한 베이지안 네트워크

초록

본 논문은 온라인 교육 환경에서 학습자 행동 로그를 활용해 커리큘럼 성공률을 예측하는 베이지안 네트워크 모델을 설계한다. 주요 학습 변수들을 식별하고, 117명의 석사 IT 학생 3학기 데이터를 기반으로 모델을 검증하여 각 변수의 영향력을 정량화한다.

상세 분석

본 연구는 온라인 교육 서비스의 복합성을 정량적으로 분석하기 위해 베이지안 네트워크(BN)를 채택하였다. 먼저 학습 성공에 영향을 미치는 변수들을 문헌 고찰과 현장 인터뷰를 통해 도출했으며, 여기에는 학생의 사전 지식 수준, 강의 참여도, 과제 제출 빈도, 시험 성적, 학습 동기, 서버 로그 기반 행동 패턴(예: 페이지 체류 시간, 클릭 흐름) 등이 포함된다. 이러한 변수들은 서로 인과 관계를 가질 가능성이 높아, 전통적인 회귀 분석보다 조건부 확률을 명시적으로 표현할 수 있는 BN이 적합하다 판단하였다.

데이터 전처리 단계에서는 로그 파일에서 비정형 데이터를 정형화하고, 결측값을 다중 대체법으로 보완하였다. 각 변수는 이산형 혹은 연속형으로 구분되어, 연속형은 적절한 구간으로 이산화하였다. 구조 학습은 전문가 지식 기반의 제약 조건과 데이터 기반의 점수 기반 알고리즘(예: K2, BDeu)을 혼합하여 수행했으며, 최종 네트워크는 12개의 노드와 15개의 방향성 엣지를 포함한다. 파라미터 학습은 최대우도 추정법을 이용해 조건부 확률표(CPT)를 구축하였다.

모델 검증은 10‑fold 교차 검증과 ROC 곡선 분석을 통해 이루어졌으며, 평균 AUC는 0.87로 높은 예측 정확도를 보였다. 특히 ‘학습 동기’와 ‘서버 로그 기반 행동 패턴’이 성공률에 미치는 직접적 영향이 크게 나타났으며, ‘사전 지식 수준’은 다른 변수들을 매개하는 간접 효과가 주요함을 확인했다. 민감도 분석을 통해 각 변수의 변화가 성공 확률에 미치는 정도를 정량화했으며, 이는 교육 설계자가 자원을 효율적으로 배분하는 데 실질적인 지침을 제공한다.

또한, 모델은 시뮬레이션을 통해 커리큘럼 수정 시 예상 성공률 변화를 사전 예측할 수 있다. 예를 들어, 과제 제출 기한을 연장하거나 인터랙티브 퀴즈를 추가했을 때 성공 확률이 평균 5~8% 상승한다는 결과가 도출되었다. 이러한 시나리오 기반 예측은 교육 정책 결정과 맞춤형 학습 경로 설계에 활용될 수 있다.

전반적으로 본 연구는 베이지안 네트워크를 활용해 교육과정 성공 요인을 구조화하고, 실증 데이터를 통해 모델의 신뢰성을 입증함으로써 e‑Learning 환경에서 데이터 기반 의사결정의 가능성을 제시한다.