Ⅰ. 서론

요즈음 병원에서 건강진단을 하면, 피 한 방울로 환자의 병명을 진단할 수 있게 되었다. 뿐만 아니라, 같은 병명이라도 환자의 연령이나, 성별, 체중, 신장에 따라서 약 처방법이 달라진다. 아무리 훌륭한 강사가, 강의를 하는 중에는 수강 학생의 강의 이해도 및 어떤 교과목의 취약 과목 인지를 알 수 가 없다. 본 논문에서는 이러한 문제점을 해결하기 위해서, 블렌디드 이러닝 기법 :온라인 학습 및 오프라인 학습 기반에서 강의 집중도, 취약 과목 자동 분석 및 강의자동 요약 시스템 SW 및 취약과목을 자동으로 판단하는 알고리즘을 제시하고, 모의실험을 수행하였다^[1-2].

뿐만 아니라, 대한민국에서 진행된 스마트 이러닝 구축 시스템은, 2018년까지 전국 초중고교를 대상으로 디지털교과서, 유무선 통합 환경 등을 구축하는 스마트 교실 사업을 2조 2000억원 이상을 투입 하였지만, 거의 컴퓨터 HW 설치에, 집중적으로 투자를 하였으므로, 온라인 교육에서 가장 중요한 우수한 강의 콘텐츠, 강의시간 쌍방향 질문 시스템, 강의 이해도 자동분석, 취약 과목 자동 분석 SW 개발이 시급한 편이다^[3-4].

특히, 선진국 온라인 원격대학 시스템중에서, 미국 명문 MIT대학교, HARVARD대학교, 무크(MOOC: Massively Open Online Course) 무료강의에, 등록한 학생수가 100만명 수강학생 중에서, 오직, 4 %~ 10% 미만이, 무크 무료 학위과정을 끝까지 수료했다고 한다. 본 논문에는 이러한 문제점을 해결하기 위해서, 혼합형 학습기반에서, 취약 과목 자동분석 및 수준별 강의 학습기능 및 보완 알고리즘을 개발하고, 모의 실험하였다. 2장에서는 기존 스마트 이러닝의 장점을 살펴보고, 3장에서는 스마트이러닝 구현 및 알고리즘에 관해서 설명하고, 4장에서는 모의실험 결과를 설명하고 5장에서는 결론을 서술한다.

Ⅱ. 스마트 이러닝 장점

원격 온라인 가상대학은 요즈음 선진국 및 국내 많은 대학교에서 언제 어디서나 누구나 간단하게 WEB 기반 에서 강의를 수강 할 수 있다. 그러나, 외국 및 국내 원격 대학 수강생 들이 강의 이해도가 천차 만별이라 강의 이해도를 실시간으로 파악하기 어렵고, 강의중에 진도가 빠르거나 느릴 경우에, 강의를 이해한 학생의 비율을 파악해서, 수강학생 난이도에 적합한 강의 수준을 조절하기가 어려운 문제점이 있다. 본 논문에서는 이러한 문제점을 해결하기 위해서, 지능형 분석 알고리즘 적용 학습자 취약과목 자동분석 시스템 개발 하고자 한다. 병원에서 의사가 환자에게 똑같이 약 처방전 을 내리는 것이 아니라, 환자의 건강상태 및 질병의 정도에 따라서, 알약을 3알씩 섭취 하는 환자와 1알을 섭취하는 환자로 처방전이 다르게 분류 되는 것처럼, 본 논문에서는 이러한 맞춤형 치료를 하기 위해서, 수강 학생의 강의이해도를 실시간으로 파악하고, 강의 내용 질문을 하고 답변을 실시간으로 전달 받을 수있는 쌍방향 질문 시스, 학생의 시험점수를, 상향점수 추세, 하향 점수 추세를 실시간으로 파악하고, 하향점수 인 경우에는 자동으로 교재를 추천 하는 알고리즘을 구현하고 모의 실험 하였다.

