지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 유선아
- 발행연도
- 2021
- 저작권
- 한국교원대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 논증 수준을 평가하기 위하여 기계 학습을 활용한 자동 채점을 수행하고, 그 성능을 개선하기 위한 방안을 제시하였다. 또한 자동 채점 모델을 활용하여 실제 학생 논증의 패턴을 분석하였다. 논증 자동 채점을 위한 데이터는 경기도 Y시 B고등학교의 1, 2 학년 학생을 대상으로 한 과학적 논증 수업의 담화이다. 2018학년도 2학년 학생을 대상으로 한 과학적 논증 수업은 22차시의 수업으로 진행되었으며, 360도 VR카메라를 활용하여 소모둠의 논증 담화가 기록되었다. 총1,167차시의 논증 담화가 기록되었으며, 이를 검토하여 논증이 활발하게 진행된 초점 집단과 초점 주제를 선정하였다. 이에 논증 수업 중 5개의 소모둠에서 발생한 모든 발화(2,603개)가 자동 채점의 데이터로 활용되었다. 이를 대상으로 자동 채점을 수행하기 위하여 4가지 단위의 논증 피처(단일 논증 요소, 논증 클러스터, 과학적 주제, 발화 형태소)를 채점 기준으로 구성하였다. 또한 논증 과정의 패턴을 n-gram 피처로 표현하여 채점 기준에 포함하였다. 이후 논증 발화를 논증 에피소드 단위로 재구성 한 후, 논증 수준 평가틀로 논증 수준을 평가하였다. 이러한 코딩 결과는 자동 채점을 위한 데이터셋으로 변환되었다. 결과적으로, 구성된 데이터셋에 지도 학습 기법 중 서포트 벡터 머신, 의사결정 나무, 랜덤 포레스트 기법을 적용하여 총 33가지의 자동 채점 모델을 구성하였다. 33가지의 모델을 활용하여 자동 채점의 성능을 비교하였으며, 논증 수준에 따른 논증의 양상과 패턴을 분석하였다. 이 결과, 최대 85.37%, 평균 77.59%의 자동 채점 정확도를 얻었으며, 33개 중 25개의 자동 채점 모델이 상당한 일치도를 나타내었다. 이는 한국어 논증 담화에 대한 선행 연구의 결과보다 크게 개선된 성능이다. 또한 의사결정 나무와 랜덤 포레스트 모형을 활용하여 논증 수준에 따른 논증 양상과 패턴을 분석하여, 자료에 대한 논증 담화의 중요성과 정당화가 포함된 논증을 체계적으로 구성하는 것이 중요하다는 점 등을 확인할 수 있었다. 이와 같은 연구 결과는 Toulmin의 논증패턴(TAP)을 기반으로 한 논증 피처와 n-gram 피처가 자동 채점의 성능을 향상시키는 요인임을 나타낸다. 그러므로 다양한 논증 피처와 논증 패턴을 나타낼 수 있는 알고리즘을 활용하여 자동 채점의 성능을 개선해나가야 한다. 또한 자동 채점 모델과 n-gram 피처는 실제 학생 논증 과정의 패턴을 나타내었다. 이는 논증 데이터와 기계 학습을 활용한 논증 패턴의 분석이 교실에서 이루어지는 논증에 대한 이해를 높일 뿐만 아니라, 효과적인 연구 방법으로 활용될 수 있음을 나타내는 것이다. 궁극적으로 논증 자동 채점은 학생에게 개별화된 피드백을 제공하는 도구로 활용되어, 논증 수준과 과학적 소양을 발달시키는 교수 도구가 될 것이다. 따라서 앞으로의 과학적 논증 연구에서 자동 채점과 기계 학습을 활용한 연구가 활발히 이루어져야 한다.
목차
I. 서론 1II. 이론적 배경 41. 기계 학습 4가. 기계 학습과 데이터 마이닝 4나. 기계 학습의 알고리즘 6다. 텍스트 마이닝과 자연어 분석 82. 논증 평가 103. 논증 패턴 분석 13가. 논증 패턴 13나. n-gram 154. 자동 채점 16III. 연구방법 및 내용 191. 자료 수집 202. 논증 피처와 논증 수준 평가틀의 구성 22가. 논증 피처의 구성 231) 단일 논증 요소 242) 논증 클러스터 283) 과학적 주제 314) 발화 형태소 33나. 논증 수준 평가 341) 논증 에피소드 분리 342) 논증 수준 평가틀 363. 기계 학습 수행을 위한 전처리 39가. 개발 환경 39나. 개별 발화에 대한 논증 피처의 코딩 및 n-gram 변환 40다. 텍스트 전처리 41라. 논증 에피소드로 병합 42마. 에피소드-피처 매트릭스(EFM)의 구성 42바. 자동 채점을 위한 논증 피처의 구성 434. 자동 채점 수행 45가. 데이터 분할 45나. 기계 학습 파라미터 설정 46다. 자동 채점 수행 475. 자동 채점 모델을 활용한 논증 패턴 분석 49IV. 연구결과 및 논의 511. 훈련 데이터와 테스트 데이터를 활용한 자동 채점 51가. 자동 채점 성능의 개괄 54나. EFM 1 자동 채점의 성능 55다. EFM 5 자동 채점의 성능 55라. EFM 8, EFM 10 자동 채점의 성능 57마. EFM 2 자동 채점의 성능 582. 자동 채점 모델을 활용한 논증 패턴 분석 59가. EFM 3 자동 채점 모델의 분석 60나. EFM 6 자동 채점 모델의 분석 63다. EFM 8 자동 채점 모델의 분석 70라. EFM 10 자동 채점 모델의 분석 75마. EFM 11 자동 채점 모델의 분석 79V. 결론 및 제언 85참고문헌 90ABSTRACT 97부록 100
최근 본 자료
댓글(0)
0