온라인 학습 로그의 시계열 군집화 기반 학습 행동·참여 패턴 분석 연구

Time-Series Clustering of Online Learning Logs for Learning Behavior and Engagement Pattern Analysis

연구 내용

Dynamic Time Warping 기반 시계열 군집화로 온라인 학습 로그의 행동 변동 패턴을 분류하고, 학습 성취 및 참여도 특성과의 관계를 통해 맞춤형 학습 지원 단서를 도출하는 연구

온라인 학습 플랫폼에서 수집되는 학습 로그를 시계열 데이터로 전처리한 뒤, Dynamic Time Warping 기반 거리와 k-medoids 같은 군집 방법을 적용하여 학습 행동과 참여도를 시간 축에서 비교합니다. 학습 과정에서 나타나는 개인별 변동을 반영하는 패턴을 도출하고, 월 평균 등 단일 요약 정보와 비교하여 시간 정보를 유지하는 분석의 이점을 확인합니다. 또한 DTW 기반 군집이 학습 전환 시점 차이를 어느 정도 흡수하지만, 특정 형태(활동 증가 후 감소)의 시점 이동에는 한계가 있음을 함께 관찰합니다. 이를 통해 학습 시스템의 설계와 학습개입 시나리오 도출에 필요한 방법론적 근거를 축적합니다.

관련 프로젝트

0건

연구 흐름

초기에는 e-book 학습 로그를 연속 시간 구간에서의 변동 관점으로 전처리하고, Dynamic Time Warping을 이용해 주중 완료율이 높은 집단, 지속적으로 낮은 성취 집단, 분산형 패턴 집단 등 시간적 행동 유형을 구분했습니다. 이후 동일한 관점에서 월 평균 기반 접근과의 비교를 수행해, 정보 보존 측면에서 시계열 군집화의 필요성을 정리했습니다. 이어서 TOEIC 학습 플랫폼 로그로 확장하여 참여 지표(문항 풀이, 강의 출석, 로그인 빈도)를 분리 군집화하고, time series length 차이가 있어도 유사한 학습 패턴이 묶일 수 있음을 확인했습니다. 동시에 DTW 기반 군집의 시점 민감도 한계를 사례 기반으로 도출했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

DTW 기반 학습 행동 군집화
학습 참여도 패턴 분류
학습 로그 전처리 가이드
개인화 개입 시나리오
시계열 길이 차이 대응 전략
플랫폼 개선 효과 평가
성취-참여 지표 매칭
시간 정보 보존 분석 체계
중간활동 변동 탐지
동적 행동 기반 추천 근거