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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.