• 인터넷정보학회논문지
• /
• 제10권3호
• /
• pp.159-172
• /
• 2009

본 연구는 학습자의 측면에서 대학 e-러닝 콘텐츠의 질에 영향을 미치는 요인을 밝히고, 대학 e-러닝 콘텐츠의 질을 향상시키기 위한 구체적인 방안을 모색해 보는 데 있다. 이를 위한 구체적인 연구문제들은 다음과 같다: 1) 대학 e-러닝 콘텐츠의 질에 영향을 미치는 요인은 무엇이며, 각 요인에 대한 학습자의 인식(중요도 만족도)은 어떠한가? 2) 대학 e-러닝 콘텐츠의 질에 영향을 미치는 요인별 중요도와 만족도 사이에는 차이가 있는가? 3) 대학 e-러닝 콘텐츠의 질을 향상시키기 위한 구체적인 방안은 무엇인가? 연구대상은 대학에서 e-러닝 강좌를 수강한 경험이 있는 수도권 지역 대학생 543명이었으며, 조사도구는 선행 연구를 토대로 개발된 38개의 문항으로 구성된 설문지를 사용하였다. 자료 분석을 위해 요인분석과 대응표본 t-검증이 사용되었다. 연구 결과, 학습자의 측면에서 본 대학 e-러닝 콘텐츠의 질에 영향을 미치는 요인은 교수전략, 학습내용, 사용성, 평가/피드백, 인터페이스의 다섯 가지로 나타났으며, 모든 요인에서 중요도와 만족도 간에 통계적으로 유의미한 차이가 있었다. 또한 요인별 중요도-만족도 매트릭스 분석 결과, 1) 학습내용은 최소한 현 상태를 지속적으로 유지해야 할 요인으로, 2) 사용성, 교수 전략, 평가/피드백은 상대적으로 중요성은 떨어지지만 여전히 만족도를 높여야 할 요인으로, 그리고 3) 인터페이스는 중요하지만 만족도가 낮아 만족도를 높이기 위한 방안이 시급히 강구되어야 할 요인으로 나타났다. 이러한 연구결과에 기초하여 학습자의 측면에서 대학 e-러닝 콘텐츠의 질을 향상시키기 위한 몇 가지 시사점을 제시하였다.

• 언어사실과 관점
• /
• 제48권
• /
• pp.195-227
• /
• 2019

Building upon the state-of-the-art deep learning techniques, the present study classifies the texts written by Korean EFL learners and English native speakers and thereby demonstrates how the two types of texts differ from each other. To this end, the current work makes use of the Yonsei English Learner Corpus (YELC) and Gacheon Learner Corpus (GLC) as the L2 data, and Corpus of Contemporary American English (COCA) as the L1 data. Utilizing the sentence classification methods, the current work implements a system to differentiate the two types of texts, the accuracy of which is about 94%. This indicates that the deep leaning-based system is capable of identifying the well-formedness and felicities of the texts written by Korean EFL learners. Nonetheless, the system-based judgments do not overlap with human judgments largely because the deep learning model exclusively focuses on sequence of words. The present study provides a further analysis to see how the two types of judgments differ with respect to grammatical errors (e.g., word order, voice, etc.) and felicity errors (e.g., semantic prosody, the position of adverbs, etc.).

• 한국환경교육학회지:환경교육
• /
• 제16권1호
• /
• pp.25-33
• /
• 2003

This study aimed to discern the educational meaning of nature experience activity in a nonformal educational program in Korea, focusing on the interaction between a teacher and learners. To achieve this objective, an ethnographic research method was employed using an environmental educational program for children in a nonformal setting. The results of study are as followings. Firstly, the teacher's belief-"young ecologist" shaped its own characteristics of the program. Secondly, the children had a understanding that they learn something about nature(e.g. learning by seeing, dlscovering, recollecting, and awakening). The analysis of teachers' ideas and learners' attitude toward nature experience shows that there exists a gap between the teachers' expectations and the actual ecological changes in the learners' ideas. However, the educational meaning of nature experience can be understood by the unique type of interaction between a teacher and learners. In conclusion, on the basis of this study, it is suggested that educators should be aware of the fact that nature experience can conttribute significantly to the education of children not just from the encounter with nature but also philosophically with regard to our connectedness with nature. Bringing nature into educational contexts can help children to take part in thoughtful perspectives of learning and to devise their own appropriate nature experience.

• 지능정보연구
• /
• 제29권2호
• /
• pp.285-301
• /
• 2023

비대면 교육의 중요성 및 필요에 따른 수요가 증가함에 따라 국내외 온라인 교육 오픈 플랫폼이 활성화되고 있다. 본 플랫폼은 대학 등 교육 전문기관과 달리 학습자의 자율성이 높은 특징을 가지며 이에 따라 개인화된 학습 도구를 지원하기 위한 학습 행동 데이터의 분석 연구가 중요시 되고 있다. 실제적인 학습 행동을 이해하고 패턴을 도출하기 위하여 프로세스 마이닝이 다수 활용되었지만 온라인 교육 플랫폼과 같이 자기 관리형(Self-regulated) 환경에서의 학습 로그를 기반한 사례는 부족하다. 또한, 대부분 프로세스 모델 도출 등의 모델 관점에서의 접근이며 분석 결과의 실제적인 적용을 위한 개별 패턴 및 인스턴스 관점에서의 방법 제시는 미흡하다. 본 연구에서는 온라인 교육 오픈 플랫폼 내 학습 패턴을 파악하기 위하여 프로세스 마이닝을 활용한 분석 방법을 제시한다. 학습 패턴을 다각도로 분석하기 위하여 모델, 패턴, 인스턴스 관점에서의 분석 방법을 제시하며, 프로세스 모델 발견, 적합도 검사, 군집화 기법, 예측 알고리즘 등 다양한 기법을 활용한다. 본 방법은 국내 오픈 교육 플랫폼 내 기계학습 관련 강좌의 학습 로그를 추출하여 분석하였다. 분석 결과 온라인 강의의 특성에 맞게 비구조화된 프로세스 모델을 도출할 수 있었으며 구체적으로 한 개의 표준 학습 패턴과 세 개의 이상 학습 패턴으로 세분화할 수 있었다. 또한, 인스턴스별 패턴 분류 예측 모델을 도출한 결과 전체 흐름 중 초기 30%의 흐름을 바탕으로 예측하였을 때 0.86의 분류 정확도를 보였다. 본 연구는 프로세스 마이닝을 활용하여 학습자의 패턴을 체계적으로 분석한다는 점에서 기여점을 가진다.