MOOC 학습분석 혁신

초록

이 논문은 오스트리아 iMooX xMOOC 플랫폼을 대상으로 학습분석(LA) 프레임워크를 설계·구현하고, 학생 행동 데이터를 다각도로 분석한다. 토론, 동영상 시청, 퀴즈, 로그인 빈도 등 다양한 로그를 활용해 참여도 클러스터링을 수행하고, MOOC 특유의 대규모 학습 환경에서 LA가 제공할 수 있는 인사이트와 개선 방안을 제시한다.

상세 분석

본 연구는 학습분석과 MOOC라는 두 개의 급성장 분야를 결합하여, 대규모 온라인 교육 환경에서 데이터 기반 의사결정이 어떻게 이루어질 수 있는지를 탐구한다. 먼저, 기존 학습분석 문헌을 검토하고 MOOC 특성(수강자 규모, 이질성, 자율성 등)을 고려한 일반화 가능한 프레임워크를 제시한다. 이 프레임워크는 데이터 수집·전처리·분석·시각화·피드백의 다섯 단계로 구성되며, 각 단계마다 기술적·교육학적 요구사항을 명시한다.

데이터 수집 단계에서는 xMOOC 플랫폼이 제공하는 로그 파일을 활용한다. 로그는 크게 네 가지 카테고리(포럼 활동, 동영상 인터랙션, 자기평가 퀴즈, 로그인·접속 기록)로 나뉘며, 각각은 시간 스탬프, 사용자 ID, 행동 유형, 지속 시간 등의 메타데이터를 포함한다. 전처리 과정에서는 결측치 보정, 시간대 정규화, 중복 레코드 제거 등을 수행하고, 행동 시퀀스를 이벤트 스트림 형태로 변환한다.

분석 단계에서는 기술통계와 머신러닝 기법을 병행한다. 기술통계는 전체 수강자와 완료자 간의 행동 차이를 파악하는 데 사용되며, 특히 포럼 게시물 수와 동영상 재생 비율이 학습 성취와 높은 상관관계를 보임을 확인한다. 머신러닝에서는 K‑means와 계층적 군집화를 적용해 학습자 참여도를 네 개의 클러스터(고참여, 중참여, 저참여, 탈락)로 구분한다. 각 클러스터의 특성을 살펴보면, 고참여 그룹은 초기 로그인 빈도가 높고, 동영상 재시청 비율이 70% 이상이며, 포럼에서 활발히 질문·답변을 주고받는다. 반면 저참여 및 탈락 그룹은 로그인 빈도가 낮고, 동영상 시청 중 이탈률이 50%를 초과한다.

시각화 단계에서는 대시보드 형태의 인터페이스를 구현하여 강사와 교육 관리자에게 실시간 인사이트를 제공한다. 주요 시각화 요소는 시간별 활동 히트맵, 클러스터별 학습 경로 흐름도, 포럼 감성 분석 차트 등이다. 특히 감성 분석을 위해 자연어 처리(NLP) 기법을 적용했으며, 긍정적 감성 비율이 높은 포럼 스레드가 코스 완수율을 상승시키는 경향을 발견했다.

마지막 피드백 단계에서는 분석 결과를 기반으로 맞춤형 학습 지원 전략을 제시한다. 예를 들어, 저참여 클러스터에 속한 학습자에게는 자동 알림을 통해 동영상 재시청을 유도하고, 포럼 초대 메시지를 전송해 사회적 존재감을 높이는 방안을 제안한다. 또한, 고참여 학습자에게는 고급 과제나 리더십 역할을 부여해 학습 커뮤니티의 지속 가능한 성장에 기여하도록 설계한다.

본 연구의 의의는 세 가지로 요약할 수 있다. 첫째, MOOC 특성에 맞춘 학습분석 프레임워크를 체계적으로 제시함으로써 향후 다양한 플랫폼에 적용 가능한 모델을 제공한다. 둘째, 실제 로그 데이터를 활용한 정량적·정성적 분석을 통해 학습자 행동 패턴과 성취도 간의 인과관계를 구체적으로 밝혀냈다. 셋째, 분석 결과를 실시간 대시보드와 피드백 메커니즘에 연결함으로써 교육 현장에서 즉각적인 의사결정 지원이 가능하도록 했다. 이러한 접근은 대규모 온라인 교육의 효율성을 높이고, 학습자 개별 맞춤형 지원을 실현하는 데 기여한다.