학습유형과 수업 맥락이 학습 몰입에 미치는 영향: 표정 분석 AI 데이터를 활용한 다항 로지스틱 회귀 분석

• 영문명: Examining Flow Through Facial Expression-Based AI: Effects of Learning Styles and Instructional Contexts
• 발행기관: 고려대학교 교육문제연구소
• 저자명: 박소현(Sohyun Park)
• 간행물 정보: 『교육문제연구』第96輯, 25~49쪽, 전체 25쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2025.08.31

국문 초록

본 연구는 학습자의 학습유형과 수업 맥락이 학습 몰입에 미치는 영향을 분석하기 위해, 인공지능 기반 표정 분석 모델(AI)을 활용하여 몰입 관련 정서 상태를 정량적으로 측정하였다. Kolb의 경험학습이론에 따라 학습자는 동화형, 수렴형, 적응형, 확산형의 네 가지 학습유형으로 분류되었다. 수업 맥락은 두 가지 차원으로 구분하여, 운영 형태는 개인·집단·혼합형으로, 수업 장소는 오프라인·온라인·블렌디드 러닝으로 각각 구분하였다. 2,175명의 성인 학습자로부터 수집된 100만 건 이상의 반복 측정 데이터를 기반으로 다항 로지스틱 회귀 분석을 실시하여 집중, 집중하지 않음, 졸음의 세 가지 몰입 상태 간 차이를 살펴보았다. 분석 결과, 첫째, 학습유형은 몰입 상태에 유의미한 영향을 미치는 변수로 나타났으며, 동화형 학습자에 비해 적응형 및 확산형 학습자는 집중하지 않거나 졸음 상태에 놓일 가능성이 높았다. 둘째, 학습유형과 운영 형태 간의 상호작용에서는 집단 수업이 적응형 및 확산형 학습자의 몰입을 효과적으로 지원한 반면, 개인 수업은 몰입 저해와 연관되어 있었다. 셋째, 수업 장소 측면에서는 적응형 학습자가 블렌디드 러닝 환경에서 졸음 상태에 빠질 가능성이 높게 나타났으며, 이는 온라인과 오프라인 전환이 인지적 흐름을 방해할 수 있음을 시사한다. 이러한 결과는 개별 학습자의 학습유형에 부합하는 수업 설계의 필요성을 강조하며, 표정 분석 AI를 활용한 대규모 학습 몰입 측정이 개인화된 교육 설계와 데이터 기반 교육 연구에 유용하게 활용될 수 있음을 보여준다.

영문 초록

This study investigates how learners’ cognitive styles and instructional environments influence flow, using facial expression-based AI to detect engagement-related emotional states. Based on Kolb’s experiential learning theory, participants were categorized into four styles: assimilating, converging, accommodating, and diverging. Instructional contexts were defined by format (individual, group-based, blended format) and delivery mode (offline, online, blended learning). Over 1 million repeated observations from 2,175 adult learners were analyzed using multinomial logistic regression to examine variations in flow states: focused, distracted, or drowsy. Results showed that learning styles significantly predicted flow. Accommodating and diverging learners were more likely to experience distraction or drowsiness than assimilating learners. Group-based formats supported flow more effectively for these learners, while individual formats were linked to higher disengagement. Additionally, accommodating learners were more prone to drowsiness in blended delivery environments, possibly due to interruptions in cognitive flow. These findings highlight the need for instructional designs that reflect individual cognitive preferences. This study also illustrates the utility of facial expression-based AI for large-scale measurement of learning flow.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 연구 방법

Ⅳ. 연구 결과

Ⅴ. 결론 및 논의

참고문헌

키워드

학습 몰입 Kolb의 학습유형 학습자 성향 수업 맥락 다중 로지스틱 회귀분석 flow Kolb’s experiential learning theory learning style instructional context multinomial logistic regression