그림 1에서는 스마트 이러닝을 구축한 초기 메뉴화면을 설명하고 있다. 본 논문에서는 기존 스마트 이러닝기능을 보완해서, 아이디와 비빌번호를 입력하면 수강자의 출석이 자동으로 인식되고, 평가를 클릭하면, 수강생 자신의 시험점수가 상향 점수 추세인지, 아니면, 하향 점수 추세인지를 실시간으로 확인할 수 있는 기능을 모의실험 하였다.

그림 1. 스마트 이러닝 초기 메뉴 화면

Fig. 1. Smart elearning first menu screen

본 논문의 스마트 이러닝 시스템은 시험 점수만 표시해 주는 것이 아니라, 그림 2에서는 웹기반에서 시험을 종료 한 후에, 자동채점해서 수강생 점수를 표시하고, 강의 사이트 추천 및 강의 교재를 자동으로 추천하는 과정을 설명하고 있다.

그림 2. 시험점수 기반 교재 자동 추천

Fig. 2. Automatic recommendation textbook based on test score

문서 요약은 정보를 가장 많이 포함한 문장들을 찾아내 이들로부터 전체 문서를 대표할 수 있는 요약문 또는 개요를 생성하는 작업이다. 문서 자동요약은 1시간 강의교재자료를 최대 70-90%까지 강의요약을 할 수 있기 때문에, 많은 과학자들이 연구를 하고 있다. 그러나, 비유법 은유법이 많은 강좌나 반어법이 많은 강좌는 문서 요약 결과가 효율이 약간 떨어지는 문제점이 발생한다. 본 논문에서는 TextRank 알고리즘 및 오픈소스 프로그램을 을 이용해서, 강의 내용 텍스트를 상대적 중요도에 따라 가중치를 부여하는 방법으로 강의내용을 자동 요약 및 키워드 추출을 하는 모의 실험을 하였다. 그림 3에서는 라디오방송 원리를 설명하는 100% 강의 원본 문서를 보여주고 있다. 그림 4에서는 문서요약 50%를 수행한 화면 결과를 설명하고 있다.

그림 3. 문서 원본 양식

Fig. 3. Original document form

그림 4. 문서 자동요약 모의실험

Fig. 4. Automatic text summarization simulation

그림 5에서는 강의내용 원본 문서를 문서요약 20% 및 키워드 자동추출 결과를 수행한 화면 결과를 설명하고 있다. 본 논문에서는 수강생이 온라인 강의를 수강 할때에, 학습을 진행하는 강의 내용이 어려워서, 어떠한 내용이 핵심내용이고, 강의 키워드는 무엇인지를 파악하기 위해서 원본 문서를 20% 요약을 고, 강의 내용을 파악한 후에, 핵심 키워드를 표시해주는 모실험을 수행 하였다.

그림 5. 문서 요약 및 키워드 추출 모의실험

Fig. 5. Document summary and keyword extraction simulation

Ⅲ. 강의 이해도 기반 스마트 이러닝 구현

MOOC 온라인 강좌 대학 졸업 확률 은 10% 미만 으로 매우 낮은 수치를 기록하고 있다. 왜냐하면, 오프라인 강좌처럼, 교사가 학생의 얼굴을 보면서 강의하는 방식이 아니기 때문에, 온라인 강좌에서는, 강의를 수강 학생의 의지와, 온라인 강의를 수강하는 집중력이 있어야, 성공적으로 수료할 수 있다. 특히, 해외 유명 대학은 온라인 강의가 영어로 진행되고, 강의 내용이 어렵기 때문에, 강의 내용을 이해하기 어려워서, 강의를 수강하는 학생이, 중간에 온라인 대학교 강의를 포기 하는 사태가 많이 발생하고 있다. 뿐만 아니라, 강의 내용을 잘 이해 못하고 성적이 좋지 않은 수강 학생은 강의 시간에 질문을 자주 하는 것이 부끄러워서 수강생이 적극적으로 질문을 못하는 문제점이 발생한다. 그림 6 에서는, 이러한 문제점을 개선하기 위해서 혼합형 학습기반 스마트 이러닝을 제안하고 모의실험 하였다.

