대규모 온라인 학습 로그 데이터 EdNet을 활용한 학습 참여도의 시계열 분석: 동적시간워핑 기법을 중심으로

• 영문명: Time Series Clustering of Learner Engagement in Large-Scale Online Learning Log Data Using Dynamic Time Warping
• 발행기관: 한국교육평가학회
• 저자명: 권연하(Yeon Ha Kwon) 이현숙(Hyun Sook Yi)
• 간행물 정보: 『교육평가연구』제38권 제3호, 527~556쪽, 전체 30쪽
• 주제분류: 사회과학 > 교육학
• 파일형태: PDF
• 발행일자: 2025.09.30

국문 초록

본 연구는 TOEIC 학습 플랫폼에서 수집된 대규모 학습 로그 데이터를 활용하여 학습자의 학습 참여 양상을 시계열적으로 분석하기 위해, 동적시간워핑(DTW) 거리를 기반으로 한 시계열 군집분석을 수행하였다. 이를 위해 로그 데이터에서 학습자의 풀이 문항 수, 수강한 강의 수, 로그인 횟수와 같은 학습 참여도를 나타내는 지표를 추출하였으며, k-중앙점 알고리즘을 적용하여 군집화하였다. 주요 결과는 다음과 같다. 풀이 문항 수와 수강한 강의 수는 각각 3개의 군집(초반집중형, 중반집중형, 후반집중형), 로그인 횟수는 2개의 군집(초반집중형, 후반집중형)으로 분류되었다. 이때, DTW 기반 시계열 군집분석을 활용하는 경우 학습 기간이 서로 다르더라도 유사한 학습 패턴을 보이는 학습자는 동일한 군집으로 분류되는 것으로 확인되었다. 동시에 DTW 거리의 특성으로 인해 학습량이 증가 후 감소하는 중반집중형 패턴은 그 변화 시점이 학습자별로 달라도 동일한 군집에 포함되는 한계가 드러났다. 이러한 결과를 바탕으로 DTW 기반 군집분석의 활용 가능성과 한계를 논의하고, 대규모 학습 로그 데이터 분석 및 온라인 학습 시스템 설계에 대한 시사점을 도출하였다.

영문 초록

This study aims to analyze learners’ engagement patterns over time by applying time series clustering based on Dynamic Time Warping(DTW), using large-scale log data collected from a TOEIC learning platform. Indicators representing learning engagement-such as the number of items solved, lectures attended, and login frequency-were extracted and clustered using the k-medoids algorithm. The main findings of this study are as follows. The number of items solved and lectures attended were grouped into three clusters: learners with high activity in the early, middle, and late stages of the learning period. In contrast, login frequency was divided into two clusters, reflecting high activity either in the early or late stages. In this process, the DTW-based time series clustering method revealed that learners with similar learning patterns were grouped together even when their time series lengths differed. However, middle-focused learners, characterized by an increase followed by a decline in activity, were clustered together regardless of the specific timing of the change, indicating a limitation of DTW-based clustering. Based on these findings, this study discusses both the potential and the limitations of DTW-based clustering, and derives implications for analyzing large-scale learning log data and designing online learning systems.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 연구방법

Ⅳ. 연구결과

Ⅴ. 결론 및 논의

참고문헌

키워드

온라인 학습 로그 데이터 동적시간워핑(DTW) 시계열 분석 군집화 Online learning log data EdNet Dynamic Time Warping(DTW) Time series analysis Clustering