Core Concepts
다양한 데이터 소스(학습 전략, 감정, 상호작용 영역)를 활용하여 속성 선택과 앙상블 기법을 통해 학생의 최종 성과를 더 잘 예측할 수 있다.
Abstract
이 연구는 지능형 튜터링 시스템(ITS)에서 다양한 데이터 소스를 활용하여 학생의 최종 성과를 예측하는 방법을 제안한다.
데이터 수집:
학습 전략: ITS 로그에서 요약, 정보 소스 조정 등의 변수 추출
감정: 얼굴 녹화 영상을 통해 Microsoft Emotion API로 감정 인식
상호작용 영역: 시선 추적 데이터에서 관심 영역(AOI) 고정 횟수 추출
데이터 전처리:
익명화, 정규화, 이산화 등의 전처리 수행
수치형 및 범주형 데이터셋 생성
실험:
모든 속성 병합
최적 속성 선택
최적 속성 선택 + 앙상블
결과:
최적 속성 선택과 앙상블 기법을 사용한 경우 가장 높은 예측 성능(82% 정확도, 0.87 AUC)
주요 예측 변수: 요약 전략, 정보 소스 조정, 놀람 감정, 이미지/그래픽 관심 영역 고정 횟수
이 연구는 다양한 데이터 소스를 활용하여 학생 성과를 더 잘 예측할 수 있음을 보여준다. 향후 추가 변수 및 데이터 융합 기법 적용, 다른 학습 환경으로의 확장 등이 필요할 것이다.
Stats
학생들의 요약 전략(SummAll) 횟수가 0.25 이상인 경우 합격한다.
학생들의 요약 전략(SummAll) 횟수가 0.25 이하이고 놀람 감정(Emotions.surprise) 값이 0.061227 이하인 경우 불합격한다.
학생들의 놀람 감정(Emotions.surprise) 값이 0.06 초과이고 이미지/그래픽 관심 영역(Interaction.AOI3FixCount) 고정 횟수가 0.04 이하인 경우 합격한다.
Quotes
"학생들의 요약 전략(SummAll) 횟수가 0.25 이상인 경우 합격한다."
"학생들의 요약 전략(SummAll) 횟수가 0.25 이하이고 놀람 감정(Emotions.surprise) 값이 0.061227 이하인 경우 불합격한다."
"학생들의 놀람 감정(Emotions.surprise) 값이 0.06 초과이고 이미지/그래픽 관심 영역(Interaction.AOI3FixCount) 고정 횟수가 0.04 이하인 경우 합격한다."