많은 대학들이 Adaptive Learning(어답티브 러닝) 시스템 도입에 적극 나서고 있습니다. 어답티브 러닝 시스템의 가치와 효과가 다양하게 증명되고 있기 때문입니다. 어답티브 러닝은 데이터 분석, AI & 머신러닝, 지식기반 알고리즘 그리고 이들 요소를 활용한 학습 방식과 경로 추천 및 평가 등으로 최적의 학습 경험을 제공합니다. 이 같은 학습자 중심의 교육 모델은 성과 향상이란 가시적 결과를 가져오고, 시간이 지나면서 학생들의 과정 수료율과 졸업률 증가 같은 대학의 핵심 목표를 가능케 하는 동력으로 작용합니다.

오늘 포스팅에서는 많은 가치를 제공하는 어답티브 러닝 시스템의 구현 방법에 대해 알아보겠습니다.

어답티브 러닝 시스템 플로우

일반적으로 어답티브 러닝 시스템은 아래와 같은 흐름으로 운영됩니다. 학습자 즉, 학생을 중심점으로 해서 학생 분류(클러스터), 학습 패턴 분석, 학습 방식과 경로 추천, 평가와 피드백 및 콘텐츠 관리 시스템 등으로 구성됩니다. 따라서 이들을 연계한 전체적인 프로세스 최적화가 효율적 운영과 관리를 위해 필요합니다.

어답티브 러닝 시스템 구성

어답티브 러닝 시스템은 교육자가 주도하는 학습 목표, 학습 콘텐츠와 도메인 모델 그리고 학습자에게 맞춤형 교육 경험을 제공하는 사용자 모델과 어답테이션 모델 및 프리젠테이션 모델 등으로 구성됩니다. 앞서 설명된 최적화된 어답티브 러닝 프로세스를 통해 구성 요소들을 유기적으로 연계하는 것이 중요합니다.

어답티브 러닝 시스템 요소

성과를 내는 어답티브 러닝 시스템을 구현하려면 다양한 요소가 필요합니다. 여기에는 데이터 수집.분석 도구를 시작으로 AI & 머신러닝 및 지식기반 알고리즘 등이 포함됩니다. 이중에서 어답티브 러닝 시스템 구현에 꼭 필요한 항목을 살펴보겠습니다.  

1. 데이터 수집 & 분석
효과적인 어답티브 러닝 시스템을 구축하려면 학습자, 콘텐츠 및 시스템 관련한 다양하고 많은 데이터가 필요합니다. 필요한 데이터 종류는 다음과 같습니다.

• 
  ⦁ 학습자 데이터: 인구통계 정보, 학습 패턴, 진행 상황 및 피드백 데이터 등

• ⦁ 콘텐츠 데이터: 교육 과정(교육 목표, 핵심 개념 등) 데이터, 콘텐츠 형식(비디오,텍스트, 퀴즈, 시뮬레이션 등) 데이터
• ⦁ 사용자 데이터: 사용자 행동(로그인 시간, 클릭, 페이지 탐색 경로 등) 관련 데이터
• ⦁ 시스템 데이터: 시스템 성능 지표(응답시간, 오류률, 사용자 만족도 등) 데이터로 시스템 문제점 파악에 필요
• ⦁ 평가 & 피드백 데이터: 학생의 학습 진행 상황과 이해도 평가에 필요한 데이터
•  

2. AI & 머신러닝

학생의 학습 패턴 분석, 교육 콘텐츠와 학습 경로 추전 및 데이터 분석 같은 어답티브 러닝 시스템만의 차별화된 서비스 대부분은 AI & 머신러닝 기술에서 시작됩니다. AI & 머신러닝이 이용되는 주요 영역은 다음과 같습니다.

⦁ 데이터 분석: 학습 성과의 통계적 분석, 학습자의 패턴 인식 및 행동 모델링 등에 이용
⦁ 추천 서비스: 학생이 선호하는 콘텐츠 기반 필터링 및 유사 사용자 그룹 기반의 필터링 기능
⦁ 자연어(NLP) 처리: 대화형 피드백 & 질의응답을 제공하는 시스템 및 텍스트 분석 기능
⦁ 적응형 알고리즘: 학습 상황과 이해도를 실시간 분석해 맞춤형 학습 경로를 제공하는 기능
⦁ 실시간 피드백 서비스: 모델 업데이트 등을 통해 학생 답변과 행동에 대한 피드백 제공

3. 지식기반 알고리즘

지식기반 알고리즘은 학생의 지식 수준을 추적하고 행동 데이터를 분석해 맞춤형 학습 경로를 제공합니다. 학습자에게 최적의 학습 경험을 제공하는데 있어 가장 중요한 역할을 수행합니다. 주요 알고리즘의 종류와 역할을 살펴보겠습니다.

