지식 맵은 디지털 학습 환경에서 적응형 및 AI 기반 학습 시스템에 필수적이지만, 그 구축은 여전히 주로 수작업에 의존하고 있어 확장성과 일관성이 제한된다. 본 연구는 국가 교육과정 문서로부터 계층형 지식 맵을 자동으로 구축하기 위해 설계된 감독자 오케스트레이션 멀티에이전트 워크플로(Supervisor-Orchestrated Multi-Agent Workflow, MAW)를 제시한다. 다수의 LLM 기반 에이전트가 맥락 엔지니어링 프로토콜(Context Engineering Protocol) 하에서 지식 생성, 검증, 관계 형성을 협력적으로 수행함으로써 정보 손실을 최소화하고 맥락의 연속성을 유지한다. MAW는 단일 LLM 기반 순차 워크플로와 비교되었다. 결과는 MAW가 구조적 충실도, 관계의 질, 의미 정확도에서 더 우수함을 보여주었다. 또한 검증 에이전트(Validation Agent)와 ProxyDB 기반 메모리 시스템은 맥락 단편화를 감소시키고 선수관계(prerequisite) 관계의 완전성을 보장하였다. 이러한 결과는 MAW가 단일-LLM 워크플로의 한계를 효과적으로 극복하여 더 높은 맥락적 응집성과 교육적 타당성을 갖춘 지식 맵을 산출함을 입증한다.

교육의 급속한 디지털 전환은 AI 기반 개인화 및 평가를 가능하게 하는 확장성 있고 상호운용 가능한 지식 표현에 대한 긴급한 필요를 창출하였다. 본 연구는 형식적 교육과정 표준으로부터 교육 지식 그래프를 직접 구축하기 위한 CASE 정렬 Multi-Agent Framework(CMAF)를 제안한다. 이 프레임워크는 내용 분석 에이전트, 관계 합성 에이전트, 검증 에이전트와 같은 다수의 특화된 에이전트가 감독자 오케스트레이션 프로토콜 하에서 협력적으로 작동하도록 하여 자동화 효율과 교육학적 신뢰성 모두를 보장한다. 인간이 주석한 데이터를 맥락적 실측 정답(contextual ground truth)으로 사용하여, 에이전트들은 학습목표 간 계층적 (is Child Of), 순차적 (precedes), 그리고 구성적 (is Part Of) 관계를 추론한다. 단일 LLM 기준선과의 비교 평가는 제안된 멀티에이전트 접근이 더 높은 구조적 일관성, 관계 정밀도, 그리고 의미적 완전성을 산출함을 보여준다. 결과는 CMAF가 교육과정 정렬 지식 그래프 생성을 위한 확장 가능한 기반으로서, 적응형 학습, 역량 분석, 그리고 AI 기반 교육 평가에서 하위 응용을 지원할 수 있음을 시사한다.

본 연구는 훈련 데이터와 테스트 데이터 간의 분포 불일치가 딥러닝 기반 지식 추적(KT) 모델의 성능에 미치는 영향을 분석하는 것을 목적으로 한다. 이를 위해 다양한 분포를 갖는 학습 데이터를 생성하여 시뮬레이션 연구를 수행하였다. 또한 초등학교 및 중학교 학생들로부터 수집된 온라인 학습 데이터를 활용하여 온라인 학습 환경에서 수집된 데이터의 특성을 살펴보고, 훈련 데이터와 테스트 데이터 간 분포 차이가 모델 성능에 미치는 영향을 실증적으로 평가하였다. 본 연구의 주요 결과는 다음과 같다. 첫째, 훈련 데이터와 테스트 데이터의 분포 차이는 모델 성능 저하로 이어졌다. 다만 훈련 데이터가 과도하게 편향되지 않은 경우 그 영향은 제한적이었다. 둘째, 각 KT 모델의 성능은 학습 데이터의 특성에 따라 달랐다. 셋째, KT 모델의 정확도는 학생들의 성취 수준에 따라 달랐다. 넷째, 학생들은 반복 학습 행동을 포함하여 다양한 문제 해결 반응 양상을 보였다. 이러한 결과에 기초하여, 온라인 학습 환경의 특성을 반영하는 KT 모델 개발의 필요성을 논의하고, 보다 정교한 지식 추적 모델을 개발하기 위한 통찰을 제시한다.

