은닉 마르코프 모델을 이용한 적응형 학습경로 생성에 관한 연구

전 세계적인 COVID19의 영향으로, 비대면 학습에 대한 활용도가 높아지고 있다. 비대면 학습을 위해서는 효율성을 토대로 한 학습경로의 생성이 중요하다. 본 연구는 학생들이 수업에서 마주칠 수 있는 경험의 경로, 즉, 지식 개념(knowledge concept, KC) 을 순서대로 배열한 연결망으로 알려진 학습경로를 만드는 방법으로 hidden Markov model(HMM)을 소개하고, HMM을 이용하여 경로 예측의 정확도 향상을 목적으로 한다. 첫 단계로, 정확한 학습경로의 생성을 위하여 HMM 수행 전 least absolute shrinkage and selection operator(LASSO), random forest(RF)를 이용한 변수 선택(variable selection)을 수행한 후 변수 선택의 효과를 파악한다. 그리고 HMM을 이용해서 KC들의 그룹으로 만든 상위 개념들의 선후관계를 파악한 경우와 다른 후보 경로들과의 비교를 통하여 HMM을 활용하여 완성된 경로가 더욱 의미 있게 생성되었음을 입증한다. 실험을 위하여 AI-hub(https://aihub.or.kr/)에서 공유한 수학 학습데이터를 이용한 결과 LASSO, RF 등의 변수선택 방법을 이용하여 관계 쌍을 추려냈을 때 HMM의 성능이 월등히 좋아졌고, 상위 개념으로 이루어진 학습경로를 평가할 때 HMM을 활용한 경우가 다른 모형에 비해 모형적합도 면에서 훌륭하였다.

Due to the global impact of COVID-19, the use of non-face-to-face learning is increasing. For non-face-to-face learning, it is important to create a learning path based on efficiency. This study introduces the hidden Markov model (HMM) as a method of creating a learning path known as a network in which knowledge concepts are arranged in order, that is, the path of experience that students may encounter in class. and it aims to improve the accuracy of path prediction by using a variable selection technique that includes least absolute shrinkage and selection operator (LASSO), and random forest (RF) before performing HMM. In addition, this study aims to show that the learning path based on higher-order concepts made of precedence relationships from HMM is more accurate than other candidate paths. As a result of using data shared by AI-hub (https://aihub.or.kr/), the performance of HMM when selecting relational pairs using LASSO, and RF was improved significantly, and the case of using HMM when evaluating the learning path consisting of higher concepts was excellent in terms of model goodness of fit compared to other models.