대학의 AI 기반 맞춤형 강의 추천 시스템 개발 및 실제 적용 사례 연구: K 대학을 중심으로 = Development and Application of an AI-Powered Adaptive Course Recommender System in Higher Education: An Example from K University

국문 초록 (Abstract)

본 연구는 대학혁신을 위한 인공지능 기반의 적응형 학습인 AI 기반 교양 강의 추천 시스템을 래피드 프로토타입 모형에 기반하여 개발하고, 실제 교내 포털 시스템에 적용하여 이용 결과를 분석하는 것에 목적을 두었다. 해당 서비스는 2020년 7월 교내 포털 시스템에 적용하였다. 추천 기능에 이용된 알고리즘은 사용자 기반 협업 필터링과 수강 이력 기반 통계 알고리즘을 이용하였으며, 각 모델당 21개의 교양 강의를 추천하였다. 서비스 만족도 설문조사를 진행한 결과, 782명의 응답을 수집하였고 협업 필터링 알고리즘보다 통계 기반 알고리즘의 만족도가 유의미하게 높은 것을 확인하였다. 그러나 실제 사후 추적 조사 결과, 2020년 2학기 희망 강의로 등록된 강의 내역과 실제 수강 내역에서 추천된 강의를 분석했을 때 협업 필터링 알고리즘의 Recall@21이 각각 약 37%와 43%로 통계 기반 알고리즘의 결과인 18%와 14%에 비해 높은 것으로 나타났다. 또한, 학생들은 교양 강의를 선택할 때 흥미 및 관심사를 가장 우선순위로 고려하였으며, 강의 제목의 모호함 때문에 강의에 대한 키워드가 가장 필요한 정보라고 응답하였다. 더불어 설문 응답자들은 원하는 강의와 원하는 수업 방식을 추천 결과에 직접 반영하고자 하는 요구를 확인하였다. 본 연구가 국내 대학 교육 실정에 맞는 인공지능 기반의 맞춤형 강의 추천 시스템을 개발하고 학습자에게 맞춤형 교육 정보를 제공하고자 할 때 기초자료로 기여할 수 있기를 기대한다.

다국어 초록 (Multilingual Abstract)

This paper outlines the development process of an AI-based elective course recommendation system on the basis of rapid prototype methodology (RP), from algorithm modeling to development of a user interface and follow-up survey. The algorithms used to produce recommendations employed either user-based collaborative filtering or a class history-based statistical model, incorporating students’ course ratings and course enrollment history data. The system was implemented on the campus portal website in July 2020, and a satisfaction survey was conducted. Our results, based on 782 responses, demonstrated that the statistical-based model had significantly higher satisfaction than the collaborative filtering model. However, a follow-up survey based on course wish list and course registration data found that Recall@21 for the collaborative filtering model was about 37% and 43%, respectively, compared with 18% and 14%, respectively, for the statistical-based model. Thus, we found a difference between satisfaction with the recommended list and actual course behavior. In their responses, students regarded their academic interests as the top priority when choosing elective courses, and noted that keywords, capable of fully describing the lectures, were vital information due to ambiguous course titles. This study is expected to contribute to the further development and real application of AI-based recommendation systems in Korean higher education institutions.

참고문헌 (Reference)

1 김충일, "혼합필터링(Hybrid Filtering)을 활용한 교과목 추천시스템 개발" 엘지씨엔에스 14 (14): 71-82, 2015

2 김두형, "협업 필터링을 활용한 대학 교양과목 추천 시스템" 2551-2556, 2020

3 윤장혁, "협업 필터링을 응용한 대학 교양과목 추천" 3 (3): 37-42, 2016

4 손기락, "협동적 필터링을 이용한 K-최근접 이웃 수강 과목 추천 시스템" 한국정보교육학회 11 (11): 281-288, 2007

5 김미량, "학습자 중심 웹 기반 교수-학습체제의 화면설계 전략" 16 (16): 51-76, 2000

6 나일주, "웹기반 가상교육 프로그램 설계를 위한 활동모형 개발" 17 (17): 27-52, 2001

7 임철일, "웹 기반 수업 개발을 위한 인쇄물 기반의 래피드 프로토타입 개발 방법론에 관한 연구" 한국교육공학회 21 (21): 3-28, 2005

8 Laberge, R., "데이터 웨어하우스 멘토: 실용적 DW/BI 시스템 구축을 위한 통찰" 비제이퍼블릭 2013

9 권선아, "대학의 인공지능 도입과 인공지능교수에 대한 학습자 인식" 교육종합연구원 16 (16): 77-101, 2018

10 유재준, "kNN 알고리즘 기반의 교양과목 추천 모델 연구" 24 (24): 107-109, 2020

11 Angus, G., "Via: Illuminating academic pathways at scale" 1-10, 2019

12 Gruver, N., "Using latent variable models to observe academic pathways. arXiv preprint"

13 Goldberg, D., "Using collaborative filtering to weave an information tapestry" 35 (35): 61-70, 1992

14 Dudani, S., "The distance-weighted k-nearest-neighbor rule" (4) : 325-327, 1976

15 Bloom, B., "The 2 sigma problem : The search for methods of group instruction as effective as one-to-one tutoring" 13 (13): 4-16, 1984

16 Chaturapruek, S., "Studying undergraduate course consideration at scale" 7 : 2021

17 Bobadilla, J., "Recommender systems survey" 46 : 109-132, 2013

18 Lu, J., "Recommender system application developments: A survey" 74 : 12-32, 2015

19 Jones, T., "Rapid prototyping methodology in action : A developmental study" 48 (48): 63-80, 2000

20 He, X., "Neural collaborative filtering" 173-182, 2017

21 Chaturapruek, S., "How a data-driven course planning tool affects college students' GPA: Evidence from two field experiments" 1-10, 2018

22 Pardos, Z., "Designing for serendipity in a university course recommendation system" 350-359, 2020

23 Shao, E., "Degree planning with PLAN-BERT: Multi-semester recommendation using future courses of interest" 2021

24 Pardos, Z., "Connectionist recommendation in the wild : on the utility and scrutability of neural networks for personalized course guidance" 29 (29): 487-525, 2019

25 Hu, Y., "Collaborative filtering for implicit feedback datasets" 263-272, 2008

26 Brusilovsky, P., "Authoring tools for advanced technology Learning Environments" Springer 2003

27 Mikolov, T., "Advances in pre-training distributed word representations"

28 Paramythis, A., "Adaptive learning environments and e-learning standards" 1 (1): 369-379, 2003

29 Montebello, M., "AI injected e-learning" Springer International Publishing 2018

30 Pardos, Z., "A university map of course knowledge" 15 (15): e0233207-, 2020

31 Henze, N., "A logical characterization of adaptive educational hypermedia" 10 (10): 77-113, 2004

32 Pazzani, M., "A framework for collaborative, content-based and demographic filtering" 13 (13): 393-408, 1999