로젠버그 자아존중감 척도(Rosenberg Self-Esteem Scale, RSES)는 널리 사용되는 심리 평가 도구로서, 그 차원성에 관해 연구자들 사이에서 지속적인 논쟁의 대상이 되어 왔다. 본 연구는 종단 패널 연구에서 수집된 자료를 사용하여 척도의 요인 구조와 문항 문장 구성으로 인한 것일 수 있는 방법 효과의 존재 여부를 검토하였다. 본 연구는 요인분석 모형에 기반한 전통적 접근뿐 아니라, 순환구조(circumplex) 모형을 활용하여 RSES의 차원성을 탐색하였다. 그 결과 RSES가 일반적 자아존중감의 단일 요인을 측정한다는 경험적 근거를 확인하였으나, 부정적으로 진술된 문항에서 비롯된 방법 효과로 인해 다차원적 구조 또한 관찰되었다. 또한 한 개의 부정적으로 진술된 문항은 척도의 다른 문항들과 일치하지 않았다. 이러한 결과는 연구자들이 방법 효과와 관련된 잠재적 위험 및 이를 적절히 다루기 위한 전략을 인식하여, 개인의 특성을 보다 정확하게 해석할 수 있어야 함을 시사한다.

지식 맵은 디지털 학습 환경에서 적응형 및 AI 기반 학습 시스템에 필수적이지만, 그 구축은 여전히 주로 수작업에 의존하고 있어 확장성과 일관성이 제한된다. 본 연구는 국가 교육과정 문서로부터 계층형 지식 맵을 자동으로 구축하기 위해 설계된 감독자 오케스트레이션 멀티에이전트 워크플로(Supervisor-Orchestrated Multi-Agent Workflow, MAW)를 제시한다. 다수의 LLM 기반 에이전트가 맥락 엔지니어링 프로토콜(Context Engineering Protocol) 하에서 지식 생성, 검증, 관계 형성을 협력적으로 수행함으로써 정보 손실을 최소화하고 맥락의 연속성을 유지한다. MAW는 단일 LLM 기반 순차 워크플로와 비교되었다. 결과는 MAW가 구조적 충실도, 관계의 질, 의미 정확도에서 더 우수함을 보여주었다. 또한 검증 에이전트(Validation Agent)와 ProxyDB 기반 메모리 시스템은 맥락 단편화를 감소시키고 선수관계(prerequisite) 관계의 완전성을 보장하였다. 이러한 결과는 MAW가 단일-LLM 워크플로의 한계를 효과적으로 극복하여 더 높은 맥락적 응집성과 교육적 타당성을 갖춘 지식 맵을 산출함을 입증한다.

교육의 급속한 디지털 전환은 AI 기반 개인화 및 평가를 가능하게 하는 확장성 있고 상호운용 가능한 지식 표현에 대한 긴급한 필요를 창출하였다. 본 연구는 형식적 교육과정 표준으로부터 교육 지식 그래프를 직접 구축하기 위한 CASE 정렬 Multi-Agent Framework(CMAF)를 제안한다. 이 프레임워크는 내용 분석 에이전트, 관계 합성 에이전트, 검증 에이전트와 같은 다수의 특화된 에이전트가 감독자 오케스트레이션 프로토콜 하에서 협력적으로 작동하도록 하여 자동화 효율과 교육학적 신뢰성 모두를 보장한다. 인간이 주석한 데이터를 맥락적 실측 정답(contextual ground truth)으로 사용하여, 에이전트들은 학습목표 간 계층적 (is Child Of), 순차적 (precedes), 그리고 구성적 (is Part Of) 관계를 추론한다. 단일 LLM 기준선과의 비교 평가는 제안된 멀티에이전트 접근이 더 높은 구조적 일관성, 관계 정밀도, 그리고 의미적 완전성을 산출함을 보여준다. 결과는 CMAF가 교육과정 정렬 지식 그래프 생성을 위한 확장 가능한 기반으로서, 적응형 학습, 역량 분석, 그리고 AI 기반 교육 평가에서 하위 응용을 지원할 수 있음을 시사한다.

