동적시간워핑 거리에 기반한 온라인 학습행동의 시계열 군집분석

Time-Series Clustering for Exploring Patterns of Online Learning Behavior Based on Dynamic Time Warp

본 연구에서는 온라인 학습 환경에서 관찰되는 아동의 학습행동을 시계열적으로 이해하기 위해 동적시간워핑 거리에 기반한 시계열 군집분석을 수행하였다. 분석 자료로는 아동 대상 영어 e-book 학습 시스템의 로그데이터를 활용하였으며, 학습행동 패턴의 유형을 토대로 도출된 군집별 학습자들의 특성을 비교하였다. 또한 로그데이터의 시계열적 특징을 반영하지 않은 일반 군집분석과 시계열 군집분석 결과를 비교하였다. 주요 연구 결과는 다음과 같다. 첫째, 연속적인 시계열 상의 학습행동 변화량에 주목한 전처리 과정을 통해 개인 변동성을 반영한 학습행동의 시계열적 패턴을 군집화한 결과, 학습 단계 이수율이 ‘평일에 높은’ 집단, ‘지속적으로 낮은’ 집단, ‘매우 분산된’ 패턴을 보이는 집단으로 분류되었다. 둘째, 학습행동 수준이 지속적으로 저조한 집단과 분산된 집단 간에 학습 시간 및 성과의 유의미한 차이는 없었다. 셋째, 월 평균 학습행동의 군집분석 결과와 비교를 통해 시계열 정보의 손실 측면에서 이러한 접근의 유의점을 도출하였다. 이를 바탕으로 온라인 학습행동이 실시간으로 기록되는 로그데이터의 처리 및 분석에 있어서 대안적 방법의 필요성과 방법론적 시사점을 논의하였다.

In this study, we conducted a time-series clustering analysis based on dynamic time warping distance to understand learners’ behaviors observed in an online learning environment. We used log data from an English e-book learning system and compared the characteristics of learners in clusters derived from the analysis. Additionally, we compared the results of our analysis with those of aclustering analysis that did not reflect the time-series information of the log data. The main findings of this study are as follows: First, through a preprocessing process that focuses on the fluctuations in learning behavior observed over continuous time-series, we identified time-series patterns of learning behavior reflecting individual variability: one with high completion rates on weekdays, another with consistently low performance, and a third group exhibiting highly distributed patterns. Second, no significant differences in learning time and performance were found between the consistently low-performing group and the distributed group. Third, by comparing the clustering results with those obtained from the monthly average learning behaviors, the study highlighted the importance of this approach in terms of information retention. Based on these findings, the study discussed the need for alternative methods and methodological implications in processing and analyzing log data, where online learning behaviors are recorded in real-time.