원격평생교육에서 학습자의 시간관리 데이터에 따른 수료가능성 예측 = Prediction of learner's course completion probability by time management data in distance lifelong education

다국어 초록 (Multilingual Abstract)

Based on learning analytics, this study investigated whether learners’ time management data (the regularity of connecting to the system, total learning time, the number of accessing the system) accumulated on learning management system (LMS) could predict their total scores that determined the completion of a course in distance life-long education. It also attempted to determine learning progression points that could predict learners’ course completion significantly and to classify them into three status groups, a risk group, a border group, and a safety group at each significant time point.
This study was conducted with the consent of a typical distance lifelong education center (DLEC) located in Seoul. The subjects of the study were 411 students who had taken five courses offered by the DLEC in the spring semester of 2016. It was assured that they did not take more than one course among the target courses of the study. A log data of the subjects was anonymized and extracted from the LMS of the DLEC and the regularity of connecting to the system, total learning time, and the number of accessing the system were calculated by tracing the time to connect and disconnect to the LMS. After refining the data, descriptive statistics of all the research variables―the regularity of connecting to the system, total learning time, the number of accessing the system, and total score―were conducted and the correlations between the variables were also checked. Stepwise multiple regression analysis was conducted to examine the relationship between the variables related to time management and the total scores. In order to decide learning progression points at which total scores can be predicted, multiple regression analysis was conducted each quarterly point of total 16 weeks for a course to predict total scores in terms of time management data accumulated. At each quarterly point that proved to be significant to predict total scores, they were calculated and learners were classified into three status group. The results of the study are as follows.
First, testing the significance of predicting total scores two time management variables the regularity of connecting to the system and the number of accessing the system proved to predict total scores significantly. More regularly students connected to the system, higher total scores they recorded. More frequently they accessed the system, higher total scores they showed. However, total learning time was found to have no significant effect on total scores.
Second, in order to find learning progression points at which total scores can be significantly predicted, students’ total scores were estimated based on the time management data accumulated every four weeks. As a result, the regularity and number of connecting to the system were found to predict total scores significantly from the first quarterly point: 32.4% of the students who did not actually completed the course were categorized into the "risk group" showing the lowest probability of course completion. This means that just four week time management data can fairly predict the students who are at high risk of course incompletion. Therefore, it is concluded that learners’ total score, which determines their course completion, can be predicted from the 4th week after opening a course that runs at 16 week semester base. Thus, it is possible to establish a support plan especially for the learners who are at high risk of course incompletion from the first quarterly point of the semester.

국문 초록 (Abstract)