본 연구는 훈련 데이터와 테스트 데이터 간의 분포 불일치가 딥러닝 기반 지식 추적(KT) 모델의 성능에 미치는 영향을 분석하는 것을 목적으로 한다. 이를 위해 다양한 분포를 갖는 학습 데이터를 생성하여 시뮬레이션 연구를 수행하였다. 또한 초등학교 및 중학교 학생들로부터 수집된 온라인 학습 데이터를 활용하여 온라인 학습 환경에서 수집된 데이터의 특성을 살펴보고, 훈련 데이터와 테스트 데이터 간 분포 차이가 모델 성능에 미치는 영향을 실증적으로 평가하였다. 본 연구의 주요 결과는 다음과 같다. 첫째, 훈련 데이터와 테스트 데이터의 분포 차이는 모델 성능 저하로 이어졌다. 다만 훈련 데이터가 과도하게 편향되지 않은 경우 그 영향은 제한적이었다. 둘째, 각 KT 모델의 성능은 학습 데이터의 특성에 따라 달랐다. 셋째, KT 모델의 정확도는 학생들의 성취 수준에 따라 달랐다. 넷째, 학생들은 반복 학습 행동을 포함하여 다양한 문제 해결 반응 양상을 보였다. 이러한 결과에 기초하여, 온라인 학습 환경의 특성을 반영하는 KT 모델 개발의 필요성을 논의하고, 보다 정교한 지식 추적 모델을 개발하기 위한 통찰을 제시한다.

로젠버그 자아존중감 척도(Rosenberg Self-Esteem Scale, RSES)는 널리 사용되는 심리 평가 도구로서, 그 차원성에 관해 연구자들 사이에서 지속적인 논쟁의 대상이 되어 왔다. 본 연구는 종단 패널 연구에서 수집된 자료를 사용하여 척도의 요인 구조와 문항 문장 구성으로 인한 것일 수 있는 방법 효과의 존재 여부를 검토하였다. 본 연구는 요인분석 모형에 기반한 전통적 접근뿐 아니라, 순환구조(circumplex) 모형을 활용하여 RSES의 차원성을 탐색하였다. 그 결과 RSES가 일반적 자아존중감의 단일 요인을 측정한다는 경험적 근거를 확인하였으나, 부정적으로 진술된 문항에서 비롯된 방법 효과로 인해 다차원적 구조 또한 관찰되었다. 또한 한 개의 부정적으로 진술된 문항은 척도의 다른 문항들과 일치하지 않았다. 이러한 결과는 연구자들이 방법 효과와 관련된 잠재적 위험 및 이를 적절히 다루기 위한 전략을 인식하여, 개인의 특성을 보다 정확하게 해석할 수 있어야 함을 시사한다.

본 연구는 TOEIC 학습 플랫폼에서 수집된 대규모 로그 데이터를 활용하여 Dynamic Time Warping(DTW)에 기반한 시계열 클러스터링을 적용함으로써 학습자의 시간에 따른 참여 양상을 분석하고자 한다. 학습 참여를 나타내는 지표—예를 들어 해결한 문항 수, 수강한 강의 수, 로그인 빈도—를 추출한 후 k-medoids 알고리즘을 이용해 군집화하였다. 본 연구의 주요 결과는 다음과 같다. 해결한 문항 수와 수강한 강의 수는 학습 기간의 초기, 중기, 후기에서 각각 높은 활동성을 보이는 학습자들을 포함하는 세 개의 군집으로 구분되었다. 반면 로그인 빈도는 초기 또는 후기 단계에서 높은 활동성을 보이는 경우로 나타나 두 개의 군집으로 나뉘었다. 이 과정에서 DTW 기반 시계열 클러스터링 방법은, 각 학습자의 시계열 길이가 서로 다르더라도 유사한 학습 양상을 보이는 학습자들을 함께 군집화할 수 있음을 보여주었다. 그러나 활동성이 증가한 후 감소하는 양상을 보이는 중기 집중 학습자들은, 변화 시점의 구체성에 관계없이 하나의 군집으로 묶였는데, 이는 DTW 기반 클러스터링의 한계를 시사한다. 이러한 결과를 바탕으로 본 연구는 DTW 기반 클러스터링의 잠재력과 한계를 논의하고, 대규모 학습 로그 데이터 분석 및 온라인 학습 시스템 설계에 대한 시사점을 도출한다.

