학생 행동 패턴 탐색을 위한 잠재 행동 특성 모델

초록

본 연구는 디지털 학습 플랫폼에서 수집된 세밀한 이벤트 로그를 활용해 학습자의 행동, 이벤트 지속시간, 상호작용 수준을 동시에 모델링하는 새로운 확률 잠재 변수 모델인 Hidden Behavior Traits Model(HBTM)을 제안한다. 공개 데이터셋에 대해 모델의 성능을 정량·정성적으로 평가하고, 학습자를 군집화하여 잠재 행동 패턴을 해석함으로써 온라인 학습자 모델링 및 학습 서비스 설계에 기여할 수 있음을 보였다.

상세 분석

본 논문은 기존 로그 기반 학습자 분석이 주로 빈도 기반 통계나 시계열 예측에 머물렀던 점을 비판하고, 학습 행동을 다차원적인 잠재 요인으로 파악하는 새로운 프레임워크를 제시한다. HBTM은 세 가지 관측 변수를 동시에 고려한다. 첫째, 학습자가 수행한 구체적 활동(예: 퀴즈 시도, 동영상 시청, 포럼 게시 등)을 이산형 토픽 변수로 표현한다. 둘째, 각 활동의 시간 지속(시작‑종료 간격)을 연속형 가우시안 분포로 모델링해 행동의 깊이와 몰입도를 정량화한다. 셋째, 상호작용 수준(예: 클릭 수, 스크롤 깊이, 댓글 수)을 정규화된 연속형 변수로 포함해 학습자의 참여 강도를 포착한다. 이러한 관측 변수를 하나의 잠재 행동 특성(latent trait) 벡터에 연결시키는 구조는 변분 베이지안 추론을 통해 파라미터를 학습한다.

모델 학습 과정에서 저자는 변분 EM 알고리즘을 활용해 사후 분포를 근사하고, 각 잠재 특성의 의미를 해석하기 위해 토픽-시간-상호작용 삼중분포를 시각화하였다. 특히, 특정 잠재 특성이 “짧은 시간에 빈번한 퀴즈 시도와 높은 포럼 활동”으로 나타나는 경우, 이를 ‘탐구형 학습자’로 라벨링하고, 반대로 “긴 시간 동안 동영상 시청에 집중하고 낮은 상호작용”은 ‘심층 독립형 학습자’로 구분하였다.

정량적 평가는 로그우도와 퍼플렉시티 지표를 통해 기존 LDA 기반 모델 대비 로그우도가 12% 향상되고, 퍼플렉시티가 8% 감소함을 보고한다. 또한, 잠재 특성 기반 K‑means 군집화 결과는 외부 메타데이터(성적, 과제 제출율)와의 상관관계에서 유의미한 차이를 보이며, 학습 성과 예측 모델에 잠재 특성을 피처로 추가했을 때 AUC가 0.73에서 0.79로 상승한다.

정성적 분석에서는 교육 설계자가 잠재 특성을 활용해 맞춤형 학습 경로를 설계하거나, 위험 학습자를 조기에 식별하는 시나리오를 제시한다. 예를 들어, ‘소극적 참여형’ 특성을 보이는 군집은 즉각적인 피드백과 동기 부여 인터벤션을 제공함으로써 이탈률을 감소시킬 수 있다.

전체적으로 HBTM은 행동, 시간, 상호작용이라는 세 축을 통합함으로써 학습 로그의 풍부한 정보를 잠재 구조로 압축하고, 이를 통해 학습자 특성 파악과 교육 서비스 맞춤화에 실용적인 인사이트를 제공한다는 점에서 의미가 크다. 다만, 현재는 단일 데이터셋에 대한 파일럿 결과에 머물러 있어, 다양한 교육 환경과 장기 학습 데이터에 대한 일반화 검증이 필요하다.