그림 6. 시험점수 자동 판단 및 쌍방향 질문 시스템

Fig. 6. Automatic determination of test scores and interactive question system

그림 7에서는, 온라인 학습기반에서, 학생이, 시험에서, 오답을 기록한 문제와 오답율 성적을 자동으로 판 하고 분석을 하는 과정을 설명하고 있다.

그림 7. 오답율 자동 분석

Fig. 7. Automatic analysis of incorrect answer rate

그림 8에서는, 온라인 학습기반에서, 학생이, 시험에서, 시험성적이 제일 낮은 과목을 취약과목 으로 판단하는 과정을 설명하고 있다.

그림 8. 취약과목 자동분석

Fig. 8. Automatic analysis of the lowest scored subject

그림 9에서는, 온라인 학습기반에서, 취약과목 자동분석 및 오답율 자동 분석 과정을 설명하고 있다.

그림 9. 시험점수 자동 분석 시스템

Fig. 9. Automatic determination of test score system

Ⅳ. 모의실험

혼합형 학습(Blended Learning, 블랜디드 러닝)은 기존의 학습 교육 방식인, 오프라인 학습방법과 새로운 학습 교육 방식인 온라인 학습방식을 을 결합하여 이루어지는 학습이다. 만약, A 라는 학생이 오프라인 지역 대학교에서 수학 전공 강의를 이수하고 시험을 치루고, 중간고사에서 70점을 획득 했다고 가정하자. 그리고, B 라는 학생이, 인터넷기반 온라인에서 운영되는 사이버 대학교에서 강의를 이수하고 시험을 치루고 기말고사에서 수학 전공 강의를 80점을 획득 했다고 가정하자. 표 1 에서는, 전공수학은 난이도가 45 % 이고, 정답율이 중간 정도이므로, 70점을 받았고, 표 2에서는 전공수학은 난이도가 25 % 이고, 정답 율이 많은 정도이므로, 80점을 받았다. 그러므로 혼합형 학습에서는, 온라인 대학교와 오프라인 대학교 시험에서는, 반드시 난이도 조정을 해야 한다.

표 1에서는 오프라인 학교 기반 난이도 조건, 오답율, 정답율 3가지 조건을 고려한 시험 점수를 설명하고 있다.

표 1. 오프라인 학교 시험 난이도

Table 1. Offline school test difficulty

표 2에서는 전공수학은 난이도가 25 % 이고, 정답 율이 많은 정도 이므로, 80점을 받았지만, 표 1 과 비교하면 전공수학은 난이도가 45 % 이고, 정답 율이 중간 정도 이고 70점을 받아서, 난이도에 따라서, 시험 성적이 다르게 산출되는 과정을 설명하고 있다.

표 2. 온라인 학교 시험 난이도

Table 2. Onine school test difficulty

표 3 에서는, 시험문제 중에서, 가장 어운 문항은 ①번 문항으로 100명의 총 학생 중에서, 10명이 시험문제의 정답을 작성 하였으므로, 문항난이도는 0.1이다. 가장 쉬운 문항은 ④번 문항으로 100명의 총 학생중에서, 중 80명이 시험문제의 정답을 작성하였으므로 문항난이도는 0.8이다. 일반적으로 시험문제 문항난이도는 0.3 미만이면 매우 쉬운 시험 문제 이고, 0.3이상 0.7미만이면 시험 문제 난이도는 중간이고, 0.8이상 1.0미만이면 시험 문제 난이도는 매우 어려운 시험 문제로 정의하였다. 수식 1에서 보는 것처럼, 문항변별도의 정의에 따라 검사의 총점이 높은 학생은 어떤 문항에서 높은 점수를 보이는 경향이 강하다, 다시 말해서, 두 가지 점수간의 상관 계수가 높으면 그 문항의 변별도가 높은 것으로 판단 할 수 있으며, 상관계수를 구하는 공식은 다음과 같다^[5].