⦁ 베이지안 지식 추척(BKT): 4가지 변수를 이용한 학습자의 지식 수준 추적에 이용
⦁ 딥러닝 기반 지식 추적(DKT): RNN을 이용해 시간 흐름에 따른 학습자의 지식 변화 추적
⦁ 아이템 반응 이론(IRT): 학습자의 응답 패턴 분석 결과를 토대로 학습자 수준과 능력 예측
⦁ 성과기반 분석(PFA): BKT 단점을 보완해 더 많은 요소를 동시에 분석 가능한 알고리즘
⦁ 지식 맵 기반: 학습자에게 필요한 지식과 개념 간의 관계를 시각적으로 설명하는 방법으로 학생에게 필요한 지식과 기술을 제시

4. 콘텐츠 관리 시스템(LMS/CMS)

어답티브 러닝 시스템에 있어 LMS는 학습자용 콘텐츠 개발, 저장, 배포와 관리를 책임지고 이를 통해 학생에게 맞춤형 학습 경험을 제공하는데 중요한 역할을 합니다. 주요 기능은 다음과 같습니다.

⦁ 콘텐츠 중앙집중화: 콘텐츠와 관련 자료의 효율적 관리와 사용자 접근성 보장 
⦁ 맞춤형 학습 경험 제공: 지식기반 알고리즘과 연계한 학습 패턴 분석 및 학습 상황에 따른 조정 
⦁ 실시간 피드백 & 평가: 과제 완료에 따른 즉각적 평가, 피드백 제공 및 학습 성과 분석을 토대로 다음 학습 경로 계획에 필요한 정보 제공
⦁ 콘텐츠 협업 & 재사용: 콘텐츠 공동 개발과 활용이 가능하고 재사용 가능성 강화
⦁ 콘텐츠 개선: 학습자 피드백과 학습 분석 결과를 개선에 활용하고 새로운 교육 이론 등을 적용

5. 학습자 평가 & 피드백
평가 & 피드백은 학습자에게 최적의 학습 방식과 과정을 안내하는 토대가 됩니다. 또한 평가와 피드백 기능이 제대로 작동할 때 어답티브 러닝 시스템의 지속적 향상과 성과 창출이 가능합니다.

⦁ 지식기반 평가: 베이지안 지식 추적, 딥러닝 기반 지식추적 등으로 학생의 특정 개념 및 기술 이해 수준을 평가하는데 이용
⦁ 성과기반 평가: 형성 평가, 포토폴리오 평가 등으로 전체 학습 성과를 분석하고 학생의 장단점 파악하는데 이용
⦁ 실시간 피드백: 자동 피드백 시스템, 자기주도 학습 등을 통해 결과와 피드백을 실시간 제공 
⦁ 개인화 피드백: 진행상황 기반 및 학습 패턴 기반 방법을 이용한 학생 맞춤형 피드백 제공
⦁ 지속적 평가: 데이터 분석 기반의 평가 및 적응형 학습 전략 기반의 학습자 성과 모니터링과 평가를 이용한 학습 경로 조정

6. 데이터 및 사용자 정보 보안
어답티브 러닝 시스템에는 중요하고 민감한 정보(학생 개인정보, 성적 및 평가 데이터 등)가 많이 존재합니다. 시간이 흐를수록 규모도 커집니다. 잘 준비된 보안은 정보 보호뿐 아니라 어답티브 러닝 시스템 신뢰도 그리고 위변조 방지를 통한 데이터 정확성과 신뢰도까지 연결됩니다.

⦁ 개인정보보호: 학생, 교수진의 개인 및 민감정보 보호와 법적 규제 준수
⦁ 시스템 신뢰성 확보: 보안이 어답티브 러닝 시스템의 신뢰성 및 성공과 직결
⦁데이터 정확성 & 신뢰성: 데이터와 정보의 무결성이 전제될 때 학습자 평가 및 피드백의 정확성과 신뢰성 보장도 가능
⦁ 사용자 만족도: 완벽한 보안은 곧 사용자 만족도와 사용률 증가로 이어지고 어답티브 러닝의 목표인 학습 성과 향상으로 연결

어답티브 러닝 시스템의 가치는 분명합니다. 많은 대학이 적극 도입하는 이유이죠. 하지만 다양한 기술과 역량이 요구되는 어려운 일이기도 합니다.
따라서 메타넷디엘 같은 전문 기업과의 동행이 필요합니다.  

대학정보화와 어답티브 러닝 시스템에 대해 궁금하시면, 메타넷디엘과 상담하세요!