원격평생교육은 1972년 한국방송통신대학의 설립을 계기로 법제화 되었으며, 2000년대 초부터는 온라인 형태로 제공되고 있다. 원격평생교육 기관을 이용하는 학습자의 수가 증가함에 따라 원격평생교육 기관의 수는 지속적으로 늘어나고 있으며, 특히 KOCW(Korea Open CourseWare), K-MOOC(Korea Massive Open Online Course)와 같은 새로운 평생교육 수단이 등장하면서 기존 원격평생교육기관들은 경쟁력 제고와 성과관리의 필요성을 절감하고 있다.
온라인 환경에서 이루어지는 원격교육에 대한 최근의 경향은 LMS(Learning Management System: 학습 관리 시스템) 상에 축적된 데이터를 활용하여 학습자들의 학습성과를 예측하고 학습적 처방을 내리는 학습분석학적 접근 방식을 적용하는 것이다. 그러나 원격평생교육과 관련하여 이러한 접근은 보고된 바 없다. 원격평생교육의 역사가 근 15년에 이르는 만큼 LMS 상에 방대한 데이터가 축적되어있으며, 이러한 데이터를 분석하여 적절하게 활용한다면 원격평생교육 기관의 경쟁력 제고에 기여할 여지가 크다고 판단된다.
이에 본 연구는 학습분석학에 기반하여 LMS 상에 축적된 학습자의 시간관리 데이터(학습시점 간격의 규칙성, 총 학습시간, 학습 접속 횟수)가 학습자의 수료를 결정하는 총 점수를 유의하게 예측할 수 있는지 확인하고, 예측 가능한 학습 진행 시점을 알아보고자 수행되었다. 또한 총 점수를 유의미하게 예측할 수 있는 각 시점에 수료가능성에 입각하여 학습자들을 위험군, 경계군, 안전군으로 분류함으로써 향후 맞춤형 학습지원 서비스를 위한 토대로 삼고자 한다.
본 연구는 서울 소재 A 원격평생교육원의 동의하에 이루어졌다. 연구대상은 2016년도 봄 학기에 개설된 5개 과목을 수강한 411명의 학습자였으며, 이들 중 대상 과목을 1개 이상 수강한 경우는 없는 것으로 확인되었다. A 원격평생교육원 LMS에서 대상 학습자의 로그데이터를 익명화하여 추출하고 학습자의 시간관리 데이터 변인(학습시점 간격의 규칙성, 총 학습시간, 학습 접속 횟수)을 산출하여 분석에 사용하였다. 자료분석을 위해 학습접속 시간과 종료시간을 활용하여 각 변인을 계산해내는 작업을 거치고 데이터를 정제하였다. 학습자 시간관리 데이터 변인과 총 점수의 기술통계, 상관관계분석을 실시한 후 총 점수 예측 모형을 구성하기 위해 단계적(Stepwise) 다중회귀분석을 실시하였다. 또한 총 점수를 유의하게 예측할 수 있는 시점을 규명하기 위하여 16주 과정의 강의를 4등분하여 4주 단위로 누적된 학습자 시간관리 데이터에 입각하여 총 점수를 예측하는 다중회귀분석을 실시하였다. 총 점수를 유의미하게 예측할 수 있는 학습 진행 시점에 총 점수를 계산하고, 학습자를 3가지 단계로 분류하였다. 구체적인 연구결과는 다음과 같다.
첫째, 학습자 시간관리 데이터 변인들이 총 점수를 예측할 수 있는지 확인한 결과, 학습시점 간격의 규칙성과 학습 접속 횟수는 총 점수를 유의하게 예측하는 것으로 나타났으며, 학습 접속이 규칙적일수록, 학습 접속 횟수가 많을수록 총 점수가 높게 나타났다. 총 학습시간은 유의미한 영향을 미치지 않았다.
둘째, 총 점수를 유의하게 예측할 수 있는 시점을 알아보기 위해, 4주 단위로 누적된 학습자 시간관리 데이터로 총 점수를 예측한 결과, 개강 후 4주까지의 학습자 시간관리 데이터만으로도 총 점수에 대한 유의한 예측이 가능했다. 예측된 총 점수를 바탕으로 원격평생교육 분야의 평균 미 수료 비율을 참고하고 학습자를 분류한 결과 수료가능성이 가장 낮은 ‘위험군’에 최종적으로 미수료한 학습자 중 11명(32.353%)이 포함되었다. 이는 4주까지의 학습자 시간관리 데이터로도 미 수료의 위험이 높은 학습자들을 상당수 분류할 수 있음을 의미한다. 따라서 16주차 과정에서 개강 후 4주부터 학습자들의 총점수를 예측하고, 특히 미 수료 위험이 높은 학습자들에 대한 지원책을 수립할 수 있음을 확인할 수 있었다.

목차 (Table of Contents)

• 제 1장 서론 1
• 제 1절 연구의 필요성과 목적 1
• 제 2절 용어의 정리 3
• 1. 학습시점 간격의 규칙성 3
• 2. 총 학습시간 3
• 3. 학습 접속 횟수 3
• 4. 수료가능성 4
• 제 2장 이론적 배경 5
• 제 1절 원격평생교육 5
• 1. 현황 5
• 2. 관련연구동향 8
• 3. 원격평생교육에서의 수료가능성 연구 동향 9
• 제 2절 원격평생교육과 학습분석학 12
• 1. 학습분석학 12
• 2. 학습자 시간관리 데이터 16
• 제 3장 연구방법 21
• 제 1절 연구대상 21
• 제 2절 연구 문제 23
• 제 3절 연구절차 25
• 1. 선행연구 분석 및 연구변인에 대한 정의 25
• 2. 자료수집 25
• 3. 데이터 선별 25
• 4. 결과분석 26
• 제 4절 조사도구 27
• 1. 학습시점 간격의 규칙성 27
• 2. 총 학습시간 28
• 3. 학습 접속 횟수 28
• 4. 수료가능성 28
• 제 5절 연구 결과 30
• 1. 기술 통계 결과 30
• 2. 회귀 분석 결과 33
• 3. 총 점수 예측 시점 검증 34
• 4. 수료가능성 예측 36
• 제 4장 결론 및 제언 38
• 제 1절. 논의 및 시사점 38
• 제 2절. 제한점 및 후속연구를 위한 제언 41
• 참고문헌 42
• ABSTRACT 50