표 3. 문항난이도 추정

Table 3. Deduction of item difficulty

\(r_{b i s}=\frac{M_{R}-M_{W}}{S_{t}} \times \frac{P(1-P)}{Y}\)       (1)

M_R : 정답반응 학생들의 득점 평균 값

M_W : 오답반응 학생들의 득점 평균 값

S_t :전체 점수분포의 표준편차

P :전체 학생의 정답률

Y : 정규분포곡선에서 P(정답 부분)와 1-P(오답부분)을 나누는 종축지

RULE :

IF SCORE= low and

Difficlty= high

THEN PASS = middle

여기서 CNF 70이란 RULE 의 확신도가 70%란 뜻이다. 본 논문에서는 퍼지 규칙을 이용해서, 수준별 학습을 할 경우에 난이도 기반 상위 LEVEL 강의를 수강 할 수 있는 합격 점수를 조정 할 수 있도록 하였다. 다시 말해서, 똑같은 시험 성적 60점 이라도 시험 문제 난이도에 따라서, 수준별 학습 상위 과정을 수강 할 수 있고, 수강 하지 못하는 알고리즘을 제안하고 모의실험 하였다.

그림 10. 시험 난이도를 고려한 퍼지규칙

Fig. 10. Fuzzy rules considering test difficulty

그림 11에서는, 난이도에 따라서, 시험문제가 자동으로 출제되는 과정을 설명하고 있다. 다시말해서, 같은 교과목일 경우에도, 난이도를 초급, 중급, 고급 3과정으로 분류해서, 학생의 수준에 맞추어서, 선택을 하면 자동으로 출제하는 알고리즘을 제안하고 모의실험을 수행 하였다.

그림 11. 자동시험 문제 출제 모의실험

Fig. 11. Automatic test question projection simulation

그림 12에서는 퍼지 규칙을 이용해서, 수준별 학습을 할 경우에 난이도 기반 상위 LEVEL 강의를 수강 할 수 있는 합격 점수를 조정 할 수 있는 모의실험을 수행 하였다. 본 논문에서는 강의내용 자동요약 시스템, 퍼지규칙 기반 수준별 학습 시스템 알고리즘을 제안 하였으며 다음 PROGRAM은 스마트 이러닝 알고리즘을 설명 하고 있다.

그림 12. 시험점수 기반 퍼지 버쉼 함수

Fig. 12. Fuzzy member function based on test score

Ⅴ. 결론

본 논문에서는, WEB 기반 스마트 이러닝 모의실험을 개발하였다. 21세기는 스마트 이러닝 시스템이 활성화 될 것으로 전망된다. 뿐만 아니라 수준별 학습 기반자동 교재 추천 및 오답율 자동 경고 시스템을 개발 하였다. 특히, 온라인 윈격강의 기반 Mooc 강좌는 졸업율이 5~10%미만으로, 매우 낮은 수준 이다. 본 논문에서는 이러한 문제점을 개선하기 위해서, 강의내용 자동요약 시스템을 제안 하고 모의실험 하였다. 뿐만 아니라, 강의를 이해하고 도움을 줄 수 있는 강의 문서 자동요약 알고리즘, 수준별 학습 기반 오답율 자동 경고 시스템, 난이도 기반 수준별 학습 점수 산출 알고리즘을 제안하고 모의실험 하였다. 특히 난이도기반 수준별 시험 성적 시스템을 개선 하기 위해서 Fuzzy 규칙을 이용해서, 온라인 학교와 오프라인 학교에서 치루어지는 시험점수를 정확하게 산출 하는 알고리즘을 제안 하였다. 뿐만 아니라, 4차 산업혁명 시대에, 우리나라가 교육 선진국으로 진입하기 위해서는 단순 암기형 교육방식을 축소하고, 창의성 교육방식, 오답율 자동판단 SW개발, 강의의 자동요약 SW, 혼합형 학습 수준별 강의 기반 취약과목 자동 분석 SW 교육을 개발해야 할 것 으로 사료된다.