본 연구에서는 온라인 학습 환경에서 관찰되는 학습자의 행동을 이해하기 위해 동적 시간 왜곡 거리(dynamic time warping distance)에 기반한 시계열 군집화 분석을 수행하였다. 우리는 영어 e-book 학습 시스템의 로그 데이터를 사용하고, 분석을 통해 도출된 군집에 따른 학습자의 특성을 비교하였다. 또한, 로그 데이터의 시계열 정보를 반영하지 않은 aclustering 분석의 결과와 본 연구의 분석 결과를 비교하였다. 본 연구의 주요 결과는 다음과 같다. 첫째, 연속된 시계열에서 관찰되는 학습 행동의 변동에 초점을 둔 전처리 과정을 통해 개인의 다양성을 반영하는 학습 행동의 시계열 패턴을 확인하였는데, 하나는 평일에 높은 완료율을 보였고, 다른 하나는 지속적으로 낮은 성과를 보였으며, 세 번째 집단은 매우 분산된 양상을 나타냈다. 둘째, 지속적으로 저성과를 보인 집단과 분산 집단 간에는 학습 시간과 성과에서 유의미한 차이가 발견되지 않았다. 셋째, 월별 평균 학습 행동으로부터 얻은 군집화 결과와의 비교를 통해, 본 접근이 정보 보존 측면에서 중요함을 강조하였다. 이러한 결과에 기초하여, 온라인 학습 행동이 실시간으로 기록되는 로그 데이터를 처리하고 분석하는 데 있어 대안적 방법 및 방법론적 시사점의 필요성을 논의하였다.

본 연구는 대규모 언어모델(Large Language Model, LLM) 기반 자동문항생성 기술의 활용 가능성과 한계를 탐색하기 위해 수행되었다. 이를 위해 사실적 지식에 대한 이해와 논리적 추론이 요구되는 중등 사회과 문항을 대상으로 분석을 수행하였다. 텍스트, 이미지, 표, 그래프 등 문항의 구성요소를 기준으로 네 가지 문항 유형을 분류하고, 다양한 프롬프팅 기법을 활용하여 각 유형별로 문항 생성을 시도하였다. 문항 생성 모델 성능의 일관성과 정확성을 확보하기 위해 OpenAI의 어시스턴트 API 환경에서 문항을 생성하였고, 2015 개정 사회과 교육과정 지식체계 문서를 투입 자료로, DOK(Depth of Knowledge)의 프레임워크를 문항 생성의 준거로 활용하였다. 연구 결과, LLM은 교육과정 성취기준에 포함된 개념과 관련된 지식을 추출하여 발문과 선택지 등 문항 구성에 필요한 텍스트를 적절히 생성할 수 있었다. 특히 예시 문항을 제공한 뒤 원샷 프롬프팅을 이용하여 변형 문항을 생성하는 작업에서 활용도가 높은 것으로 나타났다. 표 또는 그래프가 포함된 문항의 경우, 사전에 정의된 템플릿 기반의 문항 생성 방법과 LLM의 자료 해석 능력을 조합하여 활용하는 경우 성능이 더 향상될 것으로 보인다. 단, 생성된 문항은 서술 내용 중 오류가 포함될 가능성이 있어, 문항 개발 과정에서 문항 초안으로 활용할 수 있을 것으로 보이며, 전문가의 검토를 거쳐 완성도를 높이면 실제 평가 상황에서 활용할 수 있는 수준의 정확성과 타당성을 확보할 수 있을 것으로 보인다. 이상의 연구 결과를 바탕으로 LLM을 활용한 자동문항생성 기술이 문항 개발 과정을 개선하는 데에 유용성과 활용 가능성을 가짐을 확인하였으며, 다양한 유형의 문항을 생성하기 위한 효율적인 방법을 제안하였다.

이 연구는 자기보고식 평가에 대한 반응 양식(response style)에 근거하여 잠재 집단(latent group)을 식별하고, 이러한 반응 양식이 응답자 매개변수(respondent parameter)의 추정 및 하위 척도 간 상관관계에 미치는 영향을 탐색하는 것을 목적으로 하였다. 분석에는 2013년 한국교육종단연구의 자료를 사용하였으며, 특히 자기개념 척도(self-concept measure)에 대한 중학교 3학년 학생 설문 자료를 활용하였다. 주요 결과는 다음과 같다. 첫째, 각 하위 척도에서 반응 양식에 따라 잠재 집단을 탐색하기 위해 혼합 부분신용 모형(mixed partial credit model)을 적용한 결과, 사회적 자기개념(social self-concept) 척도에서는 비극단적 반응 양식 집단과 극단적 반응 양식 집단의 두 집단이 나타났다. 둘째, 신체적 및 학업적 자기개념(physical and academic self-concept) 척도에서는 선택 항목을 선호하는 방식의 차이를 보인 두 개의 비극단적 반응 양식 집단과 하나의 극단적 반응 양식 집단이 확인되었다. 셋째, 사회적, 신체적, 학업적 자기개념 척도에서 남학생은 여학생보다 극단적 반응 양식을 더 선호하였다. 마지막으로, 극단적 반응 양식을 사용하는 집단에서는 반응 양식을 고려하지 않을 때 응답자 매개변수가 과대추정되었고, 비극단적 반응 양식을 사용하는 집단에서는 반응 양식을 통제하지 않을 때 응답자 매개변수가 과소추정되었다. 반응 양식을 통제한 후에는 하위 척도 간 상관관계가 감소하였다.

본 연구의 목적은 국가 교육과정 개편과 대학입학제도 개편이 융합(다학제)형 대학지원의 변화 양상에 미치는 영향을 분석하고, 언론 보도 분석을 통해 융합(다학제)형 대학지원과 관련된 주요 쟁점을 파악하는 데 있다. 이를 위해 1997년 1월 1일부터 2023년 11월 30일까지 주요 대중매체에서 보도된 융합(다학제)형 대학지원 관련 뉴스 기사 총 2,371건을 웹 스크래핑 방법을 통해 수집하였으며, 키워드 빈도 분석과 Structural Topic Modeling(STM)을 수행하였다. 연구의 주요 결과는 다음과 같다. 첫째, 26년에 걸친 기간 동안 뉴스 기사에서 보고된 융합(다학제)형 대학지원 관련 7개 주제가 추출되었는데, 여기에는 ‘공교육 활성화 및 사교육비 경감 방안’, ‘전문적 재능을 지닌 학생 지원 정책’, ‘학기/조기 지원 절차 및 지원 전략’, ‘자연계 학생의 문과 계열 진학 동향과 통합형 수능 도입’, ‘이공계열 회피 및 지원 정책’, ‘전형 유형에 기반한 지원 전략’, ‘문과 계열 학생의 자연계열 진학 동향 및 전형 유형과 과목에 따른 장단점’이 포함되었다. 둘째, 통합교육체제의 서로 다른 단계에 따라 주제의 출현 빈도와 주요 쟁점은 상이하게 나타났다. 마지막으로, 본 연구 결과에 기초하여 지원의 쟁점과 개선 방향에 관한 시사점을 